核心資料流¶

這一頁描述的是一般回測與最佳化任務共享的核心流程。

總體流程¶

flowchart LR
    A[外部資料來源] --> B[Quote Adapter]
    B --> C[pandas DataFrame]
    C --> D[DataFeed]
    D --> E[Strategy]
    E --> F[BacktestBot]
    F --> G[FuturesBroker]
    G --> H[state]
    H --> I[analyze_backtest_result]

第 1 層：Quote Adapter¶

主要入口在 app.py 的 fetch_data()。

它會依商品對應的 source 選擇資料來源：

shioaji
databento
部分舊路徑仍有 polygon

每個 adapter 最終都要回傳 pandas.DataFrame。

第 2 層：DataFrame 標準化¶

fetch_data() 在取回資料後，還會做交易時段過濾：

日盤
夜盤
全日盤
跨日交易時段切片

因此對回測核心來說，收到的資料通常已經是：

同一商品
指定時間範圍
指定交易時段
已標準化欄位名稱

第 3 層：DataFrame -> DataFeed¶

src/datafeed/utils.py 會把 DataFrame 轉成 DataFeed。

關鍵函式¶

aggregate_dataframe(df, timeframe_minutes)
data_feed_from_dataframe(...)
data_feed_from_dataframe_with_timeframe(...)

作用¶

若 timeframe_minutes > 1，先做 resample
將每一列轉成 OHLCV
封裝成 DataFeed

第 4 層：策略初始化¶

run_backtest() 會做三件重要的策略準備：

解析 effective_strategy
透過 STRATEGY_CLASS_MAP 建立策略類別
從 param_manager 依 (ticker, timeframe, strategy_name) 讀出該策略的獨立參數

這代表：

換策略不只換邏輯
還會換到另一份參數配置

第 5 層：BacktestBot 主循環¶

BacktestBot.run_backtest() 是核心執行器。

每根 bar 大致流程：

處理上一輪留下的 pending order
推進 IndicatorStore
呼叫策略 on_ohlcv()
由 broker 執行成交 / 平倉 / 反手 / 紀錄

第 6 層：Broker¶

FuturesBroker 負責：

現金
保證金
持倉方向與數量
已實現損益
order history

分析層後續也是主要從 broker 的歷史資料抽統計。

第 7 層：State 與分析¶

回測完成後，BacktestBot.get_state() 會把多個子狀態打包：

strategy
indicators
broker
data_feed

接著 analyze_backtest_result(state) 會額外算出：

total_pnl
win_rate
profit_factor
total_trades
max_drawdown
max_drawdown_pct

一般回測 vs 最佳化¶

一般回測¶

走 run_backtest()，結果放在 CacheManager。

最佳化¶

走 optimization_worker.run_one_combination()，本質上仍是：

準備 DataFeed
建策略
跑 BacktestBot
做分析

差別只在於：

最佳化會枚舉很多組參數
以多進程批次執行
結果存進 optimization_tasks.results

多區段回測是例外¶

multi_params / multi_period_backtest.py 目前與主流程有一些分叉，不完全沿用最新的 strategy-aware 架構。
因此若你要做重構或完整規格化，應把它視為需要補齊的一塊，而不是「完全一致的主流程延伸」。