实现简单单品种回测

.gitignore

@@ -0,0 +1,4 @@
+.idea/
+.vscode/
+data/data/
+**/__pycache__/

data/tqsdk/tq_copy_data.py

@@ -0,0 +1,202 @@
+import traceback
+
+import numpy as np
+import pandas as pd
+from tqsdk import TqApi, TqAuth, TqBacktest, TqSim  # 确保导入所有需要的回测/模拟类
+import os
+import datetime
+from datetime import date  # 导入 datetime.date
+
+# --- 配置您的天勤账号信息 ---
+# 请替换为您的实盘账号或模拟账号信息
+# 如果您没有天勤账号，可以注册并获取测试Token：https://www.shinnytech.com/tqsdk/doc/quickstart/
+TQ_USER_NAME = "emanresu"  # 例如: "123456"
+TQ_PASSWORD = "dfgvfgdfgg"  # 例如: "your_password"
+
+BEIJING_TZ = 'Asia/Shanghai'
+
+
+def collect_and_save_tqsdk_data_stream(
+        symbol: str,
+        freq: str,
+        start_date_str: str,
+        end_date_str: str,
+        mode: str = "backtest",  # 默认为回测模式，因为获取历史数据通常用于回测
+        output_dir: str = "../data",
+        tq_user: str = TQ_USER_NAME,
+        tq_pwd: str = TQ_PASSWORD
+) -> pd.DataFrame or None:
+    """
+    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。
+
+    Args:
+        symbol (str): 交易品种代码，例如 "SHFE.rb2405", "KQ.i9999"。
+        freq (str): 数据频率，例如 "1min", "5min", "day"。注意：tick数据量过大不推荐此方法直接收集。
+        start_date_str (str): 数据流开始日期，格式 'YYYY-MM-DD'。
+        end_date_str (str): 数据流结束日期，格式 'YYYY-MM-DD'。
+        mode (str): 运行模式，可选 "sim" (模拟/实盘) 或 "backtest" (回测)。默认为 "backtest"。
+        output_dir (str): 数据保存的根目录，默认为 "./data"。
+        tq_user (str): 天勤量化账号。
+        tq_pwd (str): 天勤量化密码。
+
+    Returns:
+        pd.DataFrame or None: 收集到的K线数据DataFrame，如果获取失败则返回 None。
+                              请注意，对于非常大的数据量，直接返回DataFrame可能消耗大量内存。
+    """
+    if not tq_user or not tq_pwd:
+        print("错误: 请在代码中配置您的天勤量化账号和密码。")
+        return None
+
+    api = None
+    collected_data = []  # 用于收集每一根完整K线的数据
+
+    try:
+        start_dt_data_obj = datetime.datetime.strptime(start_date_str, '%Y-%m-%d')
+        end_dt_data_obj = datetime.datetime.strptime(end_date_str, '%Y-%m-%d')
+
+        if mode == "backtest":
+            backtest_start_date = start_dt_data_obj.date()
+            backtest_end_date = end_dt_data_obj.date()
+            print(f"初始化天勤回测API，回测日期范围：{backtest_start_date} 至 {backtest_end_date}")
+            api = TqApi(
+                backtest=TqBacktest(start_dt=backtest_start_date, end_dt=backtest_end_date),
+                auth=TqAuth(tq_user, tq_pwd)
+            )
+        elif mode == "sim":
+            print("初始化天勤模拟/实盘API")
+            api = TqApi(account=TqSim(), auth=TqAuth(tq_user, tq_pwd))
+            # 如果您有实盘账户，可以使用:
+            # api = TqApi(account=TqAccount(tq_user, tq_pwd), auth=TqAuth(tq_user, tq_pwd))
+        else:
+            print(f"错误: 不支持的模式 '{mode}'。请使用 'sim' 或 'backtest'。")
+            return None
+
+            # K线数据获取的duration_seconds
+        duration_seconds = 0
+        if "min" in freq:
+            duration_seconds = int(freq.replace("min", "")) * 60
+        elif freq == "day":
+            duration_seconds = 24 * 60 * 60
+        elif freq == "week":
+            duration_seconds = 7 * 24 * 60 * 60
+        elif freq == "month":
+            duration_seconds = 30 * 24 * 60 * 60  # 大约一个月
+        else:
+            print(f"错误: 不支持的数据频率 '{freq}'。目前支持 '1min', '5min', 'day', 'week', 'month'。")
+            print("注意：Tick数据量巨大，不建议用此方法直接收集，因为它会耗尽内存。")
+            return None
+
+        # 获取K线序列，这里获取的是指定频率的K线，天勤会根据模式从历史或实时流中推送
+        klines = api.get_kline_serial(symbol, duration_seconds)
+
+        print(f"开始在 '{mode}' 模式下收集 {symbol} 从 {start_date_str} 到 {end_date_str} 的 {freq} 数据...")
+
+        last_kline_datetime = None  # 用于跟踪上一根已完成K线的时间
+
+        while api.wait_update():
+
+            # 检查是否有新的完整K线生成，或者当前K线是最后一次更新 (在回测结束时)
+            # TqSdk会在K线完成时发送最后一次更新，或者在回测结束时强制更新
+            if api.is_changing(klines):
+                # 只有当K线序列发生变化时才处理
+                # 关注最新一根 K 线（即 klines.iloc[-1]）
+                current_kline = klines.iloc[-2]
+
+                # TqSdk 会在K线结束后，或者回测结束时，确保K线为最终状态。
+                # 判断当前K线是否已经结束 (is_last=True) 并且与上一次保存的K线不同
+                # 或者，在回测模式下，回测结束时，最后一根K线也会被视为“完成”
+                # 判断条件：K线时间戳不是 None 且 大于上一次记录的 K线时间
+                if not pd.isna(current_kline['datetime']) and (last_kline_datetime is None or (
+                        last_kline_datetime is not None and current_kline['datetime'] > last_kline_datetime)):
+                    # 将datetime (微秒) 转换为可读格式
+
+                    # 检查K线的时间戳是否在我们要获取的日期范围内
+                    # 注意：get_kline_serial 会获取指定范围前后的一小段数据，我们需要过滤
+
+                    kline_dt = pd.to_datetime(current_kline['datetime'], unit='ns', utc=True)
+                    kline_dt = kline_dt.tz_convert(BEIJING_TZ).strftime('%Y-%m-%d %H:%M:%S')
+                    kline_data_to_save = {
+                        'datetime': kline_dt,
+                        'open': current_kline['open'],
+                        'high': current_kline['high'],
+                        'low': current_kline['low'],
+                        'close': current_kline['close'],
+                        'volume': current_kline['volume'],
+                        'open_oi': current_kline['open_oi'],
+                        'close_oi': current_kline['close_oi']
+                    }
+
+                    collected_data.append(kline_data_to_save)
+                    last_kline_datetime = current_kline['datetime']
+                    # print(f"收集到 K线: {kline_dt}, close: {current_kline['close']}") # 用于调试
+
+            # 在回测模式下，当回测结束时，api.wait_update() 会抛出异常，此时我们可以退出循环
+            if api.is_changing(api.get_account()) or api.is_changing(api.get_position()):
+                break
+
+    except Exception as e:
+        # TqBacktest 在数据结束时会抛出 "api已关闭" 或类似的异常，这是正常现象。
+        # 我们在这里捕获并判断是否是正常结束。
+        if "api已关闭" in str(e) or "数据已全部输出" in str(e):
+            print("数据流已结束 (TqSdk API 关闭或数据全部输出)。")
+        else:
+            print(f"数据收集过程中发生错误: {e}")
+            traceback.print_exc()
+            # 无论如何，都尝试处理剩余数据并保存
+    finally:
+        if collected_data:
+            df = pd.DataFrame(collected_data).set_index('datetime')
+            df = df.sort_index()  # 确保数据按时间排序
+
+            # 构造保存路径
+            freq_folder = freq.replace("min", "m") if "min" in freq else freq
+            if freq == "day": freq_folder = "daily"
+            if freq == "week": freq_folder = "weekly"
+            if freq == "month": freq_folder = "monthly"
+
+            safe_symbol = symbol.replace('.', '_')
+
+            save_folder = os.path.join(output_dir, safe_symbol)
+            os.makedirs(save_folder, exist_ok=True)
+
+            file_name = f"{safe_symbol}_{freq_folder}_{start_date_str.replace('-', '')}_{end_date_str.replace('-', '')}_{freq}.csv"
+            file_path = os.path.join(save_folder, file_name)
+
+            df.to_csv(file_path, index=True)
+            print(f"数据已成功保存到: {file_path}, 共 {len(df)} 条记录。")
+
+            if api:
+                api.close()
+            return df
+        else:
+            print("没有收集到任何数据。")
+            if api:
+                api.close()
+            return None
+
+# --- 示例用法 ---
+if __name__ == "__main__":
+    import os
+
+    current_dir = os.getcwd()
+    print("当前工作目录:", current_dir)
+
+    # !!!重要：请先在这里替换成您的天勤账号和密码！！！
+    # 否则程序无法运行。
+    TQ_USER_NAME = "emanresu"  # 例如: "123456"
+    TQ_PASSWORD = "dfgvfgdfgg"  # 例如: "your_password"
+
+    # 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.rb2501",
+        freq="min1",
+        start_date_str="2024-09-01",
+        end_date_str="2024-12-01",
+        mode="backtest",  # 指定为回测模式
+        tq_user=TQ_USER_NAME,
+        tq_pwd=TQ_PASSWORD
+    )
+    if df_if_backtest_daily is not None:
+        print(df_if_backtest_daily.tail())

main.py

@@ -0,0 +1,77 @@
+# main.py
+
+from src.analysis.result_analyzer import ResultAnalyzer
+# 导入所有必要的模块
+from src.data_manager import DataManager
+from src.backtest_engine import BacktestEngine
+from src.strategies.simple_limit_buy_strategy import SimpleLimitBuyStrategy
+
+
+def main():
+    # --- 配置参数 ---
+    # 获取当前脚本所在目录，假设数据文件在项目根目录下的 data 文件夹内
+    data_file_path = '/mnt/d/PyProject/NewQuant/data/data/SHFE_rb2501/SHFE_rb2501_m60_20240901_20241201_min60.csv'
+
+    initial_capital = 100000.0
+    slippage_rate = 0.001  # 假设每笔交易0.1%的滑点
+    commission_rate = 0.0002  # 假设每笔交易0.02%的佣金
+
+    strategy_parameters = {
+        'symbol': "SHFE_rb2501",  # 根据您的数据文件中的品种名称调整
+        'trade_volume': 1,  # 每次交易1手/股
+        'limit_price_factor': 0.995,  # 限价单价格为开盘价的99.5%
+        'max_position': 10  # 最大持仓10手/股
+    }
+
+    # --- 1. 初始化数据管理器 ---
+    print("初始化数据管理器...")
+    data_manager = DataManager(file_path=data_file_path)
+    # 确保 DataManager 能够重置以进行多次回测
+    # data_manager.reset() # 首次运行不需要重置
+
+    # --- 2. 初始化回测引擎并运行 ---
+    print("\n初始化回测引擎...")
+    engine = BacktestEngine(
+        data_manager=data_manager,
+        strategy_class=SimpleLimitBuyStrategy,
+        strategy_params=strategy_parameters,
+        initial_capital=initial_capital,
+        slippage_rate=slippage_rate,
+        commission_rate=commission_rate
+    )
+
+    print("\n开始运行回测...")
+    engine.run_backtest()
+    print("\n回测运行完毕。")
+
+    # --- 3. 获取回测结果 ---
+    results = engine.get_backtest_results()
+    portfolio_snapshots = results["portfolio_snapshots"]
+    trade_history = results["trade_history"]
+    initial_capital_result = results["initial_capital"]
+
+    # --- 4. 结果分析与可视化 ---
+    if portfolio_snapshots:
+        analyzer = ResultAnalyzer(portfolio_snapshots, trade_history, initial_capital_result)
+
+        analyzer.generate_report()
+        analyzer.plot_performance()
+    else:
+        print("\n没有生成投资组合快照，无法进行结果分析。")
+
+    # --- 4. 结果分析与可视化 (待实现) ---
+    # if portfolio_snapshots:
+    #     analyzer = ResultAnalyzer(portfolio_snapshots, trade_history, initial_capital_result)
+    #     metrics = analyzer.calculate_all_metrics()
+    #     print("\n--- 绩效指标 ---")
+    #     for key, value in metrics.items():
+    #         print(f"  {key}: {value:.4f}")
+    #
+    #     print("\n--- 绘制绩效图表 ---")
+    #     analyzer.plot_performance()
+    # else:
+    #     print("\n没有生成投资组合快照，无法进行结果分析。")
+
+
+if __name__ == '__main__':
+    main()

src/analysis/analysis_utils.py

@@ -0,0 +1,239 @@
+# src/analysis/analysis_utils.py (修改 calculate_metrics 函数)
+import matplotlib
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+from typing import List, Dict, Any
+
+from ..core_data import PortfolioSnapshot, Trade, Bar
+
+
+def calculate_metrics(
+    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。
+
+    Args:
+        snapshots (List[PortfolioSnapshot]): 投资组合快照列表。
+        trades (List[Trade]): 交易历史记录列表。
+        initial_capital (float): 初始资金。
+
+    Returns:
+        Dict[str, Any]: 包含各种绩效指标的字典。
+    """
+    if not snapshots:
+        return {
+            "总收益率": 0.0,
+            "年化收益率": 0.0,
+            "最大回撤": 0.0,
+            "夏普比率": 0.0,
+            "卡玛比率": 0.0,
+            "胜率": 0.0,
+            "盈亏比": 0.0,
+            "总交易次数": len(trades),
+            "盈利交易次数": 0,
+            "亏损交易次数": 0,
+            "平均每次盈利": 0.0,
+            "平均每次亏损": 0.0,
+            "交易成本": 0.0,
+            "总实现盈亏": 0.0,
+        }
+
+    df_values = pd.DataFrame(
+        [{"datetime": s.datetime, "total_value": s.total_value} for s in snapshots]
+    ).set_index("datetime")
+
+    df_returns = df_values["total_value"].pct_change().fillna(0)
+
+    final_value = df_values["total_value"].iloc[-1]
+    total_return = (final_value / initial_capital) - 1
+
+    total_days = (df_values.index.max() - df_values.index.min()).days
+    if total_days > 0:
+        annualized_return = (1 + total_return) ** (252 / total_days) - 1
+    else:
+        annualized_return = 0.0
+
+    rolling_max = df_values["total_value"].cummax()
+    daily_drawdown = (rolling_max - df_values["total_value"]) / rolling_max
+    max_drawdown = daily_drawdown.max()
+
+    excess_daily_returns = df_returns
+    daily_volatility = excess_daily_returns.std()
+
+    if daily_volatility > 0:
+        sharpe_ratio = np.sqrt(252) * (excess_daily_returns.mean() / daily_volatility)
+    else:
+        sharpe_ratio = 0.0
+
+    if max_drawdown > 0:
+        calmar_ratio = annualized_return / max_drawdown
+    else:
+        calmar_ratio = float("inf")
+
+    total_commissions = sum(t.commission for t in trades)
+
+    # --- 重新计算交易相关指标 ---
+    realized_pnl_trades = [
+        t.realized_pnl for t in trades if t.is_close_trade
+    ]  # 只关注平仓交易的盈亏
+
+    winning_pnl = [pnl for pnl in realized_pnl_trades if pnl > 0]
+    losing_pnl = [pnl for pnl in realized_pnl_trades if pnl < 0]
+
+    winning_count = len(winning_pnl)
+    losing_count = len(losing_pnl)
+    total_closed_trades = winning_count + losing_count
+
+    total_profit_per_trade = sum(winning_pnl)
+    total_loss_per_trade = sum(losing_pnl)  # sum of negative values
+
+    avg_profit_per_trade = (
+        total_profit_per_trade / winning_count if winning_count > 0 else 0.0
+    )
+    avg_loss_per_trade = (
+        total_loss_per_trade / losing_count if losing_count > 0 else 0.0
+    )  # 这是负值
+
+    win_rate = winning_count / total_closed_trades if total_closed_trades > 0 else 0.0
+
+    # 盈亏比 = 平均盈利 / 平均亏损的绝对值
+    profit_loss_ratio = (
+        abs(avg_profit_per_trade / avg_loss_per_trade)
+        if avg_loss_per_trade != 0
+        else float("inf")
+    )
+
+    total_realized_pnl = sum(realized_pnl_trades)
+
+    return {
+        "初始资金": initial_capital,
+        "最终资金": final_value,
+        "总收益率": total_return,
+        "年化收益率": annualized_return,
+        "最大回撤": max_drawdown,
+        "夏普比率": sharpe_ratio,
+        "卡玛比率": calmar_ratio,
+        "总交易次数": len(trades),  # 所有的买卖交易
+        "交易成本": total_commissions,
+        "总实现盈亏": total_realized_pnl,  # 新增
+        "胜率": win_rate,
+        "盈亏比": profit_loss_ratio,
+        "盈利交易次数": winning_count,
+        "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
+    }
+
+
+def plot_equity_and_drawdown_chart(snapshots: List[PortfolioSnapshot], initial_capital: float,
+                                    title: str = "Portfolio Equity and Drawdown Curve") -> None:
+    """
+    Plots the portfolio equity curve and drawdown. X-axis points are equally spaced.
+
+    Args:
+        snapshots (List[PortfolioSnapshot]): List of portfolio snapshots.
+        initial_capital (float): Initial capital.
+        title (str): Title of the chart.
+    """
+    if not snapshots:
+        print("No portfolio snapshots available to plot equity and drawdown.")
+        return
+
+    df_equity = pd.DataFrame([
+        {'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()
+    drawdown = (rolling_max - equity_curve) / rolling_max
+
+    plt.style.use('seaborn-v0_8-darkgrid')
+    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True, gridspec_kw={'height_ratios': [3, 1]})
+
+    x_axis_indices = np.arange(len(df_equity))
+
+    # Equity Curve Plot
+    ax1.plot(x_axis_indices, equity_curve, label='Equity Curve', color='blue', linewidth=1.5)
+    ax1.set_ylabel('Equity', fontsize=12)
+    ax1.legend(loc='upper left')
+    ax1.grid(True)
+    ax1.set_title(title, fontsize=16)
+
+    # Drawdown Curve Plot
+    ax2.fill_between(x_axis_indices, 0, drawdown, color='red', alpha=0.3)
+    ax2.plot(x_axis_indices, drawdown, color='red', linewidth=1.0, linestyle='--', label='Drawdown')
+    ax2.set_ylabel('Drawdown Rate', fontsize=12)
+    ax2.set_xlabel('Data Point Index (Date Labels Below)', fontsize=12)
+    ax2.set_title('Portfolio Drawdown Curve', fontsize=14)
+    ax2.legend(loc='upper left')
+    ax2.grid(True)
+    ax2.set_ylim(0, max(drawdown.max() * 1.1, 0.05))
+
+    # Set X-axis ticks to show actual dates at intervals
+    num_ticks = 10
+    if len(df_equity) > 0:
+        tick_positions = np.linspace(0, len(df_equity) - 1, num_ticks, dtype=int)
+        tick_labels = [df_equity['datetime'].iloc[i].strftime('%Y-%m-%d %H:%M') for i in tick_positions]
+        ax1.set_xticks(tick_positions)
+        ax1.set_xticklabels(tick_labels, rotation=45, ha='right')
+
+    plt.tight_layout()
+    plt.show()
+
+
+def plot_close_price_chart(bars: List[Bar], title: str = "Close Price Chart") -> None:
+    """
+    Plots the underlying asset's close price. X-axis points are equally spaced.
+
+    Args:
+        bars (List[Bar]): List of all processed Bar data.
+        title (str): Title of the chart.
+    """
+    if not bars:
+        print("No bar data available to plot close price.")
+        return
+
+    df_prices = pd.DataFrame([
+        {'datetime': b.datetime, 'close_price': b.close}
+        for b in bars
+    ])
+
+    plt.style.use('seaborn-v0_8-darkgrid')
+    fig, ax = plt.subplots(1, 1, figsize=(14, 7)) # Single subplot
+
+    x_axis_indices = np.arange(len(df_prices))
+
+    ax.plot(x_axis_indices, df_prices['close_price'], label='Close Price', color='orange', linewidth=1.5)
+    ax.set_ylabel('Price', fontsize=12)
+    ax.set_xlabel('Data Point Index (Date Labels Below)', fontsize=12)
+    ax.set_title(title, fontsize=16)
+    ax.legend(loc='upper left')
+    ax.grid(True)
+
+    # Set X-axis ticks to show actual dates at intervals
+    num_ticks = 10
+    if len(df_prices) > 0:
+        tick_positions = np.linspace(0, len(df_prices) - 1, num_ticks, dtype=int)
+        tick_labels = [df_prices['datetime'].iloc[i].strftime('%Y-%m-%d %H:%M') for i in tick_positions]
+        ax.set_xticks(tick_positions)
+        ax.set_xticklabels(tick_labels, rotation=45, ha='right')
+
+    plt.tight_layout()
+    plt.show()
+
+
+# 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
+) -> float:
+    if direction == "LONG":
+        pnl = (exit_price - entry_price) * trade.volume
+    elif direction == "SHORT":
+        pnl = (entry_price - exit_price) * trade.volume
+    else:
+        pnl = 0.0
+    return pnl

src/analysis/result_analyzer.py

@@ -0,0 +1,88 @@
+# src/analysis/result_analyzer.py
+
+import pandas as pd
+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
+# 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
+
+
+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):
+        """
+        Args:
+            portfolio_snapshots (List[PortfolioSnapshot]): 回测引擎输出的投资组合快照列表。
+            trade_history (List[Trade]): 回测引擎输出的交易历史记录列表。
+            initial_capital (float): 初始资金。
+        """
+        self.portfolio_snapshots = portfolio_snapshots
+        self.trade_history = trade_history
+        self.initial_capital = initial_capital
+        self.bars = bars
+        self._metrics_cache: Optional[Dict[str, Any]] = None
+
+        print("\n--- 结果分析器初始化完成 ---")
+
+    def calculate_all_metrics(self) -> Dict[str, Any]:
+        """
+        计算所有关键绩效指标。
+        如果已计算过则返回缓存结果，否则调用纯函数计算。
+        """
+        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
+            )
+            print("绩效指标计算完成。")
+        return self._metrics_cache
+
+    def generate_report(self) -> None:
+        """
+        生成并打印详细的回测报告。
+        """
+        metrics = self.calculate_all_metrics()
+
+        print("\n--- 回测绩效报告 ---")
+        print(f"{'初始资金':<15}: {metrics['初始资金']:.2f}")
+        print(f"{'最终资金':<15}: {metrics['最终资金']:.2f}")
+        print(f"{'总收益率':<15}: {metrics['总收益率']:.2%}")
+        print(f"{'年化收益率':<15}: {metrics['年化收益率']:.2%}")
+        print(f"{'最大回撤':<15}: {metrics['最大回撤']:.2%}")
+        print(f"{'夏普比率':<15}: {metrics['夏普比率']:.2f}")
+        print(f"{'卡玛比率':<15}: {metrics['卡玛比率']:.2f}")
+        print(f"{'总交易次数':<15}: {metrics['总交易次数']}")
+        print(f"{'交易成本':<15}: {metrics['交易成本']:.2f}")
+
+        if self.trade_history:
+            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}")
+        else:
+            print("\n没有交易记录。")
+
+    def plot_performance(self) -> None:
+        """
+        绘制投资组合净值和回撤曲线。
+        """
+        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")
+    
+        # 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。")

src/backtest_context.py

@@ -0,0 +1,82 @@
+# src/backtest_context.py
+
+from typing import Dict, List, Optional
+import pandas as pd
+
+# 导入核心数据类
+from .core_data import Bar, Order, Trade
+
+# 导入 DataManager 的相关类 (虽然这里不是类，但 BacktestEngine 会传入)
+# 为了避免循环导入，这里假设 BacktestEngine 会传入 DataManager 实例
+# 或者，如果 DataManager 是一个函数集合，那么 BacktestContext 需要直接访问这些函数
+# 在这里，我们假设 DataManager 是一个 OOP 类，或者有一个接口让 Context 可以获取历史Bar
+from .data_manager import DataManager # 假设 DataManager 是一个类
+
+# 导入 ExecutionSimulator
+from .execution_simulator import ExecutionSimulator
+
+class BacktestContext:
+    """
+    回测上下文：作为策略与回测引擎和模拟器之间的桥梁。
+    策略通过Context获取市场数据和发出交易指令。
+    """
+    def __init__(self, data_manager: DataManager, simulator: ExecutionSimulator):
+        self._data_manager = data_manager # 引用DataManager实例
+        self._simulator = simulator       # 引用ExecutionSimulator实例
+        self._current_bar: Optional[Bar] = None # 当前Bar，由引擎设置
+
+    def set_current_bar(self, bar: Bar):
+        """由回测引擎调用，更新当前Bar。"""
+        self._current_bar = bar
+
+    def get_current_bar(self) -> Bar:
+        """获取当前正在处理的Bar对象。"""
+        if self._current_bar is None:
+            raise RuntimeError("当前Bar未设置。请确保在策略on_bar调用前已设置。")
+        return self._current_bar
+
+    def get_history_bars(self, num_bars: int) -> List[Bar]:
+        """
+        获取当前Bar之前的历史Bar列表。
+        通过DataManager获取，确保不包含未来函数。
+        """
+        # DataManager需要提供一个方法来获取不包含当前bar的历史数据
+        # 这里假设DataManager已经实现了这个功能，通过内部索引管理
+        # 注意：这里的实现需要和 DataManager 内部逻辑匹配，确保严格的未来函数防范
+        if self._current_bar is None:
+             raise RuntimeError("当前Bar未设置，无法获取历史Bar。")
+        return self._data_manager.get_history_bars(self._current_bar.datetime, num_bars)
+
+    def send_order(self, order: Order) -> Optional[Trade]:
+        """
+        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。")
+        # 将订单转发给模拟器执行
+        trade = self._simulator.send_order(order, self._current_bar)
+        # 可以在这里触发策略的on_trade回调（如果策略定义了）
+        return trade
+
+    def get_current_positions(self) -> Dict[str, int]:
+        """
+        获取当前模拟器的持仓情况。
+        """
+        return self._simulator.get_current_positions()
+
+    def get_current_cash(self) -> float:
+        """
+        获取当前模拟器的可用资金。
+        """
+        return self._simulator.cash
+    
+    def get_current_portfolio_value(self, current_bar: Bar) -> float:
+        """
+        获取当前的投资组合总价值（包括现金和持仓市值）。
+        Args:
+            current_bar (Bar): 当前的Bar数据，用于计算持仓市值。
+        Returns:
+            float: 当前的投资组合总价值。
+        """
+        # 调用底层模拟器的方法来获取投资组合价值
+        return self._simulator.get_portfolio_value(current_bar)

src/backtest_engine.py

@@ -0,0 +1,138 @@
+# src/backtest_engine.py
+
+from typing import Type, Dict, Any, List
+import pandas as pd
+
+# 导入所有需要协调的模块
+from .core_data import Bar, Order, Trade, PortfolioSnapshot
+from .data_manager import DataManager
+from .execution_simulator import ExecutionSimulator
+from .backtest_context import BacktestContext
+from .strategies.base_strategy import Strategy  # 导入策略基类
+
+
+class BacktestEngine:
+    """
+    回测引擎：协调数据流、策略执行、订单模拟和结果记录。
+    """
+
+    def __init__(self,
+                 data_manager: DataManager,
+                 strategy_class: Type[Strategy],
+                 strategy_params: Dict[str, Any],
+                 initial_capital: float = 100000.0,
+                 slippage_rate: float = 0.0001,
+                 commission_rate: float = 0.0002):
+        """
+        初始化回测引擎。
+
+        Args:
+            data_manager (DataManager): 已经初始化好的数据管理器实例。
+            strategy_class (Type[Strategy]): 策略类（而不是实例），引擎会负责实例化。
+            strategy_params (Dict[str, Any]): 传递给策略的参数字典。
+            initial_capital (float): 初始交易资金。
+            slippage_rate (float): 交易滑点率。
+            commission_rate (float): 交易佣金率。
+        """
+        self.data_manager = data_manager
+        self.simulator = ExecutionSimulator(
+            initial_capital=initial_capital,
+            slippage_rate=slippage_rate,
+            commission_rate=commission_rate
+        )
+        self.context = BacktestContext(self.data_manager, self.simulator)
+
+        # 实例化策略
+        self.strategy = strategy_class(self.context, **strategy_params)
+
+        self.portfolio_snapshots: List[PortfolioSnapshot] = []  # 存储每天的投资组合快照
+        self.trade_history: List[Trade] = []  # 存储所有成交记录
+        self.all_bars: List[Bar] = []
+
+        # 历史Bar缓存，用于特征计算
+        self._history_bars: List[Bar] = []
+        self._max_history_bars: int = 200  # 例如，只保留最近200根Bar的历史数据，可根据策略需求调整
+
+        print("\n--- 回测引擎初始化完成 ---")
+        print(f"  策略: {strategy_class.__name__}")
+        print(f"  初始资金: {initial_capital:.2f}")
+
+    def run_backtest(self):
+        """
+        运行整个回测流程。
+        """
+        print("\n--- 回测开始 ---")
+
+        # 调用策略的初始化方法
+        self.strategy.on_init()
+
+        # 主回测循环
+        while True:
+            current_bar = self.data_manager.get_next_bar()
+            if current_bar is None:
+                break  # 没有更多数据，回测结束
+
+            # 设置当前Bar到Context，供策略访问
+            self.context.set_current_bar(current_bar)
+
+            # 更新历史Bar缓存
+            self._history_bars.append(current_bar)
+            if len(self._history_bars) > self._max_history_bars:
+                self._history_bars.pop(0)  # 移除最旧的Bar
+
+            # 1. 计算特征 (使用纯函数)
+            # 注意: extract_bar_features 接收的是完整的历史数据，不包含当前Bar
+            # 但为了简单起见，这里传入的是包含当前bar在内的历史数据，但内部函数应确保不使用“未来”数据
+            # 严格来说，应该传入 self._history_bars[:-1]
+            # features = extract_bar_features(current_bar, self._history_bars[:-1])  # 传入当前Bar之前的所有历史Bar
+
+            # 2. 调用策略的 on_bar 方法
+            self.strategy.on_bar(current_bar)
+
+            # 3. 记录投资组合快照
+            current_portfolio_value = self.simulator.get_portfolio_value(current_bar)
+            current_positions = self.simulator.get_current_positions()
+
+            # 创建 PortfolioSnapshot，记录当前Bar的收盘价
+            price_at_snapshot = {
+                current_bar.symbol if hasattr(current_bar, 'symbol') else "DEFAULT_SYMBOL": current_bar.close}
+
+            snapshot = PortfolioSnapshot(
+                datetime=current_bar.datetime,
+                total_value=current_portfolio_value,
+                cash=self.simulator.cash,
+                positions=current_positions,
+                price_at_snapshot=price_at_snapshot
+            )
+            self.portfolio_snapshots.append(snapshot)
+            self.all_bars.append(current_bar)
+
+            # 记录交易历史（从模拟器获取）
+            # 简化处理：每次获取模拟器中的所有交易历史，并更新引擎的trade_history
+            # 更好的做法是模拟器提供一个方法，返回自上次查询以来的新增交易
+            # 这里为了不重复添加，可以在 trade_log 中只添加当前 Bar 生成的交易
+
+            # 在 on_bar 循环的末尾，获取本Bar周期内新产生的交易
+            # 模拟器在每次send_order成功时会将trade添加到其trade_log
+            # 这里可以做一个增量获取，或者简单地在循环结束后统一获取
+            # 目前我们在执行模拟器中已经将成交记录在了 trade_log 中，所以这里不用重复记录，
+            # 而是等到回测结束后再统一获取。
+            pass  # 不在此处记录 self.trade_history
+
+        # 回测结束后，获取所有交易记录
+        self.trade_history = self.simulator.get_trade_history()
+
+        print("--- 回测结束 ---")
+        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。")
+
+    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。
+        """
+        return {
+            "portfolio_snapshots": self.portfolio_snapshots,
+            "trade_history": self.trade_history,
+            "initial_capital": self.simulator.initial_capital,  # 或 self.initial_capital
+            "all_bars": self.all_bars
+        }

src/core_data.py

@@ -0,0 +1,98 @@
+# src/core_data.py
+
+from dataclasses import dataclass, field
+import pandas as pd
+from typing import Dict, Any, List, Optional
+import uuid  # 用于生成唯一订单ID
+
+
+@dataclass(frozen=True)  # frozen=True 使实例变为不可变
+class Bar:
+    """
+    K线数据对象，包含期货或股票的 OHLCV 和持仓量信息。
+    """
+    datetime: pd.Timestamp
+    open: float
+    high: float
+    low: float
+    close: float
+    volume: int
+    open_oi: int  # 开盘持仓量 (Open Interest)
+    close_oi: int  # 收盘持仓量
+    symbol: str
+
+    def __post_init__(self):
+        """
+        数据验证（可选）：确保持仓量为非负整数。
+        """
+        if not isinstance(self.volume, int) or self.volume < 0:
+            raise ValueError(f"Volume must be a non-negative integer, got {self.volume}")
+        if not isinstance(self.open_oi, int) or self.open_oi < 0:
+            raise ValueError(f"Open interest must be a non-negative integer, got {self.open_oi}")
+        if not isinstance(self.close_oi, int) or self.close_oi < 0:
+            raise ValueError(f"Close interest must be a non-negative integer, got {self.close_oi}")
+
+        # 验证价格是否合理
+        if not (self.high >= self.open and self.high >= self.close and \
+                self.low <= self.open and self.low <= self.close and \
+                self.high >= self.low):
+            # 仅作警告，如果数据源可靠，可能不需要严格检查
+            # print(f"Warning: Abnormal OHLC for bar at {self.datetime}")
+            pass
+
+
+@dataclass(frozen=True)
+class Order:
+    """
+    代表一个待执行的交易指令。
+    """
+    symbol: str  # 暂时简化为单品种交易，可扩展
+    direction: str  # "BUY", "SELL", "CLOSE_LONG", "CLOSE_SHORT"
+    volume: int  # 交易数量
+    id: str = field(default_factory=lambda: str(uuid.uuid4()))  # 唯一订单ID
+    price_type: str = "MARKET"  # "MARKET", "LIMIT" (简易版默认市价)
+    limit_price: Optional[float] = None  # 限价单价格
+    submitted_time: pd.Timestamp = field(default_factory=pd.Timestamp.now)  # 订单提交时间
+
+    def __post_init__(self):
+        if self.direction not in ["BUY", "SELL", "CLOSE_LONG", "CLOSE_SHORT", "CANCEL"]:
+            raise ValueError(f"Invalid order direction: {self.direction}")
+        if self.price_type not in ["MARKET", "LIMIT", "CANCEL"]:
+            raise ValueError(f"Invalid price type: {self.price_type}")
+        if not isinstance(self.volume, int) or self.volume < 0:
+            raise ValueError(f"Order volume must be a positive integer, got {self.volume}")
+
+
+@dataclass(frozen=True)
+class Trade:
+    """
+    代表一个已完成的成交记录。
+    """
+    order_id: str
+    fill_time: pd.Timestamp
+    symbol: str
+    direction: str  # "BUY", "SELL" (实际成交方向)
+    volume: int
+    price: float
+    commission: float
+    # 记录成交后的账户状态（可选，用于方便调试）
+    cash_after_trade: float
+    positions_after_trade: Dict[str, int]
+    realized_pnl: float = 0.0 # <--- 新增字段：这笔交易带来的实现盈亏
+    is_open_trade: bool = False # <--- 新增字段：是否是开仓交易（用于跟踪成本）
+    is_close_trade: bool = False # <--- 新增字段：是否是平仓交易 (用于计算盈亏)
+
+
+@dataclass(frozen=True)
+class PortfolioSnapshot:
+    """
+    在特定时间点记录投资组合的快照。
+    """
+    datetime: pd.Timestamp
+    total_value: float
+    cash: float
+    positions: Dict[str, int]  # {symbol: quantity}
+    price_at_snapshot: Dict[str, float]  # {symbol: price}，用于计算市值
+
+# 确保 Pandas Timestamp 的默认时区为None，或者在创建时明确指定
+# pd.set_option('mode.chained_assignment', None) # 避免SettingWithCopyWarning

src/data_manager.py

@@ -0,0 +1,101 @@
+# src/data_manager.py (修改并添加 get_history_bars 方法)
+
+import pandas as pd
+from typing import Iterator, List, Dict, Any, Optional
+import os
+
+# 导入我们刚刚定义的 Bar 类
+from .core_data import Bar
+from .data_processing import load_raw_data, df_to_bar_stream
+
+
+class DataManager:  # DataManager 现在是一个类，以便维护内部索引和提供历史数据
+    """
+    负责从外部数据源加载数据，并将其转换为统一的、可供回测引擎使用的 Bar 对象。
+    并提供获取历史Bar的能力。
+    """
+
+    def __init__(self, file_path: str, symbol: str, tz='Asia/Shanghai'):
+        self.file_path = file_path
+        self.tz = tz
+        self.raw_df = load_raw_data(self.file_path)  # 调用函数式加载数据
+        # self.bars = list(df_to_bar_stream(self.raw_df)) # 一次性转换所有Bar，方便历史数据查找
+        # 优化：使用内部迭代器和缓存，避免一次性生成所有Bar，但可以按需提供历史
+        self._bar_generator = df_to_bar_stream(self.raw_df, symbol)
+        self._bars_cache: List[Bar] = []  # 缓存已经处理过的Bar
+        self._last_bar_index = -1  # 用于跟踪当前的Bar在原始df中的索引
+        self.symbol = symbol
+
+    def get_next_bar(self) -> Optional[Bar]:
+        """
+        按顺序返回下一根 Bar 对象。
+        """
+        try:
+            next_bar = next(self._bar_generator)
+            self._bars_cache.append(next_bar)
+            self._last_bar_index += 1
+            return next_bar
+        except StopIteration:
+            return None  # 数据已读完
+
+    def get_history_bars(self, current_bar_datetime: pd.Timestamp, num_bars: int) -> List[Bar]:
+        """
+        获取当前Bar之前的历史Bar列表。
+        严格防止未来函数：只提供时间戳在 current_bar_datetime 之前的 Bar。
+
+        Args:
+            current_bar_datetime (pd.Timestamp): 当前正在处理的Bar的时间戳。
+                                                  用于确保获取的历史数据不包含当前及未来的Bar。
+            num_bars (int): 需要获取的历史Bar的数量。
+
+        Returns:
+            List[Bar]: 历史Bar对象的列表，按时间升序排列。
+        """
+        # 查找当前 Bar 在缓存中的位置
+        # 这是一个查找操作，效率可能不高，但对于简易回测可以接受。
+        # 更优方案可以是直接传递当前Bar在DataFrame中的索引。
+
+        # 过滤掉日期时间大于等于 current_bar_datetime 的 Bar
+        # 并只取最新的 num_bars 根
+
+        # 确保历史数据是严格在 current_bar_datetime 之前的
+        # 考虑到DataFrame索引已经排序，可以直接通过切片查找
+        # 找到 current_bar_datetime 在 DataFrame 索引中的位置
+        try:
+            # 获取所有在当前时间点之前的历史Bar
+            # 这里我们依赖raw_df的索引，假设它与_bars_cache是同步的
+            # 这种方式更严格地避免未来函数，因为我们直接从原始DataFrame取历史
+            # find_loc = self.raw_df.index.get_loc(current_bar_datetime)
+            # if isinstance(find_loc, slice): # 处理重复时间戳
+            #     find_loc = find_loc.start
+
+            # 使用列表缓存来获取历史数据，避免每次都转换DataFrame
+            # 必须确保 _bars_cache 已经包含了 current_bar_datetime 之前的Bar
+
+            # 从缓存中取出所有在 current_bar_datetime 之前的Bar
+            # 找到第一个大于或等于 current_bar_datetime 的 Bar 的索引
+            end_idx = -1
+            for idx, bar in enumerate(self._bars_cache):
+                if bar.datetime >= current_bar_datetime:
+                    end_idx = idx
+                    break
+            if end_idx == -1:  # 如果当前bar是最后一个，则所有缓存都是历史
+                historical_data = self._bars_cache[:]
+            else:
+                historical_data = self._bars_cache[:end_idx]
+
+            # 从筛选出的历史数据中，取出最近的 num_bars 根
+            return historical_data[-num_bars:]
+        except KeyError:
+            # 如果 current_bar_datetime 不在索引中，可能还没到该时间点
+            return self._bars_cache[-num_bars:] if self._bars_cache else []
+        except Exception as e:
+            print(f"获取历史Bar时发生错误: {e}")
+            return []
+
+    def reset(self):
+        """重置数据管理器，以便重新运行回测。"""
+        self._bar_generator = df_to_bar_stream(self.raw_df, self.symbol)
+        self._bars_cache = []
+        self._last_bar_index = -1
+        print("DataManager 已重置。")

src/data_processing.py

@@ -0,0 +1,89 @@
+# src/data_processing.py
+
+import pandas as pd
+from typing import Iterator, List, Dict, Any
+import os
+
+# 导入我们刚刚定义的 Bar 类
+from .core_data import Bar 
+
+def load_raw_data(file_path: str) -> pd.DataFrame:
+    """
+    从 CSV 文件加载原始数据，并进行初步的数据类型处理。
+    假设 datetime 列已经是北京时间，无需额外时区转换或本地化。
+
+    Args:
+        file_path (str): CSV 文件的完整路径。
+
+    Returns:
+        pd.DataFrame: 包含已处理时间戳的原始数据DataFrame。
+                      时间戳作为索引，列包括 'open', 'high', 'low', 'close', 
+                      'volume', 'open_oi', 'close_oi'。
+    
+    Raises:
+        FileNotFoundError: 如果文件不存在。
+        KeyError: 如果CSV中缺少必要的列。
+    """
+    if not os.path.exists(file_path):
+        raise FileNotFoundError(f"数据文件未找到: {file_path}")
+
+    # 定义期望的列名，用于检查和选择
+    expected_cols = ['datetime', 'open', 'high', 'low', 'close', 'volume', 'open_oi', 'close_oi']
+    
+    try:
+        # 使用 pandas.read_csv 直接解析 datetime 列
+        # 'datetime' 列的格式是 'YYYY-MM-DD HH:MM:SS'，pandas 能够很好地自动识别
+        df = pd.read_csv(
+            file_path,
+            index_col='datetime',       # 将 datetime 列设置为索引
+            parse_dates=True            # 自动解析索引为 datetime 类型
+        )
+        
+        # 检查所有必需的列是否存在
+        missing_cols = [col for col in expected_cols[1:] if col not in df.columns]
+        if missing_cols:
+            raise KeyError(f"CSV文件中缺少以下必需列: {', '.join(missing_cols)}")
+
+        # 确保数据按时间排序 (这是回测的基础)
+        df = df.sort_index()
+
+        print(f"数据加载成功: {file_path}")
+        print(f"数据范围从 {df.index.min()} 到 {df.index.max()}")
+        print(f"总计 {len(df)} 条记录。")
+
+        return df[expected_cols[1:]] # 返回包含核心数据的DataFrame
+    except Exception as e:
+        print(f"加载数据时发生错误: {e}")
+        raise
+
+def df_to_bar_stream(df: pd.DataFrame, symbol: str) -> Iterator[Bar]:
+    """
+    将 Pandas DataFrame 转换为 Bar 对象的迭代器（数据流）。
+    这符合函数式编程的理念，按需生成，不一次性加载所有Bar到内存。
+
+    Args:
+        df (pd.DataFrame): 包含 K 线数据的 DataFrame。
+
+    Yields:
+        Bar: 逐个生成的 Bar 对象。
+    """
+    print("开始将 DataFrame 转换为 Bar 对象流...")
+    for index, row in df.iterrows():
+        try:
+            bar = Bar(
+                symbol=symbol,
+                datetime=index,
+                open=row['open'],
+                high=row['high'],
+                low=row['low'],
+                close=row['close'],
+                volume=int(row['volume']),      # 确保成交量为整数
+                open_oi=int(row['open_oi']),    # 确保持仓量为整数
+                close_oi=int(row['close_oi'])
+            )
+            yield bar
+        except (ValueError, TypeError) as e:
+            print(f"警告: 无法为 {index} 时间创建Bar对象，跳过。错误: {e}")
+            continue
+    print("Bar 对象流生成完毕。")
+

src/execution_simulator.py

@@ -0,0 +1,270 @@
+# src/execution_simulator.py (修改部分)
+
+from typing import Dict, List, Optional
+import pandas as pd
+from .core_data import Order, Trade, Bar, PortfolioSnapshot
+
+
+class ExecutionSimulator:
+    """
+    模拟交易执行和管理账户资金、持仓。
+    """
+
+    def __init__(self, initial_capital: float,
+                 slippage_rate: float = 0.0001,
+                 commission_rate: float = 0.0002,
+                 initial_positions: Optional[Dict[str, int]] = None):
+        """
+        Args:
+            initial_capital (float): 初始资金。
+            slippage_rate (float): 滑点率（相对于成交价格的百分比）。
+            commission_rate (float): 佣金率（相对于成交金额的百分比）。
+            initial_positions (Optional[Dict[str, int]]): 初始持仓，格式为 {symbol: quantity}。
+        """
+        self.initial_capital = initial_capital
+        self.cash = initial_capital
+        self.positions: Dict[str, int] = initial_positions if initial_positions is not None else {}
+        # 新增：跟踪持仓的平均成本 {symbol: average_cost}
+        self.average_costs: Dict[str, float] = {}
+        # 如果有初始持仓，需要设置初始成本（简化为0，或在外部配置）
+        if initial_positions:
+            for symbol, qty in initial_positions.items():
+                # 初始持仓成本，如果需要精确，应该从外部传入
+                self.average_costs[symbol] = 0.0  # 简化处理，初始持仓成本为0
+
+        self.slippage_rate = slippage_rate
+        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}
+
+        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 _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。
+        """
+        base_price = current_bar.close  # 简化为收盘价成交
+
+        # 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
+
+        # 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
+
+        return fill_price
+
+    def send_order(self, order: Order, current_bar: Bar) -> Optional[Trade]:
+        """
+        接收策略发出的订单，并模拟执行。
+        如果订单未立即成交，则加入待处理订单列表。
+        特殊处理：如果 order.direction 是 "CANCEL"，则调用 cancel_order。
+
+        Args:
+            order (Order): 待执行的订单对象。
+            current_bar (Bar): 当前的Bar数据，用于确定成交价格。
+
+        Returns:
+            Optional[Trade]: 如果订单成功执行则返回 Trade 对象，否则返回 None。
+        """
+        # --- 处理撤单指令 ---
+        if order.direction == "CANCEL":
+            success = self.cancel_order(order.id)
+            if success:
+                # print(f"[{current_bar.datetime}] 模拟器: 收到并成功处理撤单指令 for Order ID: {order.id}")
+                pass
+            else:
+                # print(f"[{current_bar.datetime}] 模拟器: 收到撤单指令 for Order ID: {order.id}, 但订单已成交或不存在。")
+                pass
+            return None  # 撤单操作不返回Trade
+
+        # --- 正常买卖订单处理 ---
+        symbol = order.symbol
+        volume = order.volume
+
+        # 尝试计算成交价格
+        fill_price = self._calculate_fill_price(order, current_bar)
+
+        executed_trade: Optional[Trade] = None
+        realized_pnl = 0.0  # 初始化实现盈亏
+        is_open_trade = False
+        is_close_trade = False
+
+        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
+            return None  # 未成交，返回None
+
+        # --- 以下是订单成功成交的逻辑 ---
+        trade_value = volume * fill_price
+        commission = trade_value * self.commission_rate
+
+        current_position = self.positions.get(symbol, 0)
+        current_average_cost = self.average_costs.get(symbol, 0.0)
+
+        if order.direction == "BUY":
+            # 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
+                # 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
+                # 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)
+                realized_pnl = pnl_per_share * volume
+
+                # 更新持仓和成本
+                self.positions[symbol] += volume
+                if self.positions[symbol] == 0:
+                    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
+
+            # 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}")
+                return None
+
+
+        elif order.direction == "SELL":
+            # 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
+                # 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
+            else:  # 当前持有多仓 (平多)
+                is_close_trade = True
+                # 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)
+                realized_pnl = pnl_per_share * volume
+
+                # 更新持仓和成本
+                self.positions[symbol] -= volume
+                if self.positions[symbol] == 0:
+                    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
+
+            # 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}")
+                return None
+
+        # 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)
+            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
+            is_open_trade=is_open_trade,
+            is_close_trade=is_close_trade
+        )
+        self.trade_log.append(executed_trade)
+
+        # 如果订单成交，无论它是市价单还是限价单，都从待处理订单中移除
+        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:
+        """
+        尝试取消一个待处理订单。
+
+        Args:
+            order_id (str): 要取消的订单ID。
+
+        Returns:
+            bool: 如果成功取消则返回 True，否则返回 False（例如，订单不存在或已成交）。
+        """
+        if order_id in self.pending_orders:
+            # print(f"订单 {order_id} 已成功取消。")
+            del self.pending_orders[order_id]
+            return True
+        # print(f"订单 {order_id} 不存在或已成交，无法取消。")
+        return False
+
+    def get_pending_orders(self) -> Dict[str, Order]:
+        """
+        获取当前所有待处理订单的副本。
+        """
+        return self.pending_orders.copy()
+
+    def get_portfolio_value(self, current_bar: Bar) -> float:
+        """
+        计算当前的投资组合总价值（包括现金和持仓市值）。
+        Args:
+            current_bar (Bar): 当前的Bar数据，用于计算持仓市值。
+        Returns:
+            float: 当前的投资组合总价值。
+        """
+        total_value = self.cash
+        
+        # 在单品种场景下，我们假设 self.positions 最多只包含一个品种
+        # 并且这个品种就是 current_bar.symbol 所代表的品种
+        symbol_in_position = list(self.positions.keys())[0] if self.positions else None
+
+        if symbol_in_position and symbol_in_position == current_bar.symbol:
+            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
+            
+            # 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}, "
+            #       f"Position for {symbol_in_position}: {quantity} @ {current_bar.close:.2f}, "
+            #       f"Position Value={quantity * current_bar.close:.2f}, Total Value={total_value:.2f}")
+
+        # 如果没有持仓，或者持仓品种与当前Bar品种不符 (理论上单品种不会发生)
+        # 那么 total_value 依然是 self.cash
+        
+        return total_value
+
+    def get_current_positions(self) -> Dict[str, int]:
+        """
+        返回当前持仓字典的副本。
+        """
+        return self.positions.copy()
+
+    def get_trade_history(self) -> List[Trade]:
+        """
+        返回所有成交记录的副本。
+        """
+        return self.trade_log.copy()

src/strategies/base_strategy.py

@@ -0,0 +1,68 @@
+# src/strategies/base_strategy.py
+
+from abc import ABC, abstractmethod
+from typing import Dict, Any, Optional
+
+# 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。
+    """
+    def __init__(self, context: BacktestContext, **parameters: Any):
+        """
+        初始化策略。
+
+        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。
+        """
+        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
+
+    def on_init(self):
+        """
+        策略初始化时调用（在回测开始前）。
+        可用于设置初始状态或打印信息。
+        """
+        print(f"{self.__class__.__name__} 策略初始化回调被调用。")
+
+    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。
+
+        Args:
+            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
+
+    def on_order_status(self, order: Order, status: str):
+        """
+        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。
+
+        Args:
+            order (Order): 相关订单对象。
+            status (str): 订单状态（例如 "FILLED", "PENDING", "CANCELLED"）。
+        """
+        pass # 默认不执行任何操作

src/strategies/simple_limit_buy_strategy.py

@@ -0,0 +1,124 @@
+# src/strategies/simple_limit_buy_strategy.py (修改部分)
+
+from typing import Dict, Any, Optional
+import pandas as pd
+
+# 导入 Strategy 抽象基类
+from .base_strategy import Strategy
+# 导入核心数据类
+from ..core_data import Bar, Order, Trade
+
+
+class SimpleLimitBuyStrategy(Strategy):
+    """
+    一个简单的限价买入策略：
+    在每根Bar线上，如果当前没有持仓，且没有待处理的买入订单，则尝试下一个限价多单。
+    如果在当前Bar之前有未成交的买入订单，则撤销该订单。
+    确保在任意时间点，最多只有一笔限价买入订单在市场中。
+    """
+
+    def __init__(self, context: Any, **parameters: Any):  # context 类型提示可以为 BacktestContext
+        super().__init__(context, **parameters)
+        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._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
+
+    def on_init(self):
+        super().on_init()
+        # 确保初始状态正确
+        self._last_order_id = None
+        self._current_long_position = 0  # 或者从模拟器获取初始持仓
+
+    def on_trade(self, trade: Trade):
+        """
+        当模拟器成功执行一笔交易时调用。
+        更新策略内部持仓状态。
+        """
+        super().on_trade(trade)  # 调用父类方法
+        # 简单起见，这里假设只交易self.symbol
+        if trade.symbol == self.symbol:
+            if trade.direction == "BUY":
+                self._current_long_position += trade.volume
+            elif trade.direction == "SELL":  # 可能是平多或开空
+                self._current_long_position -= trade.volume  # 卖出量为正值，所以是减
+
+        # 如果成交的是我们之前提交的订单，清空_last_order_id
+        if self._last_order_id == trade.order_id:
+            self._last_order_id = None
+
+        # 打印当前持仓
+        # print(f"[{trade.fill_time}] 策略内部持仓更新: {self.symbol} -> {self._current_long_position}")
+
+    def on_bar(self, bar: Bar):
+        """
+        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}")
+
+        # 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
+            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
+                # 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
+                    print(f"[{bar.datetime}] 策略: 成功撤销上一根K线未成交订单 {self._last_order_id}")
+                else:
+                    print(f"[{bar.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:
+                # 订单不在待处理列表中，说明它可能已经成交了 (在on_trade中已处理)
+                # 或者在上一根K线已经被取消/过期
+                self._last_order_id = None  # 清理状态
+                # print(f"[{bar.datetime}] 订单 {self._last_order_id} 不在待处理列表，无需撤销。")
+
+        # 2. 判断是否需要下单
+        # 如果当前没有多头持仓，并且没有待处理的买入订单
+        # (注: _last_order_id被清除后，_last_order_id为None表示当前没有待处理的我们发出的买单)
+        current_positions = self.context.get_current_positions()
+        self._current_long_position = current_positions.get(self.symbol, 0)  # 从模拟器获取最新持仓
+
+        if self._current_long_position == 0 and self._last_order_id is None:  # 确保只有一笔买单
+            # 计算限价价格
+            limit_price = bar.open * self.limit_price_factor
+            trade_volume = self.trade_volume
+
+            # 生成唯一的订单ID
+            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="SELL",
+                volume=trade_volume,
+                price_type="LIMIT",
+                limit_price=limit_price,
+                submitted_time=bar.datetime
+            )
+
+            # 通过上下文发送订单
+            trade = self.context.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})")
+                # 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
+                self._last_order_id = order.id
+                print(
+                    f"[{bar.datetime}] 策略: 发送限价买单 {trade_volume} 股 @ {limit_price:.2f} (未成交，订单ID: {order.id} 已挂单)")
+        else:
+            # print(f"[{bar.datetime}] 策略: 当前已有持仓或有未成交订单，不重复下单。")
+            pass