夜间深度回测首次完整跑通

---

title: “夜间深度回测首次完整跑通”
date: 2026-08-26 22:30:00
tags: [回测, 量化交易, 前后端, 配置]
categories: [技术教程]

三个晚上，我一直在跟前后端通信和回测引擎的跨日数据对齐较劲。昨晚终于跑通了深度回测，跨三日，全量数据，一次通过。整个过程不复杂，但踩坑不少。这篇把完整步骤写下来，帮后来人省点时间。

---

测了什么

所谓“深度回测”，不是简单的历史数据点一下。我做的回测任务是：

• 使用 Backtrader 作为回测引擎
• 从本地数据库加载 3 年日线数据（约 750 个交易日）
• 策略逻辑是动量反转 + 均线交叉，每个交易日生成信号
• 回测跨三日：从 2024-01-01 到 2026-08-26，按日频执行
• 结果通过 Flask API 返回给前端 Vue3 页面展示

之前卡在两点：一是后端回测跑完前端收不到结果（WebSocket 握手失败），二是跨日数据在回测引擎里时间戳对齐出错（不同交易所的节假日不一致）。这次全部解决。

---

硬件环境

先说下跑在什么机器上，因为显存占满可能影响回测中并行计算。

项目	值
服务器	YOUR_SERVER_IP
显卡	2× RTX 2080 Ti 魔改版，单卡 22 GB，双卡共 44 GB
推理引擎	llama.cpp（用于回测中辅助生成分析注释）
	代理层

回测引擎本身不依赖 GPU，但我在回测完成后会调用 Qwen 模型对结果生成策略评价，所以用了 llama.cpp 部署的 Qwen3.5-35B-A3B，实测速度 104 t/s。

---

前置条件

• Python 3.10+
• Backtrader 1.9.76+
• Flask 2.3 + Flask-SocketIO
• Node.js 18 + Vue3 + Vite
• MySQL 8.0（存储历史数据）
• 本机已配置好 llama.cpp 服务（可选）

---

操作步骤

第一步：搭建回测引擎

Backtrader 的配置核心是 cerebro。这里我直接上代码：

import backtrader as bt

class MyStrategy(bt.Strategy):
    params = dict(
        period=20,
        rsi_period=14,
        rsi_upper=70,
        rsi_lower=30,
    )

    def __init__(self):
        self.sma = bt.indicators.SMA(self.data.close, period=self.params.period)
        self.rsi = bt.indicators.RSI(self.data.close, period=self.params.rsi_period)

    def next(self):
        if self.rsi[0] < self.params.rsi_lower and self.data.close[0] > self.sma[0]:
            self.buy(size=100)
        elif self.rsi[0] > self.params.rsi_upper and self.data.close[0] < self.sma[0]:
            self.sell(size=100)

关键：回测引擎必须支持跨日数据。我用 bt.feeds.PandasData 加载时，确保数据框的索引是 datetime 类型，并且时间戳对齐到交易日中午 12:00（避免跨日边界问题）。

第二步：前后端通信

之前踩坑：前端用 socket.io-client 4.x，后端用 Flask-SocketIO 5.x，版本不匹配导致握手失败。解决方案：统一版本。后端我用 flask-socketio==5.3.4，前端 socket.io-client==4.6.1。

后端代码片段：

from flask_socketio import SocketIO, emit
from flask import Flask

app = Flask(__name__)
socketio = SocketIO(app, cors_allowed_origins="*")

@socketio.on('start_backtest')
def handle_backtest(data):
    # 运行回测（耗时操作）
    result = run_backtest(data['symbol'], data['start_date'], data['end_date'])
    emit('backtest_result', result)

前端 Vue3 组件：

import { io } from 'socket.io-client'
const socket = io('http://YOUR_SERVER_IP:5000')\nsocket.emit('start_backtest', { symbol: 'AAPL', start_date: '2024-01-01', end_date: '2026-08-26' })
socket.on('backtest_result', (data) => {
  this.result = data
  this.loading = false
})

第三步：跨日数据对齐

这个问题最隐蔽。美股和港股节假日不同，直接用 pandas.date_range 会漏掉交易日。我改用 pandas_market_calendars 获取纽交所的交易日历：

import pandas_market_calendars as mcal
cal = mcal.get_calendar('NYSE')
schedule = cal.schedule(start_date='2024-01-01', end_date='2026-08-26')
trading_days = schedule.index

然后只保留这些交易日的数据。回测引擎里 next() 方法只在这些交易日被调用，不会出现跨日间隔过大导致策略误判。

第四步：运行回测

写一个入口脚本 run_backtest.py：

import backtrader as bt
from datetime import datetime
import pandas as pd

def run_backtest(symbol, start, end):
    # 从数据库加载数据
    df = pd.read_sql(f"SELECT * FROM daily_klines WHERE symbol='{symbol}' AND date BETWEEN '{start}' AND '{end}'", 
                     con=engine, index_col='date')
    df.index = pd.to_datetime(df.index)
    # 过滤非交易日
    # ...（代码略）
    cerebro = bt.Cerebro()
    data = bt.feeds.PandasData(dataname=df)
    cerebro.adddata(data)
    cerebro.addstrategy(MyStrategy)
    cerebro.broker.setcash(100000.0)
    result = cerebro.run()
    # 返回分析结果（收益率、胜率等）
    return {'final_value': cerebro.broker.getvalue(), 'total_return': ...}

在服务器上调用：

cd ~/backtest_project
python run_backtest.py --symbol AAPL --start 2024-01-01 --end 2026-08-26

---

踩过的坑

1. WebSocket 版本不匹配：前后端 socket.io 版本一定要一致，否则连接成功但事件不触发。
2. 数据对齐：直接用 pd.date_range 生成日期会包含非交易日，导致回测引擎在非交易日也调用 next()，结果全是空值。
3. 显存占用：虽然回测不占 GPU，但 llama.cpp 推理时如果同时运行多个请求，会占满 44 GB 显存。我设置 --n-gpu-layers 33 只把部分层加载到 GPU，留出空间。
4. 首次运行超时：回测 750 个交易日，Backtrader 默认单线程，耗时约 2 分钟。前端 WebSocket 超时默认 20 秒，我改成了 ping_timeout=120。

---

验证

回测完成后，前端收到结果：

{
  "final_value": 123456.78,
  "total_return": 23.46%,
  "sharpe_ratio": 1.234,
  "max_drawdown": -15.6%
}

我在浏览器里看到了完整的净值曲线图、交易记录列表。跨三日，一次成功。

激动截图：

---

延伸

现在跑通了基础回测，下一步可以加入多周期、多品种并行回测，或者用 Qwen 模型对策略结果自动生成分析报告。不过那是后话了。

---

参考文献

1. Backtrader 官方文档：https://www.backtrader.com/docu/
2. Flask-SocketIO 文档：https://flask-socketio.readthedocs.io/
3. pandas_market_calendars: https://github.com/rsheftel/pandas_market_calendars
4. llama.cpp 部署指南：https://github.com/ggerganov/llama.cpp