轻量级事件驱动量化回测引擎产品系统Vibe Coding

A股量化策略的快速回测验证。日常研究里需要频繁测试新想法，市面上的回测框架要么太重（backtrader启动一次几分钟），要么装不上（zipline依赖地狱）。这个引擎解决的核心场景是：拿一个策略想法，从数据到回测结果5分钟内跑通，指标一目了然，代码结构和实盘一致——验证完直接迁移到生产环境不用重写。

实际跑了两年，日频稳定。支持多标的组合回测、A股真实费率（佣金万2.5最低5元、印花税千1单边）、滑点模拟。适合个人量化研究和小团队快速原型。

1. 事件驱动回测主循环：date→signals→orders→fills→mark-to-market，跟实盘代码结构一致，策略验证完无缝迁移
2. A股真实成本模拟：佣金默认万2.5（最低5元）、印花税千1（仅卖出）、滑点模型（固定bps+随机噪声模拟市场冲击）
3. 组合管理模块：等权重分配、单票仓位上限、资金检查，拒绝超买而非部分成交（保守风控）
4. 绩效报表：年化收益、Sharpe比率、最大回撤（含起止区间）、胜率、换手率、总佣金/印花税
5. 可视化：三层图表（净值曲线+回撤区间+日收益分布），一眼判断策略质量
6. 策略基类：继承Strategy类，实现generate_signals()即可。内置Buy&Hold和双均线金叉死叉两个示例
7. DataFeed从DataFrame读取，直接对接SQLite/CSV/API，不绑死数据源

架构是经典事件驱动模型，核心就一个主循环：
for date, bars in data_feed:
mark_to_market() # 按市价更新持仓
signals = strategy() # 策略产信号
orders = portfolio(signals) # 信号转订单
execute(orders) # 模拟成交（滑点+佣金+印花税）
record() # 记净值
数据层：DataFeed封装了一个多标的DataFrame，按交易日迭代，支持history()回看任意窗口算指标。实际使用从SQLite读日线，一行pd.read_sql搞定。
交易层：Order→Trade的状态机，成交时做资金检查、加权平均成本更新。卖出时标记盈亏（已知FIFO没做，多笔买入时胜率统计有小偏差，但不影响净值计算）。
成本层：CommissionModel和SlippageModel独立封装，换市场（比如港美股）替换这两个类就行。
组合层：PortfolioManager目前是等权分配+单票上限，扩展空间留了——override target_position()可以实现任意分配逻辑。
全部Python标准库+NumPy+Pandas，没有重型依赖。670行代码，单元测试没写但主循环跑了两年日频数据没问题。