第5章策略回测框架搭建

5、策略回测框架搭建：Python环境配置、数据获取与清洗

做市策略能不能赚钱，不能光靠拍脑袋。你得跑回测。

回测框架，说白了就是一台时光机。你把历史数据喂进去，让策略在过去的市场里跑一遍，看看它表现如何。我见过太多人，策略逻辑写得天花乱坠，一跑回测就露馅。嗯，框架搭得稳，后面才能少踩坑。

5.1 环境配置：别让工具拖后腿

我个人习惯用 Anaconda 来管理 Python 环境。为什么？省心。你想想看，做量化交易要装一堆库：pandas、numpy、matplotlib、scipy……手动装容易版本冲突，Anaconda 一键搞定。

核心依赖库清单：

pandas：数据处理的核心，没有它寸步难行
numpy：数值计算，回测里算收益率、波动率全靠它
matplotlib / plotly：可视化，看曲线、看分布
scipy：统计检验、优化算法
statsmodels：时间序列分析，做平稳性检验

安装命令很简单，一行搞定：

conda create -n market_making python=3.9
conda activate market_making
pip install pandas numpy matplotlib scipy statsmodels

我的小习惯：每次新建项目，我都会用 conda env export > environment.yml 把环境锁住。这样换机器、换同事，一秒钟复现环境。曾经有个项目，就因为环境不一致，回测结果差了 20%，排查了三天……

5.2 数据获取：从哪里来，到哪里去

做市策略对数据的要求很高。你想想看，做市商赚的是买卖价差，数据精度不够，回测就是自欺欺人。

我个人推荐的数据源：

Level 2 行情数据：包含逐笔成交、十档盘口，做市策略必备
分钟级 K 线：用于计算波动率、流动性指标
订单簿快照：记录每个时间点的买卖挂单情况

数据获取的代码框架：

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def fetch_tick_data(symbol, start_date, end_date):
    """
    获取逐笔成交数据
    实际项目中会连接数据库或API
    """
    # 这里模拟数据加载
    # 真实场景：从 ClickHouse / InfluxDB 读取
    df = pd.read_parquet(f'data/{symbol}_tick.parquet')
    
    # 过滤时间范围
    mask = (df['timestamp'] >= start_date) & (df['timestamp'] <= end_date)
    return df.loc[mask].reset_index(drop=True)

def fetch_orderbook_snapshot(symbol, date):
    """
    获取订单簿快照
    做市策略的核心输入
    """
    # 实际项目中，订单簿数据量很大
    # 建议按天分片存储
    return pd.read_parquet(f'data/{symbol}_orderbook_{date}.parquet')

避坑指南：我曾经遇到过数据时间戳不对齐的问题。交易所的时钟和本地时钟有偏差，回测时看起来是同一时刻，实际差了 200 毫秒。做市策略对时间敏感，200ms 足以让策略误判。解决方案：统一使用交易所时间戳，不要用本地时间。

5.3 数据清洗：脏数据是回测的毒药

数据拿到手，别急着跑策略。先洗一洗。

我总结了一套「四步清洗法」：

去重：同一笔成交被记录两次，收益率直接翻倍
去异常：价格超过 3 个标准差，大概率是错误数据
补缺失：做市策略不能有空窗期，需要前向填充
对齐时间：不同数据源的时间戳统一到毫秒级

代码实现：

def clean_tick_data(df):
    """
    清洗逐笔成交数据
    """
    # 第一步：去重
    df = df.drop_duplicates(subset=['timestamp', 'price', 'volume'])
    
    # 第二步：去异常
    # 做市策略对价格敏感，异常价格会导致虚假盈亏
    mean_price = df['price'].mean()
    std_price = df['price'].std()
    df = df[(df['price'] > mean_price - 3*std_price) & 
            (df['price'] < mean_price + 3*std_price)]
    
    # 第三步：排序并重置索引
    df = df.sort_values('timestamp').reset_index(drop=True)
    
    # 第四步：检查时间连续性
    # 如果两个 tick 之间间隔超过 5 秒，标记为异常
    df['time_diff'] = df['timestamp'].diff().dt.total_seconds()
    df['gap_flag'] = df['time_diff'] > 5
    
    return df

5.4 核心数据结构：回测的骨架

数据清洗完了，得组织成回测能用的结构。我个人习惯用 OHLCV + 订单簿 的组合。

字段	类型	说明
timestamp	datetime	时间戳，精确到毫秒
open	float	开盘价
high	float	最高价
low	float	最低价
close	float	收盘价
volume	int	成交量
bid_price_1	float	买一价
bid_volume_1	int	买一量
ask_price_1	float	卖一价
ask_volume_1	int	卖一量

经验之谈：做市策略回测，千万别只用 K 线数据。K 线是聚合后的，丢失了盘口深度信息。我早期犯过这个错，回测曲线漂亮得很，实盘一跑就亏。后来加上订单簿数据，回测和实盘的拟合度从 60% 提升到了 85%。

5.5 知识体系总览

下面这张图，是我对本章内容的总结。你把它存下来，后面每学一章，都可以往这张图上加内容。

框架搭好了，数据也洗干净了。下一步就是写回测引擎的核心逻辑——订单管理、撮合规则、资金计算。这些内容，我们下一章再聊。

📚 课程目录

5、策略回测框架搭建：Python环境配置、数据获取与清洗

5.1 环境配置：别让工具拖后腿

5.2 数据获取：从哪里来，到哪里去

5.3 数据清洗：脏数据是回测的毒药

5.4 核心数据结构：回测的骨架

5.5 知识体系总览