日线
最常见用法，日线 OHLCV 回测中长线策略。
Format
OHLCV 数据格式要求
数据须为 pandas DataFrame，列名大小写需符合要求。
| 列 | 是否必需 | 说明 |
|---|---|---|
| Open | 必需 | 开盘价 |
| High | 必需 | 最高价 |
| Low | 必需 | 最低价 |
| Close | 必需 | 收盘价 |
| Volume | 可选 | 成交量（如无则省略） |
import pandas as pd # df 需为：index=DatetimeIndex，列为 Open/High/Low/Close[/Volume] df = pd.DataFrame(..., columns=['Open','High','Low','Close','Volume']) df.index = pd.to_datetime(df.index)
Sources
数据来源接入
内置示例数据之外，可接入常见数据源。
| 来源 | 说明 | 接入方式 |
|---|---|---|
| 内置示例 | backtesting.test.GOOG 等 | from backtesting.test import GOOG |
| pandas/CSV | 本地 CSV 读入 | pd.read_csv(...) 后整理列名 |
| tushare | A 股历史行情（需 Token） | 调用后重命名列为 OHLCV |
| yfinance | 美股历史行情（无需 Key） | 下载后整理为 OHLCV DataFrame |
注意：接入前需统一复权口径与时间索引；数据实时性/完整性由数据源决定，本站不承诺任何数据可用性。
Prepare
数据预处理步骤
接入任意数据源后的统一处理流程。
获取原始数据
从 CSV/tushare/yfinance 等获取历史行情。
统一列名
重命名为 Open/High/Low/Close/Volume，并设置 DatetimeIndex。
处理复权与缺漏
确认复权口径一致，处理 NaN 与停牌缺口。
传入 Backtest
把 DataFrame 作为第一个参数传入
Backtest(df, Strategy, ...)。
Timeframe
时间框架与日内回测
Backtesting.py 以逐 bar 迭代运行，bar 的粒度由数据频率决定。
日内/分钟线
用分钟级 OHLCV 数据即可做日内回测，注意数据量与撮合假设。
多时间框架
可在策略内用不同频率指标组合，但需自行对齐数据。
边界：数据频率决定回测粒度；日内回测对数据质量与成交时点假设更敏感，需谨慎验证。
Pitfalls
数据常见问题排查
数据问题往往是回测结果失真的主因。
| 现象 | 可能原因 | 处理 |
|---|---|---|
| 报错 KeyError | 列名大小写或缺失 | 确认 Open/High/Low/Close 列名与大小写 |
| 结果异常 | 未复权 / 含 NaN | 统一复权口径，dropna 处理 |
| 成交价不合理 | 撮合时点假设 | 确认 trade_on_close 与下一 bar 成交差异 |
| 样本过少 | 数据区间太短 | 拉长历史区间，覆盖不同市场环境 |
FAQ
数据常见问题
数据列名必须大写吗？
是，需使用 Open/High/Low/Close（Volume 可选）这样的大小写；否则会报 KeyError。
Volume 可以省略吗？
可以，Volume 是可选的，无成交量数据时省略即可。
能直接接 tushare 数据吗？
可以，把 tushare 返回的数据重命名为 OHLCV 列并设置时间索引后即可传入。
指数或期货数据能回测吗？
能，只要整理成 OHLCV DataFrame 即可；但需自行确认数据复权与合约规则。