Language
兩大回測引擎，一條流水線
搜尋與驗證的訴求恰好相反：搜尋追求在龐大引數空間中的吞吐量，驗證追求對少數倖存者的完整真實度。我們執行兩個專用引擎，而不是在一個引擎上妥協，並在任何複雜到需要兩者的場景中將它們結合使用。
向量引擎
一整張引數網格，一次性執行——而非逐根 K 線。
整個策略以陣列運算和編譯核心的形式表達——完全沒有逐根 K 線的迴圈。最適合趨勢跟隨場景以及任何粗粒度引數掃描：在完整歷史上對數千種指標/閾值組合進行排序，只需幾秒。它的任務不是給出最終答案——而是把龐大的搜尋空間收縮為一份候選配置的入圍名單，以及值得深入觀察的市場切片（市場狀態、時間視窗）。
快過開源引擎
273×
快過 vectorbt
12,000×
快過 backtesting.py
141,000×
快過 backtrader
260,000×
快過 bt
同一次引數掃描，成交數量鎖定為相同值——我們的引擎執行它比各開源引擎快多少倍 (MacBook M2 Max)。
向量化 / 編譯 無逐根 K 線迴圈 趨勢場景 市場切片預篩選
事件引擎
逐根 K 線、逐個 tick——每一筆成交都名副其實。
針對成交和完整訂單簿進行逐根 K 線 / 逐個 tick 的回放，並按需疊加 K 線、footprint（各價位的訂單流）和成交量分佈。在這裡，策略會遇到真實的成交、滑點、保證金和排隊位置——AI 或新聞分析智慧體也能在每根 K 線做出一個決策，與實盤完全一致。它也是我們唯一信賴用於 HFT 策略的引擎，在這類策略中訂單簿和延遲本身就是策略。設計上更慢：每個事件的開銷正是真實度的代價，而對於一份入圍的倖存者名單來說，這點開銷微不足道。
完整 L2/L3 訂單簿，逐筆成交回放
每根 K 線一個 AI 或新聞決策——從小時級細化到 tick 級
每個入圍候選在上線前都會以完整細節重新核驗
成交 + 訂單簿 Footprint / 成交量分佈 每根 K 線的 AI / 新聞 支援 HFT
對這些引擎有疑問？
聯絡團隊——我們通常回復很快。