Backtest

首先，我们从示例脚本的配置入手，展示如何设置对应的回测引擎配置选项。

userConfig = dict(STRING, ANY) 
userConfig["startDate"] = 2023.02.01        
userConfig["endDate"] = 2023.02.28       
userConfig["strategyGroup"] = "stock"      //策略类型：股票
userConfig["cash"] = 10000000
userConfig["commission"] = 0.0005
userConfig["tax"] = 0.001
userConfig["dataType"] = 1		       //行情为快照
userConfig["msgAsTable"] = false           
userConfig["frequency"] = 0    
//配置策略全局变量
Context = dict(STRING,ANY)
Context["initPrice"] = dict(SYMBOL,ANY)
Context["feeRatio"] = 0.00002
userConfig["context"]= Context

用户需根据回测策略确定策略类型以及行情类型，此处为快照的股票策略类型，即userConfig["strategyGroup"] = "stock"，userConfig["dataType"] = 1 。

策略全局变量 context 为自定义的策略变量字典，用户可以根据策略需求定义。除此以外，还有一些策略的基础配置选项，如交易延时、手续费率、初始资金等等，用户可根据实际情况设置 。本示例行情回调函数中行情消息的数据类型为字典。在3.00.2 版本中，用户可以通过接口 createBacktester 创建引擎，并通过参数 JIT 选择是否开启 JIT 优化，这将显著地提升回测的效率。由于本教程不涉及JIT的教学，因此不做详细讲解。

接下来，用户可根据自己的逻辑编写回测策略，并创建回测引擎。下面为该类型（快照的股票回测）创建引擎所需的事件函数。

def initialize(mutable context){
}
def beforeTrading(mutable context){
}
def onSnapshot(mutable context,msg, indicator){
}
def onOrder(mutable context,orders){
}
def onTrade(mutable context,trades){
}
def afterTrading(mutable context){
}
def finalize(mutable context){
}

callbacks = dict(STRING, ANY)
callbacks["initialize"] = initialize
callbacks["beforeTrading"] = beforeTrading
callbacks["onSnapshot"] = onSnapshot
callbacks["onOrder"] = onOrder
callbacks["onTrade"] = onTrade
callbacks["afterTrading"] = afterTrading
callbacks["finalize"] = finalize
strategyName = "Backtest_test1"
try{Backtest::dropBacktestEngine(strategyName)}catch(ex){print ex}
engine = Backtest::createBacktester(strategyName, userConfig, callbacks, )
timer Backtest::appendQuotationMsg(engine, tb)

//开启JIT优化
strategyName = "Backtest_test2"
try{Backtest::dropBacktestEngine(strategyName)}catch(ex){print ex}
engine2 = Backtest::createBacktester(strategyName, userConfig, callbacks, true, )
timer Backtest::appendQuotationMsg(engine2, tb)

通过上述方式创建引擎时，参数 callbacks 为策略回调函数的一个字典，用户可根据策略自定义编写对应的策略回调函数。此处为快照的数据类型，因此只需调用 onSnapshot 行情回调函数即callbacks["onSnapshot"] = onSnapshot。

在 3.00.2 版本中，用户可以使用接口createBacktester创建回测引擎，并选择是否开启 JIT 优化。另外，'try' 语句是为了删除该名称的回测引擎，从而避免无法创建新的回测引擎。如果没有该引擎，这句命令也不会报错。

数据回放：

colName = ["symbol", "symbolSource", "timestamp", "lastPrice", "upLimitPrice",
"downLimitPrice", "bidPrice", "bidQty",
"offerPrice", "offerQty", "signal", "prevClosePrice"]
colType = ["STRING", "STRING", "TIMESTAMP", "DOUBLE", "DOUBLE", "DOUBLE", "LONG",
"LONG", "DOUBLE[]", "LONG[]", "DOUBLE[]", "DOUBLE"]
tb=table(1:0, colName, colType)
//若不符合要求，可参考下面方式进行转换：
//tb = select ContractID as symbol,Market as symbolSource,concatDateTime(Date, BarTime) as timestamp,LastPrice as lastPrice,
//UPLimitPrice as upLimitPrice,downLimitPrice as downLimitPrice, //......
//from t 

执行回测：

Backtest::appendQuotationMsg(engine, tb)

最后，用户可根据需要通过引擎接口获取回测结果。

tradeDetails = Backtest::getTradeDetails(engine)		  	//成交明细
openOrders = Backtest::getOpenOrders(long(engine))      	//查询当前的未成交（未完成）订单列表
dailyPosition = Backtest::getDailyPosition(long(engine))	//每日持仓

上述为部分回测结果的展示，更多接口信息请参考前文。

首先，我们从示例脚本的配置入手，展示如何设置对应的回测引擎配置选项。

userConfig = dict(STRING, ANY) 
userConfig["startDate"] = 2023.02.01        
userConfig["endDate"] = 2023.02.28       
userConfig["strategyGroup"] = "stock"      //策略类型：股票
userConfig["cash"] = 10000000
userConfig["commission"] = 0.0005
userConfig["tax"] = 0.001
userConfig["dataType"] = 6		       //行情为逐笔+快照（宽表）
userConfig["msgAsTable"] = false           
userConfig["frequency"] = 0   
userConfig["enableSubscriptionToTickQuotes"] = true 
userConfig["outputQueuePosition"] = 1   
//配置策略全局变量
Context = dict(STRING,ANY)
Context["maxBidAskSpread"] = 0.03 
Context["maxVolatility_1m"] = 0.05
userConfig["context"] =  Context

用户需根据回测策略确定策略类型以及行情类型，此处为逐笔+快照（宽表）的股票策略类型，即userConfig["strategyGroup"] = "stock"，userConfig["dataType"] = 6 。

策略全局变量 context 为自定义的策略变量字典，用户可以根据策略需求定义。除此以外，还有一些策略的基础配置选项，如交易延时、手续费率、初始资金等等，用户可根据实际情况设置。本示例行情回调函数中行情消息的数据类型为字典。在 3.00.2 版本中，用户可以通过接口 createBacktester 创建引擎，并通过参数 JIT 选择是否开启 JIT 优化，这将显著地提升回测的效率。由于本教程不涉及 JIT 的教学，因此不做详细讲解。

接下来，用户可根据自己的逻辑编写回测策略，并创建回测引擎。下列为该类型（逐笔+快照) 宽表的股票回测）创建引擎所需的事件函数。

def initialize(mutable context){
}
def beforeTrading(mutable context){
}
def onTick(mutable context, msg, indicator){
}
def onSnapshot(mutable context, msg, indicator){
}
def onOrder(mutable context, orders){
}
def onTrade(mutable context, trades){
}
def afterTrading(mutable context){
}
def finalize(mutable context){
}

创建回测引擎：

callbacks = dict(STRING,  ANY)
callbacks["initialize"] = initialize
callbacks["beforeTrading"] = beforeTrading
callbacks["onTick"] = onTick
callbacks["onSnapshot"] = onSnapshot
callbacks["onOrder"] = onOrder
callbacks["onTrade"] = onTrade
callbacks["afterTrading"] = afterTrading
callbacks["finalize"] = finalize
strategyName = "Backtest_test1"
try{Backtest::dropBacktestEngine(strategyName)}catch(ex){print ex}
engine = Backtest::createBacktester(strategyName, userConfig, callbacks, )
timer Backtest::appendQuotationMsg(engine, tb)
//开启JIT优化
strategyName = "Backtest_test2"
try{Backtest::dropBacktestEngine(strategyName)}catch(ex){print ex}
engine2 = Backtest::createBacktester(strategyName, userConfig, callbacks, true, )
timer Backtest::appendQuotationMsg(engine2, tb)

通过上述方式创建引擎时，参数 callbacks 为策略回调函数的一个字典，用户可根据策略自定义编写对应的策略回调函数。此处为逐笔+快照（宽表）的数据类型，因此可以调用onSnapshot，即 callbacks["onSnapshot"]=onSnapshot。

在 3.00.2 版本中，用户可以使用接口 createBacktester 创建回测引擎，并选择是否开启 JIT 优化。另外，'try' 语句是为了删除该名称的回测引擎，从而避免无法创建新的回测引擎。如果没有该引擎，这句命令也不会报错。

数据回放：

colName = ["symbol", "symbolSource", "timestamp", "sourceType", "orderType", "price", "qty", "buyNo",
"sellNo", "direction", "channelNo", "seqNum", "lastPrice", "upLimitPrice",
"downLimitPrice", "totalBidQty", "totalOfferQty", "bidPrice", "bidQty",
"offerPrice", "offerQty", "signal", "prevClosePrice"]
colType=["SYMBOL", "STRING", "TIMESTAMP", "INT", "INT", "DOUBLE", "LONG", "LONG",
"LONG", "INT","INT", "LONG", "DOUBLE", "DOUBLE", "DOUBLE", "LONG",
"LONG", "DOUBLE[]", "LONG[]", "DOUBLE[]", "LONG[]", "DOUBLE[]", "DOUBLE"]
tb = table(1:0, colName, colType)
//若不符合要求，可参考下面方式进行转换：
//tb = select ContractID as symbol,Market as symbolSource,concatDateTime(Date,BarTime) as timestamp,sourceType as sourceType,Price as price,
//Qty as qty,...... from t 

执行回测：

timer Backtest::appendQuotationMsg(engine, tb)

首先，我们从示例脚本的配置入手，展示如何设置对应的回测引擎配置选项。

userConfig = dict(STRING, ANY) 
userConfig["startDate"] = 2023.02.01        
userConfig["endDate"] = 2023.02.28       
userConfig["strategyGroup"] = "futures"        //策略类型：期货
userConfig["cash"] = 10000000
userConfig["commission"] = 0.0005
userConfig["tax"] = 0.001
userConfig["dataType"] = 3		       //行情为分钟频率        
userConfig["frequency"] = 0            
Context = dict(STRING,ANY)                //策略全局变量context 
Context["buySignalRSI"] = 70.
Context["sellSignalRSI"] = 30.
Context["highPrice"] = dict(STRING, ANY)
userConfig["context"] = Context       

用户需根据回测策略确定策略类型以及行情类型，此处为分钟频的期货策略类型，即userConfig["strategyGroup"] = "futures"，userConfig["dataType"] = 3 。策略全局变量 context 为自定义的策略变量字典，用户可以根据策略需求定义。除此以外，还有一些策略的基础配置选项，如交易延时、手续费率、初始资金等等，用户可根据实际情况设置。本示例行情回调函数中行情消息的数据类型为字典。在3.00.2 版本中，用户可以通过接口 createBacktester 创建引擎，并通过参数 JIT 选择是否开启 JIT 优化，这将显著地提升回测的效率。由于本教程不涉及 JIT 的教学，因此不做详细讲解。

接下来，用户可根据自己的逻辑编写回测策略，并创建回测引擎。下列为该类型（分钟频的期货回测）创建引擎所需的事件函数。

def initialize(mutable context){
}
def beforeTrading(mutable context){
}
def onBar(mutable context, msg, indicator){
}
def onOrder(mutable context, orders){
}
def onTrade(mutable context, trades){
}
def afterTrading(mutable context){
}
def finalize(mutable context){
}

callbacks = dict(STRING, ANY)
callbacks["initialize"] = initialize
callbacks["beforeTrading"] = beforeTrading
callbacks["onBar"] = onBar
callbacks["onOrder"] = onOrder
callbacks["onTrade"] = onTrade
callbacks["afterTrading"] = afterTrading
callbacks["finalize"] = finalize 
strategyName = "Backtest_test1"
try{Backtest::dropBacktestEngine(strategyName)}catch(ex){print ex}
engine = Backtest::createBacktester(strategyName, userConfig, callbacks, , securityReference)

//开启JIT优化
strategyName = "Backtest_test2"
try{Backtest::dropBacktestEngine(strategyName)}catch(ex){print ex}
engine2 = Backtest::createBacktester(strategyName, userConfig, callbacks, true, securityReference)

通过上述方式创建引擎时，参数 callbacks 为策略回调函数的一个字典，用户可根据策略自定义编写对应的策略回调函数。此处为分钟频的数据类型，因此只需调用 onBar 行情回调函数，即 callbacks["onBar"]=onBar。另外，用户可以使用该接口createBacktester创建回测引擎，并选择是否开启 JIT 优化。

• 'try' 语句是为了删除该名称的回测引擎，从而避免无法创建新的回测引擎。如果没有该引擎，这句命令也不会报错。

• 期货回测需要设置合约基本信息表 securityReference ，相关信息见期货页面的"合约基本信息表说明" 一节 。

securityReference = table(symbol as symbol, take(100., size(symbol)) as multiplier, take(0.2, size(symbol)) as marginRatio,
				take(0.01, size(symbol)) as tradeUnit, take(0.02,size(symbol)) as priceUnit, 
				take(0.03, size(symbol)) as priceTick, take(1.5, size(symbol)) as commission, take(1, size(symbol)) as deliveryCommissionMode)

数据回放：

colName = ["symbol", "symbolSource", "tradeTime", "tradingDay", "open", "low", "high", "close",
"volume", "amount", "upLimitPrice", "downLimitPrice", "signal", "prevClosePrice",
"settlementPrice", "prevSettlementPrice"]
colType = [SYMBOL, SYMBOL, TIMESTAMP, DATE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, LONG, DOUBLE,
DOUBLE, DOUBLE, DOUBLE[], DOUBLE, DOUBLE, DOUBLE]
tb = table(1:0, colName, colType)
//若不符合要求，可参考下面方式进行转换：
//tb = select ContractID as symbol, Market as symbolSource, concatDateTime(Date, BarTime) as tradeTime, TradeDate as tradingDay, OpenPrice as open,
//LowPrice as low, HighPrice as high, ClosePrice as close, long(volume) as volume, Value*1.0 as amount, ULimitPrice as upLimitPrice,
//LLimitPrice as downLimitPrice,...... from t 

执行回测：

通过接口appendQuotationMsg 将符合要求的行情数据插入回测引擎中，并执行回测：

timer Backtest::appendQuotationMsg(engine, tb)

最后，用户可根据需要通过引擎接口获取回测结果。

res1 = select * from Backtest::getTradeDetails(engine) where orderStatus in [0,1]
availCash1 = Backtest::getAvailableCash(engine)  //可用资金
dailyPos1 = Backtest::getDailyPosition(engine)  //每日盘后持仓

首先，我们从示例脚本的配置入手，展示如何设置对应的回测引擎配置选项。

userConfig = dict(STRING, ANY)
userConfig["startDate"] = 2023.02.01        
userConfig["endDate"] = 2023.02.28    
userConfig["strategyGroup"] = "cryptocurrency"  //策略类型：数字货币
userConfig["frequency"] = 0
cash = dict(STRING, DOUBLE)
cash["spot"] = 100000.
cash["futures"] = 100000.
cash["option"] = 100000.
userConfig["cash"] = cash
userConfig["dataType"] = 3         //分钟频
userConfig["matchingMode"] = 1
userConfig["msgAsTable"] = false
//资金费率表
//userConfig["fundingRate"] = select  symbol, settlementTime,decimal128(lastFundingRate,8) as lastFundingRate from CryptoFundingRate 
userConfig["fundingRate"] = table(1:0, [`symbol, `settlementTime, `lastFundingRate], [STRING, TIMESTAMP, DECIMAL128(8)])
//配置策略全局变量
Context = dict(STRING, ANY)
Context["initPrice"] = dict(SYMBOL, ANY)
Context["feeRatio"] = 0.00002
Context["N"] = dict(SYMBOL, ANY)
userConfig["context"] = Context

用户需根据回测策略确定策略类型以及行情类型，此处为分钟频的数字货币策略类型，即userConfig["strategyGroup"] = "cryptocurrency"，userConfig["dataType"]=3 。与其他资产策略不同的是，在数字货币的策略中，用户需要分别设置 spot、futures、option 三种的账户初始资金，并存入一个字典userConfig["cash"]中；另外还需要设置永续合约资金费率表userConfig["fundingRate"]。

策略全局变量 context 为自定义的策略变量字典，用户可以根据策略需求定义。除此以外，还有一些策略的基础配置选项，如交易延时、手续费率、初始资金等等，用户可根据实际情况设置。本示例行情回调函数中行情消息的数据类型为字典。目前数字货币暂时不支持通过接口 createBacktester 创建引擎，仅可使用createBacktestEngine 来创建，并且不支持 JIT 优化。

def initialize(mutable context){
}
def beforeTrading(mutable context){
}
def onBar(mutable context,msg,indicator){
}
def onOrder(mutable context,orders){
}
def onTrade(mutable context,trades){
}
def finalize(mutable context){
}

strategyName = "Backtest_test1"
try{Backtest::dropBacktestEngine(strategyName)}catch(ex){print ex}
engine = Backtest::createBacktestEngine(strategyName, userConfig, securityReference, 
initialize, beforeTrading, onBar, , onOrder, onTrade, , finalize)
go

通过上述方式创建引擎时，用户可根据策略自定义编写对应的策略回调函数，并在引擎创建时调用。此处为分钟频的数据类型，因此只需调用 onBar 行情回调函数。另外，用户可以使用该接口 createBacktestEngine 创建回测引擎，对于不使用的行情回调函数 onSnapshot，需要用空格留出位置。

• 'try' 语句是为了删除该名称的回测引擎，从而避免无法创建新的回测引擎。如果没有该引擎，这句命令也不会报错。

• 数字货币回测需要设置securityReference 。

securityReference=select last(contractType)  as contractType from tb group by symbol
update securityReference set optType=1
update securityReference set strikePrice=decimal128(0, 8)
update securityReference set contractSize=decimal128(100.,8) //......

数据回放

不同资产或者同资产不同频率的行情字段稍微有些区别，用户必须按照特定数据结构传入回测引擎，否则导致回测运行失败。若现有的行情数据与回测引擎要求的字段名称、字段顺序、数据类型不匹配，用户可在数据导入中按照要求进行数据转换操作再传入即可。下面为分钟频行情的数字货币回测的数据结构要求：

colName = [`symbol, `symbolSource, `tradeTime, `tradingDay, `open, `low, `high, `close, `volume, `amount, `upLimitPrice,
        `downLimitPrice, `signal, `prevClosePrice, `settlementPrice, `prevSettlementPrice, `contractType]
colType = [SYMBOL, SYMBOL, TIMESTAMP, DATE, DECIMAL128(8), DECIMAL128(8), DECIMAL128(8), DECIMAL128(8), DECIMAL128(8),
DECIMAL128(8), DECIMAL128(8), DECIMAL128(8), DOUBLE[], DECIMAL128(8), DECIMAL128(8), DECIMAL128(8), INT]
tb=table(1:0, colName, colType)
//若不符合要求，可参考下面方式进行转换：
tb = select symbol+"_"+string(contractType) as symbol,symbolSource,tradeTime,tradingDay,decimal128(open,8) as open,decimal128(low,8) as low,
decimal128(high,8) as high,decimal128(close,8) as close,decimal128(volume,8) as volume,decimal128(amount,8) as amount,
decimal128(upLimitPrice,8) as upLimitPrice,decimal128(downLimitPrice,8) as downLimitPrice,signal,decimal128(prevClosePrice,8) as prevClosePrice,
decimal128(settlementPrice,8) as settlementPrice,decimal128(prevSettlementPrice,8) as prevSettlementPrice,contractType from Crypto1minData

最后，用户可根据需要通过引擎接口获取回测结果。

tradeDetails_spot = Backtest::getTradeDetails(engine, "spot")     //成交明细
tradeDetails_futeres = Backtest::getTradeDetails(engine, "futures")
Backtest::getDailyPosition(engine, "spot")  //每日持仓

上述为部分回测结果的展示，数字货币的部分接口需要指定账户类型（spot、futures、option）。