6. 回测引擎与性能

本章从使用与结果角度说明 qteasy 的回测引擎如何工作，以及性能与向量化的实现方式，便于用户理解回测速度与正确性的来源。更底层的架构说明见《架构与设计》中的 回测引擎与性能（设计视角）。

6.1. 1. 回测引擎概览

回测入口与流程已在 回测概览 与 如何运行回测 中说明：通过 qt.run(op, mode=1, ...) 进入回测模式，内部按 group_timing_table 的每个时间步运行策略、解析信号并模拟成交。

与“逐 bar 事件驱动”或“全时间轴一次性矩阵运算”不同，qteasy 采用 时间维顺序步进、单步内标的维向量化 的方式：

• 时间维：按真实交易节奏顺序执行每个时间步，以正确维护现金、持仓、交割队列（如 T+1）等状态。

• 标的维：在每个时间步内，对资产池中所有标的的买卖量、费用、持仓更新等做 向量化计算（NumPy 数组 + Numba 加速），单步效率高。

这样既保证了与实盘一致的状态与规则，又避免了纯事件驱动下的逐笔循环带来的性能损失。

6.2. 2. 性能与向量化

2.1 核心计算加速

回测与交易结果计算中的以下核心函数均使用 Numba JIT（@njit(nogil=True, cache=True)）加速：

• backtest_step：单步内对整批标的计算买卖量、费用、持仓与交割更新。

• calculate_trade_results：交易结果与资金变动计算。

• backtest_batch_steps：在 Numba 内按时间步循环调用 backtest_step，完成整段回测。

• backtest_flash_steps：优化模式下使用，仅保留最终资金与持仓以节省内存，同样在 Numba 内完成批量步进。

信号混合（如多策略合并）在 blender 模块中部分算子也使用 @njit 加速。因此，回测主体是 向量化 + Numba 实现的，而非纯 Python 循环。

2.2 时间维顺序与标的维向量化

维度	做法说明
时间维	顺序步进，以正确维护 T+1、交割周期、MOQ 等状态，与实盘一致。
标的维	单步内对所有标的做数组运算（如 op_signal、own_amounts 等为 1D 数组），实现向量化。
优化模式	多组参数通过多进程并行回测；每组内部使用 backtest_flash_steps 等高效路径，减少内存与计算。

首次运行或参数变化时，Numba 会编译相关函数，可能带来一次性的启动延迟；后续同类型回测会复用缓存，速度更快。

2.3 与 VectorBT 的简要对比

对比项	qteasy	VectorBT
时间维	顺序步进，每步内向量化	全时间轴一次性矩阵运算，无显式时间循环
状态与约束	显式维护 T+1、交割、MOQ 等，贴近实盘	多为简化资金曲线，不强调交割/MOQ
适用场景	需要正确模拟 A 股规则、多策略合并、精细成本与交割时	海量参数组合快速筛选、研究向回测

qteasy 在保证状态正确性与规则可配置的前提下，通过时间维顺序 + 标的维向量化 + Numba 单步，兼顾速度；多组参数优化则通过多进程并行弥补“单次不能全矩阵广播”的差异。

6.3. 3. 本目录与相关文档

• 回测入口与配置：1. 回测概览、2. 如何运行回测。

• 回测结果与评价：3. 回测结果的结构、5. 回测结果评价与分析。

• 架构与实现细节：设计：回测引擎与性能、设计：设计初衷与独特优势。