这次我们来看一份 ETH 15 分钟图表上的短线策略回测记录重点不是某个“神奇的盈利信号”而是把 100 次批量回测完整跑通的方法数据怎么准备、Backtrader 策略怎么写、100 次回测怎么调度、结果怎么汇总分析。先说明一个前提本文不构成任何投资建议也不鼓励在违反当地法律法规的前提下参与虚拟货币交易。国内对虚拟货币相关业务活动有严格监管要求下面的内容仅用于量化策略研究方法论、程序化交易框架和 Backtrader 工程化实践的学习。整套流程的核心是 Backtrader 回测框架。选择 Backtrader 的原因是它开源、纯 Python 实现、社区资料多支持 CSV 数据导入、多标的回测、分析器和批量参数扫描。在 ETH 15 分钟这种高频短周期数据上它的数据组织和指标计算方式比手写循环更方便。100 次回测也不是直接复制粘贴跑 100 遍而是通过参数网格和滚动窗口拆分让每次回测独立运行并输出结构化结果。读完本文你可以拿到一套完整可运行的 ETH 15 分钟短线策略回测工程模板以及从结果分析、性能优化到常见报错排查的完整思路。1. 核心能力速览能力项说明项目类型加密货币量化策略回测工程示例回测标的ETH以太坊15 分钟 K 线数据回测框架BacktraderPython回测规模100 次批量回测参数网格 / 滚动窗口策略类型双均线交叉 RSI 过滤器运行环境本地 Python支持 CPU 推理启动方式Python 脚本命令行运行主要产出每次回测的收益率、最大回撤、夏普比率、胜率、交易次数是否支持接口 API不依赖外部接口数据读本地 CSV是否支持批量任务支持循环调度 100 次回测适合读者量化策略研究者、Backtrader 学习者、ETH/BTC 短周期策略验证者从实用角度看这套模板最大价值是“可批量、可复现”。你只需要替换 CSV 数据路径和参数组合列表就可以把同样的流程套用到 BTC、其他周期或者其他短线策略上。2. 适用场景与使用边界2.1 适合谁的场景这套回测流程适合三类读者刚开始接触量化回测想找一个能跑通完整流程的参考工程已经在用 Backtrader但不知道如何做多参数批量回测和结果汇总想做 ETH 或 BTC 短周期策略验证需要一套可重复执行的实验框架。15 分钟 K 线属于短周期数据标的数据量较大噪音也明显。对于策略研究者来说这种周期比日线更适合训练“信号过滤”和“成本控制”意识。100 次批量回测的意义在于不只看单次结果而是观察策略在不同参数组合下的稳定性。2.2 不适合什么场景这套流程不适合以下场景想直接拿到一个“稳赚策略”然后马上实盘回测框架不能代替风控没有本地 ETH 15 分钟 K 线数据需要依赖实时行情接口的场景想做极端高频交易秒级或毫秒级Backtrader 更适合分钟级以上的策略验证。2.3 合规与风险边界ETH 属于虚拟货币。国内对虚拟货币投资交易、挖矿、代币发行融资等活动有严格监管要求。本文提供的代码和流程只是量化交易框架的学习素材不构成投资建议也不引导任何虚拟货币交易业务。文章中所有回测结果都应视为“某个时刻、某段数据、某组参数下的历史模拟”不能作为未来收益的依据。实际使用时还要注意行情数据版权、API 使用条款、个人交易数据隐私等都需要自行确认。不要使用未授权抓取的数据源。3. 环境准备与前置条件3.1 Python 版本依赖Backtrader 对 Python 版本兼容性需要留意。从社区反馈来看Python 3.9 和 3.10 环境比较稳妥Python 3.12 及更新版本可能会遇到依赖编译或者兼容性问题。如果需要快速跑通案例建议直接用 Anaconda 创建 Python 3.10 的独立环境。conda create -n bt_env python3.10 -y conda activate bt_env3.2 安装依赖库核心依赖包括 backtrader、pandas、numpy、matplotlib。pip install backtrader pandas numpy matplotlib如果安装 backtrader 时网络较慢可以切换国内镜像源。这里以清华 PyPI 镜像为例pip install backtrader -i https://pypi.tuna.tsinghua.edu.cn/simple另外提醒一点Backtrader 的主包已经有一段时间没有大版本更新在新版 Python 上的兼容性需要以实际安装结果为准。如果安装失败优先检查 Python 版本再检查是否需要安装 Microsoft C Build Tools 或对应编译环境。3.3 硬件要求这类回测任务是纯 CPU 计算不需要 GPU也不需要特别高的显存。ETH 15 分钟 K 线一年大约 35040 根3 年数据也就是 10 万根左右普通办公电脑都能处理。批量跑 100 次回测时耗时主要来自指标计算和策略循环内存占用通常不会超过 1GB除非你把整段多年的全量数据一次性加载并保留大量中间副本。如果你使用的是 macOS 或 Linux注意文件路径权限如果在 Windows 上跑建议避免在中文路径下运行脚本防止编码问题导致 CSV 读取失败。3.4 项目目录规划建议把工程文件按以下方式组织方便后续扩展eth_short_backtest/ ├── data/ │ └── ethusdt_15m.csv ├── strategies/ │ └── dual_ma_rsi.py ├── backtest_runner.py ├── run_100_tests.py └── results/ └── backtest_records.csv4. ETH 15 分钟 K 线数据准备回测结果的可信度首先取决于数据质量。数据时间戳是否连续、是否存在异常跳变、是否出现重复 K 线都会直接影响回测结论。4.1 CSV 数据格式Backtrader 的 GenericCSVData 可以直接读取 CSV。下面是一个最基本的字段顺序datetime,open,high,low,close,volume 2024-01-01 00:00:00,2281.5,2283.2,2278.1,2282.0,1234.5 2024-01-01 00:15:00,2282.0,2289.8,2280.5,2288.1,1500.3注意ETH 价格通常带小数数据源导出的价格精度和成交量单位可能不同建议统一换算后再导入回测。时间戳建议统一为 UTC 时间避免时区差异导致数据错位。4.2 数据清洗检查在把 CSV 交给 Backtrader 之前先做基本质量检查import pandas as pd df pd.read_csv(data/ethusdt_15m.csv) print(K线根数:, len(df)) print(字段:, df.columns.tolist()) print(最近5行:) print(df.tail()) print(空值数量:) print(df.isna().sum()) print(时间戳是否单调递增:, df[datetime].is_monotonic_increasing)如果发现时间戳不连续或者有重复用下面的代码做基础处理df[datetime] pd.to_datetime(df[datetime]) df df.drop_duplicates(subsetdatetime, keeplast).sort_values(datetime) df df.reset_index(dropTrue)这里先做去重、排序再继续后续回测。4.3 数据切分逻辑100 次回测如果共享同一段完整数据不同参数组合之间会有信息重叠。更严谨的做法是把多年数据切分成多个子区间例如每个区间包含 60 天数据一年约 12 个窗口再用参数网格和滚动窗口组合跑满 100 次。后面第 6 节会有具体实现示例。5. Backtrader 策略设计与实现5.1 策略逻辑这里选一个经典且直观的短线策略双均线交叉 RSI 过滤。基本思路计算短周期均线和长周期均线当短周期均线上穿长周期均线且 RSI 低于设定阈值时开多当短周期均线下穿长周期均线时平仓不主动做空简化回测逻辑。RSI 过滤的作用是避免在超买区域追高。15 分钟周期噪音大加上这道过滤可以减少一部分无效开仓。5.2 完整策略代码# strategies/dual_ma_rsi.py import backtrader as bt class DualMAWithRSI(bt.Strategy): params ( (fast, 10), (slow, 30), (rsi_period, 14), (rsi_high, 70), ) def __init__(self): self.fast_ma bt.indicators.SMA(self.data.close, periodself.p.fast) self.slow_ma bt.indicators.SMA(self.data.close, periodself.p.slow) self.rsi bt.indicators.RSI(self.data.close, periodself.p.rsi_period) self.cross bt.indicators.CrossOver(self.fast_ma, self.slow_ma) def next(self): if self.position: if self.cross 0: self.close() else: if self.cross 0 and self.rsi self.p.rsi_high: self.buy()这段代码的核心在next()方法里。每次 K 线结束时判断一次信号Backtrader 会负责维护持仓状态和订单执行流程。对于入门的策略验证来说这个结构已经够用。5.3 数据加载类为了让 CSV 被正确识别为 15 分钟周期数据需要继承bt.feeds.GenericCSVData# backtest_runner.py import backtrader as bt class ETH15MData(bt.feeds.GenericCSVData): params ( (nullvalue, 0.0), (dtformat, %Y-%m-%d %H:%M:%S), (timeframe, bt.TimeFrame.Minutes), (compression, 15), (datetime, 0), (open, 1), (high, 2), (low, 3), (close, 4), (volume, 5), (openinterest, -1), )这里把时间格式、周期、字段索引都固定下来。如果你的 CSV 里有额外字段比如buy_volume或者quote_volume直接忽略即可不传给 Backtrader。6. 100 次批量回测设计与实现6.1 单次回测函数先封装一个单次回测函数输入是参数组合输出是结构化绩效指标import backtrader as bt import pandas as pd def run_single_backtest( data_path, fast, slow, rsi_high, start_dateNone, end_dateNone, cash10000, commission0.001, ): cerebro bt.Cerebro(stdstatsFalse) data ETH15MData(datanamedata_path) if start_date: data.fromdate pd.to_datetime(start_date).to_pydatetime() if end_date: data.todate pd.to_datetime(end_date).to_pydatetime() cerebro.adddata(data) cerebro.addstrategy(DualMAWithRSI, fastfast, slowslow, rsi_highrsi_high) cerebro.broker.setcash(cash) # commission 为成交金额比例0.001 表示 0.1% cerebro.broker.setcommission(commissioncommission) cerebro.addanalyzer(bt.analyzers.SharpeRatio, _namesharpe, timeframebt.TimeFrame.Minutes, compression15, riskfreerate0) cerebro.addanalyzer(bt.analyzers.DrawDown, _namedrawdown) cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _nametrades) results cerebro.run() strat results[0] final_value cerebro.broker.getvalue() initial_value cash total_return (final_value - initial_value) / initial_value sharpe strat.analyzers.sharpe.get_analysis() drawdown strat.analyzers.drawdown.get_analysis() trade_analysis strat.analyzers.trades.get_analysis() total_closed trade_analysis.get(total, {}).get(closed, 0) won trade_analysis.get(won, {}).get(total, 0) win_rate won / total_closed if total_closed else 0.0 max_drawdown drawdown.get(max, {}).get(drawdown, 0.0) return { fast: fast, slow: slow, rsi_high: rsi_high, total_return: round(total_return, 6), sharpe: round(sharpe.get(sharperatio, 0.0) or 0.0, 4), max_drawdown: round(max_drawdown, 4), trade_count: total_closed, win_rate: round(win_rate, 4), final_value: round(final_value, 2), }这个函数有几个设计点值得注意setcommission(commission0.001)表示按成交金额的 0.1% 收取手续费。实际加密货币现货市场不同平台的 taker 费率有差异需要以你实际使用的数据源或交易平台为准SharpeRatio的timeframe设置为Minutes、compression15让夏普比率按照 15 分钟周期计算年化避免用日频假设去解释短周期数据cerebro.run()返回值是回测引擎执行完后的策略实例列表通常只有一个元素如果TradeAnalyzer没有交易记录get(total, {})会返回空字典所以用get(closed, 0)兜底。6.2 参数网格生成100 次回测可以通过参数网格实现。比如 fast 均线取 5 到 25slow 均线取 30 到 100RSI 阈值取几个固定档位组合起来很容易超过 100 组。from itertools import product fast_range range(5, 26, 2) slow_range range(30, 101, 5) rsi_options [55, 60, 65, 70, 75] grid list(product(fast_range, slow_range, rsi_options)) # 只取前100组避免组合数量过多 grid grid[:100] print(参数组合数量:, len(grid))这里有个细节product会按照列表顺序组合所以截取前 100 组时需要先打印出来看看参数分布是否均匀。如果不均匀可以用random.sample打乱后抽样或者用固定随机种子确保可复现。6.3 滚动窗口实现另一种理解“100 次回测”的方式是滚动窗口。把多年数据切分成交叠或不交叠的窗口每个窗口跑一次同一策略观察稳定性。from datetime import timedelta start_dates pd.date_range(2022-01-01, periods100, freq7D) records [] for start in start_dates: end start timedelta(days60) row run_single_backtest( data_pathdata/ethusdt_15m.csv, fast10, slow30, rsi_high70, start_datestr(start), end_datestr(end), ) records.append(row) window_df pd.DataFrame(records) window_df.to_csv(results/window_backtest_100.csv, indexFalse)滚动窗口的价值在于同一组参数在不同市场阶段的表现更具说服力。如果策略只在某一两个月赚钱其他时间连续回撤说明策略对市场状态非常敏感直接实盘风险很大。6.4 批量回测主脚本把参数网格和单次回测函数合并为一个批量脚本import pandas as pd from itertools import product fast_range range(5, 26, 2) slow_range range(30, 101, 5) rsi_options [55, 60, 65, 70, 75] grid list(product(fast_range, slow_range, rsi_options))[:100] records [] for idx, (fast, slow, rsi_high) in enumerate(grid, start1): row run_single_backtest( data_pathdata/ethusdt_15m.csv, fastfast, slowslow, rsi_highrsi_high, commission0.001, ) row[test_id] idx records.append(row) print(f{idx}/100 fast{fast} slow{slow} rsi_high{rsi_high} freturn{row[total_return]:.4f} win_rate{row[win_rate]:.2%}) df pd.DataFrame(records) df.to_csv(results/backtest_records_100.csv, indexFalse) print(批量回测完成结果已保存到 results/backtest_records_100.csv)运行这段脚本时建议保留print输出方便在前台观察有没有某组参数因为数据长度不足导致异常退出。回测结束后结果会落盘到 CSV后续分析和可视化都基于这个文件。7. 回测结果分析与绩效评估7.1 统计数据概览批量结果保存为 CSV 后先用describe()看整体分布import pandas as pd df pd.read_csv(results/backtest_records_100.csv) print(df.describe(percentiles[0.1, 0.25, 0.5, 0.75, 0.9]).T)重点观察几个字段total_return总收益率看分布区间而不是只看最大值max_drawdown最大回撤回撤大于 30% 的参数组合要格外小心win_rate胜率结合交易次数看才有意义trade_count交易次数过少说明策略几乎没有触发结果是随机性的概率大。如果 100 组参数里大部分组合的trade_count都很低说明策略逻辑在当前 ETH 行情下信号不多。这时候不是急着优化参数而是先在更长的时间段上确认数据覆盖是否足够。7.2 参数热力图与稳定性判断继续观察参数稳定性可以按fast和slow分组统计平均收益率pivot df.pivot_table( indexslow, columnsfast, valuestotal_return, aggfuncmean, ) print(pivot.round(4))如果某一小片参数区域收益率明显偏高而周围参数表现很差这大概率是过拟合信号。真正有参考价值的参数区间应该是成片地表现稳定而不是出现孤立的“圣杯尖峰”。7.3 判断回测是否可信收益率 0 但trade_count 20结论可信度低最大回撤接近或超过 40%说明仓位控制和止损设计不足手续费从 0.1% 改成 0.2% 后收益率如果从盈利变成大幅亏损说明策略毛利不足以覆盖摩擦成本用最近一段未参与调参的数据做样本外测试如果结果明显变差说明策略存在过拟合。以上标准适用于大多数短线策略验证不只是 ETH。8. 资源占用与性能优化8.1 数据量与耗时估算ETH 15 分钟 K 线每天 96 根一年约 35040 根。3 年数据大约 10 万根CSV 文件大小通常在 20MB 到 50MB 之间。单次回测在普通办公电脑上的运行时间在数十秒到几分钟不等具体取决于数据长度、均线数量、分析器数量和是否开启绘图。批量跑 100 次回测时整体耗时会线性增长。如果单次回测需要 3 秒100 次就是 300 秒。如果需要提高效率优先检查是否在每次回测里绘制图表因为cerebro.plot()的开销远超回测本身。8.2 如何降低耗时缩减参数网格范围先粗扫再细扫去掉不必要的分析器比如TradeAnalyzer只在需要交易统计时启用合理设置数据起点把所有参数组合统一从start_date开始而不是每次重复载入全部历史数据在批量脚本中使用多进程把 100 次回测按 CPU 核心数拆成多个进程执行每个进程负责一部分参数组合。多进程示例框架import multiprocessing as mp from functools import partial def worker(task): fast, slow, rsi_high task return run_single_backtest( data_pathdata/ethusdt_15m.csv, fastfast, slowslow, rsi_highrsi_high, ) if __name__ __main__: tasks [(fast, slow, rsi_high) for fast, slow, rsi_high in grid[:100]] with mp.Pool(processes4) as pool: records pool.map(worker, tasks)多进程模式需要注意数据加载和指标计算都是 CPU 密集操作适合同一机器多核并行。但如果你用的是 Notebook多进程调试比较麻烦建议先把单进程脚本跑通再改多进程。8.3 内存与日志100 次回测过程中会产生大量中间对象建议每次循环结束后直接清理不再需要的 DataFrame 副本或大变量。日志输出可以在run_single_backtest里加cerebro.logwriter None关闭多余日志避免磁盘 IO 拖慢速度。9. 常见问题与排查方法问题现象可能原因排查方式解决方案安装 backtrader 失败Python 版本过高或编译依赖缺失查看 pip 报错末尾的 error 信息切换到 Python 3.9/3.10或安装编译工具后重试CSV 数据加载后策略无信号时间格式不匹配或数据列顺序错位打印len(data)和数据行内容检查dtformat确认日期列是字符串格式均线或 RSI 指标一直为空数据起始部分不足一个指标周期查看next()是否被调用过滤前 30 根 K 线数据或增加数据长度回测收益为正但交易次数极少策略信号过于严格或数据段太短输出每次开仓的触发条件日志调整 RSI 过滤阈值或放宽均线参数100 次回测耗时过长每次全量加载数据且开启绘图使用time模块统计每次耗时缩减参数范围、关闭绘图、用多进程不同参数结果差异巨大参数过拟合或数据区间不一致固定统一回测区间使用滚动窗口做样本外测试回测盈利但实盘亏损手续费、滑点设置过低或存在未来函数逐笔复盘开平仓价格和数据对齐情况增加手续费和滑点重新验证信号是否用到未来 K 线数据其中“未来函数”是回测里最常见也最隐蔽的问题。复盘时可以检查开仓价格是否使用了当前 K 线收盘之后才确定的数据成交量或最高最低价是否被提前纳入信号判断。Backtrader 的next()里使用self.data.close[0]时需要明确这个 close 是当前 K 线的收盘价如果在同一根 K 线内用 close 作为买入条件实际上隐含着“知道收盘价之后才能下单”的问题真实交易中需要结合下单延迟处理。10. 最佳实践与合规提醒10.1 工程化建议第一先跑通单次回测再上批量。第一次接触这套流程不要直接跑 100 次。先用 1 组参数验证数据加载正确、指标计算无误、结果能写入 CSV再扩大参数范围。第二把手续费和滑点写死在回测引擎里。不要图省事不设置commission否则回测收益会明显虚高。默认的加密货币现货 taker 费率可能需要自行查阅交易所实际标准本文示例中的 0.1% 只是常见参考值不代表所有平台。第三固定随机种子。如果后续会从网格中抽样测试一定要设置random.seed()否则无法复现之前的回测结果。第四结果文件统一落盘。每次批量回测结束后把参数、收益、回撤、胜率、交易次数保存为 CSV并带时间戳重命名文件例如backtest_records_20250101_153000.csv方便后续追溯。第五样本外验证。参数网格扫描找到的相对较优参数必须在另一段没有被参与搜索的数据上验证一次。如果样本外结果和样本内结果差距很大说明过拟合风险很高。10.2 合规使用提醒再次强调本文是量化策略回测的技术分享不构成任何投资建议。虚拟货币交易在国内受到严格监管约束请务必确认你所在地区的法律法规并在合规前提下使用相关技术框架。数据获取、数据存储、策略上线都应有严格的合规流程。任何策略验证都需要用历史数据反复测试而不是抱着“回测赚了钱就马上实盘”的心态。11. 总结与下一步这次我们完整拆解了基于 Backtrader 的 ETH 15 分钟短线策略回测工程从 CSV 数据准备、双均线 RSI 策略实现到 100 次批量回测调度、绩效汇总和过拟合判断已经形成一套可复制的方法论。建议你先做两件事验证这套工程是否可用第一准备一段至少 60 天的 ETH 15 分钟 K 线 CSV 数据把单次回测跑通第二跑完 100 次参数组合后先不看收益率最高的参数而是观察胜率和最大回撤的分布是否合理。最容易踩的坑有三个数据时间戳没对齐、手续费没设置、参数网格找出孤立高收益组合。这三个问题分别对应的解决方案是数据清洗、固定成本参数、滚动窗口样本外验证。下一步可以在这个框架上继续扩展加入更多的均线组合或布林带策略、增加止损止盈逻辑、引入文本文档形式的日志记录甚至把回测脚本封装成定时批量任务。只要数据质量可靠、参数可复现、成本模型接近真实这套流程就能持续为你提供策略判断的依据。