簡(jiǎn)介本資源是一份面向量化交易初學(xué)者與進(jìn)階開(kāi)發(fā)者的Python實(shí)戰(zhàn)指南聚焦高頻交易策略的完整回測(cè)系統(tǒng)搭建覆蓋從環(huán)境配置、數(shù)據(jù)獲取、策略設(shè)計(jì)到績(jī)效評(píng)估與實(shí)盤模擬的全鏈路。文檔結(jié)構(gòu)嚴(yán)謹(jǐn)含11大章節(jié)共142頁(yè)系統(tǒng)講解雙均線策略實(shí)現(xiàn)、事件驅(qū)動(dòng)框架構(gòu)建、訂單撮合引擎開(kāi)發(fā)、夏普/索提諾比率計(jì)算、遺傳算法參數(shù)優(yōu)化及動(dòng)量策略實(shí)戰(zhàn)等核心內(nèi)容支持PDF閱讀器目錄跳轉(zhuǎn)與左側(cè)大綱導(dǎo)航便于按模塊精讀與復(fù)現(xiàn)。資源為單文件PDF格式大小5.31MB輕量易載適合作為學(xué)習(xí)筆記、項(xiàng)目參考或教學(xué)輔助材料。目前已有319人學(xué)習(xí)下載內(nèi)容文字、圖表、代碼塊與目錄均顯示正常無(wú)亂碼或錯(cuò)位可直接用于策略開(kāi)發(fā)實(shí)踐與知識(shí)體系構(gòu)建。1. 為什么高頻策略回測(cè)系統(tǒng)不能只靠backtrader一行cerebro.run()就交差某開(kāi)發(fā)者在實(shí)盤前用 backtrader 跑通了一個(gè)雙均線交叉策略回測(cè)年化收益 23%最大回撤 8%信心滿滿接入實(shí)盤接口——結(jié)果首日滑點(diǎn)吃掉 1.7% 收益訂單部分未成交實(shí)際盈虧為 -0.4%。這不是玄學(xué)是高頻場(chǎng)景下「回測(cè)失真」的典型翻車現(xiàn)場(chǎng)tick 級(jí)數(shù)據(jù)缺失、訂單簿動(dòng)態(tài)模擬缺位、交易所撮合邏輯被簡(jiǎn)化成“立即成交”連最基礎(chǔ)的限價(jià)單排隊(duì)機(jī)制都沒(méi)建模。本篇講的不是“用 Python 做個(gè)能畫圖的回測(cè)器”而是從零搭建一個(gè)能逼近真實(shí)交易環(huán)境的高頻策略回測(cè)系統(tǒng)它必須支持逐筆成交tick與 Level-2 行情十檔買賣盤口雙模式驅(qū)動(dòng)內(nèi)置可配置的撮合引擎按價(jià)格優(yōu)先、時(shí)間優(yōu)先規(guī)則模擬交易所行為并強(qiáng)制暴露滑點(diǎn)、延遲、訂單拒絕率等關(guān)鍵失真指標(biāo)。適合已掌握 pandas/numpy 基礎(chǔ)、正從教學(xué)級(jí)策略轉(zhuǎn)向?qū)嵄P驗(yàn)證的量化從業(yè)者——你不需要懂 C 寫內(nèi)核但得清楚每一行.run()背后系統(tǒng)到底替你“猜”了什么、又藏了多少坑。2. 選型依據(jù)為什么放棄zipline/backtrader而用vectorbt 自研撮合層高頻回測(cè)不是“把策略邏輯搬進(jìn)框架”而是先定義交易世界的物理規(guī)則再讓策略在這個(gè)世界里運(yùn)行。主流框架在設(shè)計(jì)之初就做了取舍backtrader以 OHLC 框架為核心tick 級(jí)支持需重寫DataFeed且無(wú)原生訂單簿zipline依賴pandas_datareader實(shí)時(shí)行情對(duì)接弱撮合僅支持市價(jià)單與簡(jiǎn)單限價(jià)單二者均未暴露“訂單在隊(duì)列中的等待時(shí)間”“因流動(dòng)性不足導(dǎo)致的成交比例”等高頻核心變量。我們最終采用vectorbt作為向量化策略引擎 自研 Python 撮合模塊的組合原因明確vectorbt原生支持 tick 級(jí)數(shù)據(jù)輸入pd.DataFramewithdatetimeindex所有指標(biāo)計(jì)算向量化避免 for-loop 性能瓶頸其Portfolio.from_signals()接口允許傳入自定義slippage_func和fees_func為滑點(diǎn)與手續(xù)費(fèi)建模留出鉤子更關(guān)鍵的是它不封裝撮合邏輯——你傳入的entries/exits只是“信號(hào)”真正“下單→排隊(duì)→撮合→成交”由你控制這正是高頻回測(cè)不可妥協(xié)的透明性。提示不要被vectorbt文檔里“支持多資產(chǎn)、多時(shí)間框架”等描述帶偏。高頻回測(cè)的核心矛盾從來(lái)不是“能不能跑多個(gè)股票”而是“同一毫秒內(nèi)你的限價(jià)買單能否搶在對(duì)手方撤單前進(jìn)入隊(duì)列”。選型必須服務(wù)于這個(gè)單一目標(biāo)。2.1 構(gòu)建最小可行行情數(shù)據(jù)結(jié)構(gòu)Tick 與 OrderBook 的內(nèi)存表示高頻回測(cè)的數(shù)據(jù)輸入不是 CSV 文件而是帶嚴(yán)格時(shí)序約束的內(nèi)存對(duì)象流。我們定義兩個(gè)核心類from dataclasses import dataclass from typing import List, Tuple dataclass class Tick: timestamp: pd.Timestamp price: float volume: int side: str # buy or sell dataclass class OrderBook: timestamp: pd.Timestamp bids: List[Tuple[float, int]] # [(price, size), ...] sorted descending asks: List[Tuple[float, int]] # [(price, size), ...] sorted ascendingTick表示一筆成交交易所公告的“最后一筆成交”用于驗(yàn)證策略信號(hào)是否觸發(fā)如價(jià)格突破布林帶上軌OrderBook表示某一時(shí)刻的十檔盤口快照用于執(zhí)行限價(jià)單撮合如掛 10.05 買 100 手需檢查賣一價(jià)是否 ≤ 10.05。二者必須共享同一timestamp且OrderBook更新頻率 ≥Tick頻率否則無(wú)法解釋“為何掛單未成交”。實(shí)踐中我們從交易所 API 獲取的原始數(shù)據(jù)經(jīng)清洗后統(tǒng)一轉(zhuǎn)為pd.DataFrame索引為pd.DatetimeIndex列包含[bid_price_1, bid_size_1, ask_price_1, ask_size_1, ..., last_price, last_volume]。后續(xù)所有計(jì)算均基于此 DataFrame 進(jìn)行向量化操作避免逐行遍歷。2.2 用vectorbt實(shí)現(xiàn)信號(hào)生成避開(kāi) OHLC 陷阱的向量化寫法高頻策略常依賴微觀結(jié)構(gòu)指標(biāo)如訂單簿不平衡度、價(jià)差跳躍、成交量脈沖這些指標(biāo)需在 tick 或 orderbook 級(jí)別計(jì)算。若強(qiáng)行用 OHLC 聚合如 1s K線會(huì)丟失關(guān)鍵瞬態(tài)信息。以下代碼演示如何直接在原始 tick 數(shù)據(jù)上計(jì)算“買賣盤口深度比”并生成信號(hào)import vectorbt as vbt import numpy as np import pandas as pd # 假設(shè) df 是已加載的行情 DataFrame含列bid_price_1, bid_size_1, ask_price_1, ask_size_1 # 計(jì)算 bid-ask depth ratio: sum(bid_sizes) / sum(ask_sizes) over top 3 levels bid_depth df[[bid_size_1, bid_size_2, bid_size_3]].sum(axis1) ask_depth df[[ask_size_1, ask_size_2, ask_size_3]].sum(axis1) depth_ratio bid_depth / ask_depth # 生成信號(hào)當(dāng)深度比 1.5 且價(jià)格較前一tick上漲時(shí)做多 entries (depth_ratio 1.5) (df[last_price] df[last_price].shift(1)) exits (depth_ratio 0.7) | (df[last_price] df[last_price].shift(1)) # 轉(zhuǎn)為 vectorbt 格式True/False Series with DatetimeIndex entries_vbt vbt.SignalFactory.from_choice_func( entries.astype(bool), exit_funclambda x: exits.astype(bool) ).create()關(guān)鍵點(diǎn)entries和exits是與原始df.index對(duì)齊的布爾Series非 OHLC 時(shí)間戳vbt.SignalFactory.from_choice_func確保信號(hào)生成完全向量化無(wú) Python 循環(huán)此寫法可直接復(fù)用于實(shí)盤信號(hào)生成模塊消除“回測(cè)用一套邏輯、實(shí)盤換一套”的割裂。2.3 注入自定義撮合邏輯讓vectorbt.Portfolio知道“訂單怎么成交”vectorbt的Portfolio.from_signals()默認(rèn)使用simple模式信號(hào)發(fā)出即按當(dāng)前l(fā)ast_price成交忽略盤口、滑點(diǎn)、延遲。我們必須替換其order_func參數(shù)注入真實(shí)撮合邏輯def custom_order_func( portfolio, i, # 當(dāng)前索引位置 size, # 訂單手?jǐn)?shù)正為買負(fù)為賣 price, # 信號(hào)生成時(shí)的參考價(jià)如 last_price slippage, # 預(yù)設(shè)滑點(diǎn)率如 0.001 表示 0.1% **kwargs ): # 1. 獲取當(dāng)前時(shí)刻的 OrderBook 快照 ob get_orderbook_at_idx(i) # 自定義函數(shù)返回 OrderBook 對(duì)象 # 2. 若為買單查找最優(yōu)賣價(jià)ask_price_1 if size 0: best_price ob.asks[0][0] if ob.asks else price # 滑點(diǎn)實(shí)際成交價(jià) best_price * (1 slippage) —— 買單向上滑 exec_price best_price * (1 slippage) # 檢查是否滿足限價(jià)條件若策略掛限價(jià)單此處需校驗(yàn) exec_price limit_price else: best_price ob.bids[0][0] if ob.bids else price exec_price best_price * (1 - slippage) # 賣單向下滑 # 3. 返回實(shí)際成交價(jià)格與數(shù)量此處簡(jiǎn)化為全部成交 return exec_price, abs(size) # 構(gòu)建 Portfolio 時(shí)傳入 portfolio vbt.Portfolio.from_signals( df[last_price], entries, exits, sizenp.inf, # 使用資金管理非固定手?jǐn)?shù) init_cash100000, fees0.0003, # 萬(wàn)三手續(xù)費(fèi) slippage0.001, # 千一滑點(diǎn) order_funccustom_order_func # 關(guān)鍵注入自定義邏輯 )order_func在每個(gè)信號(hào)觸發(fā)時(shí)被調(diào)用接收當(dāng)前索引i可據(jù)此查詢對(duì)應(yīng)時(shí)刻的OrderBookexec_price計(jì)算顯式體現(xiàn)滑點(diǎn)方向買單向上、賣單向下而非簡(jiǎn)單加減固定值此函數(shù)是高頻回測(cè)的“心臟”——所有關(guān)于流動(dòng)性、排隊(duì)、撤單的擴(kuò)展都從此處切入。3. 撮合引擎實(shí)現(xiàn)按價(jià)格優(yōu)先、時(shí)間優(yōu)先規(guī)則模擬交易所行為高頻回測(cè)的可信度取決于撮合引擎對(duì)真實(shí)交易所規(guī)則的還原精度。A股、期貨、加密貨幣交易所雖細(xì)節(jié)不同但核心撮合邏輯一致價(jià)格優(yōu)先 → 同價(jià)時(shí)間優(yōu)先 → 逐筆匹配。我們不追求 100% 復(fù)刻上交所內(nèi)核但必須覆蓋三個(gè)不可省略的環(huán)節(jié)訂單簿維護(hù)、限價(jià)單排隊(duì)、市價(jià)單即時(shí)成交。3.1 訂單簿動(dòng)態(tài)更新用SortedDict維護(hù)價(jià)格檔位訂單簿不是靜態(tài)快照而是隨每筆新訂單、撤單、成交持續(xù)演化的狀態(tài)機(jī)。我們用sortedcontainers.SortedDict非dict存儲(chǔ)每個(gè)價(jià)格檔位的累計(jì)掛單量確保價(jià)格檔自動(dòng)排序from sortedcontainers import SortedDict class OrderBookEngine: def __init__(self): self.bids SortedDict(lambda x: -x) # 降序高價(jià)在前 self.asks SortedDict() # 升序低價(jià)在前 def add_order(self, price: float, size: int, side: str): if side buy: self.bids[price] self.bids.get(price, 0) size else: self.asks[price] self.asks.get(price, 0) size def cancel_order(self, price: float, size: int, side: str): if side buy and price in self.bids: self.bids[price] max(0, self.bids[price] - size) if self.bids[price] 0: del self.bids[price] elif side sell and price in self.asks: self.asks[price] max(0, self.asks[price] - size) if self.asks[price] 0: del self.asks[price]SortedDict的 key 為價(jià)格value 為該檔位總掛單量bids使用lambda x: -x實(shí)現(xiàn)降序保證bids.peekitem(0)返回最高買價(jià)asks默認(rèn)升序asks.peekitem(0)返回最低賣價(jià)cancel_order支持部分撤單如掛 100 手后撤 30 手這是高頻策略中常見(jiàn)的“冰山訂單”行為。3.2 限價(jià)單撮合模擬“掛單排隊(duì)”與“被動(dòng)成交”限價(jià)單如“以 10.05 元買入 100 手”不立即成交而是進(jìn)入對(duì)應(yīng)檔位排隊(duì)。當(dāng)反向市價(jià)單或更優(yōu)限價(jià)單到來(lái)時(shí)才觸發(fā)被動(dòng)成交。以下是撮合核心邏輯def match_limit_order(self, price: float, size: int, side: str) - float: 嘗試以指定價(jià)格掛單返回實(shí)際成交數(shù)量0 表示未成交 if side buy: # 買單尋找賣一價(jià) price 的檔位 matched 0 for ask_price, ask_size in self.asks.items(): if ask_price price: trade_size min(size - matched, ask_size) matched trade_size self.asks[ask_price] - trade_size if self.asks[ask_price] 0: del self.asks[ask_price] else: break # 價(jià)格不滿足停止匹配 return matched else: # 賣單尋找買一價(jià) price 的檔位 matched 0 for bid_price, bid_size in self.bids.items(): if bid_price price: trade_size min(size - matched, bid_size) matched trade_size self.bids[bid_price] - trade_size if self.bids[bid_price] 0: del self.bids[bid_price] else: break return matched此函數(shù)返回實(shí)際成交數(shù)量而非布爾值——這是高頻策略評(píng)估“訂單成交率”的直接依據(jù)for循環(huán)按價(jià)格優(yōu)先順序遍歷break保證不跨檔匹配如買單不匹配賣二價(jià)若matched 0說(shuō)明訂單進(jìn)入隊(duì)列需記錄到self.bids或self.asks。3.3 市價(jià)單撮合按最優(yōu)價(jià)格立即成交直到數(shù)量滿足市價(jià)單如“立即買入 100 手”不指定價(jià)格以當(dāng)前最優(yōu)檔位價(jià)格成交直至數(shù)量滿足或檔位耗盡def match_market_order(self, size: int, side: str) - List[Tuple[float, int]]: 執(zhí)行市價(jià)單返回 [(成交價(jià), 成交量), ...] trades [] remaining size if side buy: # 從賣一價(jià)開(kāi)始逐檔吃單 for ask_price, ask_size in list(self.asks.items()): if remaining 0: break trade_size min(remaining, ask_size) trades.append((ask_price, trade_size)) remaining - trade_size self.asks[ask_price] - trade_size if self.asks[ask_price] 0: del self.asks[ask_price] else: # 從買一價(jià)開(kāi)始逐檔吃單 for bid_price, bid_size in list(self.bids.items()): if remaining 0: break trade_size min(remaining, bid_size) trades.append((bid_price, trade_size)) remaining - trade_size self.bids[bid_price] - trade_size if self.bids[bid_price] 0: del self.bids[bid_price] return trades返回List[Tuple[float, int]]便于統(tǒng)計(jì)加權(quán)平均成交價(jià)np.average(prices, weightssizes)list(self.asks.items())避免遍歷時(shí)修改字典報(bào)錯(cuò)remaining為 0 時(shí)提前退出提升性能。4. 高頻回測(cè)必踩的 5 個(gè)坑現(xiàn)象、原因與血淚解法高頻回測(cè)的失敗90% 不是策略問(wèn)題而是環(huán)境失真。以下是我在模擬項(xiàng)目 X 中反復(fù)驗(yàn)證的 5 個(gè)致命坑每一條都附帶可復(fù)現(xiàn)的檢測(cè)方法和修復(fù)代碼。4.1 現(xiàn)象回測(cè)收益遠(yuǎn)高于實(shí)盤但max_drawdown數(shù)值合理原因使用last_price作為成交價(jià)忽略盤口價(jià)差spread。例如賣一價(jià) 10.00、買一價(jià) 10.01策略信號(hào)在 10.005 觸發(fā)回測(cè)按 10.005 成交實(shí)盤只能按 10.01 賣出單筆損失 0.5 個(gè)最小變動(dòng)單位。解法強(qiáng)制所有成交價(jià)取best_bid賣或best_ask買并在custom_order_func中加入 spread 檢查# 在 custom_order_func 中添加 best_bid ob.bids.peekitem(0)[0] if ob.bids else price best_ask ob.asks.peekitem(0)[0] if ob.asks else price spread best_ask - best_bid # 若策略為賣出信號(hào)實(shí)際成交價(jià)不能優(yōu)于 best_bid if size 0: exec_price min(price, best_bid) # 不能比買一價(jià)更高4.2 現(xiàn)象同一策略在不同起始時(shí)間回測(cè)收益波動(dòng)極大±15%原因未對(duì)齊行情與信號(hào)的時(shí)間戳。vectorbt默認(rèn)按df.index對(duì)齊但若行情數(shù)據(jù)有重復(fù)時(shí)間戳如交易所發(fā)送的重復(fù) tickpandas會(huì)自動(dòng)去重或聚合導(dǎo)致信號(hào)錯(cuò)位。解法在數(shù)據(jù)加載后強(qiáng)制去重并檢查# 加載數(shù)據(jù)后立即執(zhí)行 print(f原始數(shù)據(jù)長(zhǎng)度: {len(df)}) df df[~df.index.duplicated(keepfirst)] # 保留首次出現(xiàn) print(f去重后長(zhǎng)度: {len(df)}) if len(df) len(original_df) * 0.99: raise ValueError(檢測(cè)到大量重復(fù)時(shí)間戳請(qǐng)檢查數(shù)據(jù)源)4.3 現(xiàn)象portfolio.stats()顯示win_rate65%但實(shí)盤連續(xù) 10 筆虧損原因win_rate計(jì)算基于PnL 0但高頻策略中微小盈利如 0.1 元/手被手續(xù)費(fèi)吞噬實(shí)際為虧損?；販y(cè)未將手續(xù)費(fèi)與滑點(diǎn)耦合計(jì)算。解法在custom_order_func中統(tǒng)一計(jì)算凈收益# 在 custom_order_func 返回前 net_pnl (exec_price - entry_price) * size * contract_multiplier - fees - slippage_cost if net_pnl 0: # 記錄為盈利 pass4.4 現(xiàn)象訂單部分成交但回測(cè)顯示“全部成交”原因vectorbt的size參數(shù)默認(rèn)為整數(shù)手?jǐn)?shù)未考慮最小交易單位如期貨 1 手10 噸但訂單可拆分為 0.5 手。當(dāng)流動(dòng)性不足時(shí)應(yīng)允許部分成交。解法改用size_typepercent并在custom_order_func中返回實(shí)際成交比例# 構(gòu)建 Portfolio 時(shí) portfolio vbt.Portfolio.from_signals( ..., size0.1, # 使用資金的 10% size_typepercent, # ... ) # 在 custom_order_func 中返回 (exec_price, actual_size_ratio) return exec_price, min(1.0, matched_size / requested_size)4.5 現(xiàn)象回測(cè)速度極慢1 小時(shí)/天無(wú)法迭代原因在custom_order_func中頻繁調(diào)用get_orderbook_at_idx(i)而該函數(shù)內(nèi)部進(jìn)行df.iloc[i]查找O(n) 復(fù)雜度。解法預(yù)加載所有 OrderBook 到內(nèi)存列表用索引直接訪問(wèn)# 預(yù)處理 ob_list [] for i in range(len(df)): ob OrderBook( timestampdf.index[i], bids[(df.iloc[i][fbid_price_{j}], df.iloc[i][fbid_size_{j}]) for j in range(1, 11)], asks[(df.iloc[i][fask_price_{j}], df.iloc[i][fask_size_{j}]) for j in range(1, 11)] ) ob_list.append(ob) # 在 custom_order_func 中 ob ob_list[i] # O(1) 訪問(wèn)5. 驗(yàn)證回測(cè)可信度用“反事實(shí)分析”揪出隱藏失真回測(cè)報(bào)告里的sharpe_ratio和profit_factor是結(jié)果不是證據(jù)。真正決定你敢不敢實(shí)盤的是能否回答這 3 個(gè)反事實(shí)問(wèn)題如果我把滑點(diǎn)放大 2 倍收益是否歸零如果訂單延遲 10ms勝率下降多少如果移除盤口數(shù)據(jù)僅用 last_price策略是否依然有效這些必須量化而非定性說(shuō)“應(yīng)該影響不大”。5.1 滑點(diǎn)敏感性測(cè)試?yán)L制收益-滑點(diǎn)曲線我們固定其他參數(shù)將滑點(diǎn)率從0.00010.01%掃到0.0050.5%記錄每檔的total_returnslippage_rates np.linspace(0.0001, 0.005, 20) returns [] for slippage in slippage_rates: portfolio vbt.Portfolio.from_signals( ..., slippageslippage, order_funccustom_order_func ) returns.append(portfolio.total_return()) # 繪制 plt.plot(slippage_rates * 100, returns, o-) plt.xlabel(Slippage (%)) plt.ylabel(Total Return) plt.title(Slippage Sensitivity: Strategy Robustness Check) plt.grid(True) plt.show()合格標(biāo)準(zhǔn)曲線在0.0010.1%附近保持平緩斜率絕對(duì)值 5若在0.0005處已開(kāi)始陡降說(shuō)明策略過(guò)度依賴“零滑點(diǎn)幻想”應(yīng)淘汰。5.2 延遲沖擊測(cè)試注入可控網(wǎng)絡(luò)延遲高頻策略對(duì)延遲極度敏感。我們?cè)赾ustom_order_func中模擬訂單從發(fā)出到交易所接收的時(shí)間差假設(shè)為 5ms、10ms、20msdef custom_order_func_with_delay(..., delay_ms0): # 模擬延遲找到延遲后時(shí)刻的 OrderBook target_ts df.index[i] pd.Timedelta(delay_ms, unitms) # 使用 .asof() 獲取 target_ts 之前最后一個(gè)有效快照 delayed_i df.index.asof(target_ts) ob ob_list[delayed_i] # 后續(xù)撮合邏輯不變運(yùn)行delay_ms為[0, 5, 10, 20]四組對(duì)比win_rate和avg_win合格標(biāo)準(zhǔn)delay_ms10時(shí)win_rate下降 3%avg_win下降 10%否則需重構(gòu)策略邏輯如改用盤口預(yù)測(cè)替代價(jià)格突破。5.3 數(shù)據(jù)降級(jí)測(cè)試驗(yàn)證策略是否真的需要 Level-2這是最狠的驗(yàn)證——把你的豪華訂單簿數(shù)據(jù)砍掉只留last_price和last_volume看策略是否還活著# 構(gòu)造降級(jí)數(shù)據(jù)僅保留 last_price其他列置 NaN df_degraded df[[last_price]].copy() df_degraded[last_volume] df[last_volume] # 重跑回測(cè)使用 same custom_order_func but fallback to last_price when no OB portfolio_degraded vbt.Portfolio.from_signals( df_degraded[last_price], entries, exits, ... )合格標(biāo)準(zhǔn)降級(jí)后profit_factor≥ 1.2 且max_drawdown≤ 原版 1.5 倍若降級(jí)后收益歸零說(shuō)明策略本質(zhì)是“盤口套利”而非價(jià)格趨勢(shì)需警惕監(jiān)管風(fēng)險(xiǎn)與流動(dòng)性枯竭。我堅(jiān)持在每次策略迭代前跑完這三項(xiàng)測(cè)試。它不增加代碼行數(shù)但能幫你避開(kāi) 80% 的實(shí)盤翻車。曾經(jīng)有個(gè)策略在vectorbt默認(rèn)回測(cè)中年化 42%但滑點(diǎn)掃到0.0015時(shí)收益變負(fù)——當(dāng)時(shí)沒(méi)停硬上了實(shí)盤三天后止損離場(chǎng)。那之后我把“滑點(diǎn)敏感性曲線”設(shè)為回測(cè)報(bào)告的第一頁(yè)。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取