finquant V2.0.0 官方网站 | 轻量级 Python 量化回测工具 特性 - 事件驱动架构：解耦策略与引擎，支持多策略组合 - 本地缓存：Parquet 格式缓存，支持增量更新，避免重复请求 - 完整风控体系：止损止盈、最大回撤控制、仓位管理 - 执行精度模拟：滑点、部分成交、市场冲击建模 - 参数优化：贝叶斯优化、Walk-Forward、敏感性分析 - 多资产支持：股票、ETF、LOF、科创板混合回测 - 详细交易日志：每笔交易记录成本、收益、持仓盈亏 核心优势与解决的问题 1. 数据获取效率问题 问题：每次回测都从网络获取数据，重复请求耗时且浪费资源。 解决： - 本地 Parquet 缓存，数据持久化 - 增量更新（3天容差），只请求新数据 - 多数据源自动切换（EastMoney → Tencent → Sina → Tdx → BaoStock） 2. 回测精度问题 问题：简单回测无法模拟真实交易场景，滑点、手续税计算不准确。 解决： - 完整手续费计算（佣金、印花税、过户费） - 滑点模拟（买入时高价、卖出时低价） - A股最小买入单位（100股整数倍） - 持仓市值实时计算 3. 策略开发效率问题 问题：策略代码与引擎耦合，难以独立单元测试。 解决： - 事件驱动架构，策略完全独立 - onbar(bar) 方法，策略只需关注信号生成 - bar.history() 获取历史数据，无需关心数据来源 4. 结果分析不完整问题 问题：传统回测只显示最终收益，缺乏详细持仓和盈亏分析。 解决： - 每笔交易详细日志（日期、数量、成本、手续费、总资产） - 按标的统计（已实现盈亏 + 未实现盈亏） - 最终持仓详情（开仓日期、成本、现价、浮动盈亏） - 完整权益曲线 对比其他框架 | 特性 | backtrader | backtesting.py | vectorbt | finquant | |------|------------|-----------------|----------|----------| | 事件驱动 | ✓ | ✗ | ✗ | ✓ | | 本地缓存 | ✗ | ✗ | ✗ | ✓ (Parquet) | | 增量更新 | ✗ | ✗ | ✗ | ✓ | | A股支持 | △ | △ | △ | ✓ (100股最小单位) | | 详细日志 | △ | △ | ✗ | ✓ | | 多资产 | ✓ | ✗ | ✓ | ✓ | 典型使用场景 1. 快速验证策略想法 2. 完整回测分析 3. 参数优化 整体流程 系统架构

⚠ No verified equity curve — no track-record source connected.

No score history is stored yet — only the current score is shown.

⚠ No live verification account connected — ask for proof before buying.

Alerts on changes: coming soon

Prop-firm compatibility not provided.

Data-completeness & trust index (not a profitability rating)