回测服务与前端:一次回测 = 一条可追溯的任务记录

数据指纹 d55258de9e46（数据变了 → 指纹变 → 旧结果自动作废）

任务         策略        策略指纹        累计%    年化%    回撤%   成交  被拒
bt-5-20    ma_5_20    b1cbd591ad4a    28.90   10.83  -27.40    98   108
bt-10-30   ma_10_30   cbdd0d8211fe     7.55    2.99  -31.45   101    99
bt-20-60   ma_20_60   31b0f675189d    60.29   21.07  -19.06    88   107

一、任务记录必须有的六样

@dataclass
class BacktestTask:
    task_id: str
    strategy: str
    strategy_fp: str      # ① 策略指纹（p5.1 / p8.4）
    symbol: str
    start: str; end: str  # ② 区间
    cost: dict            # ③ 成本假设（p4.2：值 74 个百分点）
    data_fp: str          # ④ 数据指纹
    status: str
    result: dict          # ⑤ 结果
    finished_at: str      # ⑥ 完成时间

没有这六样,三个月后你无法回答"这条曲线是怎么来的"。

其中最容易被省掉的是 ④ 数据指纹:

def data_fingerprint(path):
    df = pd.read_parquet(path, columns=["symbol", "date", "close"])
    return hashlib.md5(df.to_numpy().tobytes()).hexdigest()[:12]

数据变了 → 指纹变 → 所有引用旧指纹的结果自动作废。

这正是 p5.9 那次事故需要的东西:当时如果每个结果都带数据指纹,ERC 期末倍数在 3.38~3.95 之间漂这件事,当场就会被发现。

二、结果存储:前端只读一个契约

落盘 3 条任务记录（JSON Lines，追加写）
字段：task_id / strategy / strategy_fp / symbol / start / end
      cost / data_fp / status / result / finished_at

前端不需要知道回测是怎么跑的,它只消费这个契约。

而这个契约里有策略指纹和数据指纹——所以图上的每条线都能追回去。

🔧 动手做:同一个策略跑三组参数,看每条结果带没带"身份证"(5 分钟)

跑回测任务服务,用三组参数各跑一次。

你会看到(实测):三条结果年化分别是 2.99% / 10.83% / 21.07%——而每一条都带着策略指纹和数据指纹(数据指纹 d55258de9e46)。

想明白:一次回测不是"一个数字",是一条可追溯的记录:什么策略(指纹)、在什么数据(指纹)、什么时候跑的。三个月后你看到"年化 21%",能立刻查出它是哪套参数、哪份数据跑的——而不是一个来历不明的漂亮数字。没有指纹的回测结果,等于没有出处的传言。

三、前端图表要什么(与 p4.8 的六联图对齐)

四、任务化带来的三个能力

第三条是任务化最大的收益:它把"数据更新了要不要重跑"这个靠人记的事,变成了系统能判断的事。

📌 免责:本课为技术教学,回测参数与结果均为演示口径,不构成投资建议。