标签：回测

能安装 quantstats，并用 qs.reports.html() 把一条策略收益率序列一键变成 HTML 报告文件；能把第 18 篇双均线策略的回测结果喂给 quantstats，生成报告并导出核心指标表

能用网格搜索穷举双均线参数组合，并画出「参数热力图」；能说清样本内（In-Sample）与样本外（Out-of-Sample）的区别，以及为什么样本外成绩才算数

能计算多资产日收益的相关性矩阵（Correlation Matrix），并说清「相关性低于 1 才有分散效果」的原因；；能用 to_period("M") 把交易日按月分组，实现「每月最后一个交易日收盘定目标权重、次日起生效」的月末再平衡，全程无未来函数；

能用十几行代码算出「换手频率 × 费率」对长期收益的复利侵蚀表；；能说出凯利公式 f* = p − (1 − p) / b 中每个符号的含义，并手算一个简单例子；

上一篇我们把双均线策略在 Backtrader 里跑通了，但你有没有留意到一个细节：`notify_trade` 打印的毛盈亏和净盈亏完全相等——因为那篇回测里，买卖是不花钱的。真实交易里每一次成交都要付费：券商佣金、印花税，还有更隐蔽的一项——你想按 10.00 元买，真正成交时往往已经变成了 10.01 元，这叫滑点（Slippage）。回测里不装上这两项成本，策略收益就像不加运费的商品标价，看着便宜，结账时才知道另一回事。

第 18 篇里，我们用 Pandas 手写了一个向量化回测；第 20 篇更是亲手搭了一个最小的事件驱动框架，一根 K 线一根 K 线地喂给策略。自己造轮子能帮你真正理解回测的运转原理，但你也一定发现了：撮合怎么写、手续费怎么扣、订单没成交怎么办……这些工程细节又琐碎又容易出错，每写一个新策略都要重新操心一遍。

能说出向量化回测的三个局限，以及什么样的策略需求必须换事件驱动；能说出事件驱动引擎的四个核心状态：逐 bar 推进、订单、持仓、现金，并在代码里指出它们各自的载体

能用 (1 + 总收益)^(252/n) − 1 把任意区间的总收益折算成年化收益，并说出 252 与 n 各是什么；能用「日收益标准差 × √252」计算年化波动率，并按系列统一的年化 2% 无风险利率计算夏普比率

能用 rolling 与比较运算写出 MA5/MA20 金叉死叉信号，并说出两个信号的准确含义；能按「信号 shift(1) 变持仓」的纪律，写出不含未来函数的策略日收益公式

能说清回测的四个步骤，并指出回测能证明什么、不能证明什么；能识别未来函数（Look-ahead Bias），用 shift(1) 修正「当天信号当天交易」的错误写法