8. 回測引擎與性能（設計視角）

本章從架構與實現角度說明 qteasy 回測引擎的向量化與 Numba 使用方式，以及與 VectorBT 等框架的差異，供需要深入理解或做技術選型的讀者參考。使用層面的說明見《回測並評價交易策略》中的 6. 回測引擎與性能。

8.1. 1. 回测引擎在整体中的位置

回測模式（mode=1）的流程在 回測、實盤與優化 中已概括：準備歷史數據 → 構建 Backtester → 按 group_timing_table 逐步運行 Operator 生成信號 → 解析信號並模擬成交 → 評價與輸出。其中，“解析信號並模擬成交”由 backtest 模塊中的 Numba 函數完成，實現“時間維順序、標的維向量化”。

8.2. 2. Numba 使用点与向量化结构

2.1 核心函數

在 qteasy/backtest.py 中：

  • backtest_step：@njit(nogil=True, cache=True)。單步內根據信號與當前持倉、現金、交割隊列，計算買賣量、費用、持倉更新與交割隊列更新；對整批標的做數組運算。

  • calculate_trade_results：@njit，用於交易結果與資金變動計算。

  • backtest_batch_steps：@njit(nogil=True, cache=True)。在 Numba 內按 signal_count（時間步數）循環，每步調用 backtest_step，完成整段回測，實現“時間維順序、標的維向量化”。

  • backtest_flash_steps：@njit(nogil=True, cache=True)。與 backtest_batch_steps 類似，但不保留中間資金與持倉序列，僅保留最終狀態，用於優化階段多組參數回測時節省內存。

在 qteasy/blender.py 中，信號混合用的部分算子（如 op_sum、op_floor 等）也使用 @njit 加速。

2.2 時間維順序與標的維向量化

  • 時間維必須順序：因爲存在交割隊列、T+1、MOQ 等狀態，下一筆交易依賴當前持倉與交割狀態，無法在時間軸上完全並行或一次性矩陣化。

  • 標的維向量化：在每一個時間步內，對所有標的的 signal、持倉、買賣量、費用等用 NumPy 數組與 Numba 內聯運算，避免 Python 層循環。

因此，單次回測可以理解爲：一層 Numba 內的時間步循環 + 每步內的向量化計算。

2.3 優化階段

在 qteasy/optimization.py 中，多組參數通過多進程（如 ProcessPoolExecutor）並行執行回測；每組內部使用 backtest_flash_steps 等路徑，只保留最終資金/持倉，以降低內存佔用並提高吞吐。

8.3. 3. 与 VectorBT 的架构差异

維度

qteasy

VectorBT

時間維度

順序步進（for 步），每步內向量化

全時間軸一次性矩陣運算，無顯式時間循環

標的維度

每步對全部標的做數組運算（1D 數組）

標的與時間一起參與廣播，多策略/多參數可一併廣播

核心加速

backtest_step、backtest_batch_steps、backtest_flash_steps 等爲 @njit；信號解析、交割隊列等也用 Numba

NumPy + Numba，策略表達爲純數組運算

狀態與約束

顯式維護現金、持倉、交割隊列（T+1 等），狀態依賴下一筆，故時間維必須順序

多爲簡化資金曲線，不強調 T+1/交割/MOQ，易做全矩陣

結論：qteasy 並非“缺乏向量化/Numba”，而是在保證狀態正確性（T+1、交割、MOQ、多策略合併等）的前提下，選擇了“時間順序 + 標的維向量化 + Numba 單步”的折中；與 VectorBT 的“全矩陣廣播”各有適用場景（qteasy 偏規則嚴謹與實盤一致，VectorBT 偏海量參數快速篩選）。

8.4. 4. 相关文档