第 20 篇：事件驱动回测框架的设计与最小实现

import numpy as np
import pandas as pd


def load_data():
    """优先 akshare 真实行情，失败则退回固定种子的模拟数据。"""
    try:
        import akshare as ak
        raw = ak.stock_zh_a_hist(symbol="000001", period="daily",
                                 start_date="20200101", end_date="20241231",
                                 adjust="qfq")            # 前复权，保证价格连续
        raw = raw.rename(columns={"日期": "date", "收盘": "close"})
        df = raw[["date", "close"]].copy()
        df["date"] = pd.to_datetime(df["date"])
        df = df.set_index("date")
        print(f"已加载 akshare 真实数据：000001，共 {len(df)} 个交易日")
    except Exception as e:
        print(f"akshare 不可用（{e}），改用本地模拟数据")
        rng = np.random.default_rng(7)
        idx = pd.bdate_range("2020-01-01", "2024-12-31")
        df = pd.DataFrame(
            {"close": 10 * np.cumprod(1 + rng.normal(0.0002, 0.015, len(idx)))},
            index=idx)
        df.index.name = "date"
        print(f"已生成模拟数据，共 {len(df)} 个交易日")
    return df


df = load_data()

import numpy as np
import pandas as pd

FEE = 0.001                        # 双边 0.1% 手续费（系列统一口径）
FAST, SLOW = 5, 20                 # 双均线参数：快线 5 日，慢线 20 日


class EventBacktester:
    """极简事件驱动回测引擎：逐 bar 推进 + 订单 + 持仓 + 现金。"""

    def __init__(self, df, cash=100_000.0):
        self.df = df                          # 行情数据（只读：引擎不许修改它）
        self.cash = cash                      # 状态：现金
        self.shares = 0                       # 状态：持仓（股数）
        self.orders = []                      # 状态：订单流水
        self.prev_signal = 0                  # 昨日信号，用来探测金叉 / 死叉
        self.navs = {}                        # 状态：逐日净值（日期 -> 组合权益）

    def signal_of(self, i):
        """只用第 i 根及更早的收盘价计算双均线信号——引擎的「只看历史」纪律。"""
        closes = self.df["close"].iloc[max(0, i - SLOW + 1): i + 1]
        if len(closes) < SLOW:                # 慢线尚未形成：视为空仓信号
            return 0
        ma_fast = closes.tail(FAST).mean()    # 最近 5 日收盘均价
        ma_slow = closes.mean()               # 最近 20 日收盘均价
        return int(ma_fast > ma_slow)

    def place_order(self, i, side, price):
        """生成并立即撮合一张全仓市价单（教学简化：以当日收盘价成交）。"""
        if side == "buy":
            qty = int(self.cash * (1 - FEE) / price)   # 留出手续费后买得起的整数股
            self.cash -= qty * price * (1 + FEE)       # 现金流出：股款 + 手续费
            self.shares += qty                         # 持仓增加
        else:
            qty = self.shares                          # 清仓：卖掉全部持仓
            self.cash += qty * price * (1 - FEE)       # 现金流入：股款 − 手续费
            self.shares = 0                            # 持仓清零
        fee = qty * price * FEE
        self.orders.append({"date": self.df.index[i].strftime("%Y-%m-%d"),
                            "side": side, "shares": qty,
                            "price": round(price, 2), "fee": round(fee, 2)})

    def run(self):
        """主循环：逐 bar 推进——先决策，再撮合，收盘后记账。"""
        for i in range(1, len(self.df)):
            price = self.df["close"].iloc[i]
            sig = self.signal_of(i)                    # 决策只用到今天及更早的数据
            if sig == 1 and self.prev_signal == 0 and self.shares == 0:
                self.place_order(i, "buy", price)      # 金叉：全仓买入
            elif sig == 0 and self.prev_signal == 1 and self.shares > 0:
                self.place_order(i, "sell", price)     # 死叉：清仓卖出
            self.prev_signal = sig
            equity = self.cash + self.shares * price   # 组合权益 = 现金 + 持仓市值
            self.navs[self.df.index[i]] = equity
        nav = pd.Series(self.navs).sort_index()
        return nav / nav.iloc[0]                       # 归一化成净值曲线

import numpy as np
import pandas as pd

# —— 跑事件驱动引擎 ——
engine = EventBacktester(df, cash=100_000.0)
nav_event = engine.run()

# —— 第 18 篇的向量化口径，同参数复刻一遍 ——
signal = (df["close"].rolling(FAST).mean() > df["close"].rolling(SLOW).mean()).astype(int)
position = signal.shift(1).fillna(0).astype(int)       # 信号次日执行，防未来函数
asset_ret = df["close"].pct_change().fillna(0)
cost = position.diff().abs().fillna(0) * FEE           # 双边 0.1%
nav_vector = (1 + position * asset_ret - cost).cumprod()

print(f"事件驱动 期末净值：{nav_event.iloc[-1]:.4f}")
print(f"向量化   期末净值：{nav_vector.iloc[-1]:.4f}")
diff = abs(nav_event.iloc[-1] - nav_vector.iloc[-1]) / nav_vector.iloc[-1]
print(f"相对差异：{diff:.4%}")
print(f"成交笔数（单边）：{len(engine.orders)}")
for order in engine.orders[:3]:                        # 前 3 张订单长这样
    print(order)

已加载 akshare 真实数据：000001，共 1215 个交易日
事件驱动 期末净值：1.4187
向量化   期末净值：1.4230
相对差异：0.3022%
成交笔数（单边）：28
{'date': '2020-02-21', 'side': 'buy', 'shares': 9073, 'price': 11.01, 'fee': 99.87}
{'date': '2020-03-09', 'side': 'sell', 'shares': 9073, 'price': 10.45, 'fee': 94.81}
{'date': '2020-04-14', 'side': 'buy', 'shares': 8952, 'price': 10.57, 'fee': 94.62}