RaptorBT 是一个用 Rust 编写的高性能回测引擎，通过 PyO3 提供 Python 绑定。支持单标的、篮子、配对、期权、价差、多策略、Tick 级回测，在亚毫秒级时间内返回完整的 33 项绩效指标报告。项目还内置完整的策略自动化框架（参数优化 / Walk-Forward 验证 / 验收检查 / 交付包导出），支持 AI agent 自主开发与交付策略。

亚毫秒级回测 · 编译后 < 1 MB · 80+ 技术指标 · 位级确定性 · 原生并行 · 策略自动化框架

快速开始

安装

pip install raptorbt

30 秒示例

import numpy as np
import raptorbt

# 配置回测
config = raptorbt.PyBacktestConfig(initial_capital=100000, fees=0.001)

# 运行回测
result = raptorbt.run_single_backtest(
    timestamps=timestamps,
    open=open, high=high, low=low, close=close, volume=volume,
    entries=entries, exits=exits,
    direction=1, weight=1.0, symbol="AAPL",
    config=config,
)

# 查看结果
print(f"收益率: {result.metrics.total_return_pct:.2f}%")
print(f"夏普比率: {result.metrics.sharpe_ratio:.2f}")
print(f"最大回撤: {result.metrics.max_drawdown_pct:.2f}%")

概述

RaptorBT 编译为单一原生扩展，完全在 Rust 中运行。在典型 K 线数量下，完整的回测加上所有 33 项绩效指标的执行时间不足 1 毫秒。在 Apple M4 上测量的基准数据（raptorbt 0.4.1）：

指标	RaptorBT
编译引擎大小	< 1 MB
回测速度 (1K 根 K 线)	~0.03 ms
回测速度 (10K 根 K 线)	~0.25 ms
回测速度 (50K 根 K 线)	~1.4 ms
内存使用	低（原生内存管理）

核心特性

7 种策略类型：单标的、篮子/集体、配对交易、期权、价差、多策略、Tick 级
资产与券商无关：从任何数据源传入 NumPy OHLCV 或 Tick 数组——股票、期货、外汇、加密货币、期权，RaptorBT 从不假设市场或数据供应商
80+ 技术指标：集成 ferro-ta 指标库，覆盖趋势、动量、波动率、强度、成交量、价格变换、统计、周期变换、市场状态检测、投资组合工具
Tick 级模拟：全 Tick 分辨率，支持日内期权动量、剥头皮和微观结构策略
批量价差回测：通过 Rayon 并行运行多个价差回测，释放 GIL
蒙特卡洛模拟：基于 GBM + Cholesky 分解的相关多资产前向投影
33 项绩效指标：夏普、索提诺、卡玛、Omega、SQN、盈亏比、恢复因子等
止损/止盈管理：固定、ATR 基于和追踪止损，风险回报目标
位级确定性：相同输入产生 bit-for-bit 相同结果——无 JIT 编译偏差
原生并行：Rayon 并行处理 + SIMD 优化

策略自动化框架

RaptorBT 内置完整的策略自动化框架，覆盖从策略开发到交付的完整流程：

scaffold 生成模板 → 编写信号逻辑 → check 前视检测 → optimize 参数优化
→ walkforward 验证 → acceptance 验收 → deliver 生成交付包

数据源

框架支持两种数据源，默认用 CSV 离线数据：

CSV（默认）：把 MT5 History Center / quant data manager 导出的 M1 CSV 放到 data/ 目录，加载器自动识别品种、时区、重采样、spread→slippage 转换。适合策略研究。
Mt5Bridge：用 --source mt5 切换，从远程 MT5 拉取实时数据。适合最终策略验证。

CLI 入口

所有命令通过 python -m app.main 调用：

# 列出所有已注册策略 (同时列出 data/ 下可用 CSV 品种)
python -m app.main list

# 运行单个策略回测 (默认 CSV 离线数据)
python -m app.main run --strategy sma_cross --symbol XAUUSD --bars 500

# 对比所有策略表现
python -m app.main compare --symbol XAUUSD

# 参数网格搜索优化
python -m app.main optimize --strategy sma_cross \
    --param fast=5,10,15 --param slow=20,30 --metric sharpe_ratio --export

# Walk-Forward 验证 (滚动 IS/OOS + 过拟合检测)
python -m app.main walkforward --strategy sma_cross \
    --param fast=5,10 --param slow=20,30 --bars 1000 --train-size 300 --test-size 100

# 列出所有可用策略 / 可用指标 (80 个)
python -m app.main list
python -m app.main list --indicators --json    # AI agent 开发前先查询指标目录

# 策略验收检查 (盈利优先三层标准 + 前视偏差强制检测)
python -m app.main validate --strategy sma_cross \
    --param fast=5,10 --param slow=20,30

# 前视偏差检测 (静态 AST 扫描 + 动态扰动验证)
python -m app.main check --strategy sma_cross --dynamic --bars 500
python -m app.main check --strategy all              # 扫描所有策略

# 生成策略模板文件 (自带前视警告头部)
python -m app.main scaffold --name my_rsi --template mean_reversion

# 生成完整交付包 (强制前视检测, 未通过则拒绝生成)
python -m app.main deliver --strategy sma_cross \
    --param fast=5,10 --param slow=20,30

# 所有命令支持 --json 输出 (供 AI agent 解析, 含失败诊断建议)
python -m app.main validate --strategy sma_cross \
    --param fast=5,10 --param slow=20,30 --json

9 个自动化模块

模块	作用	关键能力
app/main.py	CLI 入口	9 个子命令 (list/run/compare/optimize/walkforward/validate/check/scaffold/deliver)，全部支持 `--json` 结构化输出
app/data_loader.py	CSV 数据加载	MT5 格式 M1 CSV，17 品种识别，13 周期重采样，spread→slippage
app/lookahead_check.py	前视偏差防护	静态 AST 扫描 (11 规则) + 动态扰动验证，强制集成到 validate/deliver
app/indicator_catalog.py	指标目录	80 个原生指标的可查询目录，含签名/输入/默认值/返回值，`list --indicators` 输出
app/optimizer.py	参数网格搜索	遍历参数组合，按指标排序，导出完整响应面
app/walk_forward.py	Walk-Forward 验证	滚动 IS/OOS 窗口，衰减比，参数稳定性分析，过拟合检测
app/acceptance.py	验收检查	盈利优先三层标准 (L1 盈利性必须 / L2 风险可控 / L3 健壮性) + 失败诊断建议 (按层分级)
app/scaffold.py	策略模板生成器	5 种模板 (crossover/mean_reversion/trend_following/breakout/custom)，自带前视警告
app/exporter.py	交付包打包导出	策略源码 + 8 章节 Markdown 报告 + 3 个 CSV

前视偏差防护链

防止 AI agent 自动开发策略时引入前视偏差（使用未来 bar 数据导致回测虚高）。完整防护链：

scaffold (头部警告) → check (静态+动态检测) → validate (强制前置) → deliver (强制前置, 拒绝生成)

防护点	行为
scaffold 模板	生成的策略文件头部自带 ⚠️ 前视警告，列出禁用模式
`check` 命令	单独运行静态 AST 扫描 + 动态扰动验证
`validate` 命令	前置前视检测，未通过则终止验收
`deliver` 命令	前置前视检测，未通过则拒绝生成交付包
引擎层	`upon_bar_close=True`（默认）确保信号在 bar 收盘后生成

检测的常见前视模式：.shift(-N)、close[-1] 负索引、df.iloc[i+N:] 切片未来、np.roll 循环移位、future/lookahead 关键词等 11 条规则。

JSON 输出 + 失败驱动迭代 ★

所有 CLI 命令支持 --json 标志，输出结构化 JSON（自动清理 NaN/Inf，不转义中文），AI agent 可直接解析无需正则匹配表格：

python -m app.main validate --strategy sma_cross \
    --param fast=5,10 --param slow=20,30 --json

失败驱动的自动迭代：当 validate 未通过时，JSON 中 acceptance.criteria 数组的每条失败标准都带 suggestions 字段（5 条具体可执行建议，按 L1/L2/L3 分级）。AI agent 按优先级决策：

l1_passed=false → 策略不赚钱，不要在参数优化上浪费时间，按 L1 建议换策略逻辑/品种/周期
l1_passed=true && (l2|l3)=false → 按 L2/L3 建议调整风控或统计性问题
全过 → deliver --json 生成交付包

失败标准	层	建议方向
OOS 盈利因子 < 1.3	L1	重审信号逻辑、切换策略类型、切换品种/周期、检查止损、反向信号
OOS 净收益 ≤ 0	L1	检查 IS 是否也亏、评估成本侵蚀、减少频率、切换顺势品种、反向信号
OOS 每笔期望 ≤ 0	L1	检查胜率×盈亏比、放大止盈/追踪止损、加过滤提高胜率、放宽止损
OOS 最大回撤 > 20%	L2	收紧止损、ATR 动态止损、追踪止损、降仓位、加趋势过滤
OOS 夏普 < 0.7	L3	放宽止损、加趋势过滤、切大周期、加成交量过滤（已降为参考）
OOS 交易数 < 30	L3	缩短指标周期、降低入场阈值、切更小周期、放宽过滤、检查 warmup
衰减比 < 0.5	L3	缩小参数空间、增加 WF 窗口数、简化策略、用中位数参数、检查前视

验收标准 (盈利优先三层)

⚠️ 设计原则:策略的最终目的是赚钱，不是为了优化指标而优化指标。盈利性(PF/收益/期望)是 L1 必须层，先确认真赚钱再看风险/健壮性。避免"Sharpe=1.06 但年化 2.5%"这种假阳性，也避免"IS/OOS 都亏但衰减比 3.0"这种误导性通过。

层级	标准	阈值	性质
L1 盈利性	OOS 盈利因子	≥ 1.3	必须（任一失败即拒收）
	OOS 净收益率	> 0%	必须
	OOS 每笔期望	> 0	必须
L2 风险可控	OOS 最大回撤	≤ 20%	应该
L3 健壮性	OOS 夏普比率	≥ 0.7	建议（参考性，已放宽原 1.0）
	OOS 总交易数	≥ 30	建议
	IS/OOS 衰减比	≥ 0.5	建议（注：IS 也亏时高衰减比无意义）

💡 详见 docs/策略自动化框架.md 的"验收检查"章节。

策略框架 (strategies/)

所有策略继承 Strategy 基类，实现 3 个方法即可自动注册：

from .base import Strategy, SignalResult
import raptorbt, numpy as np

class MyStrategy(Strategy):
    name = "my_strategy"

    def __init__(self, period: int = 14):
        self.period = period

    def warmup_bars(self) -> int:
        return self.period + 1

    def generate_signals(self, df) -> SignalResult:
        close = df["close"].values.astype(np.float64)
        rsi = raptorbt.rsi(close, period=self.period)
        entries = (rsi < 30).astype(bool)
        exits = (rsi > 70).astype(bool)
        entries, exits = self.apply_warmup(entries, exits)
        return SignalResult(entries=entries, exits=exits, direction=1)

    def build_config(self) -> raptorbt.PyBacktestConfig:
        config = raptorbt.PyBacktestConfig(initial_capital=100000.0, fees=0.001)
        config.set_fixed_stop(0.02)
        return config

    def description(self) -> str:
        return f"RSI({self.period}) 均值回归"

STRATEGY_CLASS = MyStrategy  # 暴露此常量即可自动注册

详细文档见 docs/策略自动化框架.md

项目结构

my-python-backteat/
├── app/                        # 应用层 (Python)
│   ├── __init__.py             #   包入口 + 版本号
│   ├── main.py                 #   CLI 入口 (9 个子命令)
│   ├── data_loader.py          #   CSV 数据加载器 (M1→多周期重采样)
│   ├── indicators.py           #   自定义指标库 (转发 ferro-ta 原生)
│   ├── lookahead_check.py      #   前视偏差检测器 (静态 AST + 动态扰动)
│   ├── optimizer.py            #   参数网格搜索优化器
│   ├── walk_forward.py         #   Walk-Forward 验证 + 过拟合检测
│   ├── acceptance.py           #   策略验收标准
│   ├── scaffold.py            #   策略模板生成器 (自带前视警告)
│   └── exporter.py             #   交付包打包导出
├── strategies/                # 策略框架 (用户扩展区)
│   ├── __init__.py             #   自动发现注册表
│   ├── base.py                 #   Strategy 基类 + SignalResult
│   ├── sma_cross.py            #   示例: SMA 交叉
│   ├── rsi_mean_reversion.py   #   示例: RSI 均值回归
│   ├── sar_adx_cci.py          #   示例: SAR+ADX+CCI
│   └── atr_stop_rr.py          #   示例: ATR 止损 + 风险回报
├── data/                       # CSV 数据目录 (用户放置, gitignore)
├── docs/                       # 文档
│   ├── RaptorBT使用手册.md
│   ├── Mt5Bridge使用指南.md
│   └── 策略自动化框架.md
├── src/                        # RaptorBT 引擎 (Rust)
├── python/raptorbt/           # PyO3 Python 绑定
├── benches/                   # Rust 基准测试
├── tests/                     # Rust 单元测试
├── vendor/                     # 第三方源码依赖 ★必须随项目提交 (保证可移植)
│   ├── README.md              #   依赖管理说明
│   └── ferro-ta-main/         #   ferro-ta v1.2.0 — 80+ 指标的 Rust 原生实现
├── backtest_output/            # 运行时输出 (gitignore)
├── deliverables/               # 交付包 (运行时创建, gitignore)
├── Cargo.toml                  # Rust 依赖 (通过 path 引用 vendor/ferro-ta-main/)
├── pyproject.toml              # Python 项目配置
├── requirements.txt            # Python 依赖
└── README.md

分层职责：

引擎层 (src/, python/raptorbt/)：Rust 高性能回测核心 + Python 绑定
应用层 (app/)：CLI、优化器、验证器、导出器、数据加载器、前视检测器
策略层 (strategies/)：策略定义与自动注册
文档层 (docs/)：使用手册与指南
依赖层 (vendor/)：第三方源码依赖（ferro-ta-main），随项目提交以保证换电脑即可编译

⚠️ 可移植性：vendor/ferro-ta-main/ 是 ferro_ta_core 的源码依赖（在 Cargo.toml 中通过 path = "vendor/ferro-ta-main/crates/ferro_ta_core" 引用），必须随项目提交。换电脑后无需联网拉取外部 crate，直接 clone 即可编译。详见 vendor/README.md。

技术指标

RaptorBT 提供 80+ 个技术指标，其中 12 个为原版指标，其余 68 个来自 ferro-ta 指标库。所有指标均以原生 Rust 实现，接受 NumPy float64 数组并返回 NumPy 数组。预热期返回 NaN。

原版指标 (12 个)

类别	指标
趋势	SMA、EMA、Supertrend
动量	RSI、MACD、Stochastic
波动率	ATR、Bollinger Bands
强度	ADX
成交量	VWAP
滚动	Rolling Min、Rolling Max

ferro-ta 扩展指标 (68 个)

趋势类 (15 个)

函数	签名	返回	说明
`wma`	`wma(data, period)`	`ndarray`	加权移动平均
`dema`	`dema(data, period)`	`ndarray`	双重指数移动平均
`tema`	`tema(data, period)`	`ndarray`	三重指数移动平均
`kama`	`kama(data, period)`	`ndarray`	Kaufman 自适应移动平均
`t3`	`t3(data, period=5, vfactor=0.7)`	`ndarray`	Tillson T3 移动平均
`trima`	`trima(data, period)`	`ndarray`	三角移动平均
`midpoint`	`midpoint(data, period)`	`ndarray`	周期内中点值
`midprice`	`midprice(high, low, period)`	`ndarray`	周期内最高/最低均价
`sar`	`sar(high, low, acceleration=0.02, maximum=0.2)`	`ndarray`	抛物线 SAR
`hull_ma`	`hull_ma(data, period)`	`ndarray`	Hull 移动平均
`donchian`	`donchian(high, low, period)`	`(upper, middle, lower)`	唐奇安通道
`choppiness_index`	`choppiness_index(high, low, close, period=14)`	`ndarray`	混沌指标 (0=趋势, 100=震荡)
`chandelier_exit`	`chandelier_exit(high, low, close, period=22, multiplier=3.0)`	`(long_exit, short_exit)`	吊灯止损 (ATR 追踪)
`ichimoku`	`ichimoku(high, low, close, tenkan=9, kijun=26, senkou_b=52, displacement=26)`	`(tenkan, kijun, senkou_a, senkou_b, chikou)`	一目均衡表
`pivot_points`	`pivot_points(high, low, close, method="classic")`	`(pivot, r1, s1, r2, s2)`	枢轴点 (classic/fibonacci/camarilla)

动量类 (14 个)

函数	签名	返回	说明
`cci`	`cci(high, low, close, period)`	`ndarray`	商品通道指数
`willr`	`willr(high, low, close, period)`	`ndarray`	威廉指标 (-100~0)
`roc`	`roc(data, period)`	`ndarray`	变化率
`mom`	`mom(data, period)`	`ndarray`	动量
`cmo`	`cmo(data, period)`	`ndarray`	钱德动量振荡器
`trix`	`trix(data, period)`	`ndarray`	三重指数平滑变化率
`stochrsi`	`stochrsi(data, timeperiod=14, fastk_period=5, fastd_period=3)`	`(fastk, fastd)`	随机 RSI (0~100)
`aroon`	`aroon(high, low, period)`	`(up, down)`	Aroon 上升/下降 (0~100)
`aroonosc`	`aroonosc(high, low, period)`	`ndarray`	Aroon 振荡器 (-100~100)
`bop`	`bop(open, high, low, close)`	`ndarray`	力量平衡 (-1~1)
`ultosc`	`ultosc(high, low, close, period1=7, period2=14, period3=28)`	`ndarray`	终极振荡器 (0~100)
`ppo`	`ppo(data, fastperiod=12, slowperiod=26, signalperiod=9)`	`(line, signal, hist)`	百分比价格振荡器
`apo`	`apo(data, fastperiod=12, slowperiod=26)`	`ndarray`	绝对价格振荡器
`adx_all`	`adx_all(high, low, close, period)`	`(adx, +di, -di)`	ADX + DI+ + DI-

波动率类 (5 个)

函数	签名	返回	说明
`natr`	`natr(high, low, close, period)`	`ndarray`	归一化 ATR (%)
`trange`	`trange(high, low, close)`	`ndarray`	真实波幅
`stddev`	`stddev(data, period, nbdev=1.0)`	`ndarray`	标准差
`var`	`var(data, period, nbdev=1.0)`	`ndarray`	方差
`atr`	`atr(high, low, close, period)`	`ndarray`	平均真实波幅 (原版)

强度类 (3 个)

函数	签名	返回	说明
`adx`	`adx(high, low, close, period)`	`ndarray`	ADX (0~100) (原版)
`plus_di`	`plus_di(high, low, close, period)`	`ndarray`	+DI 方向指标
`minus_di`	`minus_di(high, low, close, period)`	`ndarray`	-DI 方向指标
`adxr`	`adxr(high, low, close, period)`	`ndarray`	ADX 评级

成交量类 (5 个)

函数	签名	返回	说明
`ad`	`ad(high, low, close, volume)`	`ndarray`	累积/派发线
`adosc`	`adosc(high, low, close, volume, fastperiod=3, slowperiod=10)`	`ndarray`	累积/派发振荡器
`obv`	`obv(close, volume)`	`ndarray`	能量潮
`mfi`	`mfi(high, low, close, volume, period)`	`ndarray`	资金流量指数 (0~100)
`vwma`	`vwma(data, volume, period=20)`	`ndarray`	成交量加权移动平均

价格变换类 (4 个)

函数	签名	返回	说明
`typprice`	`typprice(high, low, close)`	`ndarray`	典型价格 (H+L+C)/3
`medprice`	`medprice(high, low)`	`ndarray`	中间价格 (H+L)/2
`avgprice`	`avgprice(open, high, low, close)`	`ndarray`	平均价格 (O+H+L+C)/4
`wclprice`	`wclprice(high, low, close)`	`ndarray`	加权收盘价 (H+L+C*2)/4

统计类 (7 个)

函数	签名	返回	说明
`linearreg`	`linearreg(data, period)`	`ndarray`	线性回归
`linearreg_slope`	`linearreg_slope(data, period)`	`ndarray`	线性回归斜率
`linearreg_angle`	`linearreg_angle(data, period)`	`ndarray`	线性回归角度
`linearreg_intercept`	`linearreg_intercept(data, period)`	`ndarray`	线性回归截距
`tsf`	`tsf(data, period)`	`ndarray`	时间序列预测
`beta`	`beta(data0, data1, period)`	`ndarray`	Beta 系数
`correl`	`correl(data0, data1, period)`	`ndarray`	相关系数

Hilbert 变换 (6 个)

基于希尔伯特变换的周期分析工具（需要至少 32 根 K 线）：

函数	签名	返回	说明
`ht_trendline`	`ht_trendline(data)`	`ndarray`	希尔伯特瞬时趋势线
`ht_dcperiod`	`ht_dcperiod(data)`	`ndarray`	主导周期周期
`ht_dcphase`	`ht_dcphase(data)`	`ndarray`	主导周期相位（度）
`ht_phasor`	`ht_phasor(data)`	`(in_phase, quadrature)`	相量分量
`ht_sine`	`ht_sine(data)`	`(sine, lead_sine)`	正弦波（含超前信号）
`ht_trendmode`	`ht_trendmode(data)`	`ndarray[i32]`	趋势/周期模式 (1=趋势, 0=周期)

市场状态检测 (4 个)

用于判断当前市场处于趋势或震荡状态，以及检测结构性突变：

函数	签名	返回	说明
`regime_adx`	`regime_adx(adx, threshold=25.0)`	`ndarray[i8]`	基于 ADX 的趋势/震荡标签 (1=趋势, 0=震荡, -1=预热)
`regime_combined`	`regime_combined(adx, atr, close, adx_threshold=25.0, atr_pct_threshold=2.0)`	`ndarray[i8]`	ADX+ATR 组合判断
`detect_breaks_cusum`	`detect_breaks_cusum(data, window, threshold, slack)`	`ndarray[i8]`	CUSUM 结构性突变检测 (1=突变点)
`rolling_variance_break`	`rolling_variance_break(data, short_window, long_window, threshold)`	`ndarray[i8]`	滚动方差比突变检测 (1=突变点)

投资组合工具 (6 个)

跨序列分析工具，用于配对交易、风险管理、相对强度计算：

函数	签名	返回	说明
`rolling_beta`	`rolling_beta(asset, benchmark, window)`	`ndarray`	滚动 Beta 系数
`drawdown_series`	`drawdown_series(equity)`	`(dd_series, max_dd)`	回撤序列 + 最大回撤
`zscore_series`	`zscore_series(data, window)`	`ndarray`	滚动 Z-Score
`relative_strength`	`relative_strength(asset_returns, benchmark_returns)`	`ndarray`	相对强度 (excess return 风格)
`spread`	`spread(a, b, hedge)`	`ndarray`	价差序列 (a - hedge*b)
`ratio`	`ratio(a, b)`	`ndarray`	比率序列 (a/b)

Tick 微结构函数 (8 个)

函数	签名	返回	说明
`tick_spread_pct`	`tick_spread_pct(bid, ask)`	`ndarray`	每 Tick 买卖价差百分比
`buy_sell_imbalance_delta`	`buy_sell_imbalance_delta(buy_cum, sell_cum)`	`ndarray`	每 Tick 买卖失衡
`return_window`	`return_window(timestamps_ns, ltp, window_seconds=60.0)`	`ndarray`	时间窗口回看收益率
`realized_vol_rolling`	`realized_vol_rolling(timestamps_ns, ltp, window_seconds=300.0)`	`ndarray`	滚动已实现波动率
`oi_position_pct`	`oi_position_pct(oi, oi_day_high, oi_day_low)`	`ndarray`	OI 位置百分比 [0, 100]
`tick_velocity`	`tick_velocity(timestamps_ns, window_seconds=60.0)`	`ndarray`	Tick 速度 (ticks/min)
`compute_tick_entry_signals`	`compute_tick_entry_signals(spread_pct, bsi_delta, return_1m, ...)`	`ndarray[bool]`	Tick 入场信号
`compute_tick_exit_signals`	`compute_tick_exit_signals(timestamps_ns, eod_exit_time_ns=0)`	`ndarray[bool]`	Tick 出场信号

用法示例

import raptorbt
import numpy as np

close = np.array([...], dtype=np.float64)
high = np.array([...], dtype=np.float64)
low = np.array([...], dtype=np.float64)
open_ = np.array([...], dtype=np.float64)
volume = np.array([...], dtype=np.float64)

# 趋势
sma20 = raptorbt.sma(close, 20)
hull_ma = raptorbt.hull_ma(close, 14)
donchian_upper, donchian_middle, donchian_lower = raptorbt.donchian(high, low, 20)
ichimoku = raptorbt.ichimoku(high, low, close)

# 动量
rsi14 = raptorbt.rsi(close, 14)
macd_line, macd_signal, macd_hist = raptorbt.macd(close, 12, 26, 9)
cci20 = raptorbt.cci(high, low, close, 20)
ppo_line, ppo_signal, ppo_hist = raptorbt.ppo(close)

# 波动率
atr14 = raptorbt.atr(high, low, close, 14)
natr14 = raptorbt.natr(high, low, close, 14)
bb_upper, bb_middle, bb_lower = raptorbt.bollinger_bands(close, 20, 2.0)

# 成交量
ad_line = raptorbt.ad(high, low, close, volume)
mfi14 = raptorbt.mfi(high, low, close, volume, 14)

# Hilbert
ht_trendline = raptorbt.ht_trendline(close)
sine, lead_sine = raptorbt.ht_sine(close)

# 市场状态
adx_vals = raptorbt.adx(high, low, close, 14)
regime = raptorbt.regime_adx(adx_vals, threshold=25.0)

# 投资组合
rolling_beta = raptorbt.rolling_beta(close, benchmark, 20)
dd_series, max_dd = raptorbt.drawdown_series(equity_curve)

策略类型

1. 单标的回测

config = raptorbt.PyBacktestConfig(initial_capital=100000, fees=0.001, slippage=0.0005)
config.set_fixed_stop(0.02)      # 2% 止损
config.set_fixed_target(0.04)    # 4% 止盈

result = raptorbt.run_single_backtest(
    timestamps=timestamps, open=open, high=high, low=low, close=close, volume=volume,
    entries=entries, exits=exits, direction=1, weight=1.0, symbol="AAPL", config=config,
    instrument_config=raptorbt.PyInstrumentConfig(lot_size=1.0),  # 可选
)

2. 篮子回测

多标的同步信号交易：

instruments = [
    (ts, o1, h1, l1, c1, v1, ent1, ext1, 1, 0.33, "AAPL"),
    (ts, o2, h2, l2, c2, v2, ent2, ext2, 1, 0.33, "GOOGL"),
    (ts, o3, h3, l3, c3, v3, ent3, ext3, 1, 0.34, "MSFT"),
]

result = raptorbt.run_basket_backtest(
    instruments=instruments,
    config=config,
    sync_mode="all",  # "all" | "any" | "majority" | "master"
)

3. 配对交易

做多一个标的，做空另一个：

result = raptorbt.run_pairs_backtest(
    leg1_timestamps=ts, leg1_open=o1, leg1_high=h1, leg1_low=l1, leg1_close=c1, leg1_volume=v1,
    leg2_timestamps=ts, leg2_open=o2, leg2_high=h2, leg2_low=l2, leg2_close=c2, leg2_volume=v2,
    entries=entries, exits=exits, direction=1, symbol="PAIR", config=config,
    hedge_ratio=1.5,       # 空头 1.5 倍
    dynamic_hedge=False,
)

4. 期权回测

result = raptorbt.run_options_backtest(
    timestamps=ts, open=o, high=h, low=l, close=c, volume=v,
    option_prices=option_premiums, entries=entries, exits=exits,
    direction=1, symbol="NIFTY_CE", config=config,
    option_type="call",          # "call" | "put"
    strike_selection="atm",      # "atm" | "otm1" | "otm2" | "itm1" | "itm2"
    size_type="percent",         # "percent" | "contracts" | "notional" | "risk"
    size_value=0.1,
    lot_size=50,
)

5. 多策略回测

同一标的上组合多个策略：

strategies = [
    (entries_sma, exits_sma, 1, 0.4, "SMA_Cross"),
    (entries_rsi, exits_rsi, 1, 0.35, "RSI_MeanRev"),
    (entries_bb, exits_bb, 1, 0.25, "BB_Break"),
]

result = raptorbt.run_multi_backtest(
    timestamps=ts, open=o, high=h, low=l, close=c, volume=v,
    strategies=strategies,
    config=config,
    combine_mode="any",  # "any" | "all" | "majority" | "weighted" | "independent"
)

6. 批量价差回测

Rayon 并行执行多个价差回测，GIL 释放：

items = [
    raptorbt.PyBatchSpreadItem(
        strategy_id="straddle_24000",
        legs_premiums=[call_premiums, put_premiums],
        leg_configs=[("CE", 24000.0, -1, 50), ("PE", 24000.0, -1, 50)],
        entries=entries, exits=exits,
        spread_type="straddle",
        max_loss=5000.0, target_profit=3000.0,
    ),
]

results = raptorbt.batch_spread_backtest(
    timestamps=ts, underlying_close=close,
    items=items, config=config,
)

for sid, result in results:
    print(f"{sid}: {result.metrics.total_return_pct:.2f}%")

7. Tick 级回测

全 Tick 分辨率模拟，无 K 线重采样：

result = raptorbt.run_tick_backtest(
    timestamps=timestamps_ns,     # int64 纳秒
    ltp=ltp_arr, bid=bid_arr, ask=ask_arr,
    buy_qty_delta=buy_delta, sell_qty_delta=sell_delta,
    oi=oi_arr,
    entries=entry_signals, exits=exit_signals,
    symbol="TICK",
    initial_capital=100000.0, fees=0.001, slippage=0.0005,
    stop_loss_pct=5.0, take_profit_pct=10.0,
    max_hold_seconds=1800, entry_cooldown_ticks=10, max_trades=50,
)

Zerodha 数据注意：total_buy_qty / total_sell_qty 是累计值，需先转换： buy_delta = np.diff(buy_cum, prepend=0).clip(min=0)

止损与止盈

固定百分比

config = raptorbt.PyBacktestConfig(initial_capital=100000, fees=0.001)
config.set_fixed_stop(0.02)    # 2% 止损
config.set_fixed_target(0.04)  # 4% 止盈

ATR 动态止损

config.set_atr_stop(multiplier=2.0, period=14)    # 2倍 ATR 止损
config.set_atr_target(multiplier=3.0, period=14)  # 3倍 ATR 止盈

追踪止损

config.set_trailing_stop(0.02)  # 2% 追踪止损

风险回报比止盈

config.set_risk_reward_target(ratio=2.0)  # 2:1 风险回报比

出场原因

值	含义
`Signal`	策略信号出场
`StopLoss`	触发止损
`TakeProfit`	触发止盈
`TrailingStop`	触发追踪止损
`EndOfData`	数据结束
`Settlement`	期权结算
`TimeExit`	超时出场（Tick 级）

蒙特卡洛组合模拟

result = raptorbt.simulate_portfolio_mc(
    returns=[ret1, ret2],           # 各策略/资产的历史日收益率数组
    weights=np.array([0.6, 0.4]),   # 组合权重（和为 1）
    correlation_matrix=[            # N×N 相关系数矩阵
        np.array([1.0, 0.3]),
        np.array([0.3, 1.0]),
    ],
    initial_value=100000.0,
    n_simulations=10000,            # 模拟路径数
    horizon_days=252,               # 前瞻天数
    seed=42,                        # 随机种子
)

print(f"预期收益: {result['expected_return']:.2f}%")
print(f"亏损概率: {result['probability_of_loss']:.2%}")
print(f"VaR (95%): {result['var_95']:.2f}%")
print(f"CVaR (95%): {result['cvar_95']:.2f}%")

回测结果与指标

PyBacktestResult

result.metrics              # PyBacktestMetrics 对象
result.equity_curve()       # 权益曲线 ndarray
result.drawdown_curve()     # 回撤曲线 ndarray
result.returns()            # 收益率序列 ndarray
result.trades()             # 交易列表 List[PyTrade]

PyBacktestMetrics（33 个字段）

核心绩效：total_return_pct、sharpe_ratio、sortino_ratio、calmar_ratio、omega_ratio

回撤：max_drawdown_pct、max_drawdown_duration

交易统计：total_trades、total_closed_trades、total_open_trades、winning_trades、losing_trades、win_rate_pct

交易绩效：profit_factor、expectancy、sqn、avg_trade_return_pct、avg_win_pct、avg_loss_pct、best_trade_pct、worst_trade_pct

持仓：avg_holding_period、avg_winning_duration、avg_losing_duration

连战：max_consecutive_wins、max_consecutive_losses

其他：start_value、end_value、total_fees_paid、open_trade_pnl、exposure_pct、payoff_ratio、recovery_factor

m = result.metrics
stats = m.to_dict()  # 24 个常用指标的字典（带中文友好标签）

PyTrade

for trade in result.trades():
    trade.id              # 交易 ID
    trade.symbol          # 标的
    trade.entry_idx       # 入场 bar 索引
    trade.exit_idx        # 出场 bar 索引
    trade.entry_price     # 入场价
    trade.exit_price      # 出场价
    trade.size            # 仓位大小
    trade.direction       # 1=多, -1=空
    trade.pnl             # 盈亏金额
    trade.return_pct      # 收益率 (%)
    trade.fees            # 手续费
    trade.exit_reason     # 出场原因

API 参考

PyBacktestConfig

config = raptorbt.PyBacktestConfig(
    initial_capital=100000.0,   # 初始资金
    fees=0.001,                 # 手续费率
    slippage=0.0,               # 滑点
    upon_bar_close=True,        # K 线收盘后执行（防止前视偏差）
)

# 止损方法
config.set_fixed_stop(percent: float)
config.set_atr_stop(multiplier: float, period: int)
config.set_trailing_stop(percent: float)

# 止盈方法
config.set_fixed_target(percent: float)
config.set_atr_target(multiplier: float, period: int)
config.set_risk_reward_target(ratio: float)

PyInstrumentConfig

每标的配置：

inst = raptorbt.PyInstrumentConfig(
    lot_size=1.0,               # 最小交易单位
    alloted_capital=50000.0,    # 分配资金（可选）
    existing_qty=None,          # 现有持仓（预留）
    avg_price=None,             # 现有均价（预留）
)

# 可选：每标的止损/止盈覆盖
inst.set_fixed_stop(0.02)
inst.set_trailing_stop(0.03)

PyBatchSpreadItem

item = raptorbt.PyBatchSpreadItem(
    strategy_id="straddle_24000",
    legs_premiums=[call_premiums, put_premiums],
    leg_configs=[("CE", 24000.0, -1, 50), ("PE", 24000.0, -1, 50)],
    entries=entries, exits=exits, spread_type="straddle",
    max_loss=5000.0, target_profit=3000.0,
)

simulate_portfolio_mc

result = raptorbt.simulate_portfolio_mc(
    returns=List[np.ndarray],               # 各资产日收益率 (N 个数组)
    weights=np.ndarray,                     # 组合权重 (长度 N, 和为 1)
    correlation_matrix=List[np.ndarray],    # N×N 相关系数矩阵
    initial_value=float,                    # 初始组合价值
    n_simulations=int=10000,               # 模拟路径数
    horizon_days=int=252,                   # 前瞻天数
    seed=int=42,                            # 随机种子
) -> dict

返回字典包含：expected_return、probability_of_loss、var_95、cvar_95、percentile_paths、final_values。

从源码构建

大多数用户应使用 pip install raptorbt。要自行构建，需要 Rust 1.70+、Python 3.10+ 和 maturin：

cd raptorbt
$env:CARGO = "C:\Users\Administrator\.cargo\bin\cargo.exe"
maturin develop --release     # 开发安装到当前虚拟环境
cargo test                     # 运行 Rust 测试套件

注意：如果在 Windows 上遇到「拒绝访问 (os error 5)」错误，需要设置 CARGO 环境变量指向 cargo.exe 可执行文件（而非目录）。参见使用手册 - 常见编译问题。

前置依赖

依赖	版本	说明
Rust toolchain	1.70+	`cargo`、`rustc`（从 https://rustup.rs 安装）
Python	3.10+	与编译时 Python 版本一致
maturin	latest	`pip install maturin`，Rust → Python 扩展构建工具
`vendor/ferro-ta-main/`	—	已随项目提交，提供 `ferro_ta_core` crate（80+ 指标），无需联网拉取

💡 可移植性：vendor/ferro-ta-main/ 是 Cargo.toml 中 ferro_ta_core 的 path 源码依赖，换电脑或部署新环境时 clone 项目即可编译，无需担心外部 crate 源缺失。

构建并安装到全局

# 构建 whl (会自动编译 vendor/ferro-ta-main/ 下的 ferro_ta_core)
maturin build --release
# 产物: target/wheels/raptorbt-0.4.1-cp312-cp312-win_amd64.whl

# 全局 pip 安装
pip install --force-reinstall target\wheels\raptorbt-0.4.1-cp312-cp312-win_amd64.whl

开发模式（虚拟环境）

# 在已激活的虚拟环境中编译，直接安装到 python/raptorbt/_raptorbt.*.pyd
maturin develop --release

⚠️ maturin develop 需要在已激活的虚拟环境（venv/conda）中运行，否则会报 "Couldn't find a virtualenv or conda environment"。若需全局安装，用 maturin build + pip install 方式。

验证测试

一个带种子的冒烟测试——运行两次，结果完全一致：

import numpy as np
import raptorbt

np.random.seed(42)
n = 500
close = np.cumprod(1 + np.random.randn(n) * 0.02) * 100
entries = np.zeros(n, dtype=bool); entries[::20] = True
exits = np.zeros(n, dtype=bool);  exits[10::20] = True

config = raptorbt.PyBacktestConfig(initial_capital=100000, fees=0.001)
result = raptorbt.run_single_backtest(
    timestamps=np.arange(n, dtype=np.int64),
    open=close, high=close, low=close, close=close, volume=np.ones(n),
    entries=entries, exits=exits, direction=1, weight=1.0, symbol="TEST",
    config=config,
)
print(f"总收益率: {result.metrics.total_return_pct:.4f}%")  # -30.6192%
print(f"夏普比率: {result.metrics.sharpe_ratio:.4f}")       # -0.9086

版本历史

v0.4.1

新增 68 个扩展指标：集成 ferro-ta 指标库
- P0 扩展：VWMA、Donchian、Choppiness Index、Hull MA、Chandelier Exit、Ichimoku、Pivot Points
- Hilbert 变换：HT Trendline、DCPeriod、DCPhase、Phasor、Sine、TrendMode
- 市场状态检测：Regime ADX、Regime Combined、CUSUM Breaks、Variance Ratio Breaks
- 投资组合工具：Rolling Beta、Drawdown Series、Z-Score Series、Relative Strength、Spread、Ratio
指标总数从 12 扩展到 80+

v0.4.0

Tick 级回测：全 Tick 分辨率，无需 K 线重采样
- TickData 结构：timestamps、ltp、bid、ask、buy_qty_delta、sell_qty_delta、oi
- ExitReason::TimeExit：最大持仓时间超时退出
- run_tick_backtest：Tick 原生模拟引擎
- compute_tick_entry_signals：从特征数组计算入场信号
- compute_tick_exit_signals：基于时间的出场信号
- tick_spread_pct、buy_sell_imbalance_delta、return_window、realized_vol_rolling、oi_position_pct、tick_velocity
公开 compute_backtest_metrics 函数

v0.3.4

单腿期权价差：LongCall、LongPut、NakedCall、NakedPut
ExitReason::Settlement：期权到期结算退出
leg_expiry_timestamps：每条腿的到期时间追踪

v0.3.3

batch_spread_backtest：通过 Rayon 并行运行多个价差回测
PyBatchSpreadItem：批量价差回测项定义
GIL 释放，最大 Python 并发

v0.3.2

payoff_ratio 指标：平均盈利交易收益 / 平均亏损交易收益（绝对值）
recovery_factor 指标：净利润 / 最大回撤（绝对值）

v0.3.1

蒙特卡洛组合模拟（simulate_portfolio_mc）
几何布朗运动 + Cholesky 分解，Rayon 并行

v0.3.0

PyInstrumentConfig：每标的的配置（lot_size、分配资金、止损/止盈覆盖）
仓位大小正确取整到 lot_size 的倍数

v0.2.2

导出 run_spread_backtest、rolling_min、rolling_max

v0.2.1

添加 rolling_min 和 rolling_max（LLV / HHV）

v0.2.0

多腿价差回测（straddle、strangle、vertical、iron condor、iron butterfly、butterfly、calendar、diagonal）
会话跟踪器（NSE 股票、MCX 商品、CDS 货币）
StreamingMetrics：权益/回撤追踪、交易记录、finalize()

v0.1.0

初始版本
5 种策略类型、30+ 绩效指标、10 个技术指标
止损管理：固定、ATR、追踪
止盈管理：固定、ATR、风险回报
PyO3 Python 绑定

许可证

MIT License - 详见 LICENSE

README.md Unescape Escape

RaptorBT