简介这份资源是tushare 0.2.8版本的Python源码包面向金融数据分析与量化交易方向的开发者、量化策略研究者及Python进阶学习者帮助读者通过阅读真实源码理解金融数据接口库的内部实现解决从数据获取到策略落地过程中的工具使用与二次开发问题。压缩包共26个文件约181KB以19个py源码文件为核心辅以3个txt说明、2个pkg-info元数据、1个csv数据样例和1个cfg配置文件覆盖数据获取、清洗转换、本地存储、实时行情、技术指标计算与异常处理等模块setup.py与setup.cfg则展示了打包发布结构。目前已有6234人学习下载适合作为研读金融数据接口设计与量化交易工具链的实战素材读者可从中掌握HTTP请求封装、数据预处理函数组织、文件读写与容错设计等具体思路并借鉴其目录划分与模块解耦方式提升自身Python工程能力与量化开发效率。1. 从一份 tushare 量化交易 Python 源码说起它到底能帮你省掉多少重复造轮子的时间如果你写过 A 股数据接口大概率经历过这样的循环先花半天调通 tushare 的 token再花半天把日线行情拉下来存成 CSV接着发现复权没处理、停牌日混在里面、字段名对不上回测框架最后真正想验证的策略逻辑一行没写。这份 tushare 量化交易 Python 源码解决的正是这个断层——它把数据获取、清洗、本地存储、策略信号生成、简易回测和结果可视化串成一条能直接跑的链路而不是丢给你一堆散落的 API 示例。适合两类人刚接触量化交易、想先跑通一个完整闭环的新手以及已经会用 pandas 但懒得每次重写数据管道的熟手。源码结构不复杂但该有的工程分层都有拿来当自己策略库的起点正合适。2. 项目骨架拆解数据层、策略层、回测层怎么分文件2.1 目录结构与模块职责拿到源码先别急着跑main.py花五分钟看目录能省掉后面大量找文件的时间。这个项目的组织方式属于典型的「轻量分层」没有过度设计但边界清晰tushare_quant/ ├── config/ │ └── settings.py # token、复权方式、起止日期等全局配置 ├── data/ │ ├── fetcher.py # 封装 tushare pro_api 调用 │ ├── cleaner.py # 缺失值、停牌、复权处理 │ └── storage.py # 本地 parquet/csv 读写 ├── strategy/ │ ├── base.py # 策略基类定义 generate_signals 接口 │ └── ma_cross.py # 双均线示例策略 ├── backtest/ │ ├── engine.py # 逐日循环、持仓与资金更新 │ └── metrics.py # 年化、回撤、夏普计算 ├── utils/ │ └── logger.py # 统一日志方便排查数据异常 └── main.py # 串联全流程的入口config/settings.py是唯一需要你手动改 token 的地方其他模块都从这里读参数。data/三个文件各管一件事fetcher 只负责调接口拿原始 DataFramecleaner 只负责把原始数据变成回测可用的干净数据storage 只负责落盘和读取。这种拆法的好处是当 tushare 接口字段变动时你只需要改 fetcher策略和回测代码完全不受影响。strategy/base.py定义了一个抽象基类强制每个策略实现generate_signals(df)方法返回带signal列的 DataFrame。backtest/engine.py不关心策略怎么算信号只按信号列执行买卖。这种「策略与执行分离」是量化项目里最常见的做法也是你后续加新策略时最该保留的结构。2.2 配置与依赖跑之前先确认这几项源码根目录一般会有requirements.txt核心依赖就几个tushare、pandas、numpy、pyarrowparquet 存储用、matplotlib画净值曲线。安装命令很直接pip install -r requirements.txt但真正容易翻车的是 tushare 的 token 配置。你需要在 tushare 官网注册后拿到 token填进config/settings.py# config/settings.py TUSHARE_TOKEN 你的token # 必须替换否则所有接口返回空 START_DATE 20200101 # 回测起始日 END_DATE 20231231 # 回测结束日 ADJUST qfq # 复权方式qfq前复权 / hfq后复权 / None不复权 STOCK_POOL [000001.SZ, 600519.SH] # 股票池按需增删这里有个参数值得单独说ADJUST。很多新手第一次跑回测发现收益曲线完全不对十有八九是复权方式选错。做日线级别回测前复权qfq是常见选择因为它让历史价格和当前价格在同一尺度上可比。如果你做的是分红再投资类策略后复权hfq更合适。源码默认给的是 qfq但你在改股票池或换周期时最好回头确认一下这个参数是否还匹配你的策略逻辑。STOCK_POOL支持直接写 tushare 的 ts_code 格式也有的版本会封装一个get_index_components()函数从指数成分股动态获取。如果你拿到的源码里没有这个函数自己加一个也不难后面二次开发部分会讲。3. 核心链路跑通从 tushare 拉数据到回测出净值3.1 数据获取与清洗fetcher 和 cleaner 的配合data/fetcher.py的核心逻辑是封装 tushare 的pro.daily()接口并处理分页和频率限制。tushare 对免费用户有调用次数限制所以源码里通常会加一个简单的重试和休眠# data/fetcher.py import tushare as ts import time from config.settings import TUSHARE_TOKEN, ADJUST pro ts.pro_api(TUSHARE_TOKEN) def fetch_daily(ts_code, start_date, end_date, retry3): 拉取单只股票日线带重试和频率控制 for i in range(retry): try: df pro.daily(ts_codets_code, start_datestart_date, end_dateend_date) if df.empty: raise ValueError(f{ts_code} 返回空数据) time.sleep(0.3) # 控制调用频率避免触发限流 return df except Exception as e: print(f第{i1}次失败: {e}) time.sleep(1) return None这段代码的关键点有三个retry参数控制重试次数time.sleep(0.3)是给免费额度留缓冲df.empty判断能帮你区分「接口挂了」和「这只股票这段时间没数据」。如果你跑的时候发现某只股票一直返回空先手动去 tushare 网页查一下代码格式对不对常见错误是漏了.SZ或.SH后缀。拿到原始数据后cleaner.py负责三件事把trade_date转成 datetime 并设为索引、按日期排序、处理停牌日的缺失值。停牌日在 tushare 返回里通常表现为当天没有记录而不是价格为 0。源码里常见的处理方式是先 reindex 到完整交易日历再用前值填充# data/cleaner.py import pandas as pd def clean_daily(df, trade_calendar): 对齐交易日历前值填充停牌日 df[trade_date] pd.to_datetime(df[trade_date]) df df.set_index(trade_date).sort_index() df df.reindex(trade_calendar) # 对齐完整日历 df[close] df[close].ffill() # 停牌日沿用前收盘 df[volume] df[volume].fillna(0) # 停牌日成交量为0 return df.dropna(subset[close])trade_calendar可以从 tushare 的trade_cal()接口获取也可以直接用 pandas 的bdate_range生成一个近似日历。前值填充是处理停牌最常用的做法但要注意如果你做的是日内策略停牌日的填充方式需要更谨慎因为当天根本没有成交用前收盘价会产生虚假信号。3.2 策略信号生成以双均线为例看 base 类怎么用strategy/ma_cross.py继承base.py的基类实现generate_signals。双均线逻辑本身很简单但源码里通常会把参数暴露出来方便你调# strategy/ma_cross.py import pandas as pd from strategy.base import BaseStrategy class MACrossStrategy(BaseStrategy): def __init__(self, short_window5, long_window20): self.short_window short_window self.long_window long_window def generate_signals(self, df): df df.copy() df[ma_short] df[close].rolling(self.short_window).mean() df[ma_long] df[close].rolling(self.long_window).mean() # 金叉买入死叉卖出 df[signal] 0 df.loc[df[ma_short] df[ma_long], signal] 1 df.loc[df[ma_short] df[ma_long], signal] -1 return dfshort_window和long_window是最常改的两个参数。5/20 是日线级别的常见组合但如果你换成 60 分钟线这两个值要相应缩小。signal列的含义在源码里约定为 1 代表持有、-1 代表空仓或卖出回测引擎按这个约定执行。你加新策略时只要保证返回的 DataFrame 里有signal列回测部分就不用动。这里有个细节rolling().mean()在数据开头会产生 NaN回测引擎需要处理这些 NaN否则第一天就会报错。常见做法是在引擎里跳过signal为 NaN 的行或者在策略里直接dropna()。源码里如果没处理你跑的时候会在日志里看到一堆 NaN 警告不影响结果但看着烦自己加一行df df.dropna()就行。3.3 回测引擎与绩效指标逐日循环里发生了什么backtest/engine.py是整个项目里最值得细看的部分。它不依赖第三方回测框架用最朴素的逐日循环实现好处是逻辑透明你随时可以打断点看每一步的持仓和资金变化# backtest/engine.py import pandas as pd def run_backtest(df, initial_capital100000): 逐日回测signal1 满仓signal-1 空仓 capital initial_capital position 0 records [] for date, row in df.iterrows(): price row[close] signal row[signal] if signal 1 and position 0: position capital / price # 全仓买入 capital 0 elif signal -1 and position 0: capital position * price # 全仓卖出 position 0 total capital position * price records.append({date: date, total: total}) return pd.DataFrame(records).set_index(date)initial_capital默认 10 万你可以按自己的资金规模改。这段代码没有考虑手续费和滑点属于最简版本。如果你要做更真实的回测在买入和卖出时扣掉commission就行常见做法是双边各扣万分之二到万分之三。metrics.py里的年化收益、最大回撤、夏普比率都是基于这条total净值曲线算的公式不复杂但要注意年化时用的交易日数——A 股一般按 244 天算不是 365。跑完main.py后你会得到一张净值曲线图和一份指标打印。如果曲线一路向下先别怀疑策略回头检查复权方式和停牌处理这两个地方出问题的概率远大于策略逻辑本身。4. 避坑与排查跑这份源码时最容易翻车的五个地方4.1 接口返回空数据但 token 明明是对的现象fetch_daily返回 None日志里全是「返回空数据」。原因通常不是 token 失效而是股票代码格式不对或者你查的日期区间内该股票还没上市。tushare 的 ts_code 必须带交易所后缀000001和000001.SZ是两个结果。解决方式先用pro.stock_basic()拉一份股票列表确认代码存在再检查start_date是否早于上市日期。4.2 回测净值曲线是一条直线现象跑完发现净值从头到尾没变化。原因多半是signal列全是 0 或 NaN策略根本没产生信号。常见触发场景是short_window和long_window设得太大而你的数据区间太短rolling 之后全是 NaN。解决方式把窗口调小或者在策略里打印一下signal.value_counts()确认信号确实生成了。4.3 停牌日导致回测报错或收益异常现象回测中途抛出 KeyError 或收益突然跳变。原因是停牌日没有对齐交易日历引擎在缺失日期上取不到价格。解决方式确保cleaner.py里的reindex(trade_calendar)生效并且trade_calendar覆盖了你回测的完整区间。如果你跳过了 cleaner 直接拿原始数据跑这个问题几乎必然出现。4.4 复权方式选错历史收益完全失真现象回测显示某只股票十年前价格和现在差不多但实际涨幅很大。原因是用了不复权数据分红送股导致价格断层。解决方式日线回测统一用前复权qfq并在settings.py里显式写清楚。如果你中途换了复权方式之前存的本地数据要重新拉不能混用。4.5 本地缓存数据过期回测结果和实盘对不上现象同一套参数今天跑和上周跑结果不一样。原因是storage.py读了旧的 parquet 文件没有重新拉取最新数据。解决方式在main.py里加一个force_refresh开关或者在 storage 层判断文件修改时间超过一天就自动重新拉取。我一般会在回测前手动删一次缓存目录虽然笨但省心。5. 二次开发把这份源码改成你自己的策略实验台5.1 加一个新策略的最小改动路径假设你想加一个 RSI 超买超卖策略只需要三步。第一步在strategy/下新建rsi_strategy.py继承BaseStrategy# strategy/rsi_strategy.py import pandas as pd from strategy.base import BaseStrategy class RSIStrategy(BaseStrategy): def __init__(self, period14, oversold30, overbought70): self.period period self.oversold oversold self.overbought overbought def generate_signals(self, df): df df.copy() delta df[close].diff() gain delta.where(delta 0, 0).rolling(self.period).mean() loss -delta.where(delta 0, 0).rolling(self.period).mean() rs gain / loss df[rsi] 100 - 100 / (1 rs) df[signal] 0 df.loc[df[rsi] self.oversold, signal] 1 df.loc[df[rsi] self.overbought, signal] -1 return df第二步在main.py里把MACrossStrategy替换成RSIStrategy参数按需调整。第三步跑一遍看信号数量和净值曲线是否合理。整个改动不涉及数据层和回测层这就是分层结构带来的好处。5.2 把单股票回测扩展成多股票轮动源码默认的STOCK_POOL是逐只回测但实际策略经常需要多股票轮动。改造思路是在engine.py外面包一层组合层对每只股票分别生成信号和净值然后按等权或按信号强度分配资金。常见做法是维护一个positions字典每天根据所有股票的 signal 决定持仓比例。这个改动量比加策略大但比换回测框架小得多适合作为你从单标的走向组合的第一步。5.3 参数调优与验证别在同一个区间上反复试最后说一个我踩过的坑。很多人拿到源码后会在同一段历史数据上反复调均线窗口直到净值曲线好看为止然后以为策略成了。这是典型的过拟合。正确做法是留出一段样本外数据比如用 2020 到 2022 年调参用 2023 年验证。源码里START_DATE和END_DATE是全局配置你可以改成命令行参数方便快速切换区间。从那以后我每次调完参数都强制走一遍样本外验证哪怕结果难看也认。希望这份源码能帮你把精力花在策略逻辑上而不是重复写数据管道。本文还有配套的精品资源点击获取
简介这份资源是tushare 0.2.8版本的Python源码包面向金融数据分析与量化交易方向的开发者、量化策略研究者及Python进阶学习者帮助读者通过阅读真实源码理解金融数据接口库的内部实现解决从数据获取到策略落地过程中的工具使用与二次开发问题。压缩包共26个文件约181KB以19个py源码文件为核心辅以3个txt说明、2个pkg-info元数据、1个csv数据样例和1个cfg配置文件覆盖数据获取、清洗转换、本地存储、实时行情、技术指标计算与异常处理等模块setup.py与setup.cfg则展示了打包发布结构。目前已有6234人学习下载适合作为研读金融数据接口设计与量化交易工具链的实战素材读者可从中掌握HTTP请求封装、数据预处理函数组织、文件读写与容错设计等具体思路并借鉴其目录划分与模块解耦方式提升自身Python工程能力与量化开发效率。1. 从一份 tushare 量化交易 Python 源码说起它到底能帮你省掉多少重复造轮子的时间如果你写过 A 股数据接口大概率经历过这样的循环先花半天调通 tushare 的 token再花半天把日线行情拉下来存成 CSV接着发现复权没处理、停牌日混在里面、字段名对不上回测框架最后真正想验证的策略逻辑一行没写。这份 tushare 量化交易 Python 源码解决的正是这个断层——它把数据获取、清洗、本地存储、策略信号生成、简易回测和结果可视化串成一条能直接跑的链路而不是丢给你一堆散落的 API 示例。适合两类人刚接触量化交易、想先跑通一个完整闭环的新手以及已经会用 pandas 但懒得每次重写数据管道的熟手。源码结构不复杂但该有的工程分层都有拿来当自己策略库的起点正合适。2. 项目骨架拆解数据层、策略层、回测层怎么分文件2.1 目录结构与模块职责拿到源码先别急着跑main.py花五分钟看目录能省掉后面大量找文件的时间。这个项目的组织方式属于典型的「轻量分层」没有过度设计但边界清晰tushare_quant/ ├── config/ │ └── settings.py # token、复权方式、起止日期等全局配置 ├── data/ │ ├── fetcher.py # 封装 tushare pro_api 调用 │ ├── cleaner.py # 缺失值、停牌、复权处理 │ └── storage.py # 本地 parquet/csv 读写 ├── strategy/ │ ├── base.py # 策略基类定义 generate_signals 接口 │ └── ma_cross.py # 双均线示例策略 ├── backtest/ │ ├── engine.py # 逐日循环、持仓与资金更新 │ └── metrics.py # 年化、回撤、夏普计算 ├── utils/ │ └── logger.py # 统一日志方便排查数据异常 └── main.py # 串联全流程的入口config/settings.py是唯一需要你手动改 token 的地方其他模块都从这里读参数。data/三个文件各管一件事fetcher 只负责调接口拿原始 DataFramecleaner 只负责把原始数据变成回测可用的干净数据storage 只负责落盘和读取。这种拆法的好处是当 tushare 接口字段变动时你只需要改 fetcher策略和回测代码完全不受影响。strategy/base.py定义了一个抽象基类强制每个策略实现generate_signals(df)方法返回带signal列的 DataFrame。backtest/engine.py不关心策略怎么算信号只按信号列执行买卖。这种「策略与执行分离」是量化项目里最常见的做法也是你后续加新策略时最该保留的结构。2.2 配置与依赖跑之前先确认这几项源码根目录一般会有requirements.txt核心依赖就几个tushare、pandas、numpy、pyarrowparquet 存储用、matplotlib画净值曲线。安装命令很直接pip install -r requirements.txt但真正容易翻车的是 tushare 的 token 配置。你需要在 tushare 官网注册后拿到 token填进config/settings.py# config/settings.py TUSHARE_TOKEN 你的token # 必须替换否则所有接口返回空 START_DATE 20200101 # 回测起始日 END_DATE 20231231 # 回测结束日 ADJUST qfq # 复权方式qfq前复权 / hfq后复权 / None不复权 STOCK_POOL [000001.SZ, 600519.SH] # 股票池按需增删这里有个参数值得单独说ADJUST。很多新手第一次跑回测发现收益曲线完全不对十有八九是复权方式选错。做日线级别回测前复权qfq是常见选择因为它让历史价格和当前价格在同一尺度上可比。如果你做的是分红再投资类策略后复权hfq更合适。源码默认给的是 qfq但你在改股票池或换周期时最好回头确认一下这个参数是否还匹配你的策略逻辑。STOCK_POOL支持直接写 tushare 的 ts_code 格式也有的版本会封装一个get_index_components()函数从指数成分股动态获取。如果你拿到的源码里没有这个函数自己加一个也不难后面二次开发部分会讲。3. 核心链路跑通从 tushare 拉数据到回测出净值3.1 数据获取与清洗fetcher 和 cleaner 的配合data/fetcher.py的核心逻辑是封装 tushare 的pro.daily()接口并处理分页和频率限制。tushare 对免费用户有调用次数限制所以源码里通常会加一个简单的重试和休眠# data/fetcher.py import tushare as ts import time from config.settings import TUSHARE_TOKEN, ADJUST pro ts.pro_api(TUSHARE_TOKEN) def fetch_daily(ts_code, start_date, end_date, retry3): 拉取单只股票日线带重试和频率控制 for i in range(retry): try: df pro.daily(ts_codets_code, start_datestart_date, end_dateend_date) if df.empty: raise ValueError(f{ts_code} 返回空数据) time.sleep(0.3) # 控制调用频率避免触发限流 return df except Exception as e: print(f第{i1}次失败: {e}) time.sleep(1) return None这段代码的关键点有三个retry参数控制重试次数time.sleep(0.3)是给免费额度留缓冲df.empty判断能帮你区分「接口挂了」和「这只股票这段时间没数据」。如果你跑的时候发现某只股票一直返回空先手动去 tushare 网页查一下代码格式对不对常见错误是漏了.SZ或.SH后缀。拿到原始数据后cleaner.py负责三件事把trade_date转成 datetime 并设为索引、按日期排序、处理停牌日的缺失值。停牌日在 tushare 返回里通常表现为当天没有记录而不是价格为 0。源码里常见的处理方式是先 reindex 到完整交易日历再用前值填充# data/cleaner.py import pandas as pd def clean_daily(df, trade_calendar): 对齐交易日历前值填充停牌日 df[trade_date] pd.to_datetime(df[trade_date]) df df.set_index(trade_date).sort_index() df df.reindex(trade_calendar) # 对齐完整日历 df[close] df[close].ffill() # 停牌日沿用前收盘 df[volume] df[volume].fillna(0) # 停牌日成交量为0 return df.dropna(subset[close])trade_calendar可以从 tushare 的trade_cal()接口获取也可以直接用 pandas 的bdate_range生成一个近似日历。前值填充是处理停牌最常用的做法但要注意如果你做的是日内策略停牌日的填充方式需要更谨慎因为当天根本没有成交用前收盘价会产生虚假信号。3.2 策略信号生成以双均线为例看 base 类怎么用strategy/ma_cross.py继承base.py的基类实现generate_signals。双均线逻辑本身很简单但源码里通常会把参数暴露出来方便你调# strategy/ma_cross.py import pandas as pd from strategy.base import BaseStrategy class MACrossStrategy(BaseStrategy): def __init__(self, short_window5, long_window20): self.short_window short_window self.long_window long_window def generate_signals(self, df): df df.copy() df[ma_short] df[close].rolling(self.short_window).mean() df[ma_long] df[close].rolling(self.long_window).mean() # 金叉买入死叉卖出 df[signal] 0 df.loc[df[ma_short] df[ma_long], signal] 1 df.loc[df[ma_short] df[ma_long], signal] -1 return dfshort_window和long_window是最常改的两个参数。5/20 是日线级别的常见组合但如果你换成 60 分钟线这两个值要相应缩小。signal列的含义在源码里约定为 1 代表持有、-1 代表空仓或卖出回测引擎按这个约定执行。你加新策略时只要保证返回的 DataFrame 里有signal列回测部分就不用动。这里有个细节rolling().mean()在数据开头会产生 NaN回测引擎需要处理这些 NaN否则第一天就会报错。常见做法是在引擎里跳过signal为 NaN 的行或者在策略里直接dropna()。源码里如果没处理你跑的时候会在日志里看到一堆 NaN 警告不影响结果但看着烦自己加一行df df.dropna()就行。3.3 回测引擎与绩效指标逐日循环里发生了什么backtest/engine.py是整个项目里最值得细看的部分。它不依赖第三方回测框架用最朴素的逐日循环实现好处是逻辑透明你随时可以打断点看每一步的持仓和资金变化# backtest/engine.py import pandas as pd def run_backtest(df, initial_capital100000): 逐日回测signal1 满仓signal-1 空仓 capital initial_capital position 0 records [] for date, row in df.iterrows(): price row[close] signal row[signal] if signal 1 and position 0: position capital / price # 全仓买入 capital 0 elif signal -1 and position 0: capital position * price # 全仓卖出 position 0 total capital position * price records.append({date: date, total: total}) return pd.DataFrame(records).set_index(date)initial_capital默认 10 万你可以按自己的资金规模改。这段代码没有考虑手续费和滑点属于最简版本。如果你要做更真实的回测在买入和卖出时扣掉commission就行常见做法是双边各扣万分之二到万分之三。metrics.py里的年化收益、最大回撤、夏普比率都是基于这条total净值曲线算的公式不复杂但要注意年化时用的交易日数——A 股一般按 244 天算不是 365。跑完main.py后你会得到一张净值曲线图和一份指标打印。如果曲线一路向下先别怀疑策略回头检查复权方式和停牌处理这两个地方出问题的概率远大于策略逻辑本身。4. 避坑与排查跑这份源码时最容易翻车的五个地方4.1 接口返回空数据但 token 明明是对的现象fetch_daily返回 None日志里全是「返回空数据」。原因通常不是 token 失效而是股票代码格式不对或者你查的日期区间内该股票还没上市。tushare 的 ts_code 必须带交易所后缀000001和000001.SZ是两个结果。解决方式先用pro.stock_basic()拉一份股票列表确认代码存在再检查start_date是否早于上市日期。4.2 回测净值曲线是一条直线现象跑完发现净值从头到尾没变化。原因多半是signal列全是 0 或 NaN策略根本没产生信号。常见触发场景是short_window和long_window设得太大而你的数据区间太短rolling 之后全是 NaN。解决方式把窗口调小或者在策略里打印一下signal.value_counts()确认信号确实生成了。4.3 停牌日导致回测报错或收益异常现象回测中途抛出 KeyError 或收益突然跳变。原因是停牌日没有对齐交易日历引擎在缺失日期上取不到价格。解决方式确保cleaner.py里的reindex(trade_calendar)生效并且trade_calendar覆盖了你回测的完整区间。如果你跳过了 cleaner 直接拿原始数据跑这个问题几乎必然出现。4.4 复权方式选错历史收益完全失真现象回测显示某只股票十年前价格和现在差不多但实际涨幅很大。原因是用了不复权数据分红送股导致价格断层。解决方式日线回测统一用前复权qfq并在settings.py里显式写清楚。如果你中途换了复权方式之前存的本地数据要重新拉不能混用。4.5 本地缓存数据过期回测结果和实盘对不上现象同一套参数今天跑和上周跑结果不一样。原因是storage.py读了旧的 parquet 文件没有重新拉取最新数据。解决方式在main.py里加一个force_refresh开关或者在 storage 层判断文件修改时间超过一天就自动重新拉取。我一般会在回测前手动删一次缓存目录虽然笨但省心。5. 二次开发把这份源码改成你自己的策略实验台5.1 加一个新策略的最小改动路径假设你想加一个 RSI 超买超卖策略只需要三步。第一步在strategy/下新建rsi_strategy.py继承BaseStrategy# strategy/rsi_strategy.py import pandas as pd from strategy.base import BaseStrategy class RSIStrategy(BaseStrategy): def __init__(self, period14, oversold30, overbought70): self.period period self.oversold oversold self.overbought overbought def generate_signals(self, df): df df.copy() delta df[close].diff() gain delta.where(delta 0, 0).rolling(self.period).mean() loss -delta.where(delta 0, 0).rolling(self.period).mean() rs gain / loss df[rsi] 100 - 100 / (1 rs) df[signal] 0 df.loc[df[rsi] self.oversold, signal] 1 df.loc[df[rsi] self.overbought, signal] -1 return df第二步在main.py里把MACrossStrategy替换成RSIStrategy参数按需调整。第三步跑一遍看信号数量和净值曲线是否合理。整个改动不涉及数据层和回测层这就是分层结构带来的好处。5.2 把单股票回测扩展成多股票轮动源码默认的STOCK_POOL是逐只回测但实际策略经常需要多股票轮动。改造思路是在engine.py外面包一层组合层对每只股票分别生成信号和净值然后按等权或按信号强度分配资金。常见做法是维护一个positions字典每天根据所有股票的 signal 决定持仓比例。这个改动量比加策略大但比换回测框架小得多适合作为你从单标的走向组合的第一步。5.3 参数调优与验证别在同一个区间上反复试最后说一个我踩过的坑。很多人拿到源码后会在同一段历史数据上反复调均线窗口直到净值曲线好看为止然后以为策略成了。这是典型的过拟合。正确做法是留出一段样本外数据比如用 2020 到 2022 年调参用 2023 年验证。源码里START_DATE和END_DATE是全局配置你可以改成命令行参数方便快速切换区间。从那以后我每次调完参数都强制走一遍样本外验证哪怕结果难看也认。希望这份源码能帮你把精力花在策略逻辑上而不是重复写数据管道。本文还有配套的精品资源点击获取
