Docker本地量化仿真需确保可复现、不污染主机，核心是固定Python及库版本、数据与策略分离挂载、用Docker Compose编排多服务、自动记录运行上下文。
用 Docker 在本地跑量化策略仿真，核心是把策略逻辑、依赖环境、数据源和回测引擎打包成一个可复现、不污染主机的运行单元。不需要连交易所，也不需要实盘密钥，重点是“结果可比、过程可控、换机器不翻车”。
选对基础镜像，固定Python和关键库版本
量化计算对数值一致性敏感，比如 pandas 或 NumPy 小版本升级就可能让回测净值曲线偏移 0.3%。推荐从 python:3.9-slim 或 continuumio/anaconda3:2023.07 这类稳定镜像起步，而不是 latest。
- 在
requirements.txt中写死版本：numpy==1.23.5、pandas==1.5.3、backtrader==1.9.78.123 - 避免用
pip install backtrader，改用pip install -e git+https://github.com/mementum/backtrader.git@v1.9.78.123#egg=backtrader锁定 commit - TA-Lib 等需编译的库，优先用预编译 wheel（如
TA_Lib-0.4.28-cp39-cp39-manylinux2014_x86_64.whl），跳过源码编译带来的不确定性
数据与策略分离，支持热替换不重启
仿真阶段要频繁调参、换数据、试新因子，硬编码路径或打包进镜像会拖慢迭代节奏。
- 用
volumes挂载本地目录：- ./data:/app/data（行情 CSV/Parquet）、- ./strategies:/app/strategies（策略 py 文件） - 策略入口统一为命令行参数，例如
python run_backtest.py --strategy ma_cross --period 2023-01-01:2024-12-31 - 配置文件（如
config.yaml）也挂载进去，修改后容器内直接生效，无需 rebuild 镜像
用 Docker Compose 编排仿真环境，一键拉起完整链路
单容器能跑，但真实仿真常需 Redis 做缓存、PostgreSQL 存回测结果、Grafana 查看资金曲线——这些用 docker-compose.yml 管理最省心。
- 定义
backtester服务：构建镜像 + 挂载策略和数据 + 注入参数 - 搭配
redis和pgadmin服务，用networks打通内部通信 - 加
command: python /app/run_backtest.py --dry-run确保默认只仿真不下单 - 启动只需一条命令：
docker compose up --build
记录上下文，确保每次仿真可归因
仿真结果不能只看最终收益，还要知道“是谁、在哪、用什么代码、跑哪段数据”生成的。
- 容器启动时自动写入
/app/logs/run_info.json，含 Git commit hash、系统时间、Docker image ID、策略名、参数快照 - 日志统一输出到 stdout，用
docker logs -t backtester-1查看带时间戳的完整流 - 回测报告（HTML/PNG）输出到挂载卷，方便本地浏览器打开对比
本地仿真不是越快越好，而是越稳、越透明、越容易反复验证越好。Docker 不是炫技工具，是帮你把“这次跑对了”变成“下次换电脑还能跑对”的基础设施。
