Backtesting.py / A 股适配
Backtesting.py 适配 A 股与港股：T+1、涨跌停、复权与交易成本怎么处理
Backtesting.py 是一个通用的 OHLCV 回测引擎，它本身不含 A 股交易制度：T+1、涨跌停、整手、印花税与复权口径都要由使用者声明或近似建模。本文把「哪些能原生支持、哪些能用代码模拟、哪些只能近似」逐条分清，并给出 6 只 A 股与 1 只港股在同一区间、同一策略下的本站实测数字。
T+1 与成交时点撮合顺序决定跨日
涨跌停与停牌库不判可成交性
费用与税费非对称成本靠 callable
复权口径改成交价与基准
测试版本backtesting 0.6.6（PyPI 发布版）Python 版本本站实测 3.11.9；官方要求以 README / PyPI 为准最后核验2026-09-29（实验数据 2026-09-24 运行）数据来源新浪日线前复权（6 只 A 股 + 港股 00700），2018-01-02~2026-09-18适用市场A 股 · 港股可直接复现是（规则模拟写法与自检清单可直接复现）含交易成本是（佣金 2.5bp 双边 + 过户费 0.1bp 双边 + 卖出印花税 5bp）样本外验证部分（做了成本与复权口径对照，未做参数寻优）
6 只 A 股 + 1 只港股同一区间同一策略实测
0 / 6 跑赢买入持有双均线基准对照
成本假设差 13.8pp-64.44% → -78.22%
执行时点差 33.94pp默认 vs trade_on_close
Rule map
A 股规则里，Backtesting.py 原生支持哪些、要自己补哪些？
先分清三档再看细节：库原生支持的是「下单、成交、统计」这一层；交易制度要你用代码约束；数据口径它完全不介入。下表逐条对应本文后面的实测章节。
| A 股/港股规则 | Backtesting.py 的默认行为 | 你要做什么 | 属于哪一档 |
|---|---|---|---|
| T+1（当日买入不可当日卖出） | 先处理上一根 bar 的挂单再调用 next()，成交天然跨日 | 默认设置即可，无需额外防护 | 原生支持（由撮合顺序决定） |
| 成交时点（当日收盘 / 次日开盘） | 默认按下一根 bar 开盘成交；trade_on_close=True 时按本根收盘成交 | 明确声明并在报告里记录你用的是哪一种 | 原生支持 |
| 涨跌停不可成交 | 不判断涨跌停，一律按开盘价（或收盘价）成交 | 自行过滤不可成交日或把订单延后 | 只能近似 |
| 停牌 | 没有停牌概念，只按你给的数据行推进 | 在数据层处理缺日与零成交 | 只能近似 |
| 整手（100 股） | 支持整数股，但不校验是否为一手整数倍 | 自己按 100 股取整后再下单 | 可代码模拟 |
| 佣金 / 印花税 / 过户费 | 单一 commission 在买卖各收一次；也可传 callable 自定义 | 用 callable 建模「卖出才收印花税」的非对称费用 | 原生支持（结构上有取舍） |
| 成交量约束与冲击成本 | 没有成交量模型，订单数量不受当日成交量限制 | 自建约束或接受偏差并写明 | 无法精确模拟 |
| 复权口径 | 不关心复权，按你传入的价格计算损益 | 自己选定口径并声明「复权价不等于可成交价」 | 只能近似（口径问题） |
| 多资产组合与共享资金 | 单资产引擎；MultiBacktest 是每个标的各跑一套独立账户 | 组合级资金分配需换支持组合的框架 | 不支持 |
怎么用这张表：可直接照用的那几项先照用；需要你写代码的那几项，写在策略里的约束能不能被回测如实反映，取决于你有没有把约束写在「下单之前」；第三档意味着无论怎么写都只是近似，必须在结论里声明。把三档混在一起谈，是「回测能跑」与「回测可信」之间的落差。
T+1
Backtesting.py 怎么处理 A 股 T+1 与成交时点？
T+1 不是靠参数开关实现的，而是撮合顺序的自然结果：订单在 next() 里创建，要等下一根 bar 才处理。真正需要你决定的是「按哪个价格成交」——它比多数参数调优更能左右结论。
| 撮合设置 | 区间收益（贵州茅台 600519） | 交易笔数 | 当日买当日卖 | 首笔成交 |
|---|---|---|---|---|
| 默认：订单在下一根 bar 开盘成交 | -69.16% | 123 | 0 笔 | 2018-01-31 买入 |
| trade_on_close=True：本根 bar 收盘成交 | -35.22% | 123 | 0 笔 | 2018-01-30 买入 |
| 刻意「同根 bar 买后立刻平」的策略（默认设置） | 见下代码 | 1057 | 0 笔 | 最短持有 1 天 |
| 同上策略，trade_on_close=True | 见下代码 | 1057 | 0 笔 | 最短持有 1 天 |
| 默认撮合（内置 GOOG 样例 2004-08-19~2013-03-01） | +469.86% | 94 | 0 笔 | — |
| 两套设置合计（SmaCross 123×2 + 刻意往返策略 1057×2） | — | 2360 | 0 笔 | 最短持有均为 1 天 |
class SameBar(Strategy):
"""故意在每根 bar 上「买完就平」，用来验证会不会出现当日往返"""
def init(self):
pass
def next(self):
if not self.position:
self.buy(size=.9) # 本根 bar 挂单
else:
self.position.close() # 下一根 bar 才处理
stats = Backtest(data, SameBar, cash=100000, trade_on_close=True).run()
t = stats['_trades']
print((t.EntryTime.dt.date == t.ExitTime.dt.date).sum()) # 实测输出：0
print((t.ExitTime - t.EntryTime).dt.days.min()) # 实测输出：1三点实证结论：①1057 笔刻意同 bar 往返的交易里，当日买当日卖 = 0 笔，最短持有 1 天——A 股 T+1 无需额外防护；②反过来看，T+0 日内回转策略无法用它如实模拟，因为最短持有被撮合顺序固定为 1 根 bar；③只改成交时点，同一策略收益从 -69.16% 变成 -35.22%，差 33.94 个百分点——写结论时必须写明用的是哪一种，否则读者无法判断你的数字是哪一套假设下的。
Orders
Backtesting.py 遇到涨跌停与停牌怎么成交？实测给出答案
库不判断「这一天能不能成交」：涨跌停日照样按开盘价撮合，停牌则因为你给的数据里没有那一行而被跳过。下面先看 6 只 A 股样本里的涨跌停分布与真实成交情况。
| 标的 | 涨停日 | 跌停日 | 一字板日 | 策略在涨停日买入成交 | 策略在跌停日卖出成交 |
|---|---|---|---|---|---|
| 贵州茅台 600519 | 0 | 1 | 1 | 0 | 0 |
| 平安银行 000001 | 3 | 1 | 0 | 0 | 0 |
| 招商银行 600036 | 1 | 0 | 0 | 0 | 0 |
| 比亚迪 002594 | 13 | 5 | 0 | 0 | 0 |
| 宁德时代 300750 | 23 | 4 | 7 | 0 | 0 |
| 赛力斯 601127 | 85 | 19 | 3 | 4 | 1 |
实测样例（赛力斯，涨停日买入成交）：2020-02-27 当日 +10.06%，成交价 9.63 元 = 当日开盘价；2020-06-04 当日 +9.98%，成交价 10.08 元；2021-02-19 当日 +9.91%，成交价 14.34 元。6 只样本合计 125 个涨停日、30 个跌停日、11 个一字板日，策略有 4 笔买在涨停日、1 笔卖在跌停日。
边界（不夸大）：本次样本里没有一笔成交落在一字板日（0 笔），所以不能说「实测导致了不可能成交的成交」。能确定的是：机制上库不会阻止这种成交，一字板日是否需要过滤要靠你自己加。若你的策略信号密集出现在小盘股或题材股上，这个偏差会明显放大——请在报告里写明是否处理了不可成交日。
# 把「不可成交日」的订单延后一天：用 tag 记录待执行意图
class LimitAware(Strategy):
def init(self):
self.bars_since_limit = 0
def next(self):
prev_pct = self.data.Close[-2] / self.data.Close[-3] - 1 if len(self.data) > 2 else 0
limit_up = prev_pct >= 0.098 # 主板 10%；创业板/科创板 20%；ST 5%，需按板块取值
if limit_up:
self.bars_since_limit = 1 # 当日不可成交：跳过本次下单
return
... # 正常的信号与下单逻辑Costs
Backtesting.py 里 A 股交易成本怎么建模才不离谱？
佣金、过户费与印花税并不是同一件事：前两者双边收，印花税只在卖出侧收。用单一对称 commission 近似，会系统性低估卖出侧成本。下面的 callable 把三者分开建模。
def ashare_cost(order_size, price, comm=0.00025, transfer=0.00001, stamp=0.0005):
"""order_size 为负代表卖出（空头），这也是判断印花税侧的依据"""
notional = abs(order_size) * price
fee = notional * comm + notional * transfer # 佣金 + 过户费：双边
if order_size < 0:
fee += notional * stamp # 印花税：仅卖出侧
return fee
bt = Backtest(data, SmaCross, cash=100000, commission=ashare_cost)| 佣金 | 卖出印花税 | 区间收益 | 费用合计 | Sharpe | 最大回撤 |
|---|---|---|---|---|---|
| 0 | 0 | -64.44% | 0 | -0.448 | -82.88% |
| 0 | 5bp | -67.00% | 5243 | -0.482 | -83.37% |
| 2.5bp | 0 | -66.97% | 5171 | -0.482 | -83.36% |
| 2.5bp（A 股常用） | 5bp（卖出） | -69.20% | 10119 | -0.515 | -83.86% |
| 5bp | 0 | -69.14% | 10043 | -0.514 | -83.85% |
| 5bp | 5bp | -70.64% | 14875 | -0.536 | -84.30% |
| 10bp | 0 | -72.22% | 19229 | -0.562 | -84.63% |
| 10bp | 5bp | -73.63% | 23468 | -0.587 | -84.96% |
| 20bp | 0 | -78.22% | 34545 | -0.678 | -86.21% |
| 20bp | 5bp | -79.46% | 37907 | -0.707 | -86.48% |
读表要点：同一策略、同一标的，只改成本假设，收益从 -64.44% 掉到 -79.46%（差 15.02 个百分点），期间买入持有是 +107.61%——加不加手续费不改变「跑输」这个结论，但会改变你以为策略离盈亏平衡有多远。另外两点实测提醒：①把最低佣金（如 5 元）写进 callable，实测收益只差 0.06pp（-69.16% → -69.10%），因为库会把佣金摊进成交价，小额订单的下单数量会随之被调整；②真实费率随时间、券商与板块变化，本页数字是「近似建模」而非精确复现，以券商与交易所公告为准。
Adjust
前复权数据能直接喂给 Backtesting.py 做回测吗？
可以拿来算信号，但不能拿来说「这就是我能成交的价格」：前复权把历史价格按累计分红送股向下调整，成交价、股数、现金占用与基准都会随之变化。同一策略换口径，结论能差几十个百分点。
| 复权口径 | 区间收益 | 买入持有基准 | 交易笔数 | 首日收盘价 | 首笔成交价 |
|---|---|---|---|---|---|
| 前复权（qfq） | -69.16% | +107.61% | 123 | 578.82 | 607.72（2018-01-31） |
| 不复权（raw） | -71.90% | +70.73% | 125 | 703.85 | 739.00（2018-01-31） |
| 前复权 · 零成本对照 | -64.44% | +107.61% | 123 | 578.82 | 607.72（2018-01-31） |
| 00700 前复权 · 零成本 | +5.03% | +1.43% | 113 | 365.98 | — |
| 00700 前复权 · 计入港股费用 | -20.91% | +1.43% | 113 | 365.98 | — |
| 前复权 / 不复权 累计调整幅度（600519） | 前复权价 ÷ 不复权价 在样本内介于 0.8224 ~ 1.0000 之间，即八年内最大向下调整约 17.8% | ||||
| 口径 | 算法含义 | 适合用来做什么 | 不适合做什么 / 注意点 |
|---|---|---|---|
| 前复权 qfq | 以最新价为基准向前调整历史价 | 看长期走势、算均线与回撤 | 历史价被下调，不能当成当时的真实成交价；分红越多偏差越大 |
| 后复权 hfq | 以上市首日为基准向后调整 | 做跨期累计收益对比 | 价格量级会失真，看图与计算仓位时容易误判 |
| 不复权 raw | 原样保留当日成交价 | 核对真实成交价与税费、做成本核算 | 除权除息日会出现价格跳空，均线类指标会被污染 |
| 复权因子自算 | 用复权因子自行换算价格 | 需要精确控制口径的严谨研究 | 要自己校验因子来源与拼接方式，出错不易发现 |
| 港股复权 | 同样受分红与拆股影响 | 港股长周期回测 | 与 A 股除权除息节奏不同，跨市场拼接不可直接相加 |
| 指数 / ETF 复权 | 指数点位本身不含分红，价格指数与全收益指数不同 | 做基准对比时明确用的是哪一种 | 用价格指数当基准会低估「买入持有」，从而高估策略 |
实测要点：换口径后，前 3 笔交易的日期完全一致（2018-01-31 / 03-05 / 03-16），但成交价与股数不同：前复权 607.72 / 607.05 / 614.80（164 股），不复权 739.00 / 738.18 / 747.60（135 股）。也就是说复权不改变信号，却改变现金占用、费用与「买入持有」这条基准线（+70.73% vs +107.61%，相差 36.88 个百分点）。口径必须写进报告，否则别人无法复现你的结论。
Lots
Backtesting.py 的下单数量有哪些硬约束？
A 股按「手」下单，而库只保证「整数股」。这两者之间的差距要由你自己的代码补上，下面是从 0.6.6 源码核验到的三条硬规则与对应写法。
| 规则 | 源码/实测表现 | 正确写法 | 写错的后果 |
|---|---|---|---|
| 股数必须是整数 | buy()/sell() 断言 round(size) == size；传 size=100.5 实测抛 AssertionError | 下单前用 int() 取整 | 直接报错中断回测 |
| 不校验一手（100 股） | 库接受 1 股的订单，不会自动取整到 100 | size = int(shares // 100 * 100) | 回测买了现实中买不到的零股 |
| 比例下单的取整 | size 在 0~1 时按可用权益与含费价格向下取整，取整到 0 时订单被取消并给出告警 | 资金边界处留余量，或改用绝对股数 | 小额账户频繁出现「下单被取消」 |
| 未平仓交易是否计入统计 | finalize_trades 默认 False；改为 True 会在最后一根 bar 平掉未平仓交易 | 按你的报告口径显式设置 | 同一策略出现两个收益（实测 -68.99%/122 笔 与 -69.16%/123 笔） |
| 做空方向 | sell() 的订单数为负，库支持空头 | A 股策略自行约束不做空 | 回测出现现实中无法执行的空头持仓 |
| 每手股数（100 股） | 库只校验「整数股」，不校验是否为一手整数倍 | 下单前 size = int(shares // 100 * 100) | 出现零股成交，小资金偏差被放大 |
class Lots(Strategy):
def next(self):
if not self.position and crossover(self.ma1, self.ma2):
lots = int(self.equity * 0.95 // (self.data.Close[-1] * 100)) # 想买几手
if lots >= 1:
self.buy(size=lots * 100) # 传绝对股数：必须是 100 的整数倍为什么值得单独写一节：零股、取整方向、以及「比例下单会被取消」这三件事，都会让你的回测在资金边界附近与实际账户产生系统性差异；差异不是随机噪声，而是随资金规模变化的偏差——小资金账户受影响最大。
Data
Backtesting.py 的 A 股与港股数据源有哪些字段和日历坑？
回测的所有结论都建立在数据上，而 A 股数据的坑集中在三处：接口字段名不同、交易日历与港股不一致、以及偶发的数据源异常。下面是本站实测的数据体检结果与字段映射。
| 数据集（实测） | 根数 | 重复日期 | 收盘价越界（超出当日高低） | 相对 A 股日历缺日 | 备注 |
|---|---|---|---|---|---|
| 600519 前复权 | 2116 | 0 | 0 | 0 | 通过全部体检项 |
| 600519 不复权 | 2116 | 0 | 0 | 0 | 通过全部体检项 |
| 00700 前复权 | 2144 | 0 | 0 | 63 | 缺日 = 港股休市与 A 股不同 |
| 00700 不复权 | 2144 | 0 | 12 | 63 | 数据源异常，使用前需处理 |
| 002594 前复权 | 2116 | 0 | 0 | 0 | 通过全部体检项 |
| 601127 前复权 | 2112 | 0 | 0 | 4 | 缺日需与停牌核对 |
| 取数方式 | 返回字段（实测） | 需要转换成的列 | 注意点 |
|---|---|---|---|
| 新浪 A 股日线 | date / open / high / low / close / volume / amount | Open / High / Low / Close / Volume + 时间索引 | 小写字段名，需改大小写 |
| 新浪港股日线 | date / open / high / low / close / volume / amount | 同上 | 不传区间会返回全历史，需自行截断 |
| 东财日线 | 中文列名（日期/开盘/收盘/最高/最低/成交量…） | 同上 | 本次实测 4 次重试均连接失败，可用性本身是变量 |
| 本地 CSV | 自定义 | 必须含开高低收，Volume 可选 | 索引必须是时间类型且单调递增，否则回测报错 |
| 指数 / ETF 日线 | 日期 + 开高低收（+ 成交量） | 同上，Volume 可省略或置 0 | 指数无「成交量」语义，别把成交额当成交量 |
| Tushare 日线（本站未实测） | — | 按官方字段字典映射为 OHLCV | 本站未实测该接口，字段与复权参数以 Tushare 官方文档为准 |
三个必须记住的坑：①港股与 A 股的休市日不同——用 A 股日历去校验港股，会得到 63 个「缺日」的假告警；②不同复权口径下的同一标的，字段与量级都可能不一致（实测不复权港股有 12 行收盘价落在当日高低之外）；③接口可用性会波动（同一天里东财接口连续 4 次失败、新浪可用），所以「数据获取失败」时先换接口试，而不是先怀疑策略代码。
Checklist
Backtesting.py 做 A 股回测要检查哪些规则？适配自检清单
下面 8 项按「先数据、后规则、再成本」的顺序排列，每一项都给出判据与不合格的典型表现；这份清单同时适用于你自己写的策略和网上下载的示例代码。
| 检查项 | 怎么查 | 不合格的典型表现 |
|---|---|---|
| 数据列与索引 | 确认存在开高低收四列、索引为时间类型且单调递增 | 回测一开跑就报列名或索引相关异常 |
| 复权口径 | 确认用的是前复权/后复权/不复权中的哪一种，并写进记录 | 均线在除权日出现跳空，回撤计算失真 |
| 交易日历 | 用与标的匹配的市场日历核对缺日 | 用 A 股日历校验港股，误报大量缺日 |
| T+1 与成交时点 | 确认 trade_on_close 取值，并检查是否存在同 bar 往返假设 | 策略收益对时点设置高度敏感而不自知 |
| 涨跌停与停牌 | 统计样本内涨停/跌停/一字板天数，确认成交是否落在这些日子 | 回测在不可能成交的价格上有成交记录 |
| 成本模型 | 确认卖出印花税是否单独建模、费率是否为当前口径 | 费用被低估，策略「接近盈亏平衡」的假象 |
| 整手与取整 | 检查下单数量是否按 100 股取整 | 出现零股成交，小资金账户偏差明显 |
| 结论声明 | 口径、区间、成本、基准是否都写在结论旁边 | 别人换个假设就跑出完全相反的结论 |
FAQ
A 股适配常见问题
Backtesting.py 支持 A 股吗？
更准确的说法是：它提供通用 OHLCV 回测引擎，A 股交易规则需要由使用者自行扩展或近似建模。实测中，T+1 由撮合顺序天然满足，但涨跌停、停牌、整手、印花税等要你自己处理；具体能力边界以官方 README 与你安装的版本源码为准。
需要为 A 股写一个自定义券商类吗？
多数情况下不需要。成本可以用 commission 的 callable 形式建模，股数与整手可以在下单前处理，成交限制可以通过延后下单近似。只有在需要更细的撮合细节（逐笔、盘口、部分成交）时，才需要考虑自己实现订单处理逻辑，而那通常意味着要换框架或自建撮合层。
印花税只在卖出时收，单一 commission 参数怎么办？
用 callable：commission=lambda order_size, price: ...，订单数量为负时代表卖出方向，在那里加上印花税即可。要注意库会把佣金摊进成交价，因此带最低佣金的模型会轻微改变下单数量——实测影响在 0.1 个百分点以内，但值得知道。
回测里的「买入持有」基准可以信吗？
要看口径：统计里的买入持有是从「所有指标预热结束后的首根 bar」起算的，不是从数据首根开始。实测中把均线窗口换成 200 日后，同一区间的买入持有基准从 117.19% 变成 187.65%（差 70.46 个百分点）。所以报基准时要写清楚起点，具体实现以官方源码为准。
为什么加了涨跌停过滤后收益变化不大？
因为大多数标的的涨停日很少，而均线类策略的信号日期是分散的。实测中 6 只样本合计 125 个涨停日，只有 4 笔买入落在涨停日。但如果你做的是小盘股或题材股短线策略，命中率会明显上升——判断依据是「先统计你自己的策略有多少笔成交落在不可成交日」，而不是凭感觉。
港股和 A 股能用同一套代码吗？
代码可以复用，但成本模型、交易日历与复权口径要分别处理：港股没有印花税的卖出单边结构（费率与征收方式不同），无涨跌停，休市日与 A 股不一致。实测中腾讯 00700 双均线在零成本下略跑赢买入持有（+5.03% vs +1.43%），计入费用后变成 -20.91%。
这些实测数字能直接用在我的标的上吗？
不能。本文所有数字来自 2018-01-02~2026-09-18 的 6 只 A 股与 1 只港股、单一策略与单一成本假设，只说明方法差异有多大，不代表任何标的的未来表现，也不构成投资建议。要得到你自己的结论，请用同一套可复现的记录方式重跑。