快速开始¶
工具包有两条对等的入口——交互式分析用 Python API，批量执行与复现归档用配置目录。两者共用同一套 校验与计算，结果逐值一致。
本页两个例子各自独立：月频面板三路 alpha 同跑，日频面板单路 alpha 配两条基准。每行代码后面紧跟 它产出的那张图或那张表，产出与代码在同一处，不另设汇总章节。
安装¶
需要 Python 3.10 及以上——pyproject.toml 声明 requires-python = ">=3.10"，CI 在 3.10 / 3.11 /
3.12 / 3.13 四个版本上逐一跑安装与导入冒烟。安装后会注册命令行入口 alpholio。
输入可以是什么¶
三类输入，各自的必需列：
| 输入 | 必需列 | 可选列 |
|---|---|---|
| 信号 | date、id、alpha |
fwd_ret（自带实现收益时） |
| 价格面板 | date、id |
close（价格口径时必需）、cap（市值加权时必需） |
| 基准 | date、ret |
— |
每类输入都接受两种形态，两者对等且可在同一次回测里混用：
| 形态 | 写法 | 说明 |
|---|---|---|
| 内存 DataFrame | signals=alpha_df |
不必先落盘 |
| 磁盘文件 | signals="alpha.feather" |
格式按后缀推断 |
按后缀推断的格式：
| 后缀 | 读取方式 |
|---|---|
.feather |
feather |
.parquet、.pq |
parquet |
.csv、.txt、.csv.gz、.csv.zip |
csv（压缩包由 pandas 直接解开） |
后缀不在表内或需要覆盖推断时，在 SignalSpec / PriceSpec / ReferenceSpec 的 format 字段
显式写格式名。自定义格式可注册进 ALPHA_SOURCES 等注册表，见核心概念。
源表列名已是 date / id / alpha 这类契约列名时无需声明映射；不一致时用 column_map
（JSON）或 signal_columns / price_columns / reference_columns（Python API）指明。
文档中的数据位置是占位符
包内与文档内都不含任何本机绝对路径，数据位置一律写作 /path/to/...，运行前需指向实际位置。
JSON 配置用 vars 块统一换根目录。两个例子不附带数据文件。
月频：三路 alpha 同跑¶
一张月频面板同时充当三路信号与市值来源，每月调仓一次。区间 1998-01 至 2024-11 共 323 个自然月， 每月约 2,800 只。
输入长什么样¶
一行一个 (id, 自然月)，日期已是月末：
date datetime64[ns]
id int64
cap float64
fwd_ret float64
alpha1 float64
alpha2 float64
alpha3 float64
date id cap fwd_ret alpha1 alpha2 alpha3
1998-01-31 10016 181.90925 -0.037736 1.069835 -2.318964 -1.980191
1998-01-31 10025 241.83650 0.052239 1.072911 -1.840977 -1.366666
1998-01-31 10032 229.72550 0.411290 1.137218 0.186847 1.553281
1998-01-31 10048 283.31250 0.086667 1.183293 -0.461023 -0.629213
1998-01-31 10075 861.58050 0.140496 1.326372 1.753839 1.704253
三列 alpha 来自三个不同模型，在包中即三路独立信号。没有 close 列：面板自带 fwd_ret，
市值加权所需的 cap 也在同一张表里，因此价格面板的职责由这张表一并承担——同一份数据既作
signals 也作 prices。
起一次回测¶
三路 alpha 在同一张表的不同列上，signal_columns 是全局映射，无法为每路各写一套，因此改用
SignalSpec 逐路声明：
import pandas as pd
import alpholio as alp
from alpholio.config_schema import SignalSpec
panel = pd.read_parquet("/path/to/data/panel.parquet")
def spec(name):
return SignalSpec(
name=name,
frame=panel,
column_map={"date": "date", "id": "id", "alpha": name, "fwd_ret": "fwd_ret"},
)
bt = alp.backtest(
signals=[spec("alpha1"), spec("alpha2"), spec("alpha3")],
prices=panel,
price_columns={"date": "date", "id": "id", "cap": "cap"},
horizon=1,
frequency="monthly",
)
bt
回测对象直接打印，给出本次实验的参数与 headline 指标：
BacktestResult(signals=['alpha1', 'alpha2', 'alpha3'], horizon=1, n_buckets=10, weights=['EW', 'VW'], periods=323)
signal_model bucket weight n_periods ann_ret cagr ann_vol sharpe max_drawdown total_equity turnover ic_mean
alpha1 H-L EW 323 0.1030 0.0948 0.1572 0.6552 -0.4599 11.4385 0.4485 0.0294
alpha1 H-L VW 323 0.0177 0.0042 0.1643 0.1075 -0.6081 1.1205 0.4485 0.0294
alpha2 H-L EW 323 0.3910 0.4535 0.1534 2.5484 -0.1149 23517.4431 0.6364 0.0730
alpha2 H-L VW 323 0.2005 0.2028 0.1721 1.1655 -0.3571 143.9808 0.6364 0.0730
alpha3 H-L EW 323 0.3179 0.3474 0.1838 1.7297 -0.2195 3059.9941 0.6516 0.0689
alpha3 H-L VW 323 0.2024 0.2021 0.1876 1.0789 -0.3439 141.6832 0.6516 0.0689
三路信号共用同一个 panel 对象，不会复制三份。frequency="monthly" 一处声明，四处生效：
horizon 与调仓间隔的单位变成自然月，年化基数取 12 而非 252，前视收益按自然月末取数，
日频基准的复利窗口按月计。
月频面板漏声明 frequency 不会报错
沿用默认的 daily 时，horizon=1 被当成 1 个交易日，年化因子推导出 252/1。上表的
ann_ret 会从 0.3910 变成 8.2103、sharpe 从 2.5484 变成 11.6781，而 total_equity
与 max_drawdown 分毫不变——从单张指标表上看不出哪一栏错了。
指标表：summary()¶
bucket="H-L" 只留多空，三路信号 × 两套加权共六行：
signal_model bucket weight n_periods ann_ret cagr ann_vol sharpe max_drawdown total_equity turnover ic_mean
alpha1 H-L EW 323 0.1030 0.0948 0.1572 0.6552 -0.4599 11.4385 0.4485 0.0294
alpha1 H-L VW 323 0.0177 0.0042 0.1643 0.1075 -0.6081 1.1205 0.4485 0.0294
alpha2 H-L EW 323 0.3910 0.4535 0.1534 2.5484 -0.1149 23517.4431 0.6364 0.0730
alpha2 H-L VW 323 0.2005 0.2028 0.1721 1.1655 -0.3571 143.9808 0.6364 0.0730
alpha3 H-L EW 323 0.3179 0.3474 0.1838 1.7297 -0.2195 3059.9941 0.6516 0.0689
alpha3 H-L VW 323 0.2024 0.2021 0.1876 1.0789 -0.3439 141.6832 0.6516 0.0689
换手与 IC 按信号给出，与桶和加权方案无关，因此同一信号的各行共享同一个 turnover 与 ic_mean。
换掉过滤参数就换一张表——signal= 挑信号，weight= 挑加权方案，三个参数可任意组合：
signal_model bucket weight n_periods ann_ret cagr ann_vol sharpe max_drawdown total_equity turnover ic_mean
alpha2 0 EW 323 -0.1204 -0.1623 0.3290 -0.3659 -0.9938 0.0085 0.6015 0.073
alpha2 1 EW 323 0.0106 -0.0230 0.2585 0.0410 -0.8565 0.5352 0.8381 0.073
alpha2 2 EW 323 0.0537 0.0306 0.2155 0.2492 -0.6308 2.2532 0.8783 0.073
alpha2 3 EW 323 0.0862 0.0719 0.1812 0.4759 -0.4802 6.4889 0.8853 0.073
alpha2 4 EW 323 0.0941 0.0811 0.1770 0.5317 -0.5064 8.1663 0.8987 0.073
alpha2 5 EW 323 0.1119 0.0986 0.1859 0.6022 -0.5197 12.5691 0.9079 0.073
alpha2 6 EW 323 0.1473 0.1360 0.1947 0.7566 -0.5043 30.9792 0.9075 0.073
alpha2 7 EW 323 0.1647 0.1536 0.2043 0.8063 -0.5219 46.7854 0.8936 0.073
alpha2 8 EW 323 0.1946 0.1847 0.2182 0.8919 -0.5248 95.7918 0.8649 0.073
alpha2 9 EW 323 0.2706 0.2652 0.2594 1.0430 -0.4531 561.8217 0.6971 0.073
alpha2 H-L EW 323 0.3910 0.4535 0.1534 2.5484 -0.1149 23517.4431 0.6364 0.073
十个分位的 ann_ret 从 −12.04% 单调升到 27.06%，与分位序号的 Spearman 秩相关为 1.000。
多空对比图：plot("long_short")¶
weight 留空取首个加权方案，此处即 EW：
三路信号叠在同一张图上，横轴零线是盈亏分界。换 weight 就换一张：
分位结构图：plot("deciles")¶
分位图一次只看一路信号——十个分位走色阶，多空用高亮色单独强调。signal= 决定画哪一路：
两个参数同时给出，就定位到「某一路信号 × 某一套加权」：
图表类型只有一种
包内注册的图表类型只有累计对数收益曲线。long_short 与 deciles 是同一种图的两个预设，
区别只在画哪些桶（buckets）与怎么配色（color_mode）。预设覆盖不到时，样式关键字可以
直接透传给 ChartSpec：
逐期诊断：ic 与 turnover¶
中间产物原样保留，直接取用不必重跑：
signal_model date ic count
alpha1 1998-01-31 0.158774 2814
alpha1 1998-02-28 0.029687 2800
alpha1 1998-03-31 0.029393 2785
alpha1 1998-04-30 -0.097187 2770
alpha1 1998-05-31 0.115131 2753
bt.turnover 同为逐期长表，粒度是 (signal_model, bucket, date)。此外 bt.returns、
bt.curves、bt.members、bt.aligned 分别是逐期组合收益、曲线、分桶成分与对齐面板，
逐项说明见产物与落盘。
落盘：save()¶
一次写出上面所有的图与表。内存 DataFrame 输入时没有数据文件可作落点锚，因此必须显式给出目录：
long_short_ew.png
long_short_vw.png
deciles_alpha1_ew.png
deciles_alpha2_ew.png
deciles_alpha3_ew.png
deciles_alpha1_vw.png
deciles_alpha2_vw.png
deciles_alpha3_vw.png
metrics.csv
turnover.csv
ic.csv
summary_metrics.csv
curves.feather
文件名逐段对应上面的调用：deciles_alpha2_ew.png 即 plot("deciles", signal="alpha2", weight="EW")
那张。图表数量因此是「策略对比图：加权方案数」加「分位图：信号数 × 加权方案数」，此处 2 + 3×2 = 8 张。
配置目录的等价写法¶
同一次回测写成四份 JSON，alpholio run 产出与上面逐值相同的图与表。目录内固定四个文件名，
缺任一即报错；vars 中定义的变量以 ${VAR} 形式在路径里展开。
三路信号指向同一个文件，只有 column_map.alpha 不同：
{
"vars": { "DATA": "/path/to/your/data" },
"frequency": "monthly",
"prices": {
"path": "${DATA}/panel.parquet",
"column_map": { "date": "date", "id": "id", "cap": "cap" },
"restrict_to_signal_assets": true
},
"signals": [
{
"name": "alpha1",
"path": "${DATA}/panel.parquet",
"column_map": { "date": "date", "id": "id", "alpha": "alpha1", "fwd_ret": "fwd_ret" }
},
{
"name": "alpha2",
"path": "${DATA}/panel.parquet",
"column_map": { "date": "date", "id": "id", "alpha": "alpha2", "fwd_ret": "fwd_ret" }
},
{
"name": "alpha3",
"path": "${DATA}/panel.parquet",
"column_map": { "date": "date", "id": "id", "alpha": "alpha3", "fwd_ret": "fwd_ret" }
}
],
"references": [],
"calendar": {
"first_rebalance": null,
"last_rebalance": null,
"rebalance_freq": 1,
"source": "signals",
"auto_stride": true
}
}
forward_return.horizon 为必填项，此处单位是自然月：
{
"metrics": ["ann_ret", "cagr", "ann_vol", "sharpe", "max_drawdown", "total_equity"],
"periods_per_year": null,
"trading_days_per_year": 252.0,
"risk_free_rate": 0.0,
"diagnostics": { "turnover": true, "ic": true, "ic_min_names": 20 },
"curves": { "clip_lower": -0.99, "shared_origin": true },
"vol_rescale": { "enabled": false, "reference": null, "min_periods": 20 }
}
两个图表配置分别对应 plot("long_short") 与 plot("deciles")，tables 三项对应
save() 写出的三份 CSV：
{
"output_dir": "${DATA}/outputs",
"export_returns": true,
"charts": [
{
"name": "long_short",
"type": "cumulative_log_return",
"buckets": ["H-L"],
"color_mode": "palette",
"show_baseline": true
},
{
"name": "deciles",
"type": "cumulative_log_return",
"buckets": ["0", "1", "2", "3", "4", "5", "6", "7", "8", "9", "H-L"],
"color_mode": "gradient",
"legend_ncol": 2
}
],
"tables": [
{
"name": "metrics",
"type": "summary",
"percent_columns": ["ann_ret", "cagr", "ann_vol", "max_drawdown", "turnover"],
"decimals": 4
},
{ "name": "turnover", "type": "turnover" },
{ "name": "ic", "type": "ic" }
],
"style": { "figsize": [12.0, 6.5], "dpi": 120 }
}
alpholio run --config-dir configs/
alpholio run --config-dir configs/ --no-render # 只算不出图
alpholio run --config-dir configs/ --quiet # 不打印摘要，仅列出落盘文件
日频：单路 alpha 配两条基准¶
日频面板每 5 个交易日调仓一次，区间 2021-01-04 至 2025-12-24 共 250 个调仓期，每期约 4,800 只。 基准两条，等权与市值加权各一条，与两套加权方案配对。
输入长什么样¶
三张表。信号表每个 (date, id) 一行，自带已算好的实现收益：
date id alpha fwd_ret
2021-01-04 10026 -0.231237 0.005321
2021-01-04 10028 2.021429 0.120623
2021-01-04 10032 -0.020332 0.081269
2021-01-04 10044 -0.523864 0.102439
2021-01-04 10051 -0.141912 0.051826
价格面板逐日，提供交易日历与市值，区间比信号长得多，超出部分由 first_rebalance 与信号自身的
日期范围裁掉：
基准序列两列即可，日期与该日收益率：
fwd_ret 与 alpha 可以走不同的价格口径
信号自带 fwd_ret 时工具包直接采用，不做任何再加工。该列若按未复权 close 计算，拆股与
缩股会让它跳变：实测一例中某只股票反向缩股 1:100，价格口径据此算出 +25931% 的单只收益，
在 493 只的等权桶里单独贡献 +64% 的组合收益，使该期多空从 −1.76% 变成 −141.17%。
复权口径 prod(1 + 日收益) − 1 天然免疫拆股与除息。口径正确与否在包的职责之外。
起一次回测¶
信号与基准用内存表，价格面板几百 MB 交给包按需读取，两种形态在同一次调用里混用：
import pandas as pd
import alpholio as alp
bt = alp.backtest(
signals={"alpha1": pd.read_feather("/path/to/data/alpha1.feather")},
prices="/path/to/data/prices.feather",
price_columns={"date": "date", "id": "id", "close": "close", "cap": "cap"},
horizon=5,
first_rebalance="2021-01-04",
references={
"SPX_EW": pd.read_csv("/path/to/data/spx_ew.csv", parse_dates=["date"]),
"SPX_VW": pd.read_csv("/path/to/data/spx_vw.csv", parse_dates=["date"]),
},
reference_frequency="daily",
)
bt
BacktestResult(signals=['alpha1'], horizon=5, n_buckets=10, weights=['EW', 'VW'], periods=250)
signal_model bucket weight n_periods ann_ret cagr ann_vol sharpe max_drawdown total_equity turnover ic_mean
SPX_EW REF EW 250 0.1259 0.1176 0.1699 0.7408 -0.1932 1.7360 NaN NaN
SPX_EW REF VW 250 0.1259 0.1176 0.1699 0.7408 -0.1932 1.7360 NaN NaN
SPX_VW REF EW 250 0.1559 0.1520 0.1679 0.9284 -0.2333 2.0175 NaN NaN
SPX_VW REF VW 250 0.1559 0.1520 0.1679 0.9284 -0.2333 2.0175 NaN NaN
alpha1 H-L EW 250 0.0923 0.0711 0.2153 0.4288 -0.4202 1.4060 0.2648 0.0291
alpha1 H-L VW 250 0.1714 0.1342 0.3024 0.5670 -0.3767 1.8676 0.2648 0.0291
基准以 bucket="REF"、signal_model= 基准名进入结果表。reference_frequency="daily" 表示这两条
序列是日收益，需按持有期复利后再与调仓日历对齐；已折算好的周期收益填 "period"。
三处没有写、由数据推出来的默认值：
| 推导项 | 取值 | 依据 |
|---|---|---|
rebalance_freq |
5，等于 horizon |
缺省取同值，相邻持有窗口首尾相接 |
weights |
["ew", "vw"] |
价格面板带 cap 列 |
forward_return_source |
"signals" |
信号表自带 fwd_ret，优先于由 close 推算 |
信号只在调仓日落盘，原生间隔已是 5 个交易日，auto_stride 识别到后不再二次抽稀。
规则详见核心概念。
指标表：summary()¶
bucket 接受列表，多空与基准一次取出：
signal_model bucket weight n_periods ann_ret cagr ann_vol sharpe max_drawdown total_equity turnover ic_mean
SPX_EW REF EW 250 0.1259 0.1176 0.1699 0.7408 -0.1932 1.7360 NaN NaN
SPX_EW REF VW 250 0.1259 0.1176 0.1699 0.7408 -0.1932 1.7360 NaN NaN
SPX_VW REF EW 250 0.1559 0.1520 0.1679 0.9284 -0.2333 2.0175 NaN NaN
SPX_VW REF VW 250 0.1559 0.1520 0.1679 0.9284 -0.2333 2.0175 NaN NaN
alpha1 H-L EW 250 0.0923 0.0711 0.2153 0.4288 -0.4202 1.4060 0.2648 0.0291
alpha1 H-L VW 250 0.1714 0.1342 0.3024 0.5670 -0.3767 1.8676 0.2648 0.0291
一条 references 会对每个加权方案各复制一行，因此 SPX_EW 在 EW 与 VW 两行上取值相同——
基准序列本身与组合的加权方案无关。基准行不参与换手与 IC，两列记 NaN。
只给 weight 时得到该加权方案下的全部桶，分位与基准同表：
signal_model bucket weight n_periods ann_ret cagr ann_vol sharpe max_drawdown total_equity turnover ic_mean
SPX_EW REF EW 250 0.1259 0.1176 0.1699 0.7408 -0.1932 1.7360 NaN NaN
SPX_VW REF EW 250 0.1559 0.1520 0.1679 0.9284 -0.2333 2.0175 NaN NaN
alpha1 0 EW 250 -0.0772 -0.1237 0.3308 -0.2334 -0.8023 0.5195 0.2848 0.0291
alpha1 1 EW 250 0.0337 -0.0002 0.2599 0.1296 -0.5407 0.9989 0.4345 0.0291
alpha1 2 EW 250 0.0809 0.0611 0.2074 0.3900 -0.3384 1.3419 0.5317 0.0291
alpha1 3 EW 250 0.0938 0.0820 0.1723 0.5441 -0.2618 1.4782 0.5942 0.0291
alpha1 4 EW 250 0.0903 0.0821 0.1502 0.6011 -0.2471 1.4790 0.6254 0.0291
alpha1 5 EW 250 0.1006 0.0931 0.1512 0.6654 -0.2133 1.5551 0.6342 0.0291
alpha1 6 EW 250 0.0990 0.0902 0.1584 0.6253 -0.1989 1.5347 0.6136 0.0291
alpha1 7 EW 250 0.1164 0.1068 0.1718 0.6775 -0.2016 1.6545 0.5641 0.0291
alpha1 8 EW 250 0.1145 0.0990 0.1996 0.5738 -0.3021 1.5974 0.4516 0.0291
alpha1 9 EW 250 0.0151 -0.0200 0.2652 0.0570 -0.5282 0.9045 0.2545 0.0291
alpha1 H-L EW 250 0.0923 0.0711 0.2153 0.4288 -0.4202 1.4060 0.2648 0.0291
分位序号与 ann_ret 的 Spearman 秩相关为 0.527：单调性主要由低分位一侧贡献，最高分位 D9 回落到
1.51%，低于 D2 至 D8 的任何一档。多空的收益因此几乎全部来自空头端。
多空对比图：plot("long_short", signals=[...])¶
long_short 预设默认把所有基准都画上。等权组合应配等权指数，因此用 signals 白名单挑出这张图
该有的那条：
虚线是基准，样式走 style.reference_color 与 style.reference_linestyle。换成市值加权那套：
signals 白名单对策略信号与基准名同时生效，因此参与该图的策略必须一并列出。留空则两条基准同图，
适合只看指数之间差异的场合。
分位结构图：plot("deciles")¶
只有一路信号时不必写 signal=：
分位图的桶列表不含 REF，基准因此不会出现在这两张图上。
逐期诊断与落盘¶
signal_model date ic count
alpha1 2021-01-04 0.008399 4446
alpha1 2021-01-11 -0.034371 4452
alpha1 2021-01-19 0.059905 4452
alpha1 2021-01-26 0.060289 4496
alpha1 2021-02-02 -0.000085 4349
long_short_ew.png
long_short_vw.png
deciles_ew.png
deciles_vw.png
metrics.csv
turnover.csv
ic.csv
summary_metrics.csv
curves.feather
单信号时分位图不加信号名后缀，文件名为 deciles_{weight}.png。
save() 走的是预设，不带 signals 白名单
落盘的 long_short_ew.png 上两条基准都在，与上面按加权配对的那两张不同。要让落盘结果也按
加权配对，用下面的配置目录——两个同名 long_short 配置按 weights 分开，各自限定 signals。
配置目录的等价写法¶
基准在 references 中声明，frequency 取 daily 表示该序列是日收益：
{
"vars": { "DATA": "/path/to/your/data" },
"frequency": "daily",
"prices": {
"path": "${DATA}/prices.feather",
"column_map": { "date": "date", "id": "id", "close": "close", "cap": "cap" },
"restrict_to_signal_assets": true
},
"signals": [
{
"name": "alpha1",
"path": "${DATA}/alpha1.feather",
"column_map": { "date": "date", "id": "id", "alpha": "alpha", "fwd_ret": "fwd_ret" }
}
],
"references": [
{
"name": "SPX_EW",
"path": "${DATA}/spx_ew.csv",
"column_map": { "date": "date", "ret": "ret" },
"frequency": "daily"
},
{
"name": "SPX_VW",
"path": "${DATA}/spx_vw.csv",
"column_map": { "date": "date", "ret": "ret" },
"frequency": "daily"
}
],
"calendar": {
"first_rebalance": "2021-01-04",
"last_rebalance": null,
"rebalance_freq": 5,
"source": "signals",
"auto_stride": true
}
}
reference_lag 为 1 表示基准的复利窗口从锚点次日起算，与持仓对齐：
与月频例子相同：
{
"metrics": ["ann_ret", "cagr", "ann_vol", "sharpe", "max_drawdown", "total_equity"],
"periods_per_year": null,
"trading_days_per_year": 252.0,
"risk_free_rate": 0.0,
"diagnostics": { "turnover": true, "ic": true, "ic_min_names": 20 },
"curves": { "clip_lower": -0.99, "shared_origin": true },
"vol_rescale": { "enabled": false, "reference": null, "min_periods": 20 }
}
前两个图表配置与上面两次 plot("long_short", weight=..., signals=[...]) 一一对应：
{
"output_dir": "${DATA}/outputs",
"export_returns": true,
"charts": [
{
"name": "long_short",
"type": "cumulative_log_return",
"buckets": ["H-L", "REF"],
"weights": ["EW"],
"signals": ["alpha1", "SPX_EW"],
"color_mode": "palette",
"show_baseline": true
},
{
"name": "long_short",
"type": "cumulative_log_return",
"buckets": ["H-L", "REF"],
"weights": ["VW"],
"signals": ["alpha1", "SPX_VW"],
"color_mode": "palette",
"show_baseline": true
},
{
"name": "deciles",
"type": "cumulative_log_return",
"buckets": ["0", "1", "2", "3", "4", "5", "6", "7", "8", "9", "H-L"],
"color_mode": "gradient",
"legend_ncol": 2
}
],
"tables": [
{
"name": "metrics",
"type": "summary",
"percent_columns": ["ann_ret", "cagr", "ann_vol", "max_drawdown", "turnover"],
"decimals": 4
},
{ "name": "turnover", "type": "turnover" },
{ "name": "ic", "type": "ic" }
],
"style": { "figsize": [12.0, 6.5], "dpi": 120 }
}
两个图表配置同名且 weights 互不重叠，产出的 long_short_ew.png 与 long_short_vw.png
不会互相覆盖。
下一步¶
- 核心概念：两条入口的关系、三份契约与扩展点
- 产物与落盘：落点规则、表的过滤与百分比换算
- 数学口径：每个指标的确切公式与失真条件
- Python API 参考：
backtest()逐参数说明与结果对象