研究到生产的一致性

不同代码 = 不同的策略

回测与实盘用不同的代码是最常见的事故源：研究代码用 pandas 向量化，实盘代码用事件循环重写——两份代码对"信号"的定义必然有细微差别（边界条件、时区、缺值处理），而这些差别在纸面上不可见，在实盘里是真金白银的偏离。

事件驱动：一份代码，两种数据

解决方式是事件驱动架构：策略逻辑只消费"事件"（一根 bar、一笔 tick），不关心事件来自历史还是实时：

            ┌──────────────┐        ┌──────────────┐
历史数据 ──→ │  事件回放器   │ ──┐    │              │
            └──────────────┘   ├──→ │  策略逻辑     │ ──→ 订单
实时行情 ──→  实时事件源       ──┘    │ （同一份代码） │
            └──────────────┘        └──────────────┘

from abc import ABC, abstractmethod
import pandas as pd

class Strategy(ABC):
    @abstractmethod
    def on_bar(self, bar: pd.Series, clock: pd.Timestamp) -> list[dict]:
        """回测与实盘共用：bar 为一根数据，clock 为事件到达时间"""

class TsMomentum(Strategy):
    def __init__(self, lookback: int = 126, vol_target: float = 0.10):
        self.lookback, self.vol_target = lookback, vol_target
        self.prices: list[float] = []

    def on_bar(self, bar: pd.Series, clock: pd.Timestamp) -> list[dict]:
        self.prices.append(bar["close"])
        if len(self.prices) < self.lookback + 1:
            return []
        r = pd.Series(self.prices).pct_change(self.lookback).iloc[-2]  # 只用已收数据
        vol = pd.Series(self.prices).pct_change().rolling(60).std().iloc[-2] * (252 ** 0.5)
        return [{"symbol": bar["symbol"], "side": "buy" if r > 0 else "sell",
                 "size": min(self.vol_target / max(vol, 1e-9), 2.0)}]

回测的时钟：数据到达时间，不是时间戳

回测与实盘一致的关键细节：时钟用"数据到达时间"而非"数据时间戳"——

实盘里你在收到 bar 时决策，不是在 bar 生成时刻；
历史回放时，bar 的"到达时间"应模拟真实延迟（收盘后数秒到数分钟）；
一切特征只能用已到达的数据，见财务与公告数据的 as-of 原则。

向量化 vs 事件驱动

方式	速度	与实盘一致性	适用
向量化回测	快 100 倍以上	差：成交假设、时钟都与实盘脱节	因子研究、初筛
事件驱动回测	慢	好：同一份代码	实盘前的最终验证

两者都用：向量化筛想法，事件驱动验实盘。研究阶段用向量化的速度，上线前必须过事件驱动的一致性检验，见回测引擎设计。

量化中的用法

信号逻辑一份代码，通过事件接口消费历史与实时数据；
回测时钟 = 数据到达时间；特征只用已到达数据；
上线前影子交易比对信号，一致才发真实订单。

本章要点

向量化回测快但难以与实盘一致，事件驱动回测反之
把"数据到达时间"而非"数据时间戳"作为回测的时钟
实盘前必须做影子交易（paper trading）比对