容器化量化回测分布式实现需满足策略可切分、数据可分片、调度可编排、结果可归因四要素：策略支持命令行参数驱动分片，Docker Swarm跨节点调度，镜像锁死环境确保一致性，共享存储统一数据与结果，并自动聚合归因。
实现容器化的量化交易策略分布式回测，核心不是简单把回测任务分散到多台机器，而是让不同节点上的容器能协同执行、参数可分片、结果可聚合、环境全一致。关键落在“策略可切分、数据可分片、调度可编排、结果可归因”四个支点上。
策略与参数必须支持水平切分
单个回测容器不能只跑完整策略一次，而要能接收子任务指令：比如按股票池分组（AAPL/MSFT一组、GOOGL/TSLA一组）、按时间窗口滑动（2022–2023、2023–2024）、或按参数网格抽样（fast=5/10/15，slow=20/30/40）。这就要求策略入口统一支持命令行参数驱动：
- 策略脚本需解析 --symbols、--date-range、--param-id 等参数，不依赖硬编码配置
- 参数组合预先生成 CSV 或 JSON 清单，每行对应一个子任务（如 task_id=ma_v1_001, symbols=AAPL,MSFT, fast=5, slow=20）
- 避免在容器内做参数穷举，所有分片逻辑由调度层完成
用 Docker Compose + 多主机 Swarm 实现轻量分布式调度
本地多容器并发只是单机并行；真正分布式需跨物理节点协调。Docker Swarm 是最轻量、无需额外组件的方案：
- 在每台 worker 节点运行 docker swarm join，组成集群；manager 节点用 docker stack deploy -c docker-compose.yml 回测栈
- docker-compose.yml 中定义 backtester 服务为 replicated 模式，副本数 = 子任务总数；每个副本通过 environment 注入唯一 task_id 和参数
- 所有节点挂载同一 NFS 或 S3FS 挂载点（如 /mnt/shared/data），确保各容器读取完全一致的行情 Parquet 文件
- 结果目录也指向共享存储（如 /mnt/shared/results/${task_id}/），避免结果散落各节点
环境一致性是分布式回测可信的前提
不同机器上 Python 版本、NumPy 编译选项、时区甚至 CPU 微架构差异，都可能造成浮点计算结果偏移——万次迭代后净值曲线不可比。必须从镜像源头锁死：
- 基础镜像用 python:3.9-slim-bullseye（Debian 官方长期支持，glibc 行为稳定）
- 关键库全部写死 wheel 版本：numpy==1.24.4、pandas==2.0.3、TA-Lib-0.4.28-cp39-cp39-manylinux2014_x86_64.whl
- Dockerfile 显式设置 ENV TZ=Asia/Shanghai、MPLBACKEND=Agg，并禁用 pip 升级机制（RUN pip config set global.upgrade false）
- 构建镜像时注入 BUILD_COMMIT=$(git rev-parse HEAD)，运行时自动记录到结果元信息中
结果自动聚合与上下文归因
分布式跑完上百个子任务，不能靠人工翻日志。需要在容器退出前自动完成归因和汇总：
- 每个容器启动时生成 run_context.json，含 task_id、GIT_COMMIT、start_time、hostname、CPU info、参数快照
- 回测结束输出标准 JSON 报告（含 total_profit、win_rate、max_drawdown 等字段），路径固定为 /app/results/report.json
- 宿主机部署一个聚合脚本，扫描 /mnt/shared/results/**/report.json，合并为 summary.csv 和 all_metrics.json
- 支持按 task_id 关联原始参数，例如发现 ma_v1_007 收益异常高，可立即查它对应的 fast=15 & slow=30 组合是否过拟合
