从信号到净值曲线：PanWatch 轻量事件式回测是如何实现的

【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK & US markets, powered by TradingAgents. Portfolio insights, real-time alerts & automated reports.｜盯盘侠：覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatch

PanWatch 是一款覆盖 A股、港股与美股的 AI 盯盘工具，除了实时监控与提醒，它还内置了一套轻量事件式回测引擎：纯 Python、零第三方依赖，把策略信号和历史 K 线输入后，模拟真实买卖流程，最终产出每笔交易明细、净值曲线与夏普比率、最大回撤等绩效指标，帮助新手判断"这个信号到底值不值得跟"。

为什么选"事件式"而不是向量化回测？

回测框架通常有两条路线：向量化（如 vectorbt，速度快但抽象复杂）和事件式（逐 bar 模拟真实交易流程，贴近实盘逻辑）。

PanWatch 选择了一条极简的事件式路线——整个内核只依赖标准库，核心动机有三点：

• 无未来函数：信号日之后才能入场，杜绝"偷看未来数据"的回测陷阱；
• 可离线测试：数据适配层延迟导入网络库，单元测试全程用合成数据跑通，不触发任何网络请求；
• 成本口径可复用：回测（Phase 0）与模拟盘（Phase 1）共用同一套 A 股交易成本模型，保证"回测赚的钱"和"模拟盘赚的钱"口径一致。

模块入口见 src/modules/strategy/backtest/init.py。

回测主流程：一个信号如何变成一条净值曲线

整条链路在 engine.py 中实现，流程可以概括为四步：

1️⃣ 定义信号

每条回测信号由 Signal 描述，字段直接对齐生产环境的策略信号运行记录：

2️⃣ 下一交易日开盘入场

引擎通过 first_index_after 找到信号日之后第一根 K 线，用它的开盘价成交——这就是"防 look-ahead"的关键一步。仓位默认每笔固定名义资金，且买入股数必须是 100 股的整数倍，符合 A 股一手规则（见 fixed_cash_sizer）。

3️⃣ 逐日检查四类出场事件

入场次日起（遵守 T+1，买入当日不可卖），每天按顺序检查：

1. stop_loss（止损）：当日最低价 ≤ 止损位，按止损价成交；
2. target（止盈）：当日最高价 ≥ 止盈位，按止盈价成交；
3. expire（到期）：持有满holding_days个交易日的收盘价平仓；
4. eod（数据结束）：K 线用完仍未触发，按最后一根收盘强平。

两个细节很"实盘"：

• 跳空处理：开盘价已越过止损/止盈位时，直接按开盘价成交，而不是理想价格；
• 同日双触保守判定：止损与止盈同一天都触及时，保守判为先止损，避免高估收益。

4️⃣ 聚合净值曲线

Backtester.run 对批量信号逐笔回测后，按平仓日排序，把每笔已实现盈亏累加到期初资金上，生成equity_curve与equity_dates——这就是你看到的净值曲线。Phase 0 采用"按平仓日累积已实现盈亏"的简化口径，并发持仓的逐日浮动标记留作后续扩展。

模拟盘页面上的净值曲线正是同一套口径的直观呈现：

A 股交易成本模型：回测不"裸奔"

很多人回测好看、实盘亏钱，根源在于忽略了交易摩擦。cost_model.py 把 A 股散户的真实成本完整建模：

CostModel.round_trip_pnl会把买卖两腿的现金流加总得到净盈亏。单元测试里有一条很直观的断言：同价买入卖出，结果必然是净亏损——因为成本与滑点会吃掉所有利润，这正说明了成本建模的价值（见 tests/test_backtest.py）。

绩效指标：从净值曲线读出策略质量

metrics.py 用纯函数把净值曲线和每笔盈亏翻译成一套完整指标：

• 总收益率 / 年化收益率（按 252 个交易日年化）；
• 最大回撤：峰值到谷底的最大跌幅；
• 夏普比率：年化后的风险调整后收益；
• 胜率 / 盈亏比：正收益笔数占比、总盈利与总亏损之比；
• 平均盈利 / 平均亏损 / 总盈亏。

summarize一次汇总成 dict，方便直接落到报告或页面上展示。

交叉验证：回测口径与线上评估对齐

PanWatch 线上还有一个独立的信号结果评估流程（evaluate_strategy_outcomes），按 1/3/5/10 天 horizon 复盘每条信号的真实表现。回测内核特意提供了 horizon_return，复刻同一口径用于交叉验证——两套数据互相印证，避免"回测系统自己骗自己"。

小结

PanWatch 的回测模块用不到 1000 行纯 Python 代码，搭起了一条从"信号 → 逐日事件模拟 → 扣费成交 → 净值曲线 → 绩效指标"的完整链路：

• 事件式内核：src/modules/strategy/backtest/engine.py
• 交易成本模型：src/modules/strategy/backtest/cost_model.py
• 绩效指标：src/modules/strategy/backtest/metrics.py
• 数据适配与日历对齐：src/modules/strategy/backtest/data_adapter.py
• 单元测试：tests/test_backtest.py

对新手来说，这套设计传递了一个务实的理念：回测的价值不在框架多华丽，而在规则是否贴近真实交易——次日开盘入场、T+1 限制、跳空成交、手续费与滑点，一个都不少。理解了这套轻量回测，再看 PanWatch 的信号与模拟盘数据，就能明白那些数字是怎么来的了。

【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK & US markets, powered by TradingAgents. Portfolio insights, real-time alerts & automated reports.｜盯盘侠：覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatch