课程项目：端到端量化实战 (Capstone)¶

⏱️ 预计动手 ~3–5 小时｜ 🎯 难度 ★★★★☆（综合）

这是全书的终点交付。前面每一章都在打磨同一条贯穿式主线策略——最小双均线（MA5/MA20）——并把它从"能跑的脚本"一路推进到"可评价、可优化、可上线准备"的研究对象。本章不引入新知识，而是带你把这些环节串成一个完整、可复现的项目，并产出一份属于你自己的研究记录。

所有阶段都复用仓库 examples/textbook/ 下的配套脚本，这些脚本已做到断网也能跑（无网络时回退到内置合成数据），因此你在任何环境都能完成本项目。

学习目标¶

按附录 A 锁定 uv + Python 与 AKQuant 版本，确认 examples/textbook/ 下脚本可离线跑通。

验收：python examples/textbook/ch01_quickstart.py 正常结束（exit 0），能看到回测指标输出。

用 ch03_data.py 的流程获取并清洗一只标的的日线数据，落盘为 Parquet。断网时脚本会自动用合成数据演示同一套 ETL。

python examples/textbook/ch03_data.py

验收：data/ 目录下生成 .parquet，字段为标准的 date/open/high/low/close/volume/symbol，且无缺失值与重复时间戳。

以 ch05_strategy.py 的带固定比例止损的双均线为蓝本，理清 on_start → on_bar → on_stop 主骨架与 order_target_percent / close_position 下单接口。

验收：策略类能被 aq.run_backtest 调用并完成一轮回测；调整均线参数后结果出现可解释的变化。

运行 ch04_comparison.py，用 Pandas（向量化）、Backtrader 与 AKQuant（事件驱动）跑同一策略，体会为什么需要事件驱动来精确刻画撮合、资金占用与防未来函数。

python examples/textbook/ch04_comparison.py

验收：能说清三种范式在建模方式、可信度与运行开销上的差异。

运行 ch10_analysis.py，从 result.metrics_df 与 result.trades_df 读出累计/年化收益、最大回撤、夏普、卡玛、胜率，判断该策略是否值得继续投入。

python examples/textbook/ch10_analysis.py

验收：写出一页"指标解读"，明确收益端、风险端、收益风险比三方面的结论。

运行 ch11_optimization.py 做网格搜索，但目标不是找最高夏普的单点，而是寻找"参数平原"，并用样本外测试与 DSR 的思想警惕过拟合。

python examples/textbook/ch11_optimization.py

验收：给出一个稳健的参数区域（而非单一最优点），并说明为什么不直接采用样本内最优。

运行 ch13_visualization.py 生成交互式报告（权益曲线、回撤、收益分布、基准对比），把汇总数字摊开成相互印证的图表。

python examples/textbook/ch13_visualization.py

验收：生成 HTML 报告，并据图说明策略的风险特征（左尾、回撤修复期、相对基准的超额）。

对照 15.1.3 回测 → 实盘最小切换清单，确认从 paper 到 broker_live 的最小路径、风控前置与可观测性，但不要求真正接柜台。

验收：填写一份最小上线检查表（网关、OMS、RMS、热启动、监控、灰度）。

完成本项目后，你应当拥有：

行有余力，可沿以下方向把项目升级为更接近实战的版本：

至此，那条最初只是"能跑出一个夏普"的最小双均线策略，已经被你打磨成一个可评价、可优化、可视化、并具备上线准备的完整研究项目。这正是本书想交给你的能力——不是某一个策略，而是一套可复现、可迁移的研究方法。