跳转至

数据模型与核心术语

trade-learn 的高性能很大程度上源于其对数据的组织方式。本页介绍框架的核心数据模型，并提供关键术语的统一定义。

数据模型 (Data Model)

trade-learn 处理的数据流经历从“静态存储”到“高性能内存”的转化：

1. 结构化 MultiIndex

无论是从 Provider 拉取还是从本地加载，数据在进入内核前统一规范化为 Pandas MultiIndex (timestamp, symbol)。 - 维度一 (timestamp)：全局时钟，确保多标的对齐。 - 维度二 (symbol)：资产标识。 - Columns：标准的 OHLCV + 自定义因子。

2. 内存中的 Panel 布局

在 Rust 侧，数据不再是零散的 DataFrame，而是一个连续的内存块（Buffer）。 - 零拷贝 (Zero-copy)：利用 Apache Arrow，数据直接从内存映射到 Rust 内核，避免了 Python 对象序列化的巨大开销。 - Clocked Alignment：内核通过全局时钟推进，自动处理不同标的时间戳不齐（Missing Bars）的情况，确保回测的严谨性。

核心术语 (Glossary)

为了在投研流水线中保持沟通一致，我们将以下术语标准化：

运行机制类

  • Bar (K 线/棒)：数据推进的最小时间单位。
  • Warmup (暖机期)：策略启动初期，为了让长周期指标（如 MA200）计算就绪而预留的观测期。在此期间不触发 next()。
  • Next (步进)：事件循环中调用策略逻辑的动作，代表处理“当前时刻可见数据”的机会。
  • Primary Feed (主数据源)：datas[0]，决定了回测引擎的全局心钟。

交易与账户类

  • Order Intent (订单意图)：用户在 next() 中提交的请求，尚未被内核接受。
  • Matching (撮合)：内核根据当前 Bar 的价格（Open/Close）执行订单的过程。
  • Fill (成交单)：订单成功执行后的确认记录。
  • Mark-to-Market (逐日盯市)：在每根 Bar 结束时，按当前价格重新计算持仓市值和账户净值的动作。
  • PnLComm (扣费盈亏)：扣除了交易佣金和滑点后的净盈亏。

结果分析类

  • Equity Curve (权益曲线)：账户总资产随时间波动的连线。
  • Stats (结果对象)：回测结束后的全量数据集合，包含权益、交易记录、收益指标等。
  • Drawdown (回撤)：净值从最高点跌落的幅度，用于衡量风险。

数据的生命周期

Provider (拉取) -> Parquet (缓存) -> Arrow (内存) -> Rust Core (计算) -> Stats (输出)

Note

统一的数据视口 无论你的数据源是 CSV、Parquet 还是数据库，Tradelearn 都会在进入内核前将其统一转化为内存中的 Arrow 格式，以确保策略执行时的高效。

Tip

所有的术语在 tradelearn.core 契约中都有对应的代码对象定义。深入了解这些对象字段，请参阅 核心契约。