Language
两大回测引擎,一条流水线
搜索与验证的诉求恰好相反:搜索追求在庞大参数空间中的吞吐量,验证追求对少数幸存者的完整真实度。我们运行两个专用引擎,而不是在一个引擎上妥协,并在任何复杂到需要两者的场景中将它们结合使用。
向量引擎
一整张参数网格,一次性运行——而非逐根 K 线。
整个策略以数组运算和编译内核的形式表达——完全没有逐根 K 线的循环。最适合趋势跟随场景以及任何粗粒度参数扫描:在完整历史上对数千种指标/阈值组合进行排序,只需几秒。它的任务不是给出最终答案——而是把庞大的搜索空间收缩为一份候选配置的入围名单,以及值得深入观察的市场切片(市场状态、时间窗口)。
快过开源引擎
159×
快过 vectorbt
7,000×
快过 backtesting.py
82,000×
快过 backtrader
150,000×
快过 bt
同一次参数扫描,成交数量锁定为相同值——我们的引擎运行它比各开源引擎快多少倍。
向量化 / 编译 无逐根 K 线循环 趋势场景 市场切片预筛选
事件引擎
逐根 K 线、逐个 tick——每一笔成交都名副其实。
针对成交和完整订单簿进行逐根 K 线 / 逐个 tick 的回放,并按需叠加 K 线、footprint(各价位的订单流)和成交量分布。在这里,策略会遇到真实的成交、滑点、保证金和排队位置——AI 或新闻分析智能体也能在每根 K 线做出一个决策,与实盘完全一致。它也是我们唯一信赖用于 HFT 策略的引擎,在这类策略中订单簿和延迟本身就是策略。设计上更慢:每个事件的开销正是真实度的代价,而对于一份入围的幸存者名单来说,这点开销微不足道。
完整 L2/L3 订单簿,逐笔成交回放
每根 K 线一个 AI 或新闻决策——从小时级细化到 tick 级
每个入围候选在上线前都会以完整细节重新核验
成交 + 订单簿 Footprint / 成交量分布 每根 K 线的 AI / 新闻 支持 HFT
对这些引擎有疑问?
联系团队——我们通常回复很快。