回测是什么：用历史做纸上练兵

回测是什么：用历史做纸上练兵

难度：入门

回测（backtesting）把与单次分析相同的 Agent 决策流程，放到过去的每个交易日里反复执行：当日根据当时可见信息给出建议，再按规则在模拟账户里成交与估值，最后得到一条权益曲线和 Sharpe、最大回撤等绩效数字。它帮助你理解流程稳健性与限额效果，而不是证明「以后也能赚」。本篇结合 src/backtester.py 与 src/backtesting/engine.py 说明原理与正确用法。

本文你将学到

• 回测与单次分析的本质差别
• 日循环如何调用 run_hedge_fund
• 纸上组合（paper portfolio）如何更新
• 结果里哪些数字值得看、哪些必须警惕
• 教育场景下使用回测的免责声明

免责声明

本项目仅供教育与研究，回测输出不是投资建议，不代表未来表现。模拟成交忽略或简化了大量真实市场摩擦。请勿将漂亮曲线用于向他人暗示「稳赚」。

单次分析 vs 回测

入口与引擎组装

src/backtester.py 在 __main__ 中：

backtester = BacktestEngine(
    agent=run_hedge_fund,
    tickers=inputs.tickers,
    start_date=inputs.start_date,
    end_date=inputs.end_date,
    initial_capital=inputs.initial_cash,
    model_name=inputs.model_name,
    model_provider=inputs.model_provider,
    selected_analysts=inputs.selected_analysts,
    initial_margin_requirement=inputs.margin_requirement,
)
performance_metrics = run_backtest(backtester)
​

关键点：agent 参数就是 run_hedge_fund 函数本身。回测引擎在每个交易日把当前模拟 portfolio、当日价格、相同分析师与模型传进去，得到与 CLI 单次运行相同结构的 decisions，再交给交易执行层。

BacktestEngine 日循环（执行逻辑）

src/backtesting/engine.py 中 run_backtest 大致步骤：

1. 预取数据 _prefetch_data：对每 ticker 拉价格、财报、新闻等；对 SPY 拉基准数据便于对比。
2. 生成日期：freq="B" 表示工作日，跳过周末。
3. 逐日循环：
   • 确定 lookback_start（约一个月回看）与 current_date_str。
   • 获取各 ticker 在当日的价格；缺数据则跳过或标记。
   • 用当前模拟 portfolio 状态调用 run_hedge_fund——注意：这与单次 CLI 不同，portfolio 已含历史成交后的持仓与现金。
   • TradeExecutor 按 action/quantity 规则更新多空仓位与现金。
   • calculate_portfolio_value 记录当日组合总值。
4. 输出：OutputBuilder 组装表格行；print_backtest_results 渲染；指标含 Sharpe、Sortino、最大回撤等。

与单次 CLI 的 portfolio 差异

单次 main.py 启动时 portfolio 通常是「纯现金、零持仓」。回测循环中，第 N 日的 portfolio 已携带第 1…N-1 日决策的累积效果，因此同一 Agent 图在不同日期可能给出不同 action——这是正常的路径依赖。

纸上组合（Paper Portfolio）

src/backtesting/portfolio.py（与 main 中 dict 结构呼应）维护：

• cash 现金余额
• positions[ticker].long / short 多空股数
• margin_requirement 做空保证金比例
• realized_gains 已实现盈亏

纸面交易意味着：无真实订单、无交易所撮合，价格通常取自历史收盘价或 API 提供价，成交即时按规则完成。这是教学简化，不是专业级模拟器。

如何运行（CLI 概念）

poetry run python src/backtester.py --ticker AAPL,MSFT --start-date 2024-01-01 --end-date 2024-03-31
​

未指定 ticker 时行为以实现为准（require_tickers=False）；未指定日期时默认最近一个月。可加 --analysts、--ollama、--model、--initial-cash、--margin-requirement 等与主程序相同的参数。

中断时 run_backtest 捕获 KeyboardInterrupt，尝试用已有 portfolio_values 打印部分收益——长跑回测时有用。

读回测输出

print_backtest_results 展示：

• 按日表格：Date、Ticker、Action、Quantity、Price、Long/Short Shares、Position Value
• PORTFOLIO SUMMARY 行：Cash、Total Position Value、Total Value、Portfolio Return、Benchmark Return（SPY）、Sharpe、Sortino、Max Drawdown

阅读建议：

1. 先看 Total Return 与 Benchmark，问是否只是跑赢了指数 beta。
2. 看 Max Drawdown，想象连续回撤时你是否能持有纸面组合。
3. 抽查几天 Action 是否与当时分析师信号逻辑一致。
4. 永远附带「若换一段时期结论是否翻转」的质疑。

看到漂亮曲线时要问的三句话

1. 样本区间是否特殊？ 是否单一牛市、单一热门股、疫情反弹等不可复制阶段？
2. 摩擦是否被理想化？ 滑点、冲击成本、停牌、涨跌停、融资利率等是否缺失？
3. 稳健性如何？ 换 ticker 组合、换 Agent 子集、换模型，曲线是否剧烈变脸？

若三问答不好，把曲线当演示动画，不是「产品质量合格证」。

与真实交易的永恒差距

即使引擎实现认真，仍缺：

• 真实流动性枯竭与冲击成本
• 你的情绪、纪律与资金约束
• 监管、税率、杠杆成本
• 前视偏差与过拟合（用未来信息调参后再回测）
• 市场结构随时间变化（规则、参与者、算法占比）

项目 README 明确：Not intended for real trading or investment。回测是时间机器教室，不是印钞机说明书。

回测在 Agent 教育中的价值

尽管不能预言未来，回测仍有独特教学价值：

• 观察 risk_management_agent 如何在多日高波动中持续压缩仓位
• 对比不同 selected_analysts 对 turnover 的影响
• 理解 hold 居多 vs 频繁交易 对成本与曲线的差异（若实现含成本）

建议用短区间、少 ticker、少 Agent 做实验，控制 API 费用。

小结

回测 = 同一 LangGraph 决策图 × 历史每个工作日 × 模拟账户规则。学会质疑曲线，比学会炫耀曲线更重要。

下一篇请阅读同目录下的《常见问题与下一步学习建议》。