事件驱动回测：带 ATR 止损、仓位规模和 R 倍数交易清单的循环引擎
用 Python 构建一个逐根 K 线运行的回测循环：按 ATR 风险确定仓位规模，严格执行止损（包括跳空情形），并以 R 倍数记录每一笔交易。
你将学到什么
- 为什么向量化回测无法模拟止损、部分成交或基于风险的仓位规模，以及何时需要循环引擎。
- 事件驱动引擎必须在 K 线之间传递的状态：现金、仓位、入场价、止损位和未平仓交易。
- 如何根据账户风险和 ATR 确定每个仓位的规模，以及如何把结果记录为 R 倍数。
- 如何在代码中诚实地处理跳空越过止损位的情况。
讲解
第 7 课的向量化回测一次性根据整个序列计算出每根 K 线的仓位。它速度很快，但无法表达依赖于路径的规则：入场价下方 2 ATR 处的止损取决于你在哪里入场，而仓位规模取决于那一刻的账户价值。事件驱动回测逐根遍历 K 线，只使用截至该 K 线可得的信息，并完全像交易者那样更新自身状态。
状态与事件顺序
引擎维护一小组变量：cash、position（股数，空仓时为 0）、entry、stop、risk_per_share，以及一个列表 trades。在每根 K 线上，检查的顺序很重要，必须一次写定并始终遵守：
- 先处理离场。如果有未平仓头寸，且今天的最低价触及或低于止损位，就离场。成交价为止损价，除非开盘价已经低于止损位（跳空），此时按开盘价成交。计划中 1R 的亏损正是在这里可能变成 1.4R 甚至更多。
- 使用今天的收盘价和 ATR 更新移动止损。
- 最后处理入场，且只能在下一根 K 线的开盘价入场，因为根据今天收盘价计算出的信号无法以今天的收盘价成交。在代码中这意味着：第 t 根 K 线上的信号设置一个标志，成交发生在
open[t+1]。
循环中的仓位规模
基于风险的仓位规模已在课程《风险与交易管理》（第 2 课）和课程《系统化交易与回测》（第 9 课）中讲过。在代码中它只需一行：size = floor(equity * risk_pct / (entry - stop))，其中分母是每股风险（这里为 2 * ATR）。再加一个上限，例如 size * entry <= 0.25 * equity，这样极小的 ATR 就不会产生一个账户无法承受的仓位。
以 R 记录交易
每笔已平仓交易都以字典形式追加到列表中，包含日期、价格、规模、以欧元计的盈亏以及 R 倍数 = 盈亏 / (规模 × 每股风险)。pd.DataFrame(trades) 把列表变成一张交易表，供第 9 课的绩效指标函数以及课程《风险与交易管理》（第 1 课）中的期望值计算使用。
一个最小化引擎
def run(df, risk_pct=0.01, atr_mult=2.0, start_cash=20_000):cash, pos, entry, stop, rps = start_cash, 0, None, None, Nonetrades, equity, pending = [], [], Falsefor i in range(1, len(df)):o, h, l, cl, atr = df.open[i], df.high[i], df.low[i], df.close[i], df.atr[i]if pos > 0 and l <= stop: # 离场：止损或跳空fill = min(o, stop)pnl = pos * (fill - entry)trades.append(dict(exit=df.index[i], pnl=pnl, R=pnl / (pos * rps)))cash += pos * fill; pos = 0if pending and pos == 0: # 在本根 K 线开盘价入场entry, rps = o, atr_mult * df.atr[i-1]pos = int(cash * risk_pct // rps)stop = entry - rps; cash -= pos * entry; pending = Falseif pos == 0 and df.signal[i]:pending = True # 在下一个开盘价交易equity.append(cash + pos * cl)return pd.DataFrame(trades), pd.Series(equity, index=df.index[1:])
两个细节：用于确定仓位规模的 ATR 是 df.atr[i-1]，即入场前一晚已知的数值；止损是对照最低价而不是收盘价进行检查的。移动止损只需在离场代码块之后多加一行：stop = max(stop, cl - rps)。成本可以像第 7 课那样从 pnl 中扣除；为清晰起见，这里省略了成本。
实例演算
假设示例：初始资金 €20,000，每笔交易风险 1%（€200），止损设在 2 × ATR。价格和 ATR 都是编造的整数；不计手续费、点差和税费。
- 交易 1。星期一出现信号；星期二开盘价 €50.00，前一日 ATR 为 €2.50。每股风险 = 2 × 2.50 = €5.00；止损 = €45.00。规模 = floor(200 / 5) = 40 股（敞口 €2,000，占资金的 10%，在 25% 的上限之内）。之后因信号在 €58.00 离场：盈利 = 40 × 8 = €320 = 320 / 200 = +1.6R。
- 交易 2。同样的设置，入场价 €50.00，止损 €45.00，40 股。隔夜出现消息：股票以 €43.00 开盘。引擎按 min(开盘价, 止损价) = €43.00 成交。亏损 = 40 × 7 = €280 = −1.4R，而不是计划中的 −1.0R。向量化测试只会显示 −1.0R，甚至什么都不显示。
- 交易 3。入场价 €50.00，使用移动止损；当最低价触及止损时，止损已上移到 €47.50。亏损 = 40 × 2.50 = €100 = −0.5R。
- 交易清单。R 倍数为 +1.6、−1.4、−0.5：合计 −0.3R，平均 −0.1R。三笔交易什么也证明不了，但这张表已具备容纳数百笔交易的正确形式。
另一个价格为 €120、ATR 为 €6 的品种，规模为 floor(200 / 12) = 16 股：风险同样是 €200，但由于波动率更高，股数更少。
常见错误
if l <= stop: fill = stop 这样的代码，默认假设市场在你的止损价上成交过。而在跳空时并没有。多头离场请始终使用 min(open, stop)（空头则用 max(open, stop)）。同样的逻辑也适用于使用止损单入场的情况：如果开盘价为 €54，那么 €52 的买入止损单会按开盘价成交。练习活动
在纸上为一笔交易追踪引擎的运行过程：资金 €15,000，风险 1.5%，入场前一晚的 ATR 为 €1.80，止损乘数 2.5，在下一个开盘价 €36.00 入场。(a) 计算每股风险、止损位和仓位规模（向下取整）。(b) 离场当天开盘价 €37.00，盘中下跌到最低价 €31.00，收于 €32.00。成交价、以欧元计的盈亏和 R 倍数分别是多少？(c) 如果你对照收盘价而不是最低价检查止损，结果会不同吗？
显示答案
(a) 每笔交易风险 = 0.015 × 15,000 = €225。每股风险 = 2.5 × 1.80 = €4.50。止损 = 36.00 − 4.50 = €31.50。规模 = floor(225 / 4.50) = 50 股。
(b) 开盘价 €37.00 高于止损位，因此没有跳空；最低价 €31.00 触及或低于 €31.50，因此成交价为 min(37.00, 31.50) = €31.50。亏损 = 50 × (31.50 − 36.00) = −€225 = −1.0R。
(c) 在本例中，对照收盘价（€32.00）检查同样会触发离场，但成交价是 €32.00 而不是 €31.50，因此亏损为 €200（−0.89R），看起来比实际情况要好。在其他 K 线上，最低价可能触及止损而收盘价又回升到止损位之上；此时基于收盘价的检查会完全错过一次真实的离场。
局限性：从日线数据无法得知盘中最高价和最低价出现的先后顺序；当止损位和目标位都落在同一根 K 线内时，请假设出现较差的结果。
要点回顾
- 当规则依赖于路径时，请使用循环引擎：止损、移动止损、基于风险的仓位规模以及部分离场。
- 固定每根 K 线上的事件顺序：先离场，再更新止损，最后在下一个开盘价入场。
- 仓位规模 = 资金 × 风险百分比 ÷ 每股风险，并设置敞口上限；为每笔交易保存其 R 倍数。
- 跳空离场按开盘价成交，而不是按止损价；超过 1R 的亏损正是由此产生的。
下一步
第 9 课把你现在得到的资金曲线和交易清单转化为可复用、经过测试的绩效函数：CAGR、回撤、夏普比率、索提诺比率和盈利因子。
自测
回答问题后核对答案。你可以随意重试多次。
供您自行复习的自动自测。您的答案在浏览器中核对，我们不会查看或评估。这不是考试，也不是资格证书。
您的进度
“已完成”仅表示您将本课标记为已学完，并不是对您理解程度的测试。 学习进度和笔记仅保存在此设备的此浏览器中，而非账户中。