向量化vs事件驱动：两种引擎的分工与陷阱
我的掌握程度：
先掌握这个答案
实现差异：向量化=整个历史一次性矩阵运算（信号shift→权重→与收益相乘求和）——毫秒级；事件驱动=按日期循环、每日生成订单、经撮合器（检查涨跌停/资金/持仓约束）成交——慢百倍但模拟真实。向量化盲区：①约束类（T+1、涨跌停不可成交、资金不足）——矩阵运算天然表达不了"条件不满足则不交易"；②路径依赖（仓位的动态调整、复合策略的联动）；③执行细节（部分成交、滑点与订单大小相关）。事件驱动成本：开发复杂（状态机）+运行慢+自身也有bug面。标准工作流：研究期=向量化（快迭代筛想法）→候选策略=事件驱动复检（约束全开）→两者结果对照（差异=约束的代价，归因进报告）。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 回测先过时序、成交与成本三道关
把信号变成策略收益时，每笔收益必须能追溯到当时能下出的订单。
- 画出时间线：数据可得→算信号→下单→成交→持仓收益；收盘信号不能倒用当天完整收益。
- 明确交易价格、T+1可卖数量、停牌涨跌停、仓位上限和实际成交量约束。
- 同时报告毛/净收益、换手、最大回撤、基准和样本外结果；对滑点与费率做压力测试。
使用边界
- 简单shift(1)只解决部分时序问题；次日开盘成交还要区分隔夜和日内收益。
- 成本应按成交金额与买卖方向计提；0.15%是教学情景，不是统一市场费率。
背景 · 从一个困惑说起
q-501的30行迷你回测是向量化引擎（信号矩阵×收益矩阵）；q-503的五件套审计里有"逐笔成交"的需求——那需要事件驱动引擎（逐日逐单模拟撮合）。两种引擎不是竞争是分工，用错场合各有代价。
由此产生的问题
两种引擎的实现差异与速度鸿沟？各自的"盲区"（向量化看不见什么/事件驱动贵在哪）？标准工作流（研究用A、上线前用B复检）怎么衔接？
核心概念
实现差异：向量化=整个历史一次性矩阵运算（信号shift→权重→与收益相乘求和）——毫秒级；事件驱动=按日期循环、每日生成订单、经撮合器（检查涨跌停/资金/持仓约束）成交——慢百倍但模拟真实。向量化盲区：①约束类（T+1、涨跌停不可成交、资金不足）——矩阵运算天然表达不了"条件不满足则不交易"；②路径依赖（仓位的动态调整、复合策略的联动）；③执行细节（部分成交、滑点与订单大小相关）。事件驱动成本：开发复杂（状态机）+运行慢+自身也有bug面。标准工作流：研究期=向量化（快迭代筛想法）→候选策略=事件驱动复检（约束全开）→两者结果对照（差异=约束的代价，归因进报告）。
为什么需要它
①速度与真实的经济学：研究的瓶颈是迭代次数（向量化）、上线的门槛是现实约束（事件驱动）——两个阶段的敌人不同；②"差异即信息"：同一策略两种引擎的结果差=你此前忽略的约束的定价（如涨跌停约束值年化3个点）——对照本身就是研究产出；③框架选型素养：开源框架的定位差异（backtrader事件驱动、vnpy实盘导向、聚宽云端事件驱动）——懂分工才会选。
实际应用场景
落地建议：自写向量化核心（100行内，理解每一行）+借用开源事件驱动（backtrader等）做复检——写与用的组合最优；对照表进策略档案（"约束代价：-2.1%/年"）。
与之前知识的联系
q-501（迷你引擎）与q-503（五件套）分别对应两种引擎的产物；盲区①正是q-042/044的约束们；工作流终点连接q-592（走查——两种引擎都适用的时间纪律）。
⚠ 常见误解
- 事件驱动更真实所以只学它：研究期它的慢会杀死你的迭代次数——真实但低效的研究=伪真实（试的太少）
- 向量化加上约束判断就行："if不满足则0权重"需要逐日状态——矩阵很难优雅表达；硬写常引入新bug
- 两种引擎结果应该一样：差3-8个点/年很正常（约束的代价）——"一样"反而说明两边都没写对
🛠 本题实践任务
为你的向量化回测加一个事件驱动复检环节（开源框架或手写循环版），输出"约束代价表"：涨跌停/停牌/T+1各值多少年化？
💡 提示（先自己想5分钟再看）
手写循环版只需实现你最相关的1-2个约束——对照差异会立刻显现；代价表进策略档案。
✅ 验收标准
一张约束代价表。你拥有了研究期与上线前两套互相制衡的验证体系。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（回测构成、向量化思维），再用案例、公式和代码帮助理解。此功能需要先启用服务。