Backtest engines
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。

01
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)。
- 向量化 / 编译
- 无逐根 K 线循环
- 趋势场景
- 市场切片预筛选
快过开源引擎
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 (MacBook M2 Max)。
- 273× 快过 vectorbt
- 12,000× 快过 backtesting.py
- 141,000× 快过 backtrader
- 260,000× 快过 bt
bar length: log scale

02
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。
- 成交 + 订单簿
- Footprint / 成交量分布
- 每根 K 线的 AI / 新闻
- 支持 HFT
| Attribute | 向量引擎 | 事件引擎 |
|---|---|---|
| Principle | 一整张参数网格,一次性运行--而非逐根 K 线。 | 逐根 K 线、逐个 tick--每一笔成交都名副其实。 |
| Profile |
|
|
| Checks | - |
|
对这些引擎有疑问?
联系团队--我们通常回复很快。