backtest-strategy-optimizer

用途

该技能为量化交易策略提供一套验证与优化模块，供策略在纸面交易或真实市场执行之前使用，目标是防止曲线拟合（过拟合），并衡量策略在不同市场状态和最坏回撤情景下的统计稳健性。

主要能力

高速向量化回测引擎

计算利润、日收益、CAGR、Sharpe 比率、利润因子和最大回撤；建模的手续费包括 IDX 股票买入费率 0.15%、卖出费率 0.25%，以及加密资产的 maker/taker 费率；同时计入滑点价差。

遗传算法（GA）优化器

以启发式方式搜索最优参数组合：染色体即参数，适应度为 Sharpe 比率减去回撤惩罚；支持精英保留、交叉和自适应变异，适用于多维非线性搜索空间。

Walk-Forward 分析（WFA/WFO）

将历史数据切分为样本内（用于优化）和样本外（用于盲测验证）窗口，计算 Walk-Forward Efficiency（WFE）评分，用于判断策略是否出现过度拟合，或者确实具备稳健性。

蒙特卡洛模拟（压力测试）

执行 1,000 至 10,000 次交易序列重排（bootstrap 重采样）和滑点冲击，计算破产风险（账户触及关键回撤阈值的概率）以及最大回撤的 95% 和 99% 置信区间。

使用方式

可运行命令行模块，也可在 Python 中导入相关类。以下命令和代码按原资料保留：

# Jalankan demo pengujian lengkap (Backtest + GA + WFO + Monte Carlo)
python skills/backtest-strategy-optimizer/scripts/backtest_optimizer.py --demo

from skills.backtest_strategy_optimizer.scripts.backtest_optimizer import (
    VectorizedBacktester,
    GeneticOptimizer,
    WalkForwardValidator,
    MonteCarloSimulator
)

适用场景

适合需要在策略上线前进行量化验证、参数寻优、过拟合检测和压力测试的场景，例如股票与加密资产交易策略的历史回测与稳健性评估。

限制

资料介绍了多方法组合与命令行/Python 两种调用方式，但未提供具体的输入数据格式、输出报告样式、运行环境要求以及性能基准，这些信息暂未提供。