6. 回測引擎與性能

本章從使用與結果角度說明 qteasy 的回測引擎如何工作，以及性能與向量化的實現方式，便於用戶理解回測速度與正確性的來源。更底層的架構說明見《架構與設計》中的 回測引擎與性能（設計視角）。

6.1. 1. 回测引擎概览

回測入口與流程已在 回測概覽 與 如何運行回測 中說明：通過 qt.run(op, mode=1, ...) 進入回測模式，內部按 group_timing_table 的每個時間步運行策略、解析信號並模擬成交。

與“逐 bar 事件驅動”或“全時間軸一次性矩陣運算”不同，qteasy 採用 時間維順序步進、單步內標的維向量化 的方式：

• 時間維：按真實交易節奏順序執行每個時間步，以正確維護現金、持倉、交割隊列（如 T+1）等狀態。

• 標的維：在每個時間步內，對資產池中所有標的的買賣量、費用、持倉更新等做 向量化計算（NumPy 數組 + Numba 加速），單步效率高。

這樣既保證了與實盤一致的狀態與規則，又避免了純事件驅動下的逐筆循環帶來的性能損失。

6.2. 2. 性能与向量化

2.1 核心計算加速

回測與交易結果計算中的以下核心函數均使用 Numba JIT（@njit(nogil=True, cache=True)）加速：

• backtest_step：單步內對整批標的計算買賣量、費用、持倉與交割更新。

• calculate_trade_results：交易結果與資金變動計算。

• backtest_batch_steps：在 Numba 內按時間步循環調用 backtest_step，完成整段回測。

• backtest_flash_steps：優化模式下使用，僅保留最終資金與持倉以節省內存，同樣在 Numba 內完成批量步進。

信號混合（如多策略合併）在 blender 模塊中部分算子也使用 @njit 加速。因此，回測主體是 向量化 + Numba 實現的，而非純 Python 循環。

2.2 時間維順序與標的維向量化

維度	做法說明
時間維	順序步進，以正確維護 T+1、交割週期、MOQ 等狀態，與實盤一致。
標的維	單步內對所有標的做數組運算（如 op_signal、own_amounts 等爲 1D 數組），實現向量化。
優化模式	多組參數通過多進程並行回測；每組內部使用 backtest_flash_steps 等高效路徑，減少內存與計算。

首次運行或參數變化時，Numba 會編譯相關函數，可能帶來一次性的啓動延遲；後續同類型回測會複用緩存，速度更快。

2.3 與 VectorBT 的簡要對比

對比項	qteasy	VectorBT
時間維	順序步進，每步內向量化	全時間軸一次性矩陣運算，無顯式時間循環
狀態與約束	顯式維護 T+1、交割、MOQ 等，貼近實盤	多爲簡化資金曲線，不強調交割/MOQ
適用場景	需要正確模擬 A 股規則、多策略合併、精細成本與交割時	海量參數組合快速篩選、研究向回測

qteasy 在保證狀態正確性與規則可配置的前提下，通過時間維順序 + 標的維向量化 + Numba 單步，兼顧速度；多組參數優化則通過多進程並行彌補“單次不能全矩陣廣播”的差異。

6.3. 3. 本目录与相关文档

• 回測入口與配置：1. 回測概覽、2. 如何運行回測。

• 回測結果與評價：3. 回測結果的結構、5. 回測結果評價與分析。

• 架構與實現細節：設計：回測引擎與性能、設計：設計初衷與獨特優勢。