Runtime 与 Runner

trade-learn 是事件驱动回测框架，不是纯向量化回测器。策略仍然在每根 bar 上通过 next() 表达逻辑，runtime 负责把当前 bar、订单、成交、持仓和权益状态推进下去。

自动 runner 选择

场景	自动路径	触发条件
单标的	Rust single-data runner	RustBroker 已绑定 Rust engine，且只有 1 个 data feed
多标的	Rust multi-data clock runner	len(datas) > 1，每个 feed 暴露 OHLCV 数组
自定义 feed / 非 Rust broker	Python fallback	不满足数组协议或 broker 条件

用户不需要显式选择 runner。Engine 和 Lite 都通过 tradelearn.backtest runtime 进入同一套内核。

触发条件的具体口径：

• single-data runner：只有一个数据源时使用。它保留单标的最短路径，不引入多标的 active symbol、clock plan 或 cross-section 组装开销。
• Rust clocked multi-data runner：两个及以上数据源时优先使用。数据源必须由标准 OHLCV DataFeed / panel 自动拆分得到，并暴露连续的 datetime/open/high/low/close/volume 数组；这类数据会按主时钟推进，每个时点只激活有 bar 的 symbols。
• Python fallback runtime：如果 broker 不是 RustBroker、data feed 不满足数组协议、用户提供了非标准自定义 feed，或后续 live/paper adapter 明确要求事件逐条回放，则回退 Python runtime。回退不会改变策略 API，只是吞吐会低于 Rust runner。

这个选择逻辑对 Engine 和 Lite 一致：bt.Cerebro().adddata(panel) 与 tl.Backtest(panel, Strategy) 只要输入 schema 满足条件，都会进入同一套多标的 Rust runner。

事件顺序

sequenceDiagram
    participant S as Strategy.next()
    participant BT as Python runtime
    participant RR as Rust runner
    participant RB as RustBroker
    participant ST as Stats

    BT->>RR: 推进 bar clock
    RR-->>BT: 当前 cursor / active bars
    BT->>S: 调用策略 next()
    S->>BT: 产生订单意图
    BT->>RB: 提交订单
    RB->>RB: 撮合、成交、更新 portfolio
    RB-->>BT: compact fills / state
    BT->>ST: 更新 summary / artifacts

为什么不是纯向量化

纯向量化可以很快，但会弱化订单生命周期、成交事件、拒单、撤单、现金和持仓状态回流。trade-learn 保留事件驱动模型，是为了让回测策略更容易迁移到 paper/live broker，同时把真正高频的撮合和状态推进放进 Rust。