Docker实现多策略回测的核心是将策略容器化为可插拔、可隔离、可复现的运行单元，每个策略独立镜像、共享统一数据与环境，通过挂载外部数据和配置、批量编排执行、统一结果输出与评估口径保障结果可比性。
用 Docker 实现多策略回测，核心是把“策略”变成可插拔、可隔离、可复现的运行单元。不是给一个大系统写一堆 if-else 切换策略，而是让每个策略跑在自己的容器里，共享统一的数据服务和基础环境，互不干扰又便于横向对比。
策略容器化：一份策略一个镜像
每个策略应有独立的目录和 Dockerfile，例如：
- ma-cross/ → 含 ma_cross.py、requirements.txt、Dockerfile
- rsi-breakout/ → 含 rsi_breakout.py、requirements.txt、Dockerfile
- macd-divergence/ → 同理
Dockerfile 统一基于轻量 Python 基础镜像（如 python:3.9-slim），安装固定版本依赖（pandas==2.0.3、backtrader==1.9.78 等），避免因包升级导致回测结果漂移。策略代码通过 COPY 进入镜像，不挂载宿主机文件——保证镜像即回测上下文。
数据与配置分离：统一输入，策略只管计算
历史行情数据（如 OHLCV CSV 或 Parquet）不打进镜像，而是通过 volumes 挂载进所有策略容器：
- 统一存放于
./data/stocks/sh600519.parquet - 所有策略容器启动时都挂载
-v $(pwd)/data:/data:ro - 策略代码中读取路径固定为
/data/stocks/sh600519.parquet
参数配置也外置：用 --env STRATEGY_PARAMS='{"short_ma":5,"long_ma":20}' 或挂载 config.yaml 文件，避免改代码重构建。
批量回测：用 docker-compose 或脚本驱动
不用手动一个个 docker run，推荐两种方式：
-
单次并行回测：写一个
run-backtests.sh，循环调用docker run --rm -v $(pwd)/results:/app/results strategy-ma-cross python backtest.py，每条命令加--name ma5-20-run1方便区分 -
编排式回测：用
docker-compose.yml定义多个 service（ma, rsi, macd），各自指定镜像、环境变量、挂载路径；执行docker compose up --no-start && docker compose start ma rsi控制启停顺序
输出结果统一存到 ./results/ 下按策略+时间戳子目录组织（如 ma-cross_20260421_1023/），含交易记录 CSV、绩效报告 JSON、资金曲线图 PNG。
结果可比性保障：关键控制点
不同策略回测结果能横向比较，靠的是三件事不变化：
- 数据源一致：同一份清洗后的历史数据（时间范围、复权方式、字段精度完全相同）
-
环境一致：Python 版本、NumPy/Pandas 计算逻辑、随机种子（如有蒙特卡洛）、浮点运算模式（如禁用
fastmath） -
评估口径一致：统一用年化收益率、最大回撤、夏普比率、胜率、平均持仓周期等指标，且计算逻辑封装在公共工具函数中（如
perf.py打包进基础镜像）
每次回测启动时，自动记录：git commit hash、docker image id、system time 到日志头，方便事后归因。
