快速策略回测
用历史 OHLCV 数据验证策略表现，支持现金、佣金与订单撮合参数，回测速度快。
开源回测库AGPL-3.0，GitHub 约 8.9k stars
简洁 APIBacktest + Strategy 两件套
内置优化器参数网格 + 热力图
官方证据仓库 README / PyPI（2026-09 核验）
What it solves
Backtesting.py 能解决什么问题？
它把「策略想法 → Python 策略类 → 历史数据回测 → 参数优化与结果评估」整理成一条可复现的量化研究链路，让单标的策略验证更轻量。
参数优化
内置优化器（基于 SAMBO），对策略参数做网格搜索，并用热力图直观呈现结果。
交互式可视化
基于 bokeh 输出交互式图表，交易结果以 Series/DataFrame 返回便于二次分析。
How it works
三步理解：从策略到回测
首页只保留理解所需的三步，详细流程见架构页与首次运行页。
1. 安装并准备数据
pip install backtesting 安装后，准备一个 Open/High/Low/Close/Volume 列的 DataFrame。
2. 编写并运行策略
继承 Strategy 类，在 init 计算指标、在 next 写买卖逻辑，用 Backtest.run 执行回测。
3. 查看结果与优化
通过 plot 看交互图、通过 stats 看收益/回撤等指标，再用 optimize 做参数优化；回测结果不构成收益保证。
Setup and route
自建 Backtesting.py 还是用 EasyClaw 量化 Skill 路线？
同一个研究目标，两种准备成本。完整对比见对比子页。
安装 backtesting→写策略→备数据→回测验证
灵活度高，但环境、数据与指标都需要自己维护。
# 1. 安装
pip install backtesting
# 2. 写策略（SmaCross 双均线）
class SmaCross(Strategy):
def init(self):
self.ma1 = self.I(SMA, self.data.Close, 10)
self.ma2 = self.I(SMA, self.data.Close, 20)
def next(self):
if crossover(self.ma1, self.ma2):
self.buy()
elif crossover(self.ma2, self.ma1):
self.sell()
# 3. 回测
bt = Backtest(GOOG, SmaCross, cash=10_000, commission=.002)
stats = bt.run()
# 4. 查看结果
bt.plot()安装 EasyClaw→一句话提问
Skill 的数据源、Token、网络与市场覆盖各不相同；不代表 Backtesting.py 已集成 EasyClaw。
边界：EasyClaw 提供量化分析、财经数据、选股、技术分析等 Skill，可免去环境搭建直接发起研究；Backtesting.py 与 EasyClaw 无已证实集成。
FAQ
常见问题
Backtesting.py 是什么？
Backtesting.py 是基于 Python 的开源交易策略回测库，通过 Backtest 与 Strategy 两个核心类组织回测、参数优化与可视化。
Backtesting.py 需要编程基础吗？
需要。它是库而非软件，需用 Python 继承 Strategy 类编写策略、准备数据并运行脚本，面向有 Python 与量化经验的用户。
Backtesting.py 在 EasyClaw 中能用吗？
无已证实集成。Backtesting.py 与 EasyClaw 没有官方集成证据；EasyClaw 内置的是量化研究类 Skill（量化分析、财经数据、选股、技术分析等），两者是独立路线。
Backtesting.py 支持哪些数据？
支持任意 OHLC(V) 蜡烛数据（Open/High/Low/Close/Volume 列），内置示例数据 GOOG，也可接入 pandas/tushare 等数据源，详见数据页。
Backtesting.py 回测结果可信吗？
回测结果仅代表历史表现，涉及数据、参数与市场环境假设，不构成收益保证或投资建议。