工作需要，决定自己从头搭建一个系统的回测框架。开发至今，先暂停一会，思考下这个回测框架应该如何编写。

目前开发完全使用 Python 语言，已经完成了StratPerf 类和 NetWorthMaker 类，分别可以对净值序列生成绩效数据和对持仓数据生成净值。接下来，应该就是要对因子数据生成持仓。

由于量化策略的复杂性，一个显而易见的问题是，这些类是否能用于不同类型的策略？

目前根据我的观察，策略主要分为三类：择时策略、截面策略和规则型策略。当然，可能还有什么无法归结到这三个类别的策略。这套框架开发应当尽可能适用于这三类策略。首先，StratPerf 没有问题，因为这个最少只需要输入一个净值数据，而这一点对于所有策略是通用的；NetWorthMaker 应当也没有问题，因为这个类通过持仓生成净值，而任何策略当然都可以生成一个持仓表。

那么可能存在问题的环节就是生成持仓的类的编写了。首先讨论，一个类是否能够统一择时和截面因子？一般而言，我们参考截面因子来做多因子值偏高的品种，做空因子值偏低的品种；而对于择时因子，我们做多因子值为正的品种，做空因子值为负的品种。当然，我们也完全可能做一些变化，比如对于截面因子，我们也可以做多因子值为正的品种，做空因子值为负的品种；而对于择时因子，当然没有截面的相对大小可以比较，但是我们也可以控制当因子值大于某个非零值时做多，小于某个非零值时做空……

这样的问题可以通过增加一个参数解决，比如，可以在 __init__() 函数中增加一个 mode 参数，用于指定是根据相对值来多空还是根据绝对值来多空。而对于这两种模式，我们又可以设计更多的参数，比如是否只多不空，亦或只空不多；再如截面多空是选择几只品种还是选择排名前后多少占比的品种？如果是根据绝对值来多空，那么多和空的阈值又是多少？我在考虑用一串字符串来表示以上提到的所有参数。比如根据相对值来持仓、分别多空前后 10%-30% 的品种，就可以表示为r_l:10%-30%_s:70%-90%。嗯，看上去不错。

假设上面这个方法可以兼容择时和截面因子，那么如何兼容规则型策略呢？规则策略一般意味着达到某些条件就触发买入或者卖出的信号，看上去似乎和因子型策略形式大为不同，然而实际上，任何规则型策略都可以转换成因子型策略，只需将买卖信号作为因子，然后用绝对数值来生成持仓就可以了。基于这个思路，我们只需要在程序中根据我们的规则型策略生成买卖信号表，那么同样可以利用上述的类来生成持仓，剩下的流程就和普通因子型策略一样了。

当然，这样的方式也许有点为难使用者，因此也可以考虑再写一个类，用来根据规则来生成买卖信号。设想这个类可以接受一系列数据和一个函数，这个函数则可以根据这些数据来生成买卖信号。那么，这个类应当可以根据这个函数和这些数据来生成信号表或者因子表，不过这是后话。

除了上述考虑以外，受到舍友的启发，对于因子型的策略（其实规则型策略也一样），完全可以开发出一个标准化的开发流程，将因子编写集中到一个小小的函数中，然后利用整个系统来对这个因子进行测试、结合进入因子库。具体来说，可以实现一个人因子基类，然后令所有因子先继承这个类、指定需要读取的数据、根据数据给出生成因子值的逻辑。这样，策略的研究就可以大体上回归到对一个个因子本身的研究。也许大多数因子工厂就是这样的模式。

以上就是我目前对于回测框架的想法。