参数网格
对策略类属性（如 n1、n2）给出取值范围，自动组合扫描。
Features
功能清单
官方 README 声明的主要能力。
| 能力 | 说明 |
|---|---|
| 简洁 API | Backtest + Strategy 两件套，文档清晰 |
| 快速执行 | 逐 bar 迭代，执行速度快 |
| 内置优化器 | 基于 SAMBO 的参数优化 |
| 参数网格 + 热力图 | 多参数扫描并以热力图呈现 |
| 指标库无关 | BYO，可接 talib/pandas 自定义指标 |
| 交互式可视化 | bokeh 输出交互式图表 |
| 交易结果结构化 | 以 Series/DataFrame 返回便于二次分析 |
Optimizer
内置优化器与热力图
优化器基于 SAMBO 算法，对策略参数做网格搜索，并返回热力图。
目标函数
用 maximize 指定优化目标（如 Equity Final、Sharpe、Return）。
热力图
返回二维热力图，直观比较不同参数组合的表现。
注意：参数优化易过拟合，优化目标是历史回测指标，不构成收益保证；应结合样本外验证。
Visualization
交互式可视化
plot() 基于 bokeh 输出交互式图表。
价格与信号
叠加价格曲线与买卖点标记。
权益曲线
展示账户权益随时间的走势与回撤。
可缩放/悬停
交互式缩放、悬停查看细节，便于复盘。
Results
交易结果与统计
run() 与 optimize() 返回结构化的统计结果。
| 返回 | 类型 | 内容 |
|---|---|---|
bt.run() | Series | 收益、回撤、夏普、胜率、交易次数等统计 |
bt.optimize() | tuple(Series, DataFrame) | 较优参数统计 + 热力图 DataFrame |
说明：交易结果可转 DataFrame 后导出，便于接入 pandas 做进一步分析；字段名称以实际返回为准。
Limitations
限制与边界
选型前需了解的能力边界。
| 限制 | 影响 |
|---|---|
| 不支持多资产组合 | 难以直接做组合级回测，需分别回测或换用其他框架 |
| 不支持分数股 | 下单以整股为主，小额资金或分数股场景受限 |
| 单标的为主 | 更适合单标的 / CTA 类策略验证 |
| 回测结果仅历史表现 | 不构成收益保证或投资建议 |
结论：Backtesting.py 适合轻量、单标的、可复现的策略回测与参数调优；组合级、多资产需求建议评估其他框架或 EasyClaw 量化研究 Skill。
FAQ
功能特性常见问题
优化器是什么算法？
官方 README 说明内置优化器基于 SAMBO（sequential model-based optimization），并支持参数网格搜索。
热力图怎么看？
optimize 返回的 heatmap 是二维 DataFrame，行列为参数取值、单元格为目标指标值，颜色越深通常代表该参数组合表现越好。
为什么不做多资产组合？
Backtesting.py 的设计聚焦单标的逐 bar 回测，多资产组合与再平衡不在其能力范围内。
可视化能导出吗？
plot() 基于 bokeh，可输出为 HTML 文件保存与分享。