引言
如果你经过仔细思考认真研究终于产生了一个好想法（交易策略），当然恨不得立刻投入交易赚大钱。但是，世间不如意十之八九，往往好想法并不一定产生好结果。市场并没有按照预期的情况发展，结果不但没有赚还亏损不少。:-(
怎么才能在不亏损的情况下，先验证下我们的交易策略是否有效？码农说，测试呗！（另一种验证方法是“证明”，此处暂不涉及）
怎么测试？两条路：
- 虚拟交易，假投资，好处是实际交易情况，不足是费时费力，而且大家都知道测试只能测试某些情况很难全覆盖所有的情况，就算虚拟交易多年胜利也不能保证之后的胜利。
- 拿过去的交易数据测试，好处就是数据大覆盖的可能情况多测试更全面。另外，就是快！迅速获得验证后，结果好的话就可以投入实际使用了！这就是回测。
两种回测方式
回测分两种：事件驱动回测，向量化回测。两种有什么不同呢？
- 事件驱动回测一般一次处理一个事件（通常就是一个历史数据，如日线中的一天数据，实时交易中的一次报价）
- 向量化回测则一次处理所有事件，对所有向量或矩阵数据进行同时计算。（在pandas中，向量就是
Series，矩阵就是DataFrame）
举例
举一个简单的例子，我们的策略是在价格低于10元的时候买进，高于10元的时候卖出。假设我们有价格数据，想要确定哪天买入哪天卖出。
data = {
"2017-02-01": 10.07,
"2017-02-02": 9.87,
"2017-02-03": 9.91,
"2017-02-04": 10.01
}
如果使用事件驱动回测，我们循环遍历每天的数据，检查价格因素：
for date, price in data.items():
if price < 10:
buy_signal = True
else:
buy_signal = False
print(date, buy_signal)
结果显示：
2017-02-01 False
2017-02-02 True
2017-02-03 True
2017-02-04 False
如果使用向量化回测，我们一次性检查所有的价格以确定买卖信号：
import pandas as pd
prices = pd.Series(data)
buy_signals = prices < 10
buy_signals.head()
结果显示：
2017-02-01 False
2017-02-02 True
2017-02-03 True
2017-02-04 False
dtype: bool
两种回测的方式不同，产生的结果是相同的。
两种回测方式的特点
向量化回测比事件驱动回测快得多
我们之所以做回测，一个非常重要的原因就是可以快速基于大量的历史数据做策略测试。实际情况下，回测数据是非常大量的，而我们需要做测试的策略可能很多，对于每个策略需要调整的参数也可能很多，所以，速度是可能是一个非常关键的考虑。在高速的情况下，我们可以做大量的策略测试以寻找合适的策略。想象一下，如果我们一天可以跑人家100天甚至1000天的回测，那效果......
做了一个实验比较pyalgotrade和vector-bt的运行情况（实现了同样的均线策略，跑同样的数据集合）：
from timeit import default_timer as timer
......此处忽略start策略的定义
t = timer()
strat.run()
print("done. %.4fs" % (timer() - t))
......此处忽略mybt的定义
t = timer()
a = mybt(rate_sr)
print("done. %.4fs" % (timer() - t))
结果如下：
| 记录条目数量 | pyalgotrade 耗时 | vector-bt 耗时 | 耗时相对倍数 | |
|---|---|---|---|---|
| 日线 | 111 | 0.0241s | 0.0027s | 9 |
| 分钟线 | 26400 | 6.0542s | 0.0103s | 588 |
| 两线倍数 | 237.8 | 251 | 3.8 | |
| - | - | - | - | - |
| 日线 | 289 | 0.0783s | 0.0026s | 30 |
| 分钟线 | 69360 | 16.0826s | 0.0220s | 731 |
| 两线倍数 | 240 | 205 | 8.46 |
注：这里vector-bt没有使用多核并行，从vector-bt的实验情况可知使用多核并行可以获得700倍的速度提升。
结论: 从结果可看出，事件驱动回测的处理时间和需要处理的数据条目数量成正比，符合预期；向量化回测处理300条数据的情况下，比事件驱动回测快30倍，而且和数据规模不成正比，70000条数据的情况下，比事件驱动回测快700倍！如果需要批量处理数据的情况，使用多核并行，700*700=490000倍速度！OMG，我的判断没错！
向量化回测适合统计和机器学习算法
绝大部分统计和机器学习算法都基于向量或矩阵数据。事件驱动回测一次处理一个数据的方式无法适用这些先进的算法，而向量化回测正好合适。
事件驱动回测适合初学者或者非程序猿
事件驱动回测一般接口比较简单，多数情况下只要给出 OnBar/OnTick 之类的函数以定义买入卖出条件和动作就可以了，所以方便使用。
因为使用的人多，所以能够找到的文档也多，所以更方便使用。然后......循环回复......
向量化回测则相对复杂，需要懂得向量运算，懂的和用的人就少，就没有啥文档指导使用，然后......呵呵
切换到实际交易
对于事件驱动回测，需要把历史数据源切换为实时市场数据源，再把虚拟买卖换成实际交易接口就可以了。
对于向量化回测，需要做一次即时回测，然后拿交易信号向量的最后一行去交易就可以了。
