量化策略的开发流程通常分为：思路（Idea）→ 数据（Data）→ 策略编码（Strategy Coding）→ 历史回测（Backtesting）→ 前向测试（Forward Testing / Paper Trading）→ 实盘上线（Live Trading）。Python生态提供了覆盖全流程的开源工具链，使个人量化爱好者也能以极低成本搭建完整的策略研发环境。
## 回测框架选型
**Backtrader**：国内外使用最广泛的Python回测框架，面向对象设计，支持多资产、多时间框架、自定义指标和真实交易成本（手续费/滑点）建模。学习曲线中等，文档完善，社区活跃。
**VectorBT**：基于NumPy/Pandas的向量化回测，速度极快（比Backtrader快100-1000倍），适合大规模参数扫描和优化，但对事件驱动策略支持较弱。
**Zipline-reloaded**：Quantopian（已倒闭）的开源回测引擎，现由社区维护，内置美股数据支持，与Python量化生态集成度高。
## 关键绩效指标
**夏普比率（Sharpe Ratio）**：超额收益（相对无风险利率）除以收益标准差，衡量单位风险获取的超额回报。计算公式：(年化收益 – 无风险利率) / 年化波动率。工业标准：SR>1为可接受，>2为优秀，>3为顶级。
**最大回撤（Maximum Drawdown，MDD）**：策略在任意区间内从峰值到谷值的最大跌幅，衡量策略的最坏情况资金损失。表达式：MDD = (Trough – Peak) / Peak。对于实际交易的心理承受能力判断，MDD比波动率更直观。
**卡尔玛比率（Calmar Ratio）**：年化收益除以最大回撤，衡量单位最大风险获取的年化收益，对CTA趋势跟踪策略尤为重要（此类策略回撤较大）。
参见[量化投资入门](https://sunqi.org/quantitative-investing-intro-zh/)；[因子投资指南](https://sunqi.org/factor-investing-guide-zh/)；[Backtrader官方文档](https://www.backtrader.com/docu/)。
