简单波动率策略，实现+网格搜索

data/tqsdk/test.py

@@ -0,0 +1,14 @@
+from tqsdk import TqApi, TqAuth
+
+api = TqApi(auth=TqAuth("emanresu", "dfgvfgdfgg"))
+
+# au 品种指数合约
+ls = api.query_quotes(ins_class="INDEX", product_id="au")
+print(ls)
+
+# au 品种主连合约
+ls = api.query_quotes(ins_class="CONT", product_id="au")
+print(ls)
+
+# 关闭api,释放相应资源
+api.close()

data/tqsdk/tq_copy_data.py

@@ -25,7 +25,7 @@ def collect_and_save_tqsdk_data_stream(
         output_dir: str = "../data",
         tq_user: str = TQ_USER_NAME,
         tq_pwd: str = TQ_PASSWORD
-) -> pd.DataFrame or None:
+) -> pd.DataFrame:
     """
     通过 TqSdk 在指定模式下（回测或模拟）运行，监听并收集指定品种、频率、日期范围的K线数据流，
     并将其保存到本地CSV文件。此函数会模拟 TqSdk 的时间流运行。
@@ -190,10 +190,10 @@ if __name__ == "__main__":
     # 示例1: 在回测模式下获取沪深300指数主连的日线数据 (用于历史回测)
     # 这种方式适合获取相对较短或中等长度的历史K线数据。
     df_if_backtest_daily = collect_and_save_tqsdk_data_stream(
-        symbol="SHFE.rb2410",
-        freq="min60",
-        start_date_str="2024-05-01",
-        end_date_str="2024-09-01",
+        symbol="KQ.i@SHFE.rb",
+        freq="day",
+        start_date_str="2023-01-01",
+        end_date_str="2025-05-01",
         mode="backtest",  # 指定为回测模式
         tq_user=TQ_USER_NAME,
         tq_pwd=TQ_PASSWORD

src/analysis/analysis_utils.py

@@ -9,7 +9,7 @@ from ..core_data import PortfolioSnapshot, Trade, Bar
 
 
 def calculate_metrics(
-    snapshots: List[PortfolioSnapshot], trades: List[Trade], initial_capital: float
+        snapshots: List[PortfolioSnapshot], trades: List[Trade], initial_capital: float
 ) -> Dict[str, Any]:
     """
     纯函数：根据投资组合快照和交易历史计算关键绩效指标。
@@ -124,11 +124,27 @@ def calculate_metrics(
         "亏损交易次数": losing_count,
         "平均每次盈利": avg_profit_per_trade,
         "平均每次亏损": avg_loss_per_trade,  # 这个值是负数
+        "InitialCapital": initial_capital,
+        "FinalCapital": final_value,
+        "TotalReturn": total_return,
+        "AnnualizedReturn": annualized_return,
+        "MaxDrawdown": max_drawdown,
+        "SharpeRatio": sharpe_ratio,
+        "CalmarRatio": calmar_ratio,
+        "TotalTrades": len(trades),  # All buy and sell trades
+        "TransactionCosts": total_commissions,
+        "TotalRealizedPNL": total_realized_pnl,  # New
+        "WinRate": win_rate,
+        "ProfitLossRatio": profit_loss_ratio,
+        "WinningTradesCount": winning_count,
+        "LosingTradesCount": losing_count,
+        "AvgProfitPerTrade": avg_profit_per_trade,
+        "AvgLossPerTrade": avg_loss_per_trade,  # This value is negative
     }
 
 
 def plot_equity_and_drawdown_chart(snapshots: List[PortfolioSnapshot], initial_capital: float,
-                                    title: str = "Portfolio Equity and Drawdown Curve") -> None:
+                                   title: str = "Portfolio Equity and Drawdown Curve") -> None:
     """
     Plots the portfolio equity curve and drawdown. X-axis points are equally spaced.
 
@@ -145,7 +161,7 @@ def plot_equity_and_drawdown_chart(snapshots: List[PortfolioSnapshot], initial_c
         {'datetime': s.datetime, 'total_value': s.total_value}
         for s in snapshots
     ])
-    
+
     equity_curve = df_equity['total_value'] / initial_capital
 
     rolling_max = equity_curve.cummax()
@@ -203,7 +219,7 @@ def plot_close_price_chart(bars: List[Bar], title: str = "Close Price Chart") ->
     ])
 
     plt.style.use('seaborn-v0_8-darkgrid')
-    fig, ax = plt.subplots(1, 1, figsize=(14, 7)) # Single subplot
+    fig, ax = plt.subplots(1, 1, figsize=(14, 7))  # Single subplot
 
     x_axis_indices = np.arange(len(df_prices))
 
@@ -228,7 +244,7 @@ def plot_close_price_chart(bars: List[Bar], title: str = "Close Price Chart") ->
 
 # 辅助函数：计算单笔交易的盈亏
 def calculate_trade_pnl(
-    trade: Trade, entry_price: float, exit_price: float, direction: str
+        trade: Trade, entry_price: float, exit_price: float, direction: str
 ) -> float:
     if direction == "LONG":
         pnl = (exit_price - entry_price) * trade.volume

src/analysis/grid_search_analyzer.py

@@ -0,0 +1,90 @@
+# src/grid_search_analyzer.py
+
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+from typing import List, Dict, Any, Tuple
+
+class GridSearchAnalyzer:
+    """
+    用于分析和可视化网格搜索结果的类。
+    """
+    def __init__(self, grid_results: List[Dict[str, Any]], optimization_metric: str):
+        """
+        初始化 GridSearchAnalyzer。
+
+        Args:
+            grid_results (List[Dict[str, Any]]): 包含每个参数组合及其对应优化指标的列表。
+                                                 例如：[{'param1': v1, 'param2': v2, 'metric': m1}, ...]
+            optimization_metric (str): 用于优化的指标名称（例如 'total_return'）。
+        """
+        if not grid_results:
+            raise ValueError("grid_results 列表不能为空。")
+        if optimization_metric not in grid_results[0]:
+            raise ValueError(f"优化指标 '{optimization_metric}' 不在 grid_results 的字典中。")
+
+        self.grid_results = grid_results
+        self.optimization_metric = optimization_metric
+        self.param_names = [k for k in grid_results[0].keys() if k != optimization_metric]
+
+        if len(self.param_names) != 2:
+            raise ValueError("GridSearchAnalyzer 当前只支持分析两个参数的网格搜索结果。")
+
+        self.param1_name = self.param_names[0]
+        self.param2_name = self.param_names[1]
+
+    def find_best_parameters(self) -> Dict[str, Any]:
+        """
+        找到网格搜索中表现最佳的参数组合和其指标值。
+        """
+        if not self.grid_results:
+            return {}
+        best_result = max(self.grid_results, key=lambda x: x[self.optimization_metric])
+        print(f"\n--- 最佳参数组合 ---")
+        print(f"  {self.param1_name}: {best_result[self.param1_name]}")
+        print(f"  {self.param2_name}: {best_result[self.param2_name]}")
+        print(f"  {self.optimization_metric}: {best_result[self.optimization_metric]:.4f}")
+        return best_result
+
+    def plot_heatmap(self, title: str = "heatmap"):
+        """
+        绘制两个参数的热力图。
+        """
+        if not self.grid_results:
+            print("没有数据用于绘制热力图。")
+            return
+
+        x_values = sorted(list(set(d[self.param1_name] for d in self.grid_results)))
+        y_values = sorted(list(set(d[self.param2_name] for d in self.grid_results)))
+
+        heatmap_matrix = np.zeros((len(y_values), len(x_values)))
+
+        # 填充网格
+        for item in self.grid_results:
+            x_idx = x_values.index(item[self.param1_name])
+            y_idx = y_values.index(item[self.param2_name])
+            heatmap_matrix[y_idx, x_idx] = item[self.optimization_metric]
+
+        fig, ax = plt.subplots(figsize=(10, 8))
+        im = ax.imshow(heatmap_matrix, cmap='viridis', origin='lower',
+                       extent=[x_values[0], x_values[-1], y_values[0], y_values[-1]],
+                       aspect='auto')
+
+        ax.set_xticks(x_values)
+        ax.set_yticks(y_values)
+
+        ax.set_xlabel(self.param1_name)
+        ax.set_ylabel(self.param2_name)
+        ax.set_title(f"{title}: {self.optimization_metric} vs. {self.param1_name} & {self.param2_name}")
+
+        cbar = fig.colorbar(im, ax=ax)
+        cbar.set_label(self.optimization_metric)
+
+        # 在每个格子上显示数值
+        for i in range(len(y_values)):
+            for j in range(len(x_values)):
+                text = ax.text(x_values[j], y_values[i], f"{heatmap_matrix[i, j]:.2f}",
+                               ha="center", va="center", color="w", fontsize=8)
+
+        plt.tight_layout()
+        plt.show()

src/analysis/result_analyzer.py

@@ -1,10 +1,16 @@
 # src/analysis/result_analyzer.py
 
 import pandas as pd
+import numpy as np
 from typing import List, Dict, Any, Optional
 
 # 导入纯函数 (注意相对导入路径的变化)
-from .analysis_utils import calculate_metrics, plot_equity_and_drawdown_chart, plot_close_price_chart
+from .analysis_utils import (
+    calculate_metrics,
+    plot_equity_and_drawdown_chart,
+    plot_close_price_chart,
+)
+
 # 导入核心数据类 (注意相对导入路径的变化)
 from ..core_data import PortfolioSnapshot, Trade, Bar
 
@@ -14,11 +20,13 @@ class ResultAnalyzer:
     结果分析器：负责接收回测数据，并提供分析和可视化方法。
     """
 
-    def __init__(self,
-                 portfolio_snapshots: List[PortfolioSnapshot],
-                 trade_history: List[Trade],
-                 bars: List[Bar],
-                 initial_capital: float):
+    def __init__(
+        self,
+        portfolio_snapshots: List[PortfolioSnapshot],
+        trade_history: List[Trade],
+        bars: List[Bar],
+        initial_capital: float,
+    ):
         """
         Args:
             portfolio_snapshots (List[PortfolioSnapshot]): 回测引擎输出的投资组合快照列表。
@@ -41,9 +49,7 @@ class ResultAnalyzer:
         if self._metrics_cache is None:
             print("正在计算绩效指标...")
             self._metrics_cache = calculate_metrics(
-                self.portfolio_snapshots,
-                self.trade_history,
-                self.initial_capital
+                self.portfolio_snapshots, self.trade_history, self.initial_capital
             )
             print("绩效指标计算完成。")
         return self._metrics_cache
@@ -69,7 +75,8 @@ class ResultAnalyzer:
             print("\n--- 部分交易明细 (最近5笔) ---")
             for trade in self.trade_history[-5:]:
                 print(
-                    f"  {trade.fill_time} | {trade.direction:<10} | {trade.symbol} | Vol: {trade.volume} | Price: {trade.price:.2f} | Commission: {trade.commission:.2f}")
+                    f"  {trade.fill_time} | {trade.direction:<10} | {trade.symbol} | Vol: {trade.volume} | Price: {trade.price:.2f} | Commission: {trade.commission:.2f}"
+                )
         else:
             print("\n没有交易记录。")
 
@@ -79,10 +86,13 @@ class ResultAnalyzer:
         """
         print("正在绘制绩效图表...")
         # plot_performance_chart(self.portfolio_snapshots, self.initial_capital, self.bars)
-        plot_equity_and_drawdown_chart(self.portfolio_snapshots, self.initial_capital, 
-                                            title="Portfolio Equity and Drawdown Curve")
-    
+        plot_equity_and_drawdown_chart(
+            self.portfolio_snapshots,
+            self.initial_capital,
+            title="Portfolio Equity and Drawdown Curve",
+        )
+
         # 绘制单独的收盘价曲线
         plot_close_price_chart(self.bars, title="Underlying Asset Close Price")
-    
-        print("图表绘制完成。")
+
+        print("图表绘制完成。")

src/backtest_context.py

@@ -58,6 +58,16 @@ class BacktestContext:
         # 可以在这里触发策略的on_trade回调（如果策略定义了）
         return trade
 
+    def cancel_order(self, order_id: str) -> bool:
+        """
+        策略通过此方法发出交易订单。
+        """
+        if self._current_bar is None:
+            raise RuntimeError("当前Bar未设置，无法发送订单。")
+
+        return self._simulator.cancel_order(order_id)
+
+
     def get_current_positions(self) -> Dict[str, int]:
         """
         获取当前模拟器的持仓情况。

src/backtest_engine.py

@@ -36,6 +36,7 @@ class BacktestEngine:
             commission_rate (float): 交易佣金率。
         """
         self.data_manager = data_manager
+        self.initial_capital = initial_capital
         self.simulator = ExecutionSimulator(
             initial_capital=initial_capital,
             slippage_rate=slippage_rate,
@@ -76,6 +77,7 @@ class BacktestEngine:
 
             # 设置当前Bar到Context，供策略访问
             self.context.set_current_bar(current_bar)
+            self.simulator.update_time(current_time=current_bar.datetime)
 
             # 更新历史Bar缓存
             self._history_bars.append(current_bar)
@@ -129,7 +131,7 @@ class BacktestEngine:
             for symbol_held, quantity in positions_to_close.items():
                 if quantity != 0:
                     print(f"[{last_processed_bar.datetime}] 回测结束平仓: 平仓 {symbol_held} ({quantity} 手) @ {last_processed_bar.close:.2f}。")
-                    direction = "SELL" if quantity > 0 else "BUY"
+                    direction = "CLOSE_LONG" if quantity > 0 else "CLOSE_SELL"
                     volume = abs(quantity)
                     
                     # 使用当前合约的最后一根Bar的价格进行平仓
@@ -148,6 +150,17 @@ class BacktestEngine:
         print(f"总计处理了 {len(self.portfolio_snapshots)} 根K线。")
         print(f"总计发生了 {len(self.trade_history)} 笔交易。")
 
+        final_portfolio_value = 0.0
+        if last_processed_bar:
+            final_portfolio_value = self.simulator.get_portfolio_value(last_processed_bar)
+        else:  # 如果数据为空，或者回测根本没跑，则净值为初始资金
+            final_portfolio_value = self.initial_capital
+
+        total_return_percentage = ((final_portfolio_value - self.initial_capital) / self.initial_capital) * 100
+
+        print(f"最终总净值: {final_portfolio_value:.2f}")
+        print(f"总收益率: {total_return_percentage:.2f}%")
+
     def get_backtest_results(self) -> Dict[str, Any]:
         """
         返回回测结果数据，供结果分析模块使用。

src/backtest_runner.py

@@ -0,0 +1,189 @@
+# src/backtest_runner.py
+
+import pandas as pd
+from datetime import datetime
+from typing import List, Dict, Any, Optional, Type
+
+# 导入核心组件
+from .backtest_engine import BacktestEngine
+from .data_manager import DataManager
+from .execution_simulator import (
+    ExecutionSimulator,
+)  # 虽然不直接用，但 BacktestEngine 内部会用到
+from .strategies.base_strategy import Strategy  # 用于类型提示
+from .core_data import Bar, PortfolioSnapshot, Trade, Order  # 导入数据结构
+
+
+def run_multi_segment_backtest(
+    segment_configs: Dict[str, Dict[str, Any]],
+    strategy_class: Type[Strategy],
+    strategy_params: Dict[str, Any],
+    initial_capital: float,
+    slippage_rate: float,
+    commission_rate: float,
+    total_start_date: datetime,
+    total_end_date: datetime,
+) -> Dict[str, Any]:
+    """
+    运行一个多主力合约的分段回测，并返回合并后的回测结果。
+
+    Args:
+        segment_configs (Dict[str, Dict[str, Any]]): 包含所有合约片段配置的字典。
+        strategy_class (Type[Strategy]): 要回测的策略类。
+        strategy_params (Dict[str, Any]): 传递给策略的参数字典。
+        initial_capital (float): 回测的初始资金。
+        slippage_rate (float): 交易滑点率。
+        commission_rate (float): 交易佣金率。
+        total_start_date (datetime): 总回测的起始日期。
+        total_end_date (datetime): 总回测的结束日期。
+
+    Returns:
+        Dict[str, Any]: 包含合并后的 portfolio_snapshots, trade_history, all_bars
+                        和 initial_capital 的字典。
+    """
+    # --- 收集所有片段的回测结果 ---
+    all_combined_snapshots: List[PortfolioSnapshot] = []
+    all_combined_trades: List[Trade] = []
+    all_combined_bars: List[Bar] = []
+
+    # 用于净值平滑的基准值，从初始资金开始
+    last_segment_adjusted_total_value = initial_capital
+    current_cash = initial_capital  # 用于传递给下一个片段的初始资金
+    current_positions: Dict[str, int] = {}  # 用于传递给下一个片段的初始持仓
+
+    print("\n--- 开始分段回测跨越多个合约 ---")
+
+    # 获取所有合约的有序键，确保按定义的顺序回测
+    segment_keys = list(segment_configs.keys())
+
+    for i, contract_symbol in enumerate(segment_keys):
+        config = segment_configs[contract_symbol]
+        segment_file = config["file"]
+        segment_start_date = config["start"]
+        segment_end_date = config["end"]
+
+        current_segment_start = max(segment_start_date, total_start_date)
+        current_segment_end = min(segment_end_date, total_end_date)
+
+        if current_segment_start > current_segment_end:
+            print(f"跳过片段 {contract_symbol}: 日期范围超出总回测周期或无效。")
+            continue
+
+        print(
+            f"\n--- 回测片段: {contract_symbol} 从 {current_segment_start.strftime('%Y-%m-%d %H:%M')} 到 {current_segment_end.strftime('%Y-%m-%d %H:%M')} ---"
+        )
+
+        # 1. 初始化 DataManager (每个片段使用不同的 DataManager 实例)
+        data_manager = DataManager(file_path=segment_file, symbol=contract_symbol)
+
+        if data_manager.raw_df.empty:
+            print(
+                f"警告: 未能加载 {contract_symbol} 的数据文件 {segment_file}。跳过此片段。"
+            )
+            continue
+
+        strategy_params["symbol"] = contract_symbol
+        # 2. 创建 BacktestEngine 实例 (针对当前合约片段)
+        engine = BacktestEngine(
+            data_manager=data_manager,
+            strategy_class=strategy_class,
+            strategy_params=strategy_params,  # 使用传入的策略参数
+            initial_capital=initial_capital,
+            slippage_rate=slippage_rate,
+            commission_rate=commission_rate,
+            current_segment_symbol=contract_symbol,
+        )
+
+        # 在运行当前片段之前，将上一个片段结束时的资金和持仓注入到当前 BacktestEngine 的 simulator 中
+        engine.get_simulator().reset(
+            new_initial_capital=current_cash, new_initial_positions=current_positions
+        )
+
+        # 3. 运行当前片段回测
+        engine.run_backtest()
+        segment_results = engine.get_backtest_results()
+
+        # 4. 获取当前片段结束后的最新资金和持仓状态，供下个片段使用
+        current_cash = engine.get_simulator().cash
+        current_positions = engine.get_simulator().positions.copy()
+
+        # 5. 拼接结果：净值曲线需要特殊处理
+        segment_snapshots = segment_results["portfolio_snapshots"]
+        segment_trades = segment_results["trade_history"]
+        segment_bars = segment_results["all_bars"]
+
+        if segment_snapshots:
+            first_snapshot_value_of_segment = segment_snapshots[0].total_value
+
+            if first_snapshot_value_of_segment == 0:
+                segment_relative_factor = 1.0
+            else:
+                segment_relative_factor = (
+                    last_segment_adjusted_total_value / first_snapshot_value_of_segment
+                )
+
+            for snapshot in segment_snapshots:
+                adjusted_snapshot_value = snapshot.total_value * segment_relative_factor
+                adjusted_snapshot = PortfolioSnapshot(
+                    datetime=snapshot.datetime,
+                    total_value=adjusted_snapshot_value,
+                    cash=snapshot.cash,
+                    positions=snapshot.positions.copy(),
+                    price_at_snapshot=snapshot.price_at_snapshot.copy(),
+                )
+                all_combined_snapshots.append(adjusted_snapshot)
+
+            last_segment_adjusted_total_value = all_combined_snapshots[-1].total_value
+        else:
+            print(
+                f"警告: 未能为 {contract_symbol} 生成任何快照。`last_segment_adjusted_total_value` 保持不变: {last_segment_adjusted_total_value:.2f}。"
+            )
+
+        all_combined_trades.extend(segment_trades)
+        all_combined_bars.extend(segment_bars)
+
+    print("\n--- 总分段回测完成 ---")
+
+    return {
+        "portfolio_snapshots": all_combined_snapshots,
+        "trade_history": all_combined_trades,
+        "all_bars": all_combined_bars,
+        "initial_capital": initial_capital,  # 返回初始资金，方便 ResultAnalyzer 使用
+    }
+
+
+def run_backtest_for_optimization(
+    global_config: Dict[str, Any],
+    strategy_class: Type[Strategy],
+    current_strategy_params: Dict[str, Any],
+) -> Dict[str, Any]:
+    """
+    简化后的回测入口，用于优化或参数搜索。
+    它从 global_config 中提取通用回测参数，并结合 current_strategy_params 运行回测。
+
+    Args:
+        global_config (Dict[str, Any]): 包含所有通用全局配置的字典。
+        strategy_class (Type[Strategy]): 要回测的策略类。
+        current_strategy_params (Dict[str, Any]): 当前迭代的策略参数。
+
+    Returns:
+        Dict[str, Any]: 包含合并后的 portfolio_snapshots, trade_history, all_bars
+                        和 initial_capital 的字典。
+    """
+    total_start_date = global_config["total_start_date"]
+    total_end_date = global_config["total_end_date"]
+    initial_capital = global_config["initial_capital"]
+    slippage_rate = global_config["slippage_rate"]
+    commission_rate = global_config["commission_rate"]
+    segment_configs = global_config["segment_configs"]
+
+    return run_multi_segment_backtest(
+        segment_configs=segment_configs,
+        strategy_class=strategy_class,
+        strategy_params=current_strategy_params,
+        initial_capital=initial_capital,
+        slippage_rate=slippage_rate,
+        commission_rate=commission_rate,
+        total_start_date=total_start_date,
+        total_end_date=total_end_date,
+    )

src/common_utils.py

@@ -0,0 +1,36 @@
+# src/common_utils.py
+
+from typing import List, Union
+
+def generate_parameter_range(start: Union[int, float], end: Union[int, float], step: Union[int, float]) -> List[Union[int, float]]:
+    """
+    根据开始、结束和步长生成一个参数值的列表。
+    支持整数和浮点数。
+
+    Args:
+        start (Union[int, float]): 参数范围的起始值。
+        end (Union[int, float]): 参数范围的结束值。
+        step (Union[int, float]): 参数的步长。
+
+    Returns:
+        List[Union[int, float]]: 生成的参数值列表。
+    """
+    if step == 0:
+        raise ValueError("步长不能为0。")
+    if (end - start) * step < 0: # 步长方向与范围不符
+        raise ValueError("步长方向与起始/结束值不一致，请检查步长正负。")
+
+    param_range = []
+    current_value = start
+    while (step > 0 and current_value <= end) or (step < 0 and current_value >= end):
+        param_range.append(current_value)
+        current_value += step
+        # 针对浮点数精度问题进行小幅调整，避免无限循环或过早停止
+        if isinstance(step, float) or isinstance(start, float) or isinstance(end, float):
+            current_value = round(current_value, 10) # 四舍五入到一定小数位
+
+    return param_range
+
+# 示例：
+# print(generate_parameter_range(0.99, 1.01, 0.005)) # [0.99, 0.995, 1.0, 1.005, 1.01]
+# print(generate_parameter_range(5, 20, 5))         # [5, 10, 15, 20]

src/execution_simulator.py

@@ -1,5 +1,5 @@
 # src/execution_simulator.py (修改部分)
-
+from datetime import datetime
 from typing import Dict, List, Optional
 import pandas as pd
 from .core_data import Order, Trade, Bar, PortfolioSnapshot
@@ -36,35 +36,111 @@ class ExecutionSimulator:
         self.commission_rate = commission_rate
         self.trade_log: List[Trade] = []  # 存储所有成交记录
         self.pending_orders: Dict[str, Order] = {}  # {order_id: Order_object}
+        self._current_time = None
 
         print(
             f"模拟器初始化：初始资金={self.initial_capital:.2f}, 滑点率={self.slippage_rate}, 佣金率={self.commission_rate}")
         if self.positions:
             print(f"初始持仓：{self.positions}")
 
+    def update_time(self, current_time: datetime):
+        """
+        更新模拟器的当前时间。
+        这个方法由 BacktestEngine 在遍历 K 线时调用。
+        """
+        self._current_time = current_time
+
+    # --- 新增的公共方法 ---
+    def get_current_time(self) -> datetime:
+        """
+        获取模拟器的当前时间。
+        """
+        if self._current_time is None:
+            # 可以在这里抛出错误或者返回一个默认值，取决于你对未初始化时间的处理
+            # 抛出错误可以帮助你发现问题，例如在模拟器时间未设置时就尝试获取
+            # raise RuntimeError("Simulator time has not been set. Ensure update_time is called.")
+            return None
+        return self._current_time
+
     def _calculate_fill_price(self, order: Order, current_bar: Bar) -> float:
         """
         内部方法：根据订单类型和滑点计算实际成交价格。
-        简化处理：市价单以当前Bar收盘价为基准，考虑滑点。
+        - 市价单通常以当前K线的开盘价成交（考虑滑点）。
+        - 限价单判断是否触及限价，如果触及，以限价成交（考虑滑点）。
         """
-        base_price = current_bar.close  # 简化为收盘价成交
+        fill_price = -1.0  # 默认未成交
 
-        # 考虑滑点
-        if order.direction in ["BUY", "CLOSE_SHORT"]:  # 买入或平空，价格向上偏离
-            fill_price = base_price * (1 + self.slippage_rate)
-        elif order.direction in ["SELL", "CLOSE_LONG"]:  # 卖出或平多，价格向下偏离
-            fill_price = base_price * (1 - self.slippage_rate)
-        else:  # 默认情况，无滑点
-            fill_price = base_price
+        if order.price_type == "MARKET":
+            # 市价单通常以开盘价成交，或者根据你的策略需求选择收盘价
+            # 这里我们仍然使用开盘价作为市价单的基准成交价
+            base_price = current_bar.open
 
-        # 如果是限价单且成交价格不满足条件，则可能不成交
-        if order.price_type == "LIMIT" and order.limit_price is not None:
-            # 对于BUY和CLOSE_SHORT，成交价必须 <= 限价
-            if (order.direction == "BUY" or order.direction == "CLOSE_SHORT") and fill_price > order.limit_price:
-                return -1.0  # 未触及限价
-            # 对于SELL和CLOSE_LONG，成交价必须 >= 限价
-            elif (order.direction == "SELL" or order.direction == "CLOSE_LONG") and fill_price < order.limit_price:
-                return -1.0  # 未触及限价
+            if order.direction == "BUY" or order.direction == "CLOSE_SHORT":  # 买入或平空，价格向上偏离
+                fill_price = base_price * (1 + self.slippage_rate)
+            elif order.direction == "SELL" or order.direction == "CLOSE_LONG":  # 卖出或平多，价格向下偏离
+                fill_price = base_price * (1 - self.slippage_rate)
+            else:  # 默认情况，理论上不应该到这里，因为方向应该明确
+                fill_price = base_price  # 不考虑滑点
+
+            # 市价单只要有价格就会成交，无需额外价格区间判断
+
+        elif order.price_type == "LIMIT" and order.limit_price is not None:
+            limit_price = order.limit_price
+            high = current_bar.high
+            low = current_bar.low
+            open_price = current_bar.open  # 也可以在限价单成交时用开盘价作为实际成交价，或限价本身
+
+            if order.direction == "BUY" or order.direction == "CLOSE_SHORT":  # 限价买入或限价平空
+                # 买入：如果K线最低价 <= 限价，则限价单可能成交
+                if low <= limit_price:
+                    # 成交价通常是限价，但考虑滑点后可能略高（对买方不利）
+                    # 或者可以以 open/low 之间的一个价格成交，这里简化为限价+滑点
+                    fill_price_candidate = limit_price * (1 + self.slippage_rate)
+
+                    # 确保成交价不会比当前K线的最低价还低（如果不是在最低点成交）
+                    # 也可以简单就返回 limit_price * (1 + self.slippage_rate)
+
+                    # 如果开盘价低于或等于限价，那么通常会以开盘价成交（或者略差）
+                    # 否则，如果价格是从上方跌落到限价区，那么会在限价附近成交
+                    # 这里简化：如果K线触及限价，则以限价成交（考虑滑点）。
+                    # 更精细的模拟会考虑价格穿越顺序 (例如，是否开盘就跳过了限价)
+
+                    # 如果开盘价已经低于或等于限价，那么就以开盘价成交（考虑滑点）
+                    if open_price <= limit_price:
+                        fill_price = open_price * (1 + self.slippage_rate)
+                    else:  # 价格从高处跌落到限价
+                        fill_price = limit_price * (1 + self.slippage_rate)
+
+                    # 确保成交价不会超过限价 (虽然加滑点可能会略超，但这是交易成本的一部分)
+                    # 这个检查是为了避免逻辑错误，理论上加滑点后应该可以接受比限价略高的价格
+                    # 如果你严格要求成交价不能高于限价，则需要移除滑点或者更复杂的逻辑
+                    # 这里我们接受加滑点后的价格
+                    if fill_price > high and fill_price > limit_price:  # 如果计算出来的成交价高于K线最高价，则可能不合理
+                        fill_price = -1.0  # 理论上不该发生，除非滑点过大
+                else:
+                    return -1.0  # 未触及限价
+
+            elif order.direction == "SELL" or order.direction == "CLOSE_LONG":  # 限价卖出或限价平多
+                # 卖出：如果K线最高价 >= 限价，则限价单可能成交
+                if high >= limit_price:
+                    # 成交价通常是限价，但考虑滑点后可能略低（对卖方不利）
+                    fill_price_candidate = limit_price * (1 - self.slippage_rate)
+
+                    # 如果开盘价已经高于或等于限价，那么就以开盘价成交（考虑滑点）
+                    if open_price >= limit_price:
+                        fill_price = open_price * (1 - self.slippage_rate)
+                    else:  # 价格从低处上涨到限价
+                        fill_price = limit_price * (1 - self.slippage_rate)
+
+                    # 确保成交价不会低于限价
+                    if fill_price < low and fill_price < limit_price:  # 如果计算出来的成交价低于K线最低价，则可能不合理
+                        fill_price = -1.0  # 理论上不该发生
+                else:
+                    return -1.0  # 未触及限价
+
+        # 最后检查成交价是否有效
+        if fill_price <= 0:
+            return -1.0  # 如果计算出来价格无效，返回未成交
 
         return fill_price
 
@@ -107,6 +183,7 @@ class ExecutionSimulator:
         if fill_price <= 0:  # 表示未成交或不满足限价条件
             if order.price_type == "LIMIT":
                 self.pending_orders[order.id] = order
+                # print(f'撮合失败,order id:{order.id},fill_price:{fill_price}')
             return None  # 未成交，返回None
 
         # --- 以下是订单成功成交的逻辑 ---
@@ -116,78 +193,90 @@ class ExecutionSimulator:
         current_position = self.positions.get(symbol, 0)
         current_average_cost = self.average_costs.get(symbol, 0.0)
 
-        if order.direction == "BUY":
+        actual_direction = order.direction
+        if order.direction == "CLOSE_SHORT":
+            actual_direction = "BUY"
+        elif order.direction == "CLOSE_LONG":
+            actual_direction = "SELL"
+
+        is_close_order_intent = (order.direction == "CLOSE_LONG" or
+                                 order.direction == "CLOSE_SHORT")
+
+        if actual_direction == "BUY":  # 处理买入 (开多 / 平空)
             # 开多仓或平空仓
             if current_position >= 0:  # 当前持有多仓或无仓位 (开多)
-                is_open_trade = True
+                is_open_trade = not is_close_order_intent  # 如果是平仓意图，则不是开仓交易
                 # 更新平均成本 (加权平均)
                 new_total_cost = (current_average_cost * current_position) + (fill_price * volume)
                 new_total_volume = current_position + volume
                 self.average_costs[symbol] = new_total_cost / new_total_volume if new_total_volume > 0 else 0.0
                 self.positions[symbol] = new_total_volume
             else:  # 当前持有空仓 (平空)
-                is_close_trade = True
+                is_close_trade = is_close_order_intent  # 这是平仓交易
                 # 计算平空盈亏
-                # PnL = (开仓成本 - 平仓价格) * 平仓数量 (注意空头方向)
-                # 简化：假设平空时，直接使用当前的平均开仓成本来计算盈亏
-                # 更精确的FIFO/LIFO需更多逻辑
-                pnl_per_share = current_average_cost - fill_price  # (买入平空，成本高于平仓价则盈利)
+                pnl_per_share = current_average_cost - fill_price
                 realized_pnl = pnl_per_share * volume
 
                 # 更新持仓和成本
                 self.positions[symbol] += volume
-                if self.positions[symbol] == 0:
+                if self.positions[symbol] == 0:  # 如果全部平仓
                     del self.positions[symbol]
-                    if symbol in self.average_costs: del self.average_costs[symbol]  # 清理成本
-                elif self.positions[symbol] > 0 and current_position < 0:  # 部分平空转为多头，需重新设置成本
-                    # 这部分逻辑可以更复杂，这里简化处理，如果转为多头，成本重置为0
-                    # 实际应该用剩余的空头成本 + 新开多的成本
-                    self.average_costs[symbol] = fill_price  # 简单地将剩下的多头仓位成本设为当前价格
+                    if symbol in self.average_costs: del self.average_costs[symbol]
+                elif self.positions[symbol] > 0 and current_position < 0:  # 部分平空，且空头仓位被买平为多头仓位
+                    # 这是从空头转为多头的复杂情况。需要重新计算平均成本
+                    # 简单处理：将剩余的多头仓位成本设为当前价格
+                    self.average_costs[symbol] = fill_price
 
-            # 资金扣除
             if self.cash >= trade_value + commission:
                 self.cash -= (trade_value + commission)
             else:
-                # print(f"[{current_bar.datetime}] 资金不足，无法执行买入 {volume} {symbol}")
+                print(f"[{current_bar.datetime}] 资金不足，无法执行买入 {volume} {symbol}")
                 return None
 
 
-        elif order.direction == "SELL":
+        elif actual_direction == "SELL":  # 处理卖出 (开空 / 平多)
             # 开空仓或平多仓
             if current_position <= 0:  # 当前持有空仓或无仓位 (开空)
-                is_open_trade = True
+                is_open_trade = not is_close_order_intent  # 如果是平仓意图，则不是开仓交易
                 # 更新平均成本 (空头成本为负值)
-                new_total_cost = (current_average_cost * current_position) - (fill_price * volume)  # 负的持仓乘以负的卖出价
-                new_total_volume = current_position - volume  # 空头持仓量更负
-                self.average_costs[symbol] = new_total_cost / new_total_volume if new_total_volume < 0 else 0.0
-                self.positions[symbol] = new_total_volume
+                # 对于空头，平均成本通常是指你卖出开仓的平均价格
+                # 这里需要根据你的空头成本计算方式来调整
+                # 常见的做法是：总卖出价值 / 总卖出数量
+                new_total_value = (current_average_cost * abs(current_position)) + (fill_price * volume)
+                new_total_volume = abs(current_position) + volume
+                self.average_costs[symbol] = new_total_value / new_total_volume if new_total_volume > 0 else 0.0
+                self.positions[symbol] -= volume  # 空头数量增加，持仓量变为负更多
+
             else:  # 当前持有多仓 (平多)
-                is_close_trade = True
+                is_close_trade = is_close_order_intent  # 这是平仓交易
                 # 计算平多盈亏
-                # PnL = (平仓价格 - 开仓成本) * 平仓数量
-                pnl_per_share = fill_price - current_average_cost  # (卖出平多，平仓价高于成本则盈利)
+                pnl_per_share = fill_price - current_average_cost
                 realized_pnl = pnl_per_share * volume
 
                 # 更新持仓和成本
                 self.positions[symbol] -= volume
-                if self.positions[symbol] == 0:
+                if self.positions[symbol] == 0:  # 如果全部平仓
                     del self.positions[symbol]
-                    if symbol in self.average_costs: del self.average_costs[symbol]  # 清理成本
-                elif self.positions[symbol] < 0 and current_position > 0:  # 部分平多转为空头，需重新设置成本
-                    self.average_costs[symbol] = fill_price  # 简单地将剩下的空头仓位成本设为当前价格
+                    if symbol in self.average_costs: del self.average_costs[symbol]
+                elif self.positions[symbol] < 0 and current_position > 0:  # 部分平多，且多头仓位被卖平为空头仓位
+                    # 从多头转为空头的复杂情况
+                    self.average_costs[symbol] = fill_price  # 简单将剩余空头仓位成本设为当前价格
 
-            # 资金扣除 (佣金) 和增加 (卖出收入)
             if self.cash >= commission:
                 self.cash -= commission
                 self.cash += trade_value
             else:
-                # print(f"[{current_bar.datetime}] 资金不足，无法执行卖出 {volume} {symbol}")
+                print(f"[{current_bar.datetime}] 资金不足，无法执行卖出 {volume} {symbol}")
                 return None
+        else:  # 既不是 BUY 也不是 SELL，且也不是 CANCEL。这可能是未知的 direction
+            print(
+                f"[{current_bar.datetime}] 模拟器: 收到未知订单方向 {order.direction} for Order ID: {order.id}. 订单未处理。")
+            return None
 
-        # 创建 Trade 对象
+            # 创建 Trade 对象
         executed_trade = Trade(
             order_id=order.id, fill_time=current_bar.datetime, symbol=symbol,
-            direction=order.direction,  # 记录原始订单方向 (BUY/SELL)
+            direction=order.direction,  # 记录原始订单方向 (BUY/SELL/CLOSE_X)
             volume=volume, price=fill_price, commission=commission,
             cash_after_trade=self.cash, positions_after_trade=self.positions.copy(),
             realized_pnl=realized_pnl,  # 填充实现盈亏
@@ -200,8 +289,6 @@ class ExecutionSimulator:
         if order.id in self.pending_orders:
             del self.pending_orders[order.id]
 
-        # print(f"[{current_bar.datetime}] 成交: {executed_trade.direction} {executed_trade.volume} {executed_trade.symbol} @ {executed_trade.price:.2f}, 佣金: {executed_trade.commission:.2f}, PnL: {executed_trade.realized_pnl:.2f}")
-
         return executed_trade
 
     def cancel_order(self, order_id: str) -> bool:
@@ -245,7 +332,7 @@ class ExecutionSimulator:
             quantity = self.positions[symbol_in_position]
             # 持仓市值 = 数量 * 当前市场价格 (current_bar.close)
             # 无论多头(quantity > 0)还是空头(quantity < 0)，这个计算都是正确的
-            total_value += quantity * current_bar.close
+            total_value += quantity * current_bar.open
 
             # 您也可以选择在这里打印调试信息
             # print(f"  DEBUG Portfolio Value Calculation: Cash={self.cash:.2f}, "
@@ -287,3 +374,14 @@ class ExecutionSimulator:
         """
         print("ExecutionSimulator: 清空交易历史。")
         self.trade_history = []
+
+    def get_average_position_price(self, symbol: str) -> Optional[float]:
+        """
+        获取指定合约的平均持仓成本。
+        如果无持仓或无该合约记录，返回 None。
+        """
+        # 返回 average_costs 字典中对应 symbol 的值
+        # 如果没有持仓或者没有记录，返回 None
+        if symbol in self.positions and self.positions[symbol] != 0:
+            return self.average_costs.get(symbol)
+        return None

src/strategies/SimpleLimitBuyStrategy.py

@@ -0,0 +1,183 @@
+# src/strategies/simple_limit_buy_strategy.py
+
+from .base_strategy import Strategy
+from ..core_data import Bar, Order
+from typing import Optional, Dict, Any
+from collections import deque
+
+class SimpleLimitBuyStrategy(Strategy):
+    """
+    一个基于当前K线Open、前1根和前7根K线Range计算优势价格进行限价买入的策略。
+    具备以下特点：
+    - 每根K线开始时取消上一根K线未成交的订单。
+    - 最多只能有一个开仓挂单和一个持仓。
+    - 包含简单的止损和止盈逻辑。
+    """
+    def __init__(self, simulator: Any, symbol: str, enable_log: bool, trade_volume: int,
+                 open_range_factor_1_ago: float,
+                 open_range_factor_7_ago: float,
+                 max_position: int,
+                 stop_loss_points: float = 10,  # 新增：止损点数
+                 take_profit_points: float = 10): # 新增：止盈点数
+        """
+        初始化策略。
+        Args:
+            simulator: 模拟器实例。
+            symbol (str): 交易合约代码。
+            trade_volume (int): 单笔交易量。
+            open_range_factor_1_ago (float): 前1根K线Range的权重因子，用于从Open价向下偏移。
+            open_range_factor_7_ago (float): 前7根K线Range的权重因子，用于从Open价向下偏移。
+            max_position (int): 最大持仓量（此处为1，因为只允许一个持仓）。
+            stop_loss_points (float): 止损点数（例如，亏损达到此点数则止损）。
+            take_profit_points (float): 止盈点数（例如，盈利达到此点数则止盈）。
+        """
+        super().__init__(simulator, symbol, enable_log)
+        self.trade_volume = trade_volume
+        self.open_range_factor_1_ago = open_range_factor_1_ago
+        self.open_range_factor_7_ago = open_range_factor_7_ago
+        self.max_position = max_position # 理论上这里应为1
+        self.stop_loss_points = stop_loss_points
+        self.take_profit_points = take_profit_points
+
+        self.order_id_counter = 0
+
+        self._bar_history: deque[Bar] = deque(maxlen=7)
+        self._last_order_id: Optional[str] = None # 用于跟踪上一根K线发出的订单ID
+
+        self.log(f"策略初始化: symbol={self.symbol}, trade_volume={self.trade_volume}, "
+              f"open_range_factor_1_ago={self.open_range_factor_1_ago}, "
+              f"open_range_factor_7_ago={self.open_range_factor_7_ago}, "
+              f"max_position={self.max_position}, "
+              f"止损点={self.stop_loss_points}, 止盈点={self.take_profit_points}")
+
+    def on_bar(self, bar: Bar, next_bar_open: Optional[float] = None):
+        """
+        每当新的K线数据到来时调用。
+        Args:
+            bar (Bar): 当前的K线数据对象。
+            next_bar_open (Optional[float]): 下一根K线的开盘价，此处策略未使用。
+        """
+        current_datetime = bar.datetime # 获取当前K线时间
+
+        # --- 1. 撤销上一根K线未成交的订单 ---
+        # 检查是否记录了上一笔订单ID，并且该订单仍然在待处理列表中
+        if self._last_order_id:
+            pending_orders = self.get_pending_orders()
+            if self._last_order_id in pending_orders:
+                success = self.cancel_order(self._last_order_id) # 直接调用基类的取消方法
+                if success:
+                    self.log(f"[{current_datetime}] 策略: 成功撤销上一根K线未成交订单 {self._last_order_id}")
+                else:
+                    self.log(f"[{current_datetime}] 策略: 尝试撤销订单 {self._last_order_id} 失败（可能已成交或不存在）")
+            # 无论撤销成功与否，既然我们尝试了撤销，就清除记录
+            self._last_order_id = None
+        # else:
+            # self.log(f"[{current_datetime}] 策略: 无上一根K线未成交订单需要撤销。")
+
+
+        # 2. 更新K线历史
+        self._bar_history.append(bar)
+        trade_volume = self.trade_volume
+
+        # 获取当前持仓和未决订单（在取消之后获取，确保是最新的状态）
+        current_positions = self.get_current_positions()
+        current_pos_volume = current_positions.get(self.symbol, 0)
+        pending_orders_after_cancel = self.get_pending_orders() # 再次获取，此时应已取消旧订单
+
+        # --- 3. 平仓逻辑 (止损/止盈) ---
+        # 只有当有持仓时才考虑平仓
+        if current_pos_volume > 0: # 假设只做多，所以持仓量 > 0
+
+            avg_entry_price = self.get_average_position_price(self.symbol)
+            if avg_entry_price is not None:
+                pnl_per_unit = bar.close - avg_entry_price # 当前浮动盈亏（以收盘价计算）
+
+                # 止盈条件
+                if pnl_per_unit >= self.take_profit_points:
+                    self.log(f"[{current_datetime}] 止盈信号 - PnL per unit: {pnl_per_unit:.2f}, 目标: {self.take_profit_points:.2f}")
+
+                    order_id = f"{self.symbol}_BUY_{bar.datetime.strftime('%Y%m%d%H%M%S')}_{self.order_id_counter}"
+                    self.order_id_counter += 1
+
+                    # 创建一个限价多单
+                    order = Order(
+                        id=order_id,
+                        symbol=self.symbol,
+                        direction="CLOSE_LONG",
+                        volume=trade_volume,
+                        price_type="MARKET",
+                        # limit_price=limit_price,
+                        submitted_time=bar.datetime
+                    )
+                    trade = self.send_order(order)
+                    return # 平仓后本K线不再进行开仓判断
+
+                # 止损条件
+                elif pnl_per_unit <= -self.stop_loss_points:
+                    self.log(f"[{current_datetime}] 止损信号 - PnL per unit: {pnl_per_unit:.2f}, 目标: {-self.stop_loss_points:.2f}")
+                    # 发送市价卖出订单平仓，确保立即成交
+                    order_id = f"{self.symbol}_BUY_{bar.datetime.strftime('%Y%m%d%H%M%S')}_{self.order_id_counter}"
+                    self.order_id_counter += 1
+
+                    # 创建一个限价多单
+                    order = Order(
+                        id=order_id,
+                        symbol=self.symbol,
+                        direction="CLOSE_LONG",
+                        volume=trade_volume,
+                        price_type="MARKET",
+                        # limit_price=limit_price,
+                        submitted_time=bar.datetime
+                    )
+                    trade = self.send_order(order)
+                    return # 平仓后本K线不再进行开仓判断
+
+        # --- 4. 开仓逻辑 (只考虑做多 BUY 方向) ---
+        # 只有在没有持仓 (current_pos_volume == 0) 且没有待处理订单 (not pending_orders_after_cancel)
+        # 且K线历史足够长时才考虑开仓
+        if current_pos_volume == 0 and \
+           len(self._bar_history) == self._bar_history.maxlen:
+
+            # 获取前1根K线 (倒数第二根) 和前7根K线 (队列中最老的一根)
+            bar_1_ago = self._bar_history[-2]
+            bar_7_ago = self._bar_history[0]
+
+            # 计算历史 K 线的 Range
+            range_1_ago = bar_1_ago.high - bar_1_ago.low
+            range_7_ago = bar_7_ago.high - bar_7_ago.low
+
+            # 根据策略逻辑计算目标买入价格
+            # 目标买入价 = 当前K线Open - (前1根Range * 因子1 + 前7根Range * 因子2)
+            self.log(bar.open ,range_1_ago * self.open_range_factor_1_ago, range_7_ago * self.open_range_factor_7_ago)
+            target_buy_price = bar.open - (range_1_ago * self.open_range_factor_1_ago + range_7_ago * self.open_range_factor_7_ago)
+
+            # 确保目标买入价格有效，例如不能是负数
+            target_buy_price = max(0.01, target_buy_price)
+
+            self.log(f"[{current_datetime}] 开多仓信号 - 当前Open={bar.open:.2f}, "
+                  f"前1Range={range_1_ago:.2f}, 前7Range={range_7_ago:.2f}, "
+                  f"计算目标买入价={target_buy_price:.2f}")
+
+            order_id = f"{self.symbol}_BUY_{bar.datetime.strftime('%Y%m%d%H%M%S')}_{self.order_id_counter}"
+            self.order_id_counter += 1
+
+            # 创建一个限价多单
+            order = Order(
+                id=order_id,
+                symbol=self.symbol,
+                direction="BUY",
+                volume=trade_volume,
+                price_type="LIMIT",
+                limit_price=target_buy_price,
+                submitted_time=bar.datetime
+            )
+            new_order = self.send_order(order)
+            # 记录下这个订单的ID，以便在下一根K线开始时进行撤销
+            if new_order:
+                self._last_order_id = new_order.order_id
+                self.log(f"[{current_datetime}] 策略: 发送限价买入订单 {self._last_order_id} @ {target_buy_price:.2f}")
+            else:
+                self.log(f"[{current_datetime}] 策略: 发送订单失败。")
+
+        # else:
+            # self.log(f"[{current_datetime}] 不满足开仓条件：持仓={current_pos_volume}, 待处理订单={len(pending_orders_after_cancel)}, K线历史长度={len(self._bar_history)}")

src/strategies/base_strategy.py

@@ -1,42 +1,31 @@
 # src/strategies/base_strategy.py
 
 from abc import ABC, abstractmethod
-from typing import Dict, Any, Optional
+from datetime import datetime
+from typing import Dict, Any, Optional, List, TYPE_CHECKING
+
+# 使用 TYPE_CHECKING 避免循环导入，但保留类型提示
+from ..backtest_context import BacktestContext  # 转发引用 BacktestEngine
+from ..core_data import Bar, Order, Trade  # 导入必要的类型
 
-# 导入核心数据类
-from ..core_data import Bar, Order, Trade
-# 导入回测上下文 (注意相对导入路径的变化)
-from ..backtest_context import BacktestContext
 
 class Strategy(ABC):
     """
-    策略抽象基类。所有具体策略都应继承此类，并实现 on_bar 方法。
+    所有交易策略的抽象基类。
+    策略通过 context 对象与回测引擎和模拟器进行交互，并提供辅助方法。
     """
-    def __init__(self, context: BacktestContext, **parameters: Any):
-        """
-        初始化策略。
 
+    def __init__(self, context: 'BacktestContext', symbol: str, enable_log: bool = True, **params: Any):
+        """
         Args:
-            context (BacktestContext): 回测上下文对象，用于与模拟器和数据管理器交互。
-            **parameters (Any): 策略所需的任何自定义参数。
+            context (BacktestEngine): 回测引擎实例，作为策略的上下文，提供与模拟器等的交互接口。
+            symbol (str): 策略操作的合约Symbol。
+            **params (Any): 其他策略特定参数。
         """
-        self.context = context
-        self.parameters = parameters
-        self.symbol = parameters.get('symbol', "DEFAULT_SYMBOL") # 策略操作的品种
-        self.trade_volume = parameters.get('trade_volume', 100) # 每次下单的数量
-        print(f"策略初始化: {self.__class__.__name__}，参数: {self.parameters}")
-
-    @abstractmethod
-    def on_bar(self, bar: Bar):
-        """
-        每当接收到新的Bar数据时调用。
-        具体策略逻辑在此方法中实现。
-
-        Args:
-            bar (Bar): 当前的Bar数据对象。
-            features (Dict[str, float]): 由数据处理模块计算并传入的特征字典。
-        """
-        pass
+        self.context = context  # 存储 context 对象
+        self.symbol = symbol  # 策略操作的合约Symbol
+        self.params = params
+        self.enable_log = enable_log
 
     def on_init(self):
         """
@@ -45,7 +34,7 @@ class Strategy(ABC):
         """
         print(f"{self.__class__.__name__} 策略初始化回调被调用。")
 
-    def on_trade(self, trade: Trade):
+    def on_trade(self, trade: 'Trade'):
         """
         当模拟器成功执行一笔交易时调用。
         可用于更新策略内部持仓状态或记录交易。
@@ -54,15 +43,94 @@ class Strategy(ABC):
             trade (Trade): 已完成的交易记录。
         """
         # print(f"策略接收到交易: {trade.direction} {trade.volume} {trade.symbol} @ {trade.price:.2f}")
-        pass # 默认不执行任何操作，具体策略可覆盖
+        pass  # 默认不执行任何操作，具体策略可覆盖
 
-    def on_order_status(self, order: Order, status: str):
+    @abstractmethod
+    def on_bar(self, bar: 'Bar'):
         """
-        当订单状态更新时调用 (例如，未成交，已提交等)。
-        在简易回测中，可能不会频繁使用。
-
+        每当新的K线数据到来时调用此方法。
         Args:
-            order (Order): 相关订单对象。
-            status (str): 订单状态（例如 "FILLED", "PENDING", "CANCELLED"）。
+            bar (Bar): 当前的K线数据对象。
+            next_bar_open (Optional[float]): 下一根K线的开盘价，如果存在的话。
         """
-        pass # 默认不执行任何操作
+        pass
+
+    # --- 新增/修改的辅助方法 ---
+
+    def send_order(self, order: 'Order') -> Optional[Trade]:
+        """
+        发送订单的辅助方法。
+        会在 BaseStrategy 内部构建 Order 对象，并通过 context 转发给模拟器。
+        """
+        return self.context.send_order(order)
+
+    def cancel_order(self, order_id: str) -> bool:
+        """
+        取消指定ID的订单。
+        通过 context 调用模拟器的 cancel_order 方法。
+        """
+
+        return self.context.cancel_order(order_id)
+
+    def cancel_all_pending_orders(self) -> int:
+        """
+        取消所有当前策略的未决订单。
+        返回成功取消的订单数量。
+        """
+        pending_orders = self.get_pending_orders()  # 调用 BaseStrategy 自己的 get_pending_orders
+        cancelled_count = 0
+        orders_to_cancel = [order.id for order in pending_orders.values() if order.symbol == self.symbol]
+        for order_id in orders_to_cancel:
+            if self.cancel_order(order_id):  # 调用 BaseStrategy 自己的 cancel_order
+                cancelled_count += 1
+        return cancelled_count
+
+    def get_current_positions(self) -> Dict[str, int]:
+        """
+        获取当前持仓。
+        通过 context 调用模拟器的 get_positions 方法。
+        """
+        return self.context._simulator.get_current_positions()
+
+    def get_pending_orders(self) -> Dict[str, 'Order']:
+        """
+        获取当前所有待处理订单的副本。
+        通过 context 调用模拟器的 get_pending_orders 方法。
+        """
+        return self.context._simulator.get_pending_orders()
+
+    def get_average_position_price(self, symbol: str) -> Optional[float]:
+        """
+        获取指定合约的平均持仓成本。
+        通过 context 调用模拟器的 get_average_position_price 方法。
+        """
+        return self.context._simulator.get_average_position_price(symbol)
+
+    # 你可以根据需要在这里添加更多辅助方法，如获取账户净值等
+    def get_account_cash(self) -> float:
+        """获取当前账户现金余额。"""
+        return self.context._simulator.cash
+
+
+    def log(self, *args: Any, **kwargs: Any):
+        """
+        统一的日志打印方法。
+        如果 enable_log 为 True，则打印消息到控制台，并包含当前模拟时间。
+        支持传入多个参数，像 print() 函数一样使用。
+        """
+        if self.enable_log:
+            # 尝试获取当前模拟时间，如果模拟器或时间不可用，则跳过时间前缀
+            try:
+                current_time_str = self.context._simulator.get_current_time().strftime('%Y-%m-%d %H:%M:%S')
+                time_prefix = f"[{current_time_str}] "
+            except AttributeError:
+                # 如果获取不到时间（例如在策略初始化时，模拟器时间还未设置），则不加时间前缀
+                time_prefix = ""
+
+            # 使用 f-string 结合 *args 来构建消息
+            # print() 函数会将 *args 自动用空格分隔，这里我们模仿这个行为
+            message = ' '.join(map(str, args))
+
+            # 你可以将其他 kwargs (如 sep, end, file, flush) 传递给 print，
+            # 但通常日志方法不会频繁使用这些。这里只支持最基础的打印。
+            print(f"{time_prefix}策略 ({self.symbol}): {message}", **kwargs)

src/strategies/simple_limit_buy_strategy.py

@@ -19,9 +19,10 @@ class SimpleLimitBuyStrategy(Strategy):
 
     def __init__(self, context: Any, **parameters: Any):  # context 类型提示可以为 BacktestContext
         super().__init__(context, **parameters)
+        self.trade_volume = 1
         self.order_id_counter = 0
         self.limit_price_factor = parameters.get('limit_price_factor', 0.999)  # 限价因子
-        self.max_position = parameters.get('max_position', self.trade_volume * 2)  # 最大持仓量
+        self.max_position = parameters.get('max_position', self.trade_volume)  # 最大持仓量
 
         self._last_order_id: Optional[str] = None  # 跟踪上一根Bar发出的订单ID
         self._current_long_position: int = 0  # 策略内部维护的当前持仓
@@ -57,16 +58,14 @@ class SimpleLimitBuyStrategy(Strategy):
         每接收到一根Bar时，执行策略逻辑。
         """
         current_portfolio_value = self.context.get_current_portfolio_value(bar)
-        print(f"[{bar.datetime}] Strategy processing Bar. Current close price: {bar.close:.2f}. Current Portfolio Value: {current_portfolio_value:.2f}")
+        # print(f"[{bar.datetime}] Strategy processing Bar. Current close price: {bar.close:.2f}. Current Portfolio Value: {current_portfolio_value:.2f}")
 
         # 1. 撤销上一根K线未成交的订单
         if self._last_order_id:
             # 检查这个订单是否仍然在待处理订单列表中
-            pending_orders = self.context._simulator.get_pending_orders()  # 直接访问模拟器，或者通过context提供接口
+            pending_orders = self.get_pending_orders()  # 直接访问模拟器，或者通过context提供接口
             if self._last_order_id in pending_orders:
-                success = self.context.send_order(Order(id=self._last_order_id, symbol=self.symbol,
-                                                        direction="CANCEL", volume=0,
-                                                        price_type="CANCEL"))  # 使用一个特殊Order类型表示撤单
+                success = self.cancel_order(self._last_order_id)
                 # 这里发送的“撤单订单”会被simulator的send_order处理，并调用simulator.cancel_order
                 if success:  # simulator.send_order返回Trade或None，这里我们用一个特殊处理
                     # Simulator的send_order返回的是Trade，如果实现撤单，最好Simulator的cancel_order返回bool
@@ -109,10 +108,10 @@ class SimpleLimitBuyStrategy(Strategy):
             )
 
             # 通过上下文发送订单
-            trade = self.context.send_order(order)
+            trade = self.send_order(order)
             if trade:
                 print(
-                    f"[{bar.datetime}] 策略: 发送并立即成交限价买单 {trade.volume} 股 @ {trade.price:.2f} (订单ID: {order.id})")
+                    f"[{bar.datetime}] 策略: 发送并立即成交限价买单 {trade.volume} 股 @ {trade.price:.2f}(open:{bar.open}, close:{bar.close}) (订单ID: {order.id})")
                 # 如果立即成交，_last_order_id 仍然保持 None
             else:
                 # 如果未立即成交，将订单ID记录下来，以便下一根Bar撤销