从研究到实盘：走出 Pyodide

直觉

本网站用 Pyodide 在浏览器里跑回测，是为了零门槛学习。但真正要把策略上线，你必须离开这个沙盒：拿到真实行情、对接券商 API、处理延迟和部分成交、24 小时监控、并在真金白银上控制风险。研究与实盘之间隔着一条沟——回测里的「假设」在实盘里全是「成本」。这一节是工程指南：怎么把一个跑通的回测，一步步变成稳健运行的实盘策略。

研究与实盘的落差

维度	研究（本站 Pyodide）	实盘
数据	内置合成 CSV、无延迟	实时行情、有延迟、偶尔缺失/错误
成交价	假设按收盘/开盘成交	滑点、价差冲击、部分成交、拒单
成本	固定 cost_bps	佣金 + 交易所费 + 滑点 + 隔夜利息
状态	无状态、可重跑	持仓、挂单、资金必须精确持久化
时间	一次性向量化	事件驱动、逐 tick 决策

「人话」解释：为什么实盘 PnL 几乎总是低于回测？

回测默认「信号一出、按理想价全量成交」，现实里每一项假设都要打折：你看到的行情有延迟、你的单子会冲击价格、大单会部分成交剩下挂在簿子里、网络/系统可能断连。这些「摩擦」叠加，常常吃掉回测里相当一部分 Alpha。实盘工程的本质，就是把回测里被忽略的每一项摩擦，逐个量化、逐个控制。所以业内行话：先证明策略能在「加了真实摩擦的回测」里活下来，再谈上线。

实盘事件循环骨架

脱离 Pyodide 后，策略通常跑成一个事件驱动循环（而非向量化）：每来一条行情/定时器，重新计算信号、决定是否调仓、下单、记录成交。下面是一个最小骨架（本地 Python，非浏览器）：

# 伪代码骨架: 研究 → 实盘 的事件循环
position = load_state()                       # 从磁盘恢复持仓/资金(必须持久化!)

for event in market_data_stream():            # 实时行情或定时器
    signal = compute_signal(event)            # 复用研究阶段的信号函数
    target = size_position(signal)            # 仓位管理(凯利/波动率目标)
    if target != position:
        order = build_order(target - position)
        fill = broker.submit(order)           # 对接券商 API, 处理部分成交/拒单
        log_trade(fill); position = apply_fill(fill)
        save_state(position)                  # 落盘, 防断连丢状态
    monitor_risk(position)                    # 实时风控: VaR/回撤/敞口超限即平仓

可运行案例：迷你「纸面交易」事件引擎

用事件驱动方式（逐日、按昨日信号在今日开盘成交）在 SPY 合成数据上跑一遍，输出成交记录与期末净值——这就是回测引擎与实盘循环的共同骨架。

import numpy as np
import pandas as pd

df = pd.read_csv('/data/spy_daily.csv', parse_dates=['date']).set_index('date')
fast = df['adj_close'].rolling(10).mean(); slow = df['adj_close'].rolling(30).mean()
sig = (fast > slow).astype(float).shift(1).fillna(0).values   # 昨日信号, 今日开盘执行
opens, closes = df['open'].values, df['adj_close'].values

eq, pos, trades = 1.0, 0.0, []
for i in range(1, len(df)):
  tgt = sig[i]
  if tgt != pos:                                            # 事件: 需调仓
      eq -= abs(tgt - pos) * 2e-4 * eq                      # 按规模扣成本
      pos = tgt
      trades.append((df.index[i].date(), '多' if tgt > 0 else '空/平'))
  eq *= (1 + pos * (closes[i] / opens[i] - 1))              # 今日开盘→收盘

print(f"成交次数 = {len(trades)}   期末净值 = {eq:.3f}")
print("前 5 笔成交:", [(str(d), a) for d, a in trades[:5]])
print("\n骨架要点: 逐事件决策 → 下单 → 记录 → 持久化持仓 → 实时风控。")
print("上线前务必在'加了真实摩擦的回测'里验证, 再纸面交易, 再小仓位放量。")

上线检查清单

1. 摩擦回测：把佣金、滑点、冲击、延迟都加进去再验，夏普还正才考虑下一步；
2. 纸面交易：用实时（但虚拟）数据跑 2–4 周，对比「实盘信号 vs 回测信号」是否一致；
3. 小仓位放量：先用极小资金实盘，逐步加仓，观察 PnL 是否贴合纸面结果；
4. 监控与熔断：实时盯 VaR/回撤/敞口，超限自动减仓或停机；记录所有成交以便复盘。

小结

• 实盘 = 在「真实摩擦」（延迟、滑点、部分成交、断连）下运行事件驱动循环；
• 持仓/资金必须持久化，风控必须实时且可自动熔断；
• 路径：摩擦回测 → 纸面交易 → 小仓位放量——任何一步不达标都不要往下走。