尧图网页设计 
简介这是一套面向金融编程初学者与量化交易爱好者的模拟炒股软件源码资源基于VC6.0环境开发帮助读者理解股票交易逻辑、离线数据处理与交易模拟的实现方式。压缩包共82个文件以asp脚本为主辅以txt说明、html/htm页面、css样式及少量gif与inc文件整体约711KB涵盖用户登录、会员管理、后台维护、股票数据读取与交易计算等模块目录结构清晰便于按功能检索学习。资源围绕模拟炒股代码、股票离线数据与股票软件源码三条主线展开读者可从中了解买卖持有等核心交易逻辑、日线周线月线及均线周期的设置方式以及K线图展示与用户交互的实现思路。目前已有227人学习下载适合希望借助经典C与ASP技术栈深入理解股票软件内部运作机制、提升交易策略实践能力的开发者与投资者参考。1. 从 monichaogu.zip 说起一套离线模拟炒股代码到底能跑出什么很多人第一次拿到monichaogu.zip这种包第一反应是解压看目录然后被里面一堆K_前缀的文件名劝退。我最早接触模拟炒股代码也是这个路径想验证一个选股思路又不想接实盘接口于是找一套能离线跑的股票软件源码把历史数据灌进去看策略在本地能不能复现出预期收益。这套东西的核心价值不在“模拟”两个字而在于它把行情数据、撮合逻辑、账户持仓、指标计算这几块拆开了让你能单独替换其中一层。适合谁适合想用 Python 或 PHP 快速搭一个股票组合分析原型的人也适合需要离线数据做回测、不想每次拉东财股票数据 api 的开发者。标题里的“K_”通常指 K 线相关模块“离线数据”意味着数据文件随包走不依赖网络。这一章先把边界划清楚它能帮你验证逻辑但不保证收益。2. 拆开 monichaogu.zip离线行情、撮合与账户三条主线2.1 离线数据文件长什么样怎么和 K 线模块对上拿到包先别急着跑主程序先看数据目录。常见的离线股票数据是 CSV 或二进制 DAT字段一般包含日期、开盘、最高、最低、收盘、成交量、成交额。K_开头的文件往往是 K 线绘制或指标计算模块它读的就是这些离线文件。我一般会先写一个极小的 Python 脚本把数据读出来确认字段顺序和编码因为很多翻车都发生在“日期列被当成字符串排序”这种细节上。import pandas as pd # 离线数据常见编码是 gbk 或 utf-8-sig先试 utf-8-sig df pd.read_csv(data/600519.csv, encodingutf-8-sig) print(df.columns.tolist()) print(df.head(3)) print(df.dtypes) # 统一日期列并排序避免后续 K 线错位 df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) df.to_csv(data/600519_clean.csv, indexFalse, encodingutf-8-sig)这段代码只做三件事读文件、看字段类型、按日期排序。参数上注意encoding如果报UnicodeDecodeError就换gbk。dtypes里如果close是 object说明有千分位逗号或空字符串需要pd.to_numeric(..., errorscoerce)清洗。离线数据最大的坑是复权很多包里的数据是不复权的回测时遇到除权除息会出现价格跳空指标会失真。常见做法是自己在清洗阶段用后复权因子修正或者只做短周期验证。2.2 模拟撮合与账户模块别把“能成交”当成“能赚钱”模拟炒股代码里的撮合逻辑通常很朴素按当前 K 线的收盘价或下一根开盘价成交扣掉手续费和印花税。你要检查的是它有没有处理涨跌停、停牌、最小交易单位。我见过不少源码直接price * volume就完事回测曲线漂亮得离谱实盘一上就废。下面是一个最小账户类的写法你可以对照包里的实现看差异。class Account: def __init__(self, cash100000, fee_rate0.0003, stamp_tax0.001): self.cash cash self.position 0 self.fee_rate fee_rate self.stamp_tax stamp_tax def buy(self, price, volume): # A 股买入按手100 股整数倍 volume (volume // 100) * 100 cost price * volume fee max(cost * self.fee_rate, 5) # 最低 5 元佣金 if cost fee self.cash: return False self.cash - cost fee self.position volume return True def sell(self, price, volume): volume min(volume, self.position) revenue price * volume fee max(revenue * self.fee_rate, 5) revenue * self.stamp_tax self.cash revenue - fee self.position - volume return True参数说明fee_rate默认万三stamp_tax千一仅卖出收取max(..., 5)是最低佣金保护。逻辑上先判断资金是否足够再扣费。如果你包里的撮合模块没有最低佣金和印花税回测收益会虚高。另一个容易忽略的点是滑点离线回测里可以用下一根开盘价加一个固定比例来模拟比如price * 1.001。2.3 用 akshare 补全离线数据缺口但别让它拖慢回测离线数据包往往只覆盖少数股票或一段时间想扩展就要接数据源。akshare 是常见选择它封装了东财股票数据 api 等接口能取日线、分钟线和基本面。但直接在回测循环里调 akshare 会非常慢正确做法是先批量拉取落地成 CSV再让回测读本地文件。import akshare as ak import pandas as pd # 拉取单只股票日线adjustqfq 前复权 df ak.stock_zh_a_hist(symbol600519, perioddaily, start_date20200101, end_date20241231, adjustqfq) df df.rename(columns{ 日期: date, 开盘: open, 最高: high, 最低: low, 收盘: close, 成交量: volume }) df.to_csv(data/600519_ak.csv, indexFalse, encodingutf-8-sig)注意adjust参数前复权适合回测后复权适合长期持有分析。akshare 接口偶尔会变字段名以实际返回为准。批量拉取时加time.sleep(0.5)避免请求过密。离线数据加 akshare 补全基本能覆盖大部分日线级策略验证需求。3. 把 K 线指标接进模拟盘从 MA 到自定义公式的落地路径3.1 均线与斜率股票 slope 函数在离线数据上的实现很多炒股指标公式源码里都有slope本质是对收盘价序列做线性回归取斜率。离线数据上自己实现一遍比直接抄公式更可控。下面用 numpy 做 5 日斜率并和 MA 组合成简单信号。import numpy as np import pandas as pd df pd.read_csv(data/600519_clean.csv, parse_dates[date]) def slope(series, window5): # 对窗口内数据做一次线性拟合返回斜率 y series[-window:].values x np.arange(window) if len(y) window: return np.nan return np.polyfit(x, y, 1)[0] df[ma5] df[close].rolling(5).mean() df[ma20] df[close].rolling(20).mean() df[slope5] df[close].rolling(5).apply( lambda s: slope(s, 5), rawFalse) # 信号MA5 上穿 MA20 且斜率为正 df[signal] ((df[ma5] df[ma20]) (df[slope5] 0)).astype(int) print(df[[date, close, ma5, ma20, slope5, signal]].tail(10))参数上window决定灵敏度5 日斜率反应快但噪音大20 日更稳但滞后。rolling().apply在数据量大时慢可以改用numpy.lib.stride_tricks或直接向量化。注意rawFalse传的是 SeriesrawTrue传 ndarray 更快。这个信号只是示例真正用的时候要加过滤条件比如成交量放大或股价在均线之上。3.2 把信号接到模拟账户一笔交易从判断到成交的完整链路有了信号下一步是让模拟账户按信号买卖。这里的关键是避免未来函数不能用当天收盘价决定当天买入至少要用下一根开盘价。下面把前面的 Account 类和信号连起来。account Account(cash100000) position 0 records [] for i in range(1, len(df)): row df.iloc[i] prev df.iloc[i-1] price row[open] # 用开盘价成交避免未来函数 if prev[signal] 1 and position 0: volume int(account.cash * 0.9 / price / 100) * 100 if account.buy(price, volume): position volume records.append((row[date], buy, price, volume)) elif prev[signal] 0 and position 0: if account.sell(price, position): records.append((row[date], sell, price, position)) position 0 final account.cash position * df.iloc[-1][close] print(最终资产:, round(final, 2))逻辑说明用prev[signal]判断用当前open成交这样不会偷看未来。volume按 90% 仓位计算并取整到 100 股。records记录每笔交易方便后续算胜率和最大回撤。参数上可以调整仓位比例和信号阈值。如果包里的模拟盘直接用了收盘价成交回测结果会偏乐观需要自己改。3.3 组合分析多只股票离线回测时怎么组织数据单只股票跑通后自然想做股票组合分析。离线数据按股票分文件存放回测时循环读取每只股票独立跑信号最后合并资金曲线。注意组合层面要处理资金分配常见做法是等权或按波动率倒数加权。import os import pandas as pd results {} for fname in os.listdir(data): if not fname.endswith(_clean.csv): continue code fname.replace(_clean.csv, ) df pd.read_csv(fdata/{fname}, parse_dates[date]) # 这里复用前面的信号和回测逻辑返回每日净值 # net_value 是一个 Series索引为 date results[code] net_value # 合并成 DataFrame按日期对齐 nav pd.DataFrame(results).sort_index().ffill() portfolio nav.mean(axis1) # 等权组合 print(portfolio.tail())参数说明ffill()处理不同股票停牌导致的日期缺失mean(axis1)是等权。如果要做风险平价需要先算每只股票的波动率再求权重。组合分析能看出策略在不同标的上的稳定性单只股票赚钱可能是运气组合赚钱才更有说服力。4. 避坑与排查模拟炒股代码跑不通时先看这几处4.1 现象回测收益高得离谱曲线几乎直线向上原因最常见的是未来函数用了当天收盘价成交或者信号计算里包含了未来数据。其次是没扣手续费和印花税或者离线数据本身是复权后的但代码又做了一次复权。解决把成交价改成下一根开盘价检查signal是否用了shift(-1)核对费用参数确认数据复权状态只处理一次。4.2 现象K 线图显示错位指标和价格对不上原因日期列没有排序或者读取时把日期当成了字符串导致rolling按错误顺序计算。也有可能是离线数据里有重复日期或缺失交易日。解决读入后立即pd.to_datetime并sort_values用df[date].duplicated().sum()检查重复用df.set_index(date).asfreq(B)补交易日再ffill。4.3 现象模拟账户资金变成负数或持仓为负原因买入时没有检查资金是否足够卖出时没有检查持仓。有些源码的buy直接减现金不做判断。解决在buy和sell里加边界判断买入前算cost fee cash卖出前volume min(volume, position)。另外注意 A 股最小交易单位是 100 股取整后再判断。4.4 现象akshare 拉数据报错或字段名对不上原因akshare 版本更新后接口字段变化或者请求频率过高被限。解决先pip install --upgrade akshare打印df.columns确认字段不要硬编码中文列名。批量拉取时加延时单次失败重试三次。离线数据能覆盖的尽量不联网回测阶段完全用本地文件。4.5 现象组合回测时不同股票日期对不齐净值曲线断裂原因各股票停牌日期不同直接concat会产生 NaN后续计算净值时传播。解决先构建统一交易日索引用reindex对齐再ffill填充停牌期间价格。注意停牌期间不能交易信号要置为 0。组合权重按可用资金动态调整不要简单平均。5. 进阶用离线数据做参数敏感性验证与指标公式移植跑通基础回测后别急着上实盘先做参数敏感性。把 MA 周期、斜率窗口、止损比例做成网格看收益和最大回撤怎么变。如果参数稍微一动收益就崩说明过拟合。下面是一个简单的网格验证框架。import itertools import pandas as pd results [] for ma_short, ma_long, slope_win in itertools.product( [5, 10, 20], [20, 40, 60], [5, 10, 20]): if ma_short ma_long: continue # 这里调用回测函数返回收益和回撤 ret, mdd backtest(df, ma_short, ma_long, slope_win) results.append({ ma_short: ma_short, ma_long: ma_long, slope_win: slope_win, return: ret, mdd: mdd }) res_df pd.DataFrame(results) print(res_df.sort_values(return, ascendingFalse).head(10))参数说明itertools.product生成组合backtest是你自己封装的回测函数。重点看收益排名前 10 的参数是否集中在某个区域如果分散说明不稳定。最大回撤比收益更重要回撤超过 30% 的参数直接淘汰。另一个进阶方向是把炒股指标公式源码移植进来。很多通达信、同花顺的公式是类似MA(C,5)的语法你需要写一个解析器或手动翻译成 pandas。常见做法是先把公式里的函数映射成 Python 函数比如MA对应rolling().mean()REF对应shift()CROSS对应前后比较。移植完用相同数据对比原软件的输出确认一致后再接入模拟盘。我自己的习惯是每移植一个指标先画图肉眼比对最近 100 根 K 线再跑数值对比误差超过 0.1% 就回去查。离线数据的好处就是可以反复跑不消耗接口额度。希望帮到你。本文还有配套的精品资源点击获取 离线模拟炒股代码实战：从数据清洗到组合回测的完整指南
简介这是一套面向金融编程初学者与量化交易爱好者的模拟炒股软件源码资源基于VC6.0环境开发帮助读者理解股票交易逻辑、离线数据处理与交易模拟的实现方式。压缩包共82个文件以asp脚本为主辅以txt说明、html/htm页面、css样式及少量gif与inc文件整体约711KB涵盖用户登录、会员管理、后台维护、股票数据读取与交易计算等模块目录结构清晰便于按功能检索学习。资源围绕模拟炒股代码、股票离线数据与股票软件源码三条主线展开读者可从中了解买卖持有等核心交易逻辑、日线周线月线及均线周期的设置方式以及K线图展示与用户交互的实现思路。目前已有227人学习下载适合希望借助经典C与ASP技术栈深入理解股票软件内部运作机制、提升交易策略实践能力的开发者与投资者参考。1. 从 monichaogu.zip 说起一套离线模拟炒股代码到底能跑出什么很多人第一次拿到monichaogu.zip这种包第一反应是解压看目录然后被里面一堆K_前缀的文件名劝退。我最早接触模拟炒股代码也是这个路径想验证一个选股思路又不想接实盘接口于是找一套能离线跑的股票软件源码把历史数据灌进去看策略在本地能不能复现出预期收益。这套东西的核心价值不在“模拟”两个字而在于它把行情数据、撮合逻辑、账户持仓、指标计算这几块拆开了让你能单独替换其中一层。适合谁适合想用 Python 或 PHP 快速搭一个股票组合分析原型的人也适合需要离线数据做回测、不想每次拉东财股票数据 api 的开发者。标题里的“K_”通常指 K 线相关模块“离线数据”意味着数据文件随包走不依赖网络。这一章先把边界划清楚它能帮你验证逻辑但不保证收益。2. 拆开 monichaogu.zip离线行情、撮合与账户三条主线2.1 离线数据文件长什么样怎么和 K 线模块对上拿到包先别急着跑主程序先看数据目录。常见的离线股票数据是 CSV 或二进制 DAT字段一般包含日期、开盘、最高、最低、收盘、成交量、成交额。K_开头的文件往往是 K 线绘制或指标计算模块它读的就是这些离线文件。我一般会先写一个极小的 Python 脚本把数据读出来确认字段顺序和编码因为很多翻车都发生在“日期列被当成字符串排序”这种细节上。import pandas as pd # 离线数据常见编码是 gbk 或 utf-8-sig先试 utf-8-sig df pd.read_csv(data/600519.csv, encodingutf-8-sig) print(df.columns.tolist()) print(df.head(3)) print(df.dtypes) # 统一日期列并排序避免后续 K 线错位 df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) df.to_csv(data/600519_clean.csv, indexFalse, encodingutf-8-sig)这段代码只做三件事读文件、看字段类型、按日期排序。参数上注意encoding如果报UnicodeDecodeError就换gbk。dtypes里如果close是 object说明有千分位逗号或空字符串需要pd.to_numeric(..., errorscoerce)清洗。离线数据最大的坑是复权很多包里的数据是不复权的回测时遇到除权除息会出现价格跳空指标会失真。常见做法是自己在清洗阶段用后复权因子修正或者只做短周期验证。2.2 模拟撮合与账户模块别把“能成交”当成“能赚钱”模拟炒股代码里的撮合逻辑通常很朴素按当前 K 线的收盘价或下一根开盘价成交扣掉手续费和印花税。你要检查的是它有没有处理涨跌停、停牌、最小交易单位。我见过不少源码直接price * volume就完事回测曲线漂亮得离谱实盘一上就废。下面是一个最小账户类的写法你可以对照包里的实现看差异。class Account: def __init__(self, cash100000, fee_rate0.0003, stamp_tax0.001): self.cash cash self.position 0 self.fee_rate fee_rate self.stamp_tax stamp_tax def buy(self, price, volume): # A 股买入按手100 股整数倍 volume (volume // 100) * 100 cost price * volume fee max(cost * self.fee_rate, 5) # 最低 5 元佣金 if cost fee self.cash: return False self.cash - cost fee self.position volume return True def sell(self, price, volume): volume min(volume, self.position) revenue price * volume fee max(revenue * self.fee_rate, 5) revenue * self.stamp_tax self.cash revenue - fee self.position - volume return True参数说明fee_rate默认万三stamp_tax千一仅卖出收取max(..., 5)是最低佣金保护。逻辑上先判断资金是否足够再扣费。如果你包里的撮合模块没有最低佣金和印花税回测收益会虚高。另一个容易忽略的点是滑点离线回测里可以用下一根开盘价加一个固定比例来模拟比如price * 1.001。2.3 用 akshare 补全离线数据缺口但别让它拖慢回测离线数据包往往只覆盖少数股票或一段时间想扩展就要接数据源。akshare 是常见选择它封装了东财股票数据 api 等接口能取日线、分钟线和基本面。但直接在回测循环里调 akshare 会非常慢正确做法是先批量拉取落地成 CSV再让回测读本地文件。import akshare as ak import pandas as pd # 拉取单只股票日线adjustqfq 前复权 df ak.stock_zh_a_hist(symbol600519, perioddaily, start_date20200101, end_date20241231, adjustqfq) df df.rename(columns{ 日期: date, 开盘: open, 最高: high, 最低: low, 收盘: close, 成交量: volume }) df.to_csv(data/600519_ak.csv, indexFalse, encodingutf-8-sig)注意adjust参数前复权适合回测后复权适合长期持有分析。akshare 接口偶尔会变字段名以实际返回为准。批量拉取时加time.sleep(0.5)避免请求过密。离线数据加 akshare 补全基本能覆盖大部分日线级策略验证需求。3. 把 K 线指标接进模拟盘从 MA 到自定义公式的落地路径3.1 均线与斜率股票 slope 函数在离线数据上的实现很多炒股指标公式源码里都有slope本质是对收盘价序列做线性回归取斜率。离线数据上自己实现一遍比直接抄公式更可控。下面用 numpy 做 5 日斜率并和 MA 组合成简单信号。import numpy as np import pandas as pd df pd.read_csv(data/600519_clean.csv, parse_dates[date]) def slope(series, window5): # 对窗口内数据做一次线性拟合返回斜率 y series[-window:].values x np.arange(window) if len(y) window: return np.nan return np.polyfit(x, y, 1)[0] df[ma5] df[close].rolling(5).mean() df[ma20] df[close].rolling(20).mean() df[slope5] df[close].rolling(5).apply( lambda s: slope(s, 5), rawFalse) # 信号MA5 上穿 MA20 且斜率为正 df[signal] ((df[ma5] df[ma20]) (df[slope5] 0)).astype(int) print(df[[date, close, ma5, ma20, slope5, signal]].tail(10))参数上window决定灵敏度5 日斜率反应快但噪音大20 日更稳但滞后。rolling().apply在数据量大时慢可以改用numpy.lib.stride_tricks或直接向量化。注意rawFalse传的是 SeriesrawTrue传 ndarray 更快。这个信号只是示例真正用的时候要加过滤条件比如成交量放大或股价在均线之上。3.2 把信号接到模拟账户一笔交易从判断到成交的完整链路有了信号下一步是让模拟账户按信号买卖。这里的关键是避免未来函数不能用当天收盘价决定当天买入至少要用下一根开盘价。下面把前面的 Account 类和信号连起来。account Account(cash100000) position 0 records [] for i in range(1, len(df)): row df.iloc[i] prev df.iloc[i-1] price row[open] # 用开盘价成交避免未来函数 if prev[signal] 1 and position 0: volume int(account.cash * 0.9 / price / 100) * 100 if account.buy(price, volume): position volume records.append((row[date], buy, price, volume)) elif prev[signal] 0 and position 0: if account.sell(price, position): records.append((row[date], sell, price, position)) position 0 final account.cash position * df.iloc[-1][close] print(最终资产:, round(final, 2))逻辑说明用prev[signal]判断用当前open成交这样不会偷看未来。volume按 90% 仓位计算并取整到 100 股。records记录每笔交易方便后续算胜率和最大回撤。参数上可以调整仓位比例和信号阈值。如果包里的模拟盘直接用了收盘价成交回测结果会偏乐观需要自己改。3.3 组合分析多只股票离线回测时怎么组织数据单只股票跑通后自然想做股票组合分析。离线数据按股票分文件存放回测时循环读取每只股票独立跑信号最后合并资金曲线。注意组合层面要处理资金分配常见做法是等权或按波动率倒数加权。import os import pandas as pd results {} for fname in os.listdir(data): if not fname.endswith(_clean.csv): continue code fname.replace(_clean.csv, ) df pd.read_csv(fdata/{fname}, parse_dates[date]) # 这里复用前面的信号和回测逻辑返回每日净值 # net_value 是一个 Series索引为 date results[code] net_value # 合并成 DataFrame按日期对齐 nav pd.DataFrame(results).sort_index().ffill() portfolio nav.mean(axis1) # 等权组合 print(portfolio.tail())参数说明ffill()处理不同股票停牌导致的日期缺失mean(axis1)是等权。如果要做风险平价需要先算每只股票的波动率再求权重。组合分析能看出策略在不同标的上的稳定性单只股票赚钱可能是运气组合赚钱才更有说服力。4. 避坑与排查模拟炒股代码跑不通时先看这几处4.1 现象回测收益高得离谱曲线几乎直线向上原因最常见的是未来函数用了当天收盘价成交或者信号计算里包含了未来数据。其次是没扣手续费和印花税或者离线数据本身是复权后的但代码又做了一次复权。解决把成交价改成下一根开盘价检查signal是否用了shift(-1)核对费用参数确认数据复权状态只处理一次。4.2 现象K 线图显示错位指标和价格对不上原因日期列没有排序或者读取时把日期当成了字符串导致rolling按错误顺序计算。也有可能是离线数据里有重复日期或缺失交易日。解决读入后立即pd.to_datetime并sort_values用df[date].duplicated().sum()检查重复用df.set_index(date).asfreq(B)补交易日再ffill。4.3 现象模拟账户资金变成负数或持仓为负原因买入时没有检查资金是否足够卖出时没有检查持仓。有些源码的buy直接减现金不做判断。解决在buy和sell里加边界判断买入前算cost fee cash卖出前volume min(volume, position)。另外注意 A 股最小交易单位是 100 股取整后再判断。4.4 现象akshare 拉数据报错或字段名对不上原因akshare 版本更新后接口字段变化或者请求频率过高被限。解决先pip install --upgrade akshare打印df.columns确认字段不要硬编码中文列名。批量拉取时加延时单次失败重试三次。离线数据能覆盖的尽量不联网回测阶段完全用本地文件。4.5 现象组合回测时不同股票日期对不齐净值曲线断裂原因各股票停牌日期不同直接concat会产生 NaN后续计算净值时传播。解决先构建统一交易日索引用reindex对齐再ffill填充停牌期间价格。注意停牌期间不能交易信号要置为 0。组合权重按可用资金动态调整不要简单平均。5. 进阶用离线数据做参数敏感性验证与指标公式移植跑通基础回测后别急着上实盘先做参数敏感性。把 MA 周期、斜率窗口、止损比例做成网格看收益和最大回撤怎么变。如果参数稍微一动收益就崩说明过拟合。下面是一个简单的网格验证框架。import itertools import pandas as pd results [] for ma_short, ma_long, slope_win in itertools.product( [5, 10, 20], [20, 40, 60], [5, 10, 20]): if ma_short ma_long: continue # 这里调用回测函数返回收益和回撤 ret, mdd backtest(df, ma_short, ma_long, slope_win) results.append({ ma_short: ma_short, ma_long: ma_long, slope_win: slope_win, return: ret, mdd: mdd }) res_df pd.DataFrame(results) print(res_df.sort_values(return, ascendingFalse).head(10))参数说明itertools.product生成组合backtest是你自己封装的回测函数。重点看收益排名前 10 的参数是否集中在某个区域如果分散说明不稳定。最大回撤比收益更重要回撤超过 30% 的参数直接淘汰。另一个进阶方向是把炒股指标公式源码移植进来。很多通达信、同花顺的公式是类似MA(C,5)的语法你需要写一个解析器或手动翻译成 pandas。常见做法是先把公式里的函数映射成 Python 函数比如MA对应rolling().mean()REF对应shift()CROSS对应前后比较。移植完用相同数据对比原软件的输出确认一致后再接入模拟盘。我自己的习惯是每移植一个指标先画图肉眼比对最近 100 根 K 线再跑数值对比误差超过 0.1% 就回去查。离线数据的好处就是可以反复跑不消耗接口额度。希望帮到你。本文还有配套的精品资源点击获取