Backtesting.py 是一个轻量级的 Python 交易策略回测框架，以“简洁至上”为设计理念。用户只需定义一个继承 Strategy 类的策略（实现 init() 和 next() 方法），然后传入 OHLCV 数据即可运行回测，自动获取绩效统计和交互式 HTML 图表。GitHub 8000+ 星。 Backtesting.py 的核心优势是学习曲线极低：与 backtrader 或 Zipline 的复杂事件驱动架构不同，Backtesting.py 的策略定义非常直观——self.data.Close 访问收盘价、self.buy() 下买单、self.sell() 下卖单、self.I() 添加指标。运行后自动生成交互式 Bokeh 图表，包含 K 线、买卖信号标注和权益曲线。 在银行投研和量化学习场景中，Backtesting.py 是“入门级回测”的最佳选择。新入职的量化分析师可以在 10 分钟内定义并运行第一个策略回测，理解“策略 → 信号 → 交易 → 绩效“的完整闭环。同时它内置参数优化功能（bt.optimize()），可以网格搜索最优参数组合。 但正因为轻量级，Backtesting.py 不适合复杂的生产级策略：它不支持多资产组合、没有实盘交易接口、不支持限价/止损/止盈等复杂订单类型（仅市价单）、不支持做空限制等风控规则。高级需求需要转向 backtrader/Zipline/NautilusTrader。 局限性：AGPL-3.0 协议对商业使用有限制；仅支持单资产；不支持多策略组合或组合级回测；无实盘交易接口；不支持期权/期货等衍生品；大数据量回测性能有限。
项目主要介绍
Backtesting.py 是一个轻量级的 Python 交易策略回测框架，以“简洁至上”为设计理念。用户只需定义一个继承 Strategy 类的策略（实现 init() 和 next() 方法），然后传入 OHLCV 数据即可运行回测，自动获取绩效统计和交互式 HTML 图表。GitHub 8000+ 星。
Backtesting.py 的核心优势是学习曲线极低：与 backtrader 或 Zipline 的复杂事件驱动架构不同，Backtesting.py 的策略定义非常直观——self.data.Close 访问收盘价、self.buy() 下买单、self.sell() 下卖单、self.I() 添加指标。运行后自动生成交互式 Bokeh 图表，包含 K 线、买卖信号标注和权益曲线。
在银行投研和量化学习场景中，Backtesting.py 是“入门级回测”的最佳选择。新入职的量化分析师可以在 10 分钟内定义并运行第一个策略回测，理解“策略 → 信号 → 交易 → 绩效“的完整闭环。同时它内置参数优化功能（bt.optimize()），可以网格搜索最优参数组合。
但正因为轻量级，Backtesting.py 不适合复杂的生产级策略：它不支持多资产组合、没有实盘交易接口、不支持限价/止损/止盈等复杂订单类型（仅市价单）、不支持做空限制等风控规则。高级需求需要转向 backtrader/Zipline/NautilusTrader。
局限性：AGPL-3.0 协议对商业使用有限制；仅支持单资产；不支持多策略组合或组合级回测；无实盘交易接口；不支持期权/期货等衍生品；大数据量回测性能有限。
金融 + AI 核心特点
- 最简 API：继承 Strategy 类即可
- 自动生成交互式 Bokeh 可视化
- 内置参数优化功能
- 学习曲线极低，10 分钟入门
可学习内容
- 理解策略回测的基本闭环（策略→信号→交易→绩效）
- 学习如何用最少代码验证一个交易想法
应用方向
- 量化入门教学和原型验证
- 简单技术分析策略的快速回测
- 参数优化和策略筛选
- 投研报告中的策略示例
风险与局限
AGPL-3.0 限制商业使用；仅支持单资产市价单；无实盘/组合级功能；不适合生产级策略。
- 项目地址：https://github.com/kernc/backtesting.py ↗
- 开源协议：AGPL-3.0
原始来源与整理依据
文字分析来自内容源；业务分类、技术标签由 SeekingDAO 按规则整理。披露效果保留原有时间、范围和预测口径，未作独立审计。开源项目与 Skill 的当前许可、兼容性及依赖请以其上游为准。