第21章：订单流与量化回测：回测框架搭建、订单流因子构建、策略绩效评估

量化回测这件事，说白了就是让历史数据告诉你——你的策略到底行不行。

我见过太多人，拿着订单流数据兴奋得不行，上来就写策略，结果回测一跑，亏得底裤都不剩。为什么？因为回测框架没搭好，因子构建有漏洞，绩效评估只看收益率。

这一章，我就带你一步步把这三件事做扎实。

21.1 回测框架搭建：从零开始，别踩坑

回测框架的核心就三个字：快、准、稳。

快——数据加载和计算要快，别让CPU空转。准——撮合逻辑要贴近真实市场，别搞出「理想化成交」。稳——代码要健壮，别跑一半崩了。

我个人习惯用Python搭框架，因为生态好，pandas、numpy、vectorbt这些库都能用。但要注意，订单流数据是逐笔级别的，量很大，处理不好会卡死。

我曾经在项目里用纯Python循环处理百万级订单流数据，结果跑一次要半小时。后来改用numpy向量化操作，压缩到3秒。嗯，这里要注意：能用向量化就别用循环。

# 一个极简的回测框架骨架
import pandas as pd
import numpy as np

class OrderFlowBacktester:
    def __init__(self, data, initial_capital=100000):
        self.data = data
        self.capital = initial_capital
        self.position = 0
        self.trades = []
    
    def run(self, strategy_func):
        for i in range(len(self.data)):
            signal = strategy_func(self.data.iloc[:i+1])
            if signal == 1:  # 买入
                self._buy()
            elif signal == -1:  # 卖出
                self._sell()
        return self._calc_performance()
    
    def _buy(self):
        # 实际项目中要加滑点和手续费
        cost = self.data['price'].iloc[-1] * 1.001
        shares = self.capital // cost
        self.position += shares
        self.capital -= shares * cost
        self.trades.append(('buy', cost, shares))
    
    def _sell(self):
        if self.position > 0:
            revenue = self.position * self.data['price'].iloc[-1] * 0.999
            self.capital += revenue
            self.position = 0
            self.trades.append(('sell', self.data['price'].iloc[-1], self.position))
    
    def _calc_performance(self):
        total_return = (self.capital - 100000) / 100000
        return {'total_return': total_return, 'trades': len(self.trades)}

21.2 订单流因子构建：从原始数据到有效信号

订单流数据本身是噪音，你得把它加工成因子。

因子构建的核心思路是：从逐笔数据中提取出「不平衡」和「异常」。市场之所以有趋势，就是因为买卖力量不平衡。订单流因子就是量化这种不平衡的工具。

我常用的订单流因子有这几类：

因子类别	具体因子	计算方式	逻辑解释
成交量不平衡	Delta	主动买量 - 主动卖量	正Delta表示买方强势
成交笔数不平衡	Trade Count Imbalance	买方笔数 - 卖方笔数	笔数多说明散户参与度高
大单流向	Large Trade Ratio	大单成交量 / 总成交量	大单占比高说明机构在行动
订单簿压力	Order Book Imbalance	(买一量 - 卖一量) / (买一量 + 卖一量)	正值表示买盘支撑强

你想想看，如果Delta连续5根K线都是正的，而且大单占比也在上升，这说明什么？说明机构在偷偷吸筹。这时候你跟着做多，胜率会高很多。

# 构建Delta因子
def calc_delta(tick_data, window=10):
    """
    tick_data: 逐笔成交数据，包含'price', 'volume', 'side'(1=买, -1=卖)
    """
    tick_data['delta'] = tick_data['volume'] * tick_data['side']
    tick_data['cum_delta'] = tick_data['delta'].rolling(window).sum()
    return tick_data

# 构建大单因子
def calc_large_trade_ratio(tick_data, threshold=100000):
    """
    threshold: 大单阈值，比如10万元
    """
    large_trades = tick_data[tick_data['volume'] * tick_data['price'] >= threshold]
    total_volume = tick_data['volume'].sum()
    large_volume = large_trades['volume'].sum()
    return large_volume / total_volume if total_volume > 0 else 0

21.3 策略绩效评估：别只看收益率

收益率是最容易骗人的指标。

我见过一个策略，年化收益率80%，但最大回撤60%。你敢用吗？不敢。因为回撤60%意味着你账户从100万跌到40万，心理上根本扛不住。

所以绩效评估要全面，我一般看这几个维度：

• 收益类：年化收益率、累计收益率、超额收益
• 风险类：最大回撤、波动率、VaR（在险价值）
• 风险调整收益类：夏普比率、卡玛比率、索提诺比率
• 交易类：胜率、盈亏比、交易次数、平均持仓周期

举个例子，夏普比率低于1的策略，我基本不会实盘。为什么？因为夏普比率衡量的是「每承担一单位风险能获得多少超额收益」，低于1说明风险收益比不划算。

# 计算核心绩效指标
def calc_performance_metrics(equity_curve, risk_free_rate=0.03):
    returns = equity_curve.pct_change().dropna()
    
    # 年化收益率
    annual_return = (1 + returns.mean()) ** 252 - 1
    
    # 年化波动率
    annual_vol = returns.std() * np.sqrt(252)
    
    # 夏普比率
    sharpe = (annual_return - risk_free_rate) / annual_vol
    
    # 最大回撤
    cumulative = (1 + returns).cumprod()
    peak = cumulative.expanding().max()
    drawdown = (cumulative - peak) / peak
    max_drawdown = drawdown.min()
    
    # 卡玛比率
    calmar = annual_return / abs(max_drawdown) if max_drawdown != 0 else np.inf
    
    return {
        'annual_return': annual_return,
        'annual_vol': annual_vol,
        'sharpe_ratio': sharpe,
        'max_drawdown': max_drawdown,
        'calmar_ratio': calmar
    }

21.4 知识体系总览

下面这张图，是我对本章核心逻辑的总结。你把它存下来，以后搭回测框架时对照着看。

嗯，这一章的内容就到这里。回测框架、因子构建、绩效评估，这三件事是订单流量化的基石。你先把框架搭稳，因子做精，评估做全，后面写策略才不会翻车。