关键在于策略隔离、数据分离、轻量调度与结果归因；需锁定镜像环境、外置参数配置、用Docker Compose编排并发任务，并自动记录运行上下文以保障结果可比可控。
用Docker做量化策略高并发回测，关键不是堆容器数量，而是让多个回测任务真正并行、互不干扰、结果可比、资源可控。核心在于“策略隔离 + 数据分离 + 调度轻量 + 结果归因”，而不是简单跑十几个docker run。
固定环境，确保数值一致性是并发前提
并发回测若因环境差异导致同一策略在不同容器中跑出不同净值曲线，结果就完全不可信。必须从镜像层锁定所有影响计算的变量：
- 基础镜像选
python:3.9-slim或continuumio/anaconda3:2023.07，禁用:latest -
requirements.txt中所有关键库写死版本：pandas==1.5.3、numpy==1.23.5、backtrader==1.9.78.123 - TA-Lib等编译型库，直接下载对应Python版本和系统架构的wheel（如
TA_Lib-0.4.28-cp39-cp39-manylinux2014_x86_64.whl），跳过源码构建 - Dockerfile中显式设置时区与locale：
ENV TZ=Asia/Shanghai && ln -snf /usr/share/zoneinfo/$TZ /etc/localtime
策略与数据分离挂载，支持参数化并发调度
每次改参数、换股票池、调时间窗口都重建镜像？太慢。应把变动部分全部外置，通过挂载+命令行注入驱动并发：
- 用
volumes挂载三类目录：./strategies:/app/strategies（策略文件）、./data:/app/data（行情CSV/Parquet）、./configs:/app/configs（YAML参数） - 策略入口统一支持CLI参数，例如：
python run.py --strategy ma_cross --symbols AAPL,MSFT --start 2022-01-01 --end 2024-12-31 --fast 5 --slow 20 - 用
docker run启动时动态传参，或用docker compose配合env_file批量生成不同配置的任务 - 避免容器内写数据——所有输出（日志、绩效JSON、交易明细CSV）也挂载到宿主机
./results，便于后续聚合分析
用Docker Compose编排多策略并发，而非裸跑容器
手动起10个docker run难管理、难监控、难清理。Docker Compose天然适合定义一组同构但参数各异的回测任务：
- 在
docker-compose.yml中定义一个backtester服务模板，用extends或多个service块声明不同策略实例 - 每个实例使用独立
container_name和environment，例如SID=ma_cross_v1、SID=ma_cross_v2 - 添加
restart: "no"（非守护模式）+mem_limit: 1g+cpus: 0.8，防止单个回测吃光资源影响其他任务 - 启动命令设为
command: python /app/run.py $STRATEGY_ARGS，通过env_file注入每组参数，实现“一份配置，N种跑法”
自动记录上下文，让并发结果可追溯、可对比
并发跑了50次回测，怎么知道哪次用了哪个commit、哪段数据、什么参数？靠人工记Excel会出错。必须让容器自己留痕：
- 容器启动时自动生成
/app/logs/run_info.json，内容含：git_commit、image_id、start_time、strategy_name、cli_args、hostname - 所有日志输出到
stdout，用docker logs -t backtester-ma-cross-v1直接查看带毫秒时间戳的完整流 - 回测结束时，脚本自动将绩效摘要（年化收益、最大回撤、胜率）追加写入宿主机
./results/summary.csv，字段对齐，方便pandas.read_csv一键加载分析 - 用
docker ps -f label=strategy=ma_cross --format "{{.ID}}\t{{.Status}}\t{{.Names}}"快速检查所有相关任务状态
