Backtesting.py 策略循环：init 与 next 的写法、指标接入与参数优化

导入两个类

从包顶层取 Backtest（回测器）与 Strategy（策略基类）；策略必须继承 Strategy，回测器才能调度它。这三行同时验证了包是否装在当前解释器里——「装错环境」比「策略写错」更常见。

from backtesting import Backtest, Strategy
from backtesting.lib import crossover
from backtesting.test import SMA, GOOG

预期输出：无报错。若提示 ModuleNotFoundError，说明当前解释器没装包，先回下载部署页的自检清单。

在 init() 里注册指标

init() 只在回测开始时执行一次，负责把指标算好并注册到策略上；self.I() 的返回值之后可以在 next() 里按序列取用。窗口写成类属性（n1 / n2）而不是写死数字，是为了后面能直接做参数搜索。

class SmaCross(Strategy):
    n1 = 10
    n2 = 20

    def init(self):
        price = self.data.Close
        self.ma1 = self.I(SMA, price, self.n1)
        self.ma2 = self.I(SMA, price, self.n2)

预期输出：无输出。指标序列与数据等长；长度不匹配会在 run() 阶段才报错，所以别在这一步就以为「没问题了」。

在 next() 里写交易规则

next() 按 bar 逐个调用，这里用 crossover() 判断两条均线谁上穿谁：快线上穿慢线买入，慢线上穿快线卖出。规则要写成「事件」（交叉那一刻），不要写成「状态比较」（快线一直在慢线上方就一直买入），否则会反复下单。

    def next(self):
        if crossover(self.ma1, self.ma2):
            self.buy()
        elif crossover(self.ma2, self.ma1):
            self.sell()

预期输出：无输出。真正的成交记录要等 run() 之后才看得到。

处理持仓与平仓

self.position 能读到当前持仓（is_long / is_short），self.position.close() 平掉现有仓位。多空混合的策略里，平仓条件与开仓条件要成对写，避免方向叠加或反复开平。

    def next(self):
        if self.position.is_long and crossover(self.ma2, self.ma1):
            self.position.close()

预期输出：无输出。跑完后结果里的交易笔数应与你预期的量级一致；差得离谱通常是条件没写成对。

创建回测并读结果

把数据、策略类、资金与成本参数交给回测器，run() 返回统计结果；exclusive_orders=True 让每个新信号先平掉反向仓。commission 一定要显式给，默认值不等于你真实市场的摩擦成本。

bt = Backtest(GOOG, SmaCross, cash=10_000, commission=.002, exclusive_orders=True)
stats = bt.run()
print(stats)

预期输出：打印一份以 Return [%]、Max. Drawdown [%]、Sharpe Ratio、# Trades 等字段开头的结果面板；字段名与口径以实际安装版本为准。

把要搜索的参数提成类属性

只有写成类属性的参数才能被优化器扫描；写死在 init() 里的数字对优化器不可见。

class SmaCross(Strategy):
    n1 = 10
    n2 = 20

    def init(self):
        self.ma1 = self.I(SMA, self.data.Close, self.n1)
        self.ma2 = self.I(SMA, self.data.Close, self.n2)

预期输出：无输出。可以先手动改 n1 跑两次 run()，确认结果确实随参数变化。

调用 optimize() 做网格搜索

把参数取值（通常是 range）、优化目标 maximize 与可选约束 constraint 传给优化器；约束用来排除无意义的组合，例如快线窗口不小于慢线。

stats, heatmap = bt.optimize(
    n1=range(5, 30, 5),
    n2=range(10, 70, 10),
    maximize='Equity Final [$]',
    constraint=lambda p: p.n1 < p.n2)
print(heatmap)

预期输出：返回优化后的结果与一张热力图对象（具体返回顺序与字段以官方文档为准）；打印时会看到以参数为行列表头的数值矩阵。

读热力图：看邻域，不看单点

热力图的价值在于形态：稳定区是一片连续的高值，偶然值是一个孤立的亮点。只盯那个亮点，等于把噪声当规律。

print(heatmap)              # 打印参数矩阵
print(stats['# Trades'])    # 顺带看这组参数产生了多少笔交易

打印出来的矩阵行与列分别对应两组参数，先看高值是否连续成片，再看笔数是否够多。

预期输出：能指出一片「参数变动、表现也不差」的区域；如果全程都是棋盘状的花纹，说明这组指标在这段数据上没有稳定结构。

用未参与优化的区间复核

把数据切成两段：一段用来搜索参数，另一段只做验证。样本内挑出来的参数在样本外经常直接失效，这一步是筛掉大部分假结论的地方。

SmaCross.n1, SmaCross.n2 = 10, 20          # 换成你搜索得到的那组参数
train, test = data.iloc[:-252], data.iloc[-252:]
print(Backtest(test, SmaCross, cash=10_000, commission=.002).run()['Return [%]'])

参数赋值方式与区间划分方法只是示意，写法与返回字段以官方文档为准。

预期输出：样本外区间的结果明显弱于样本内是常态；如果样本外直接反向，通常说明参数在拟合噪声。