The best backtest engine for non-coders and quant beginners (probably).

重要！lo2cin4bt 2.0 即將更新，所有功能將會大幅升級！大家可以靜侯佳音。

大家好，我是 Jesse。

這個專案是一位「非程式背景」的交易員，透過 vibe coding 全程打造的交易回測框架。

我的目標是讓每一位量化新手，只需要以「說人話」的方式，便能輕鬆進行交易回測，並將結果可視化。

讓我們一同淘汰那些仍然憑感覺交易的散戶吧！

在使用之前，可在 Github 專案的右上角給一個星😄

歡迎到群組提出任何意見。

• TG討論社群
• DC討論社群

1. 全程無需寫程式，只要在終端機選擇操作，加上大量提示，超適合新手
2. 三大核心：統計分析、回測、可視化平台一次滿足
3. 大量中文註解，輕鬆理解程式運作，方便二次開發
4. 高內聚低耦合設計，易於修改擴展
5. 可離線運行，數據安全
6. 支援任意因子、任意資產，只要有數據就能回測

lo2cin4bt 提供完整的量化回測流程，從數據載入到結果可視化，每個步驟都有明確的用途：

• 用途：建立回測的基礎數據
• 功能：
  • 支援多種數據來源：本地 Excel/CSV、Yahoo Finance、Binance API、Coinbase API
  • 自動數據清洗與標準化
  • 預測因子載入與時間對齊
  • 數據驗證與缺失值處理

• 用途：深入分析數據特徵與預測因子的有效性
• 功能：
  • 數據分布檢驗與異常值檢測
  • 預測因子與價格的相關性分析
  • 時間序列穩定性測試
  • 季節性分析與自相關檢驗
  • 生成詳細的統計報告

• 用途：模擬真實交易環境，測試策略有效性
• 功能：
  • 多策略多參數組合向量化回測
  • 支援 MA、BOLL、Percentile 等技術指標
  • 自訂交易成本與滑點設定
  • 可導出的詳細交易記錄

• 用途：深入分析交易表現與策略優化
• 功能：
  • 計算關鍵績效指標：Sharpe、Sortino、Max Drawdown
  • 交易統計分析：勝率、盈虧比、連續虧損
  • 與 Buy & Hold 策略比較
  • 風險調整後報酬率分析
  • 生成績效報告與圖表

• 用途：直觀展示回測結果與策略表現
• 功能：
  • 互動式權益曲線圖
  • 多策略比較與篩選
  • 參數敏感性分析
  • 績效指標視覺化
  • 即時數據探索與分析

1. 點選 GitHub 頁面右上角的「Code」→「Download ZIP」下載專案

2. 解壓縮 ZIP 檔案

3. 安裝 Python（建議 3.9 以上）

4. 開啟終端機（Terminal）或命令提示字元（CMD），切換到專案資料夾

5. 安裝依賴套件：

   pip install -r requirements.txt

6. 運行主程式：

   python main.py

7. 依照畫面指示選擇數據來源與回測參數，即可開始！

📖 完整疑難排解指南：請參考 Troubleshooting.md 查看所有常見問題與解決方案。

1. 點選 GitHub 頁面右上角的「Code」→「Download ZIP」下載專案
2. 解壓縮 ZIP 檔案 lo2cin4bt，並將檔案移至您想放置的磁碟/資料夾
3. 複製目前 lo2cin4bt 的檔案路徑
4. 安裝 Cursor
5. 詢問它：「如何建立虛擬環境，並運行在 '檔案路徑' 的 lo2cin4bt？」
6. AI 會指導您下載各種 Library 與安裝環境

1. 前往 Cursor 官方網站 下載並安裝 Cursor
2. 支援 AI 助理協作，可透過自然語言解決安裝難題

1. 開啟 Cursor
2. 點選「File」→「Open Folder...」，選擇剛才解壓縮的專案資料夾
3. 建議在左側 EXPLORER 檢視所有檔案結構，右側可直接點擊 .py 檔案進行編輯
4. 內建終端機（Terminal）：
   • 點選「Terminal」→「New Terminal」，即可在專案根目錄下執行 pip、python 等指令

• 在 Cursor 內直接按 F5 或點選「Run」→「Start Debugging」即可進行除錯
• 也可在內建終端機輸入 python main.py 直接執行

• 支援 Excel（.xlsx）、CSV

• 必要欄位：Time, Open, High, Low, Close

• 時間欄位名稱：支援 Time、Date、Timestamp（系統會自動標準化為 Time）

• 日期格式：建議使用 DD/MM/YYYY (如：31/12/2023) 或 YYYY-MM-DD（如：2023-01-01）

• 目前僅支援單一預測因子進行回測與差分，未來將開放多預測因子功能，敬請期待！

• 範例：

  Time	Open	High	Low	Close
  2020-01-01	100	110	90	105

• 支援 Excel（.xlsx）、CSV、JSON

• 必要欄位：Time 或 Date, [自訂因子欄位]

• 時間欄位名稱：支援 Time、Date、Timestamp 等（系統會自動標準化為 Time）

• 日期格式：支援多種格式，可在 autorunner 配置中指定：

  • YYYY-MM-DD（如：2023-01-01）→ 配置 "time_format": "%Y-%m-%d"
  • DD/MM/YYYY（如：01/01/2023）→ 配置 "time_format": "%d/%m/%Y"
  • MM/DD/YYYY（如：01/01/2023）→ 配置 "time_format": "%m/%d/%Y"

• 需放在 records\dataloader\import，系統會自動檢測

• 範例：

  Date	factor1	factor2
  2020-01-01	0.5	1.2

以下為一個典型的命令行互動流程範例：

lo2cin4bt/
├── main.py
├── autorunner/             # 自動化回測模組
├── backtester/             # 回測引擎模組
├── dataloader/             # 數據載入模組
├── metricstracker/         # 績效分析模組
├── plotter/                # 可視化模組
├── statanalyser/           # 統計分析模組
├── records/                # 數據與結果存放
│   └── autorunner/         # 自動化回測配置檔案
├── assets/                 # 靜態資源
├── requirements.txt
└── README.md

每個資料夾內都有對應的 README，遇到問題請先參考「疑難排解」區塊！

Autorunner 是 lo2cin4bt 的自動化回測模組，讓用戶可以透過配置文件驅動整個回測流程，無需手動輸入參數。支援多種數據來源、多策略配置、批次執行，以及 Walk-Forward Analysis (WFA) 滾動前向分析。

• 📝 配置文件驅動：透過 JSON 配置文件定義所有回測參數
• 🔄 全自動執行：數據載入 → 回測執行 → 績效分析一鍵完成
• 📊 多數據源支援：Yahoo Finance、Binance、Coinbase、本地文件
• ⚡ 批次處理：支援多個配置文件同時執行
• 🎯 零交互設計：適合一次回測大量數據
• 🔄 WFA 支援：支援前向分析，評估策略穩健性

回測配置：

• 將 records/autorunner/backtester_autorunner/config_template.json 複製為您的配置文件，並根據需要修改
• 支援多種配置範例：config_template_single.json、config_template_defaultall.json 等

WFA 配置：

• 將 records/autorunner/wfanalyser_autorunner/config_template.json 複製為您的 WFA 配置文件
• 支援滾動模式（Standard）和錨定起點模式（Anchored），詳見 config_anchored_template.json

python main.py
# 在主選單選擇 "4. 🚀 Autorunner 自動化回測" 進行回測
# 或選擇 "5. 🔄 滾動前向分析 (WFA)" 進行 WFA 分析
# 選擇您的配置文件
# 系統將自動執行完整回測流程

支援多個配置文件同時執行，適合策略優化和參數測試：

1. 回測批次執行：在 records/autorunner/backtester_autorunner/ 目錄放置多個回測配置文件
2. WFA 批次執行：在 records/autorunner/wfanalyser_autorunner/ 目錄放置多個 WFA 配置文件
3. 執行 autorunner 時選擇多個配置
4. 系統將依序執行所有選定配置的回測與分析，並放置於對應資料夾

• 預測因子檔案存放：
  • 需存放於 records/dataloader/import 資料夾，格式為 csv/xlsx/json 檔案
• Autorunner 配置文件：
  • 回測配置：存放於 records/autorunner/backtester_autorunner/ 資料夾
  • WFA 配置：存放於 records/autorunner/wfanalyser_autorunner/ 資料夾
  • 支援多個配置文件批次執行
• 回測結果（交易紀錄）：
  • 自動產生並存放於 records/backtester/ 資料夾，格式為 .parquet 檔案
  • 每次回測會產生一個唯一檔名（如 20250723_97dpnzl6.parquet）
  • 可透過 Autorunner 自動執行或手動回測產生
• WFA 分析結果：
  • 自動產生並存放於 records/wfanalyser/ 資料夾，格式為 .parquet 和 .csv 檔案
  • 包含多個窗口的 IS/OOS 績效對比數據
  • 僅可透過 Autorunner WFA 模式產生
• 統計分析結果：
  • 自動產生並存放於 records/backtester/statanalyser 資料夾，包含 processed_data.csv、stats_report.txt 等
• 交易分析：
  • 系統會自動讀取 records/backtester/ 下的 parquet 檔案，計算後會產生新的 .parquet 檔案，並存放於 records/metricstracker/ 內
• 可視化平台：
  • 系統會自動讀取 records/metricstracker/ 下的 parquet 檔案，並以互動式圖表展示
  • 如有 WFA 數據，會自動讀取 records/wfanalyser/ 下的檔案，並顯示「前向分析 (WFA)」頁籤
• 日誌檔案：
  • 所有錯誤與執行日誌會存於 logs/backtest_errors.log
• 自訂導出：
  • 可於互動流程中選擇導出個別回測結果為 CSV
  • WFA 結果可透過可視化平台下載完整分析圖表

• Pre-commit 格式修改
• 策略逐筆賺賠分佈
• 新增技術指標指導文檔
• 多個預測因子在單一策略進行回測
• 更多數據接口
• 接駁 AI

歡迎任何 issue、建議或貢獻，一起讓 lo2cin4bt 變得更好！

歡迎任何 issue、PR、建議！ 如有想法請直接開 issue 或 fork 專案。

本專案使用 pre-commit hooks 來確保程式碼品質。請在開發前安裝：

# 安裝 pre-commit
pip install pre-commit

# 安裝 git hooks
pre-commit install

# 手動執行所有檢查
pre-commit run --all-files

Pre-commit 會自動執行以下檢查：

• 程式碼格式化: black, isort, autoflake
• 程式碼檢查: flake8, pylint
• 型別檢查: mypy
• 一般檢查: 移除尾隨空白、修正檔案結尾等

提交程式碼前請確保：

1. 所有 pre-commit hooks 檢查通過
2. 新增的函數包含型別提示
3. 遵循既有的命名慣例（如檔案名稱使用 PascalCase）
4. 保持中文註解風格，方便新手理解

⚠️ 免責聲明

本工具僅作為教學用途，並非投資建議，不構成任何要約、要約邀請或推薦任何投資產品。

⚠️ Disclaimer

This tool is for educational purposes only. It does not constitute investment advice, an offer, or a solicitation to buy or sell any investment product.

本專案所有原始碼、文件、數據，允許學術、個人、非商業及商業用途。 但如需商業授權（包括但不限於銷售、SaaS、商業顧問等），請聯絡作者 lo2cin4_Jesse 取得授權。 任何分發、修改、再利用，必須保留原作者署名（lo2cin4_Jesse）及本授權條款。

• Email: lo2cin4@gmail.com
• Telegram: @lo2cin4_jesse

本專案部分可視化設計與互動靈感來自 plotguy 開源庫，特此致謝！

特別感謝 @LouisChanCLY 對本專案的寶貴貢獻與支持！