python还是c++量化_从Python到C++，对量化回测的一点思考

写在前面：

说实话，关于量化方面在网上的资料确实挺少的。感觉很多做量化的人都惜字如金，但其实这只能怪行业的特殊性，就像套利一样，一旦策略趋同，那利润也就越摊越薄。但我觉得这其实是一个悖论。除非是完全被知道了核心机密，其他部分即使互相知道了大致策略，具体参数如果不清楚，复现出来的也不一样。而就算知道了策略参数，如果数据清洗步骤不一样，回测逻辑计算不一样，实盘订单提交逻辑不一样，那最终结果也不太一样。这一步步都是环环相扣，不可分割的。而就算全部都一样，对方也要有足够影响市场的资金量，才能够侵蚀你的利润。当然我不是鼓励探讨策略，策略核心还是要保密的，只是其他方面互相分享分享，探讨交流，问题也不大。这一点要向无私的vn.py作者 @用Python的交易员 看齐。

人之患在好为人师，而我也只是在逐步学习中，实在也没有什么资格能指点江山。只想借助本文，再次稍微记录下自己的微小经验和学习过程，和喜爱量化的你一起交流探讨。

目录：

1. 最近自己又迭代了什么新功能？

2. 为什么实盘和回测结果不一样？

3. 为什么一定要用tick级别做回测？

4. 为什么要拥抱C++？

5. 从Python到C++的感受？

6. C++学习记录分享

7. 后记

1. 最近主要又迭代了什么新功能？

首先声明，回测框架的核心逻辑都已包含在最新版本的OnePy 2.1中，读懂了源码后应该已经足够能自己写出自己的框架了，所以不出意外今后应该不会更新。而自从上次更新之后，我自己又线下更新了许多新功能。部分功能主要都是参考 《Trading Systems —A new approach to system development and portfolio optimisation》这本书。

① 重新手写计算详尽的交易结果分析报告

之前OnePy 1版本的时候，其实就有这个逻辑报告。只是那时候是直接复制Pinkfish（Github上另一个回测框架）的代码库，照抄过来的，也没仔细看计算逻辑是否正确。这次全部都自己重写了一遍，对每个指标也有了更进一步的认识。

② 更详尽的交易报告

主要新增了每笔交易的run_up，drawdown和holding_period。便于后续分析策略结果。

③ 根据上述交易记录，画出每笔交易的散点图

感觉这张图特别好用。比如在自己策略逻辑中加入Trailing Stop，就可以看到原本分散的点变得和图中一样，倾斜成一条斜线，也能间接反映自己的回测逻辑是否有问题（比如加入Trailing Stop后，图没有缩成一条斜线，那就要考虑是不是哪里算错了）。这张图非常有利于手动做参数优化，并从微观层面分析每笔交易，比如像趋势策略，就有很多小亏损，但是盈利点都很高；是否有很多笔浮盈的交易最终都以亏损出场等。