向量化 vs 逐 K 线：两种实现的坑

两种实现方式在做什么

向量化把回测当成一次数组运算：先对整列数据算出指标，再用布尔运算得出每一行的持仓状态，最后用持仓乘以收益率求出资金曲线。全过程没有循环，pandas 和 numpy 在底层用 C 完成计算，百万行数据一两秒跑完。

逐 K 线（也叫事件驱动）是模拟真实时间流：从第一根 K 线开始，每一步只允许看到当前及之前的数据，做出决策，更新持仓和资金，然后前进一步。它就是实盘运行逻辑的离线版本。速度慢，百万行可能要几分钟到几十分钟。

两者的关键差别不在速度，而在时点约束是靠纪律保证还是靠结构保证。向量化里所有数据都在同一个 DataFrame 里随手可取，靠你自己记得对齐；逐 K 线里循环变量天然限制了可见范围，越界需要刻意为之。

未来函数是怎么悄悄混进来的

先看一段极其常见的错误代码。它出现在大量教程里，运行完全正常，回测曲线漂亮，问题在于它算的是一个当时不可能知道的数。

# ❌ 错误写法：四处未来函数，且不会报任何错
import pandas as pd
import numpy as np

def backtest_wrong(df, fast=20, slow=60):
    d = df.copy()

    # 错误 1：指标本身没问题，但下面用它的方式有问题
    d["ma_fast"] = d["close"].rolling(fast).mean()
    d["ma_slow"] = d["close"].rolling(slow).mean()

    # 错误 2：信号用第 t 根收盘价算出，直接当作第 t 根就持有
    #        现实中 close[t] 确定的那一刻，这根 K 线已经结束了
    d["pos"] = (d["ma_fast"] > d["ma_slow"]).astype(int)

    # 错误 3：shift 方向写反 —— 把下一根的收益搬到当前行
    #        等于"先知道了明天涨跌，再决定今天持仓"
    d["ret"] = d["close"].pct_change().shift(-1)

    # 错误 4：用全样本均值方差做标准化，早期行用到了未来统计量
    d["z"] = (d["close"] - d["close"].mean()) / d["close"].std()
    d.loc[d["z"] > 2, "pos"] = 0        # 看似风控，实则泄漏

    # 错误 5：反向填充，用未来的值补当前的空
    d["pos"] = d["pos"].fillna(method="bfill")

    d["strategy_ret"] = d["pos"] * d["ret"]
    d["equity"] = (1 + d["strategy_ret"].fillna(0)).cumprod()
    return d

五个错误里，错误 3 最致命。shift(-1) 把第 t+1 行的收益率搬到了第 t 行，于是 pos 在第 t 行的取值与第 t 行的「收益」相乘，实际上是用第 t 根的信息去获取第 t+1 根的收益，而这个信息在第 t 根收盘时才确定——听起来像是对的，问题在于 pos 也是用第 t 根收盘价算的，两者同时确定，等于在收盘价确定的瞬间完成决策和成交，中间没有任何延迟。真实交易做不到。

更隐蔽的是错误 4。close.mean() 是整段数据的均值，包含了未来。第 100 行的 z 值里含有第 20000 行的信息。这类泄漏不会让曲线变得离谱，只会让它稳定地好一点点，因此极难被察觉。

这些错误的共同症状是：回测曲线异常平滑、夏普偏高、回撤偏浅。所以有条经验法则值得记住——低频策略回测夏普超过 3，先假设代码有泄漏去查，不要先想加仓。

python

正确的向量化写法

向量化本身没有问题，问题在对齐。只要坚持一条纪律就能解决绝大部分：所有用于决策的特征，在参与信号计算前必须 shift(1)；收益率一律用未来方向的 pct_change 但不 shift，靠持仓的滞后来体现延迟。

下面是修正版。注意持仓和收益的对齐关系，以及成本的计入位置。

# ✅ 正确写法：显式声明时点，成本计入换手
import pandas as pd
import numpy as np

def backtest_right(df, fast=20, slow=60, fee=0.0005, slippage=0.0005):
    """
    时点约定（必须写在文档里，否则半年后自己也不确定）：
      - 第 t 根收盘后，用截至第 t 根的数据算出目标持仓 target[t]
      - 该持仓在第 t+1 根生效，赚取第 t+1 根的收益
      - 因此实际生效持仓 pos = target.shift(1)
    """
    d = df.copy()

    # 1) 指标：rolling 只回看，本身不含未来
    d["ma_fast"] = d["close"].rolling(fast).mean()
    d["ma_slow"] = d["close"].rolling(slow).mean()

    # 2) 目标持仓：基于第 t 根收盘后的已知信息
    target = (d["ma_fast"] > d["ma_slow"]).astype(float)
    target[d["ma_slow"].isna()] = np.nan      # 窗口不足 -> 不交易，不填补

    # 3) 关键一步：持仓下移一根，代表"下一根才生效"
    d["pos"] = target.shift(1)

    # 4) 收益率：第 t 行表示从 t-1 到 t 的涨跌（不做任何 shift）
    d["ret"] = d["close"].pct_change()

    # 5) 滚动标准化（若需要），窗口内统计量，不用全样本
    win = 500
    roll_mu = d["close"].rolling(win).mean()
    roll_sd = d["close"].rolling(win).std()
    d["z"] = (d["close"] - roll_mu) / roll_sd

    # 6) 成本：只在持仓变化的那根 K 线计入，按换手绝对值
    turnover = d["pos"].diff().abs().fillna(0.0)
    cost = turnover * (fee + slippage)

    d["strategy_ret"] = d["pos"].fillna(0) * d["ret"].fillna(0) - cost
    d["equity"] = (1 + d["strategy_ret"]).cumprod()

    # 7) 机械自检：pos 与 ret 的对齐必须可解释
    assert d["pos"].isna().sum() >= slow, "持仓起始位置早于指标可用位置"
    assert not (d["pos"].notna() & d["ma_slow"].isna()).any(), "用了不可用指标"
    return d

对比两段代码，真正的差别只有几行，但结果可能相差一倍以上。这就是向量化的危险所在：正确与错误的写法在视觉上几乎无差别，而 Python 不会替你检查语义。

还要注意成本的计入方式。用 pos.diff().abs() 乘成本率，比按固定交易次数扣费准确得多，因为它自动处理了仓位部分调整的情况。成本对结果的影响常被低估，具体量级可以看回测成本模型。

python

逐 K 线：慢，但语义无法越界

逐 K 线实现的核心价值在于结构性约束。循环体内只允许通过索引不大于 t 的方式访问数据，未来数据不是「记得别用」，而是「拿不到」。这让代码的正确性从依赖纪律变成依赖结构。

第二个价值是路径依赖逻辑可以正确表达。跟踪止损需要记住入场以来的最高价；分批加仓需要知道当前已持有几份；资金约束需要知道当下还剩多少可用余额；一根 K 线内同时触及止损和止盈时需要决定谁先成交。这些都依赖状态在时间上的累积，向量化要么写不出来，要么写出来是错的。

很多人会用一个近似：向量化算出信号，再用累计极值近似跟踪止损。这个近似在多数行情下误差不大，但在剧烈波动段会明显偏离，而剧烈波动段恰好贡献了策略大部分盈亏。所以最终验证不能省。

逐 K 线的代价是速度。纯 Python 循环处理百万行大约需要几分钟到几十分钟，做参数网格搜索时完全不可行。这就决定了两者的分工。

两套实现对账：最有效的检测手段

既然两种实现各有短板，最可靠的工程做法是都写，然后对账。用同一份数据、同一套参数、同一套成本设置分别跑，比较结果。

对账要看三个层面。交易笔数应当完全一致或差 1（边界处理差异），差异明显说明信号逻辑不同。每笔的入场时间与价格逐笔比对，找出第一个不一致的位置，那里就是问题所在。总收益差异控制在千分之几以内属于浮点与边界误差，超过 5% 基本可以断定向量化版本存在时点错误或成本计算不同。

这个流程听起来重，但只需要做一次。之后你的向量化版本被验证过，可以放心用于参数搜索；逐 K 线版本用于每次上线前的最终确认。日常研究用快的，决策前用准的。

对账过程中要注意一个常见的假差异来源：逐 K 线版本通常带资金约束（余额不足时无法开仓），而向量化版本假设资金无限。做对账时应先把资金约束关掉，确认逻辑一致后再开启，否则会把资金约束造成的差异误判为时点错误。

1. 关闭资金约束与滑点，两版跑同一数据，比对交易笔数。
2. 导出两版的交易明细，按时间对齐，定位第一处不一致。
3. 开启成本，确认两版成本计算口径相同（按换手还是按笔数）。
4. 开启资金约束，记录差异幅度作为已知偏差。
5. 把「向量化与逐 K 线总收益差 < 1%」写成自动化断言，加入 CI。

未来函数自检清单

把下面这份清单固定下来，每次写完回测代码逐条过一遍。前五条是代码级检查，可以直接搜索；后四条是行为级检查，需要跑对照实验。

第 6 条和第 7 条值得单独说明，因为它们是机械的、可自动化的。截断不变性：用完整数据算出的信号序列，其前 5000 项必须与只用前 5000 行数据算出的序列完全相同。不同就意味着后面的数据影响了前面的信号，这就是未来函数的定义。整体位移对照：把全部特征再延后一格重跑，如果收益从大幅盈利直接变成大幅亏损，说明策略的收益高度依赖那一格时间差，实盘中拿不到。

这两个测试都能写成 pytest 断言接到 CI 里，比人工审查稳定得多。相关的提示与测试写法见用大模型写策略代码的正确提示方式，指标解读见四个核心指标。