Python 与 Pine Script 回测：为什么同一交易策略会得到不同结果

交易规则只是回测的一部分

两种实现可以一致认定比特币发生突破，却在买入数量、成交成本和应报告哪一种利润上产生分歧。收盘时出现的信号，是创建订单的指令，并不是订单按该收盘价成交的记录。TradingView 通常在下一个可用价格更新处理普通市价单，常见情形是下一根 K 线开盘；设置可以改变这一规则。[1]

我们用一套固定的比特币日线突破规则研究这些差异，在完全相同的 K 线上运行四种明确声明的执行约定。下文全部数值比较都已在 Python 中执行。本文讨论的 Pine Script 实现没有在 TradingView 中编译或运行，研究中也没有导出的 Pine 账本。因此，我们测量的是指定约定的影响，并不声称已经完成跨平台业绩检验。

本文延续了我们的交易算法构建实证研究。前文建立了完整研究流程，并讨论 Pine 仓位数量与滑点的差异。本文把这些差异变成明确实验，最后一节说明如何比较你自己编写的 Python 与 TradingView 实现的记录。

运行之前，先固定经济问题与记账方式

经济假设是：持续趋势可能弥补多次突破失败的成本。这并不意味着 55 和 20 是独一无二的盈利数字。我们沿用前文的回看长度，让执行研究有一个稳定对象。如果因为资金曲线好看而另选规则，就会改变研究问题，并增加一次选择机会。

我们在本流程计算业绩之前记录了规范、配置和数据修订。这是内部研究记录，并非独立预注册。本网站已经研究过同一规则与重叠的市场历史。2024–2025 年是对冻结实现的按时间顺序评估，不能视为来自此前未知市场的新证据。

首要验收条件是机械性的：成交遵循记录的信息时序，现金不发生借贷，已平仓与未平仓盈亏之和能与账户权益核对一致。经济评估则报告相同预算的买入持有基准、回撤、成本敏感性与盈利集中度。单凭正收益不能通过部署决策。

新增的数据来源复核能够说明什么

主计算使用此前研究所用数据集中的 2,142 条日线观测：每个 UTC 日由六根四小时 K 线聚合而成，原始数据由 humblefool06 在 Hugging Face 发布，声明采用 CC BY 4.0。研究记录保留固定版本、署名、转换说明和 SHA-256 哈希。保留序列从 2020 年 2 月 20 日开始，前一研究已排除其之前不完整的一天。本分析使用截至 2025 年 12 月 31 日的固定子集。[3] [9]

我们另行通过 Binance 公开市场数据 API 获取了 2024–2025 年全部 731 根日线。开、高、低、收和成交量的 3,655 次比较全部精确一致。核验报告记录了请求 URL、响应哈希和比较过程。原始 API 响应未作为主数据集重新分发。Binance 文档规定默认 K 线边界为 UTC，并以开盘时间唯一标识 K 线。[4]

这比只检查文件哈希更进一步：它检验另一条获取路径是否报告相同的评估期 K 线。不过，这仍是同一交易所的复核，并非独立价格审计，也不能证明订单能够按某个 OHLC 价格成交。此次 731 根 K 线的 API 比较没有覆盖预热与开发期历史。

加载研究数据时，我们检查时间连续性、重复日期、价格是否为有限正数，以及 OHLC 是否一致。错误序列即使可复现，仍然是错误的；来源说明卡与本文解释的核验方法让剩余不确定性可以被检查。我们不会虚构专家审阅或第二个独立数据源来增强表面可信度。

收盘后才出现的信号，不能买到此前的开盘价

参考循环先在今日开盘执行昨日待成交订单，再按今日完整收盘价计量持仓，最后计算今日的下一条指令。入场和退出通道只包含此前 K 线。在有效 OHLC 数据上，如果入场通道包含今日最高价，就不可能出现收盘价严格高于该通道最高价的突破。 信息可用性的具体检验方法，见我们的前视偏差研究。

entry_level = max(b.high for b in bars[i-55:i])
exit_level = min(b.low for b in bars[i-20:i])
# Evaluate only after today's completed close.
if quantity == 0 and bar.close > entry_level:
    pending = ("buy", bar.date)
elif quantity > 0 and bar.close < exit_level:
    pending = ("sell", bar.date)
# Execute pending on the next bar; never at this bar's earlier open.

成交时，按现金配置的参考模型买入 q = 0.9 × cash / [fill × (1 + fee)]。经纪商或模拟器可以在知道执行价格时计算数量。但如果 Pine 订单在前一日收盘时以明确数量提交，就只能使用当时可获得的信息。替代模型按信号收盘价固定数量；若随后资金不足，就拒绝订单，不凭空增加现金，也不悄悄调整数量。

一个人工构造的跳空例子便于检查差异：初始 10,000 USDT，信号收盘价为 100，次日开盘为 110，零成本，配置比例 90%。成交时确定数量会买入 81.818182 单位，留下 1,000 现金；信号时确定数量则申请 90 单位，花费 9,900，留下 100。成交瞬间两个账户的权益都是 10,000，但之后的敞口不同。这个算术例子用于说明机制，不属于比特币历史的实测结果。

比较收益前，先明确 Pine 实现的执行约定

本文考虑的 Pine v6 设计使用已确认日线、此前 K 线构成的通道、在信号时明确确定的数量、百分比手续费，以及五个最小价格变动单位的原生滑点。独立比较应采用标准 BTCUSDT 现货日线图、固定规范中的日期范围、足够的预热历史和声明的设置。本研究没有完成 TradingView 编译或 Strategy Tester 验证。

两个单位很容易混淆：五个基点是价格的 0.05%，而五个 0.01 USDT 的最小价格变动单位总计 0.05 USDT。假设比特币价格为 100,000 USDT，两者分别意味着 50 USDT 和 0.05 USDT 的不利调整。最小价格变动单位的个数并非百分比。Pine 内置滑点参数接受的是这种单位的个数；明确填写入场 qty 会覆盖默认百分比仓位设置。[1]

signal-qty-ticks 这个 Python 模型，是针对声明的 Pine 执行约定设置的核对目标，并非 TradingView 的完整复制品。数据修订、最小合约数量、数量舍入、资金充足性和保证金规则仍可能不同。参考模型允许不足一个整单位的持仓，未实施交易所数量过滤器；任何模拟数量都不代表它是交易场所认可的有效实盘订单。

保持 calc_on_every_tick 和 calc_on_order_fills 为声明的默认值，并关闭 process_orders_on_close。改变计算或订单处理规则，就改变了实验。Pine 执行模型区分历史与实时更新，因此，在已完成 K 线上看似等效的策略，可能在 K 线尚未形成时表现不同。[2]

参考实现赚了钱，却仍未达到收益基准

在 2024 年 1 月 1 日至 2025 年 12 月 31 日的 731 个评估日内，参考模型把 10,000 USDT 变为 12,445.81 USDT：扣除假定可变成本后的收益为 +24.46%。可比的初始配置买入持有账户收益为 +96.28%。这些都是指定区间的累计收益，并非年化数字。

策略按日收盘权益计算的最大回撤为 20.04%，买入持有则为 30.86%。平均盯市投资敞口为 37.59%，731 次收盘中有 300 次持仓。总成交名义金额除以初始权益为 12.96 倍；该换手指标同时计算买入与卖出，并非往返交易次数。

买入持有在整个区间延续初始配置，突破策略则在现金与比特币之间切换。收益更高、回撤也更高，并不足以构成完整的风险调整后排名。可以明确得出的结论较窄：突破账户没有战胜指定的累计收益基准。按日收盘计算的回撤，也没有涵盖日内发生后又收复的损失。

从订单到现金余额，核对一笔亏损交易

评估期第一笔亏损的已平仓交易，在 2024-01-02 发出信号后，于 2024-01-03 入场；在 2024-01-22 发出退出信号后，于 2024-01-23 退出。数量为 0.19993623 BTC。账本把原始参考价与不利调整后的成交价分开记录；下表使用实际模拟成交价。

入场名义金额为 8,991.01 USDT，入场手续费为 8.99。现金从 10,000.00 降至 1,000.00。退出时，按成交价计算的持仓盈亏为 -1,083.88；扣除买卖两侧手续费后，净亏损为 -1,100.78 USDT。退出后现金为 8,899.22。展示数字相加时可能出现的细小差额来自四舍五入；研究计算保留完整精度。

滑点已经改变了入场与退出成交价。如果再从成交价盈亏中扣除展示的滑点差额，就会重复计费。账本中的“交易毛盈亏”指扣手续费前、但已包含成交价滑点的盈亏；另行运行的策略毛收益计算则同时去除了手续费与滑点。这两种标签描述的是不同计算。

已平仓利润与账户权益回答不同的问题

评估期结束时为空仓，因此六笔已平仓交易解释了账户全部利润。2023 年验证账户提供了更有启发性的例子：已平仓交易亏损 669.03 USDT，但剩余 0.25356187 BTC 按市价计量的未平仓利润为 2,323.63，该利润已扣除支付的入场手续费。因此账户总利润为 1,654.60 USDT，即 +16.55%。期末现金仅为 933.10；持仓构成了 11,654.60 账户价值的其余部分。

核对恒等式为：初始权益 + 已平仓净盈亏 + 未平仓盯市盈亏 = 现金 + 持仓市值 = 期末权益。我们对每次运行都按完整精度检查它。平台的已平仓统计与账户总收益可能不同，即使两者算术上都正确。把差异认定为错误前，应先比较相同口径。

在最后收盘时平仓会回答另一个问题，并产生额外卖出手续费与不利成交调整。我们保留未平仓盯市，并披露这一约定，而不是悄悄在已实现与未实现结果之间切换。

在这些 K 线上，哪种执行差异最重要？

仅把仓位数量从成交时现金配置改为按信号收盘价固定，评估期收益就增加 +0.0099 个百分点。在这一数量模型下，把五个基点改为五个最小价格变动单位，会让收益增加 +0.6651 个百分点，即 66.507521 USDT。同一收盘价成交只让参考模型期末余额增加 +0.002848 USDT。这些是 Python 中测得的规则影响，并非已观察到的 TradingView 差异。

比特币连续交易，因此样本中相邻日线的收盘价与开盘价可能非常接近。这里的时点影响较小，并不表示同一收盘价成交适用于其他市场、缺乏流动性的时段或存在延迟的实盘实现。前面的人工跳空例子说明，在另一条价格路径上，同样的编程选择可能影响大得多。

核对两种实现时，先比较成交记录，再比较资金曲线。找到第一处数量或价格差异，再沿着它检查后续现金影响。差异会累积：后续资金配置依赖此前现金。最终收益相近，不能证明交易机制一致。

检验成本与对少数大额盈利交易的依赖

参考模型的 12 次成交合计支付了 129.58 USDT 手续费。成本表固定每侧手续费为 10 bp，只改变不利价格调整。这里零不利调整并不等于零成本账户；前表的策略毛收益行来自另行进行的零手续费、零滑点计算。模型用一次不利调整合并表示价差与执行损耗，并未估计历史买卖价差。 更完整的费用分类，见我们的交易成本分析。

已平仓交易的平均净盈亏为 407.63 USDT。盈利交易的平均结果为 1,748.18，亏损交易的平均结果为 -932.91；已平仓利润因子为 1.87，盈利交易占 50.00%。以金额表示的均值会受到不断变化的账户规模影响。这些是账本的描述性汇总，并非对下一笔交易的稳定预测。

三笔最大的已平仓交易贡献了 5,244.53 USDT。从账户总盈亏中减去这些贡献，剩余为 -2,798.72。这种算术展示了盈利集中度；它不是跳过这些交易、并重新计算后续仓位数量的重跑结果。年度收益也展示了路径：2024 年 +38.44%；2025 年 -10.10%。年度收益来自持续运行的评估账户，并非每年重置的新账户。

把未采用的参数变体也留给读者检查

我们声明了九种组合：入场回看长度 35、55、80，分别搭配退出回看长度 10、20、30。表中列出了每组开发期扣成本后的结果。不论排名如何，都保留 55/20，因此比较不会悄悄变成寻找最好看的执行研究标题。

九格中八格为正，但收益范围为 −9.22% 至 +21.32%；35/30 组合亏损，退出设置也会显著改变结果。保留的 55/20 恰好排名第一。选择记录早于本次运行，但前文已使我们熟悉这一规则，因此这一巧合并不是独立确认。这些结果共享市场历史、相互相关；切分样本或展示参数网格，都无法抹去此前认识。Bailey 及合作者分析了回测选择如何过拟合；我们的网格不是他们正式的回测过拟合概率估计器。[5]

两个滚动前推区间仅使用此前数据来检验记录的选择流程：按训练收益选出九组中的最优参数，再评估下一年。测试年份为 2022 和 2023，完全不使用 2024–2025 年进行选择。这些区间是诊断性扩展，并非最终账户之外、另一份未接触过的证据。

参数选择流程必须面对下一个区间

每个区间重新从 10,000 USDT 开始，使用更早的 K 线预热指标，并直接应用选定参数，不再修改。训练期排名良好，只能让候选方案进入测试，不能替代测试结果。

我们同时保留选定参数和之后的收益。如果后续区间亏损，这一失败就留在报告中。我们不会增加新过滤条件、重调主规则，或反复查看最终区间，直到文章得到盈利结果。

蒙特卡洛路径改变排列方式，不增加证据数量

我们对参考账户实际观察到的 731 个每日净权益收益，按连续 20 天的循环区块重新抽样，到序列末尾时回绕。每条模拟路径天数相同、初始资本相同。固定随机种子为 6142026，共生成 5,000 条路径，使计算可复现。与打乱单日顺序不同，区块保留部分局部序列依赖。区块长度是明确的建模选择，并非估计出的最优值。[6]

模拟累计收益中位数为 +20.98%，第 5 和第 95 百分位数分别为 -38.34% 和 +166.29%。最大回撤中位数为 30.22%，第 95 百分位数为 50.12%。亏损模拟路径占 32.28%。这些是条件性的路径汇总，并非校准后的未来亏损概率，也不是 alpha 的置信区间。

对账户收益重新抽样，不会生成新 K 线、重跑突破决策、模拟新的流动性条件，也不会补回缺失的危机。本文没有对相对基准的收益进行自助采样。增加模拟路径，只能减少该流程下的蒙特卡洛噪声；底层历史证据仍然是同样的 731 天和同一交易序列。

在每个阶段，给助手一个可检验的任务

ChatGPT 与 Claude 可以帮助表述规则、解释记账差异、质疑报告。Codex 与 Claude Code 可以检查代码仓库、编辑文件、运行开发命令。这些有文档支持的能力适用于本流程，但并不证明它们能产生盈利交易算法。本研究使用 Codex 开发仓库，用 Python 执行计算。我们没有进行受控的 ChatGPT 与 Claude 对比实验，也没有用任何助手预测交易信号。[7] [8]

先解决信息使用边界。实现之前，助手应明确尚未确定的细节：严格还是包含等号的比较、此前 K 线窗口、下单时点、现金预算、舍入与期末持仓。第一个提示词是可复用的任务说明，并不表示我们记录了模型对比实验。

编码前，先把这个交易想法转为可执行规范。说明经济假设；入场与退出；每项输入使用哪些 K 线；信号何时可用；下单与成交时点；数量与现金约束；成本；时区；期末估值；按时间顺序划分的区间；基准；决策条件。列出尚未确定的选择。不要因为规则能改善历史结果就采用它。

再约束实现。要求给出状态机与测试样例，不允许在修复错误的请求中隐藏策略优化。有效的未来数据测试会改变日期 t 之后的价格，检查此前决策和成交是否保持不变。有效的记账测试则核对现金、持仓与手续费，即使最后一笔交易尚未平仓。

严格实现随附的冻结规范。分开信号、订单创建、成交、现金记账与报告。不要增加过滤条件或优化参数。为排除当前 K 线、次日开盘时序、含手续费的数量计算、资金不足订单和期末未平仓情形构造人工测试样例。展示每项规则与代码、测试的对应关系。

调试时，从第一处出现差异的记录开始比较。写报告时，要求从文件提取数字，并明确标注未执行组件的状态。市场数据提供观测，可执行代码完成计算，研究者决定哪些假设与比较值得信赖。

按时间顺序比较这两份标准化账本。找到输入 K 线、信号、申请数量、成交价、手续费、持仓或权益的最早差异，依据记录的设置与行数值解释它。核对初始权益加已平仓和未平仓盈亏是否等于期末权益。不要重调策略，也不要仅凭最终收益推断存在错误。

仅根据给定配置、数据清单和已执行结果文件生成报告。包括所有测试变体、区间边界、成本前后收益、基准、回撤、敞口、换手、交易集中度和未平仓记账。把每张表链接到来源文件。明确标注未执行代码和无法完成的检查。保留不利结果；不要虚构审阅或模型对比。

如何检查你实际运行的 TradingView 结果

比较你自己的 Pine 与 Python 实现时，应使用相同品种和区间的标准日线图，保留 Pine 源码、设置、图表数据源和导出的交易。隔离信号差异时，先从零成本情形开始，再向两个引擎加入相同的手续费与按最小价格变动单位计算的滑点。先比较信号日期和交易，再比较账户收益。数量步长或数据历史的差异，应记录为不匹配，而不是通过舍入把它们隐藏掉。

把两组成交记录转换为共同模式：时间戳、方向、请求数量、参考价、成交价、手续费、成交后仓位、现金与权益。逐项明确导出字段的对应关系，包括时区、单位与舍入。对照目标采用本文说明的信号时点定量、最小价格变动单位成本的 Python 约定。这是诊断流程，并不意味着所有本地化 Strategy Tester 导出格式都相同。没有导出的 Pine 运行结果，跨引擎一致性就仍未经验证。

这一流程也解释了为何盈利回测在实盘会亏损：实盘可能接收不同 K 线、稍晚下单、成交更少数量，或支付不同价差。只有这些记录一致后，剩余的业绩失败才成为策略与市场的问题，而不是继续更换执行假设的理由。