登录社区云，与社区用户共同成长
邀请您加入社区
本文分享了使用Backtrader回测DMI指标的实战经验，详细解析了Python量化交易新手在构建DMI策略时遇到的五个关键陷阱及解决方案，包括数据准备、指标参数设置、信号使用、回测分析和实盘过渡等核心环节。
本文详细记录了使用Backtrader回测DMI指标时遇到的七个关键陷阱及解决方案，包括环境配置、数据获取、参数优化、索引错误、滑点影响等。通过Python代码实战演示，帮助量化交易新手避免常见错误，提升策略稳健性。特别针对DMI指标在量化交易中的应用进行了深入分析。
在本文的底部，各位读者可以获取对应的EXCEL模板。一、MACD指标的含义与原理MACD是由快的指数移动平均线EMA(12）减去慢的指数移动平均线EMA(26）得到快线DIF，再用2×（快线DIF-DIF的9日加权移动均线DEA）得到MACD柱。MACD的变化代表着市场趋势的变化，不同K线级别的MACD代表当前级别周期中的买卖趋势。二、EXCEL中实现EXCEL中，可以直接用金融函数库插...
时序预测模型的回测不是简单用历史数据验证，而是模拟真实部署中‘训练→预测→滚动更新’的闭环决策过程。其核心在于尊重时间不可逆性、数据可用性边界和决策反馈延迟三大约束，避免k折交叉验证等静态方法导致的未来信息泄露。工业级回测需匹配业务节奏：简单采样提供保守基线，适用于监管合规与算法初筛；重叠采样兼顾数据效率与真实迭代，是电商、金融等高频更新场景的主流选择；聚合采样则面向数据稀疏或大模型冷启动需求，需
第23篇讲完 AI 策略引擎，有读者在问了个很实在的问题：AI 每根 K 线怎么想、下了什么单，事后去哪查？批量优化出来的参数，下次打开回测界面还要不要重新填？所以这一篇专门讲两块基础设施。一块管细粒度流水：每一笔成交、每一轮 AI 决策，都存进 MySQL，事后能按品种、按时间拉出来复盘。另一块管可复用的策略参数：每个品种一组最优参数，批量优化完直接写 JSON，实盘启动时自动加载，不用手动敲。
前面介绍了如何使用 hikyuu 进行策略回测参数优化，同时也提到了这种简单的参数优化本质其实是对历史数据的过拟合，通常并不具备直接使用的意义。那么有什么办法来减缓这种过拟合影响，让参数优化发挥实际的作用呢？答案是——使用滚动系统，但依然需要保持谨慎的态度，因为回测是拟合的本质并没有改变。
阅读了知乎的问答，颇有感触，总结下我的思考与观点。这是一个很扎心的问题，很多从业者，都面临着这个拷问，当然也包括我。我将尝试从量化投资的整个流程，从理论和经验上去定性分析，出现这个问题的各种原因，避免这些坑，期待实盘与回测尽可能一致。在分析的时候，主要基于实现CTA趋势跟踪策略的视角出发，并且兼顾股票和其他常见的投资策略。一、猜想与假设使用趋势跟踪策略的时候，一个基本的猜想就是，我们即将交易的品种
import osimport importlibimport tracebackfrom datetime import datetimefrom pathlib import Pathfrom server_api.api.tqz_tushare_api import TQZTushareClientfrom server_api.api.tqz_tianqin_api import TQZT
import osimport importlibimport tracebackfrom pathlib import Pathfrom public_module.tqz_extern.tools.position_operator.position_operator import TQZJsonOperatorfrom public_module.tqz_extern.tools.file_
import osimport importlibimport tracebackfrom pathlib import Pathfrom public_module.tqz_extern.tools.file_path_operator.file_path_operator import TQZFilePathOperatorfrom public_module.tqz_extern.tools
一、概述 前一节讲了如何用极星每日批量获取TICK数据，并存到CSV文件，存储格式是： 【合约编号，时间戳，最新价】 比如：ZCE|F|AP|112,20211102145321750,8035.0 交易日11月2日，跑了ZCE全部198个合约，得到了676569条记录，CSV文件25M 交易日11月3日，跑了ZCE全部198个合约，得到了755613条记录，CSV文件28M 如果以此
pyfolio是一个由quantinc .开发的用于金融投资组合的性能和风险分析的Python库。它可以很好地与Zipline开源回溯测试库一起工作。quant还为专业人士提供全面管理的服务，包括Zipline、Alphalens、Pyfolio、FactSet数据等。pyfolio的核心是所谓的“ so-called tear sheet ”，它由各种各样的独立图组成，这些图提供了交易算法表现的
import matplotlib.pyplot as pyplotfrom math import floorfrom time import sleepfrom datetime import datetimefrom back_tester_branch.back_tester_source_data import TQZBackTesterStockSourceData, TQZBackT
用tushare虽然方便，但毕竟不是本机数据，可能受网速、权限等各方面的限制。前面我们有这篇文章：通达信日线数据转换为feather格式，提高后续数据处理速度https://blog.csdn.net/bq_cui/article/details/122730357?spm=1001.2014.3001.5501介绍了如何把通达信日线数据转换为feather格式。我们这次使用转换好的feather
回测
——回测
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
DAMO开发者矩阵
脑启社区
AtomGit开源社区
量化交易与投资社区
