本文介绍了如何构建一个秒级别的高频策略回测框架，包括数据处理、策略逻辑、交易清算和绩效报告四个模块。在大数据量下，重点强调了避免循环以提高效率，如使用rolling函数计算滚动平均。策略逻辑中，以MA5和MA20的交叉作为买卖信号。交易清算部分详细阐述了买入和卖出交易的盈亏计算，包括手续费的处理。最后，通过绩效报告展示了策略的亏损情况，强调了一个高效严谨的回测系统对于策略研发的重要性。
目录
今天与大家探讨高频策略的回测框架。高频策略的研发，有两个显著的特点：
一是数据量大，与日频相比，分钟频率就是百倍的数据量， 到秒级别更达到上千倍的差异。
二是对交易细节敏感，回测系统要尽可能去模拟真实交易的情形，甚至要比真实交易更严格，这样研发出来的高频策略才有实盘的价值。所以高频策略要考虑的细节很多，决策时间点，成交价，手续费，流动性等。细节考虑的不到位，策略回测和实盘交易就会差异很大，降低策略研发的价值和效率。
如何在大数据量前提下，尽可能的将细节考虑到位，就是高频策略回测系统的挑战，也就是严谨和高效的权衡。
下面和大家一起构建一个秒级别的策略回测框架。
一般来说，回测框架会包含以下几个模块：
数据处理， 策略逻辑，交易清算，绩效报告
数据处理
数据模块是最基础和重要的环节，直接决定了回测框架的结构和效率，我们展开来看。
1） 加载原始数据
这里我们从parquet文件中加载原始的tick数据。
2） 将tick数据转换成10s级别的K线数据。
tick数据的结构以及通过resample转换成K线数据我们在上篇文章《》已经介绍过了，这里增加2个字段：
把10s内的买卖委托价格的均值作为该K线的买卖委托价，这个价格我们用来做成交价格的模拟
3）准备策略决策数据
策略决策有可能用的K线已有的字段，也有可能需要基于已有字段衍生新字段。本例中我们基于Close衍生MA5和MA20两个字段
对于高频数据处理，我们一定要尽可能地避免使用循环，用循环的地方多了，效率就很难提起来。我们使用rolling函数实现滚动计算指定长度的均值，这个内置的滚动机制要比
最低0.47元/天 解锁文章
扫一扫
9115
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
