Docker 量化回测部署的核心是确保可复现、可比对、可交接；需固化基础镜像（python:3.9-slim-bullseye）与关键依赖版本（pandas==2.0.3、numpy==1.24.4等），数据与策略分离挂载，配置外置，结果标准化输出 JSON 与 CSV。
用 Docker 做量化策略回测部署，核心不是“跑起来就行”，而是让每次回测可复现、可比对、可交接。本地能跑的策略，换台机器或换个时间点就结果不同，大概率是环境或数据没锁死——Docker 正是用来解决这个问题的。
镜像要小而专，依赖版本必须固化
别用 latest 标签拉 Python 或 pandas。回测对数值计算极其敏感，numpy 1.24 和 1.25 在某些边缘 case 下浮点行为可能微差，累积到万次交易就影响净值曲线。推荐写死基础镜像和关键包：
- 基础镜像：python:3.9-slim-bullseye（轻量、稳定、Debian 官方长期支持）
- 关键依赖：pandas==2.0.3 numpy==1.24.4 TA-Lib==0.4.28（注意 TA-Lib 需编译，Dockerfile 中用 apt 安装 build-essential + python3-dev）
- 回测框架：backtrader 或 freqtrade 直接 pip install -r requirements.txt，不走 conda（conda 环境跨平台一致性弱于 pip+wheel）
数据与策略分离，挂载方式要合理
历史行情数据体积大、更新频次低，不适合打进镜像；策略代码迭代快，但需版本控制。两者都该从容器外部注入：
- 数据目录：用 -v /path/to/data:/app/data 挂载。推荐 Parquet 格式（比 CSV 快 3–5 倍读取），按 symbol+date 分区，便于增量更新
- 策略文件：挂载单个 .py 文件或整个 strategies/ 目录，避免 rebuild 镜像。例如 -v ./my_strategy.py:/app/strategies/my_strategy.py
- 配置文件：用 --env-file .env 注入参数（如 INITIAL_CAPITAL=100000、TIMEFRAME=1d），不硬编码在策略里
回测命令封装成可复用的入口脚本
别在容器里手动敲 python backtest.py --symbol AAPL --from 2020-01-01。把常用组合写成 shell 脚本，统一入口：
- Dockerfile 中设 CMD ["./run_backtest.sh"]
- run_backtest.sh 示例：python -m backtrader.run --data /app/data/aapl.parquet --strategy /app/strategies/macd.py --cash $INITIAL_CAPITAL --fromdate $FROMDATE
- 启动时只需 docker run -it --env-file test.env quant-backtest，环境变量自动生效
结果输出标准化，方便后续分析
回测不是跑完就结束。输出必须结构化，才能批量对比、画图、进 CI 流水线：
- 强制输出 JSON 报告：--results-file /app/results/macd_aapl_2020-2023.json（含年化收益、夏普、胜率、最大回撤等字段）
- 交易明细导出 CSV：--trades-csv /app/results/trades.csv（含时间、方向、价格、数量、盈亏）
- 所有输出挂载到宿主机目录，避免容器退出后日志丢失
不复杂但容易忽略：一次回测的可信度，取决于你能否在三天后、换个人、换台服务器，输入完全相同的参数，得到完全相同的结果。Docker 不是锦上添花，而是量化工程落地的第一道防线。
