# fidc-backtest-engine

一个面向中国 A 股长周期选股策略的 Rust 回测核心骨架。这个仓库的第一版目标不是“玩具回测器”，而是提供一个可以继续演化为平台化引擎的最小可用核心，方向参考 `nautilus_trader` 的分层架构和 `rqalpha` 的中国股票规则约束。

## 当前能力

- Phase 2：增加 snapshot bundle 视图与更贴近 jqdata 策略语义的动态市值带策略
- 日频交易日历与确定性逐日回放
- A 股日频市场快照、估值/因子快照、基准快照、候选资格标记
- 策略接口与引擎驱动，不直接模拟 `jqdata` API
- Universe 选择器：按指数位置动态切换市值带，再取最小市值 Top-N
- 风险节流：基于指数均线状态切换 100% / 50% / 0% 仓位
- Broker Simulator：按次日开盘价撮合，支持手续费、印花税、最小佣金
- 中国 A 股规则钩子：T+1、停牌、涨停不可买、跌停不可卖
- 回测输出：权益曲线、成交记录、期末持仓摘要
- `cargo run --bin bt-demo` 可直接运行仓库内置 demo 数据

## Workspace 布局

```text
.
├── Cargo.toml
├── crates
│   ├── bt-demo
│   │   └── src/main.rs
│   └── fidc-core
│       └── src
│           ├── broker.rs
│           ├── calendar.rs
│           ├── cost.rs
│           ├── data.rs
│           ├── engine.rs
│           ├── events.rs
│           ├── instrument.rs
│           ├── portfolio.rs
│           ├── rules.rs
│           ├── strategy.rs
│           └── universe.rs
└── data/demo
```

## 核心模块概览

- `calendar`: 交易日历和滚动窗口工具，负责日频迭代和均线 lookback。
- `instrument`: 证券静态定义。
- `data`: 日频市场、因子、基准、候选资格数据模型与 CSV loader。
- `universe`: 动态市值带 Universe Selector。
- `portfolio`: 现金、持仓、FIFO lots、T+1 可卖数量、盈亏汇总。
- `rules`: 中国股票规则钩子，隔离停牌、涨跌停、T+1 检查。
- `cost`: 佣金、印花税、最低佣金模型。
- `broker`: 目标权重到订单执行的模拟器，先卖后买，买单按 100 股向下取整。
- `strategy`: 引擎驱动的策略 trait 与具体策略实现。
- `engine`: 确定性的逐日回测循环和结果收集。

## 策略实现

示例策略 `CnSmallCapRotationStrategy` 对应一类典型的 A 股小市值轮动逻辑，并在 phase 2 里更贴近原始 jqdata 语义：

1. 用指数点位动态计算市值带：
   - `mystart = round((index_close - base_index_level) * xs + base_cap_floor)`
   - `myend = mystart + cap_span`
2. 在当前市值带内，按总市值升序取 Top-N。
3. 用指数短均线/长均线关系控制总仓位：
   - 当 `MA(short) < MA(long) * rsi_rate` 时降到 `trade_rate`
   - 否则恢复到 `1.0`
4. 按 `refresh_rate` 固定频率再平衡。
5. 非再平衡日也会检查止损/止盈钩子并触发退出。
6. 候选过滤纳入资格快照：
   - 停牌
   - ST
   - 新股
   - 科创板
   - 1 元股
   - allow_buy / allow_sell

这个接口不是 `jqdata` 风格的 `before_trading_start` / `handle_data` 直接脚本 API，而是：

- 策略收到 `StrategyContext`
- 返回 `StrategyDecision`
- 引擎和 broker 负责把目标权重和退出指令变成实际成交

这更接近平台化引擎需要的“策略意图”和“执行语义”分离。

## 与原始 jqdata 策略族的映射

如果原始逻辑大致是：

- 依据指数点位动态切换可接受市值带
- 从候选股票里选最小市值若干只
- 按均线决定是否降仓
- 周期性调仓
- 带止损/止盈

那么本仓库中的映射关系是：

- `get_fundamentals` / `valuation.market_cap` -> `DailyFactorSnapshot.market_cap_bn`
- `get_price` / `history` -> `DailyMarketSnapshot` + `BenchmarkSnapshot`
- `set_benchmark` -> `BacktestConfig.benchmark_code`
- `filter_paused` / `filter_st` / 新股过滤 -> `CandidateEligibility`
- `order_target_value` -> `StrategyDecision.target_weights` 由 `BrokerSimulator` 解释执行
- 风险控制逻辑 -> `CnSmallCapRotationStrategy::gross_exposure`

## Phase 2 新增内容

- `DataSet::bundle_on(date)`：引入按日 snapshot bundle 视图，方便未来直接对接 FiDataCenter / FiDataScraper 预计算快照
- `DataSet::from_partitioned_dir(path)`：新增按日分区 snapshot 目录读取入口，为真实回测数据源接入打基础
- 策略诊断输出：equity curve 里新增 `diagnostics` 字段，记录市值带、候选样本、退出原因等信息
- 候选资格快照扩展：补入 `is_kcb`、`is_one_yuan`
- 增加策略选择行为测试

## V1 / V2 当前仍保留的简化点

下面这些是刻意保留为 v1 简化，而不是遗漏：

- 只支持日频，不做分钟级、集合竞价、盘中撮合。
- 决策基于 `T-1` 收盘后可见数据，在 `T` 开盘价执行。
- 不模拟盘口排队、成交量约束和滑点模型，成交默认按开盘价完成。
- 买单按 100 股整手向下取整，卖单允许按实际持仓数量退出。
- 未处理复权、分红送转、融资融券、可转债、科创板/北交所差异规则。
- 止损止盈基于上一交易日收盘价相对持仓成本触发，下一交易日开盘执行。

这些简化都在代码结构上留了扩展位，不会阻断后续升级到更完整的执行层。

## 运行方式

默认跑仓库内置 flat demo CSV：

```bash
cargo run --bin bt-demo
```

如果要接更接近真实数据面的按日分区 snapshot 目录：

```bash
FIDC_BT_DATA_LAYOUT=partitioned \
FIDC_BT_DATA_DIR=/path/to/snapshots \
cargo run --bin bt-demo
```

约定目录结构：

```text
snapshots/
├── instruments.csv
├── benchmark/
│   ├── 2024-01-02.csv
│   └── ...
├── market/
├── factors/
└── candidates/
```

其中：
- `market/`：日级行情快照
- `factors/`：估值/因子快照
- `candidates/`：候选资格/过滤标记快照
- `benchmark/`：指数快照

这层接口是为后续对接 `FiDataCenter / FiDataScraper` 的预计算 snapshot 数据准备的。

运行后会生成：

- `output/demo/equity_curve.csv`
- `output/demo/trades.csv`
- `output/demo/holdings_summary.csv`

## 测试与构建

```bash
cargo fmt
cargo test
cargo build
```

## 为什么这个设计适合后续做快

这个版本已经按“预计算后高速回放”的思路组织：

- 因子与资格数据和市场行情解耦，适合把 `T x N` 的选股输入预先展开。
- 快照结构是列式数据库友好的固定字段模型，后续可以自然对接 ClickHouse/Parquet。
- Engine 逐日回放时只做：
  - 取当天切片
  - 策略计算 target weights
  - broker 做持仓差量执行
- 不把查询逻辑塞进策略内部，避免回测时频繁回源数据层。

如果未来把日频因子、资格标记、可交易标记和开/收盘价全部预计算到列式存储，再按日期分块读入内存，6 年全市场回测在 5 分钟内是合理目标，原因是：

- 回测时不再做昂贵的 SQL join
- 因子筛选可直接消费预先物化的 snapshot
- 组合调仓只关心“目标持仓”和“当前持仓”的差量
- 事件流是 append-only，适合批量写出和后处理分析

## 距离真实 6 年 / 5 分钟平台还差什么

当前仓库已经有“核心引擎 + 规则钩子 + 策略接口 + demo 回放”，但距离生产级目标还差：

- 真实 snapshot loader：接入 FiDataCenter / FiDataScraper 的 ClickHouse / Parquet / PostgreSQL 预计算快照，而不是 demo CSV
- 分钟级执行层：把当前 `T-1 决策 / T 开盘执行` 扩展到更接近 `10:17 / 10:18` 的分钟级执行语义
- 更完整的 A 股规则：复权、分红、涨跌停细分、创业板/北交所规则、成交量约束、滑点模型
- 更高效的数据访问：按日期块和列式布局一次性加载 6 年快照，避免回测时回源拼表
- 批量参数回测：多个参数集共享预计算快照与候选池缓存

## Roadmap

- 引入更明确的事件总线和 portfolio/account ledger 分层
- 增加多 benchmark、多 universe、多个 broker model
- 支持企业行为、前后复权与现金分红
- 增加滑点、量比约束、成交量参与率
- 增加 parquet / ClickHouse 数据源与预计算管线
- 增加指标分析、分组收益、归因和 walk-forward 框架