.
├── 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：

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
在当前市值带内，按总市值升序取 Top-N。
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
按 refresh_rate 固定频率再平衡。
非再平衡日也会检查止损/止盈钩子并触发退出。
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
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

cargo run --bin bt-demo

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

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

README.md Unescape Escape

fidc-backtest-engine

当前能力

Workspace 布局