msd-backtest 0.1.0

MSD backtest framework

msd-backtest

msd-backtest 是一个基于 Python 的高性能、向量化股票策略回测框架。它旨在为量化开发者提供一个简单、高效且灵活的工具，用于开发、测试和优化交易策略。

🌟 核心特性

• 高性能向量化计算：核心数据处理基于 NumPy，支持大规模数据的快速回测。
• 多标的支持：原生支持同时对多个股票或指数进行回测。
• 模块化架构：
  • Account：模拟真实交易账户，处理资金、持仓、手续费和滑点。
  • Strategy：解耦策略逻辑，通过继承 Strategy 基类快速实现自定义逻辑。
  • DataProvider：灵活的数据提供接口，支持接入不同的行情数据源。
• 完善的报表输出：支持生成 CSV、Excel (XLSX) 和 JSON 格式的回测结果报表。
• 内置 MSD 集成：支持从 MSD (Market Strategy Data) 服务端直接拉取行情和财务数据。
• 远程回测支持：内置 FastAPI 服务器，支持跨语言或远程调用回测引擎。

🚀 快速开始

安装

推荐使用 uv 进行依赖管理：

普通用户

uv add "msd-backtest[cli]" # 仅cli
# or
uv add "msd-backtest[server]" # 支持作为服务运行

开发者

# 克隆仓库
git clone https://github.com/your-repo/msd-backtest.git
cd msd-backtest

# 安装依赖
uv sync --with cli

# 如果需要运行回测服务器
uv sync --with server

运行回测

你可以通过命令行工具直接运行已有的策略：

uv run python -m mbt.run.cli strategy/double_avg.py -s 000001.SZ 600000.SH --begin 2023-01-01 --end 2023-12-31 -o report.xlsx

常用参数说明：

• strategy: 策略文件路径（.py 或 .json）。
• -s, --symbols: 股票代码列表。
• -b, --begin: 开始日期 (YYYY-MM-DD)。
• -e, --end: 结束日期 (YYYY-MM-DD)。
• -o, --output: 输出文件路径（支持 .csv, .xlsx, .json）。

🛡️ 回测机制：杜绝未来数据

msd-backtest 采用逐条数据迭代（Bar-by-Bar Iteration）的执行机制，确保回测过程的严谨性和真实性。

• 单向时间线：回测引擎（mbt.Runner）严格按照时间顺序，逐个时间步调用策略的 execute 方法。
• 数据隔离：在任一时刻，策略仅能通过 ctx 访问当前及之前的数据，无法窥视未来的行情。
• 真实模拟：所有的买卖指令都在当前 Bar 生成，并在当前或下一个 Bar 的价格基础上执行（取决于配置和滑点），完美模拟真实市场的环境。

💡 编写你的策略

编写策略非常简单，只需要继承 mbt.Strategy 并实现 execute 方法：

from mbt import Strategy, Context

class MyStrategy(Strategy):
    def __init__(self, fast_period=5, slow_period=20):
        self.fast_period = fast_period
        self.slow_period = slow_period

    def execute(self, ctx: Context):
        # 获取当前收盘价序列
        close = ctx.close 
        
        # 计算移动平均线
        # 注意：ctx 提供的是 NumPy 数组，支持向量化操作
        # 这里仅为示意，实际开发中建议预计算指标
        
        # 买入逻辑示例
        # ctx.buy(buy_flags, percent=1.0)
        
        # 卖出逻辑示例
        # ctx.sell(sell_flags, percent=1.0)
        pass

🧠 AI 辅助策略编写

本项目深度集成 AI 辅助开发流程。利用 msd_strategy 技能，AI 可以根据用户描述自动生成符合规范的策略代码。

核心方法与目标

• 目标： 通过自然语言描述，由 AI 生成高效、可运行的 Python 策略类。
• 技术栈： Python 3.11+, NumPy, py-alpha-lib。
• 编码规范：
  • 必须继承 mbt.Strategy。
  • 实现 execute(self, ctx: mbt.Context) 方法。
  • 使用 ctx.buy() 和 ctx.sell() 进行下单。

常用算子库 (alpha-lib)

为了支持 AI 高效构建因子，框架内置了丰富的 alpha-lib 算子，包括：

• 时间序列算子： MA, EMA, HHV, LLV, STDDEV, CORR, SLOPE 等。
• 横截面算子： CC_RANK, CC_ZSCORE, GROUP_RANK, NEUTRALIZE 等。
• 逻辑算子： CROSS, LONGCROSS, BARSLAST 等。

AI 在编写策略时应优先使用这些向量化算子，以确保最佳性能。

📂 项目结构

.
├── mbt/                # 核心回测包
│   ├── account.py      # 账户、持仓、手续费管理
│   ├── strategy.py     # 策略基类与上下文定义
│   ├── data_provider.py # 数据提供接口
│   └── run/            # 运行引擎
│       ├── runner.py   # 回测执行核心
│       ├── cli.py      # 命令行界面
│       ├── msd.py      # MSD 数据源接入
│       └── server.py    # REST API 服务
├── strategy/           # 示例策略目录
├── tests/              # 单元测试
└── pyproject.toml      # 项目配置与依赖说明

🔧 进阶配置

手续费配置 (Fee)

在 mbt/account.py 中支持自定义手续费。你可以通过 JSON 配置文件或代码中初始化 Fee 类来设置不同时间段的印花税、过户费及佣金。

复权处理

msd-backtest 默认在 mbt/run/msd.py 中实现了前/后复权的计算逻辑，确保回测收益计算的准确性。

🛠️ 开发与测试

运行单元测试：

uv run pytest

运行性能基准测试：

uv run pytest --benchmark-only

---

更多详细文档请参考各模块代码注释。