阅读提示

这篇是实战调试手册，目标是让你在回测结果不符合预期时，能快速定位问题。核心是 BacktestBase 的四大诊断点和对应的修复思路。

导言

跑完第一个回测，你可能遇到几种”不对劲”的情况：

  • 净值曲线是平的，像一根直线。
  • 明明设了 100 万资金，但 actual_weight 全是 0。
  • 策略跑了两天就停了，后面的日期都没数据。
  • 报告里的收益统计看起来不错，但自己算了一下对不上。

这些问题的根源大多在同一个地方：权重矩阵到实际成交之间的损耗。Betalens 提供了一套诊断顺序，按部就班查下去，通常能在 5 分钟内找到原因。

诊断流程总览

当回测结果不符合预期时，按这个顺序查：

1
2
3
4
5
6
7
① actual_weight ──→ 有没有真实的股票权重？
  ├─ 是 → ② position ──→ 资金够买整数手吗？
  │           ├─ 是 → ③ trade_status_matrix ──→ 有股票被停牌了吗？
  │           │           ├─ 是 → ④ rebalance_log ──→ 成交价/手数/金额对吗？
  │           │           └─ 否 → 因子本身的问题
  │           └─ 否（资金太小）→ 提高 amount 或降低股票数量
  └─ 否 → 权重矩阵本身的问题（分组失败 / 权重生成逻辑）

诊断点详解

① 检查 engine.actual_weight

actual_weight 是经过停牌处理、整数手取整之后，真正参与净值计算的权重。如果它和输入的 weight 差异很大，说明回测引擎做了大幅调整。

1
2
3
4
5
6
7
8
9
10
import pandas as pd

engine = BacktestBase(...)  # 先跑完回测

# 查看实际权重的头几行
print(engine.actual_weight.head())

# 对比输入权重和实际权重
print("输入权重和 =", engine.weight.iloc[:, :-1].sum(axis=1).mean())  # 不含 cash 列
print("实际权重和 =", engine.actual_weight.iloc[:, :-1].sum(axis=1).mean())

常见问题：actual_weight 接近 0，但 weight 有值。这通常是因为 position 全是 0（见诊断点②）。

② 检查 engine.position

position 是每日持仓（股数），由 actual_weight 和当日收盘价计算得出。如果它是 0，说明资金买不了任何整数手。

1
2
3
4
5
6
7
# 看第一天的持仓
first_date = engine.actual_weight.index[0]
print(engine.position.loc[first_date].nlargest(10, keep='all'))

# 快速诊断：哪些股票有持仓？
has_position = engine.position.sum(axis=0) > 0
print(f"有持仓的股票数量：{has_position.sum()} / {len(has_position)}")

常见原因：

  • amount 太小。例如 100 万买 A 股，每手 100 股，最便宜的股票也要几百元一手，1 万元买不了几手。
  • 分组太细，导致每组只有很少的股票，而每只需要买 1 手，资金分散后每只都买不了。

解决思路：

1
2
3
4
5
# 方法1：提高初始资金
engine = BacktestBase(weight=weights, amount=10_000_000, ...)  # 1000万

# 方法2：减少分组数或扩大每组股票数量
labeled = single_characteristic(data, "股息率(报告期)", {"股息率(报告期)": 5})  # 分成5组而非10组

③ 检查 engine.trade_status_matrix

trade_status_matrix 记录每天每只股票的交易状态还原值：1 正常、0 停牌、-1 未上市。如果大量股票在某些日期是 0，BacktestBase 会按 trade_status_mode 处理。

1
2
3
4
5
6
7
8
9
10
11
import numpy as np

# 统计停牌比例
ts = engine.trade_status_matrix
停牌比例 = (ts == 0).sum().sum() / ts.size
print(f"停牌比例：{停牌比例:.2%}")

# 看哪天停牌最多
停牌日 = (ts == 0).sum(axis=1)
print("停牌最多的5天：")
print(停牌日.nlargest(5))

trade_status_mode 的四种策略：

模式 行为 适用场景
to_cash（默认） 停牌股票转现金，按当日现金比例分配 保守、模拟真实交易
hold 继续持有，停牌日不操作 长期持有、减少换手
redistribute 停牌股票的权重重新分配给其他正常交易的股票 希望满仓运行
as_normal 忽略停牌状态，按正常价格成交（不推荐） 回测对照实验

如果想查看具体某只股票的停牌情况：

1
2
3
4
5
# 看"平安银行"（000001.SZ）的停牌日期
code = "000001.SZ"
停牌日期 = engine.trade_status_matrix[engine.trade_status_matrix[code] == 0].index
print(f"停牌日期数：{len(停牌日期)}")
print(停牌日期[:10])

④ 检查 engine.rebalance_log

rebalance_log 是调仓审计日志，记录每次调仓的详情：日期、股票代码、成交价、买入/卖出股数、成交手数、成交金额。

1
2
3
4
5
6
log = engine.rebalance_log
print(log.head(20))

# 看交易费用
print(f"总手续费：{log['commission'].sum():,.2f}")
print(f"总滑点损失：{log['slippage'].sum():,.2f}")

常见问题：

  • 交易费用太高：可能是调仓太频繁（rebal_freq 设成了 "D" 每天调仓）。A 股默认印花税 + 佣金对日内交易非常不友好。
  • 买入/卖出数量是 0：说明该股票当天无法成交（可能是停牌日）。

综合诊断脚本

把以上四点打包成一个函数，方便每次回测后调用：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
def diagnose_backtest(engine, top_n=10):
    """回测综合诊断，按顺序检查四个关键点。"""
    print("=" * 60)
    print("① actual_weight 检查")
    print("=" * 60)
    aw = engine.actual_weight
    print(f"行数（调仓日）：{len(aw)}，列数（股票+cash）：{len(aw.columns)}")
    print(f"平均总权重（不含cash）：{aw.iloc[:, :-1].sum(axis=1).mean():.4f}")

    if aw.iloc[:, :-1].abs().sum(axis=1).mean() < 0.01:
        print("⚠️ 警告：实际股票权重接近0！请检查 ② position")
    print()

    print("=" * 60)
    print("② position 检查")
    print("=" * 60)
    pos = engine.position
    has_pos = (pos.sum(axis=0) > 0).sum()
    print(f"有持仓的股票数量：{has_pos} / {len(pos.columns)}")
    print(f"非零持仓日数：{(pos > 0).sum(axis=0).nlargest(top_n).to_string()}")
    print()

    print("=" * 60)
    print("③ trade_status_matrix 检查")
    print("=" * 60)
    ts = engine.trade_status_matrix
   停牌率 = (ts == 0).sum().sum() / ts.size
    未上市率 = (ts == -1).sum().sum() / ts.size
    print(f"停牌率：{停牌率:.2%}，未上市率：{未上市率:.2%}")
    print()

    print("=" * 60)
    print("④ rebalance_log 检查")
    print("=" * 60)
    log = engine.rebalance_log
    if log is not None and len(log) > 0:
        print(f"调仓记录总数：{len(log)}")
        print(f"买入次数：{(log['side'] == 'buy').sum()}，卖出次数：{(log['side'] == 'sell').sum()}")
        print(f"总成交金额：{log['value'].sum():,.2f}")
    else:
        print("无调仓记录")
    print("=" * 60)

在回测后调用：

1
2
engine = BacktestBase(weight=weights, symbol="Dividend", amount=1_000_000, ...)
diagnose_backtest(engine)

开发者侧：整数手约束的工程实现

从源码角度看，BacktestBase 的成交逻辑在 betalens/backtest/backtest.py 里，核心步骤是：

1
2
3
4
5
6
7
8
# 伪代码
for each rebalance_date:
    for each stock_code in target_weights:
        target_value = target_weight * portfolio_value
        price = get_price(rebalance_date, stock_code)
        shares = floor(target_value / price / lot_size) * lot_size  # 取整到整手
        actual_value = shares * price
        engine.actual_weight.loc[rebalance_date, stock_code] = actual_value / portfolio_value
  • lot_size 默认 100（A 股）。
  • floor（向下取整）是整数手约束的核心——永远买不到零头，这个零头差就是”碎片化损耗”。
  • 碎片化损耗在小资金、多持仓时尤其明显。100 万分成 20 只股票，每只 5 万，买 3 元股能买约 166 手（满足），但买 20 元股只能买约 250 手，两者的碎片损耗差异巨大。

常见问题速查

症状 最可能的原因 修复方向
净值曲线平直 actual_weight 全 0 提高 amount，减少持仓数
回测中途净值下跌 停牌导致被动转现金 检查 trade_status_matrix，用 trade_status_mode="redistribute"
收益和报告不一致 用了输入 weight 而非 actual_weight 始终以 engine.actual_weight 为准
每天都在交易 rebal_freq="D" 改成 "W"（每周）或 "M"（每月）
某只股票一直没成交 停牌日期太多 用 get_tradable_pool 时设 include_abnormal=True 观察，或看 trade_status_matrix

延伸阅读