Alpaca 交易回测

回测最容易坏在哪

多数人第一次跑回测，得到的其实不是策略表现，而是一段说不清来源的数字。问题通常不在策略本身，而在那些没人记录的细节：信号用收盘价触发，成交却按同一根 bar 的高点成交，这就是前视偏差；因子用了未来才有的数据，或者 VWAP 与 close 被当成可以互换的成交价代理；分红、拆股、费用和滑点全被忽略，基准指数也没定义清楚。更要命的是，三个月后回头看当时的 run，发现脚本已经丢了，假设没人写下，只知道一句「当时跑出来是正的」。

这个技能要解决的就是这件事：把一次回测变成一份可以审计、可以复现的研究产物，而不是一次口头结论。

它如何工作

整个流程围绕「把自由描述翻译成可验证的数学规则」展开：

• 明确输入：起止日期、标的池、资产类别、周期、初始资金、仓位规则、数据源、复权方式、成交假设与基准。缺的项由代理推断，但每一项都会写进 notes.md，不静默填补。
• 策略形式化：在写代码之前，先给出一份确认稿，包含数据字段、触发条件、区间开闭、指标变体与参数、warmup 行为、仓位与取整、订单类型、成交模型和基准定义。
• 工作区检查：先看看有没有可复用的历史数据、上一轮 run 或现成的回测工具，避免重复造轮子；数据只在 fingerprint 一致时才复用。
• 自包含的 run 目录：每次运行生成独立文件夹，内含 notes.md、strategy_spec.json、config.json 和一个可读的单文件 run.py，原始 CLI 输出与归一化数据分别落在 raw/ 与 normalized/。
• 回测与产物：跑完本地模拟后输出 report.md 与 summary.json，并把「Teaching Five」、首末笔交易、全部假设、数据指纹、收益对比表和注意事项一起返回。

成交模型是显式选择的：next_open 为默认，信号在 T 收盘、成交在 T+1 开盘；time_based 按指定时刻成交；same_bar 只在明确要求时使用，并且必须在报告里标注前视风险。

适用边界

这不是策略会赚钱的承诺，只是一个可复现的研究流程。结果不保证未来表现，且高度依赖数据质量、复权处理、费用模型、滑点、流动性、税费与成交假设。

所有报告、notebook、dashboard 和导出结果都必须带上免责声明；一旦涉及模拟交易，还要额外说明纸面交易与实盘的差异。若回测建模了 Alpaca 的交易活动费用，需要记录 PDF 版本日期、抓取时间、所建模的费用类别以及被有意排除的项目。

安全边界同样硬：不允许用未来数据生成信号、不允许把同 bar 决策和成交静默混在一起、不允许提交真实订单、不允许绕过 Alpaca CLI 直接发 HTTP 请求、也不允许在没有本地凭证和文件权限的沙箱里跑。期权等需要显式合约选择与成交逻辑的产品，不做超出支持范围的宣称。