多谢多谢，您这么一说我就明白了

我怀疑bt框架在偷数据；如果我将测试数据的2025-10-15日（包括这一天）及以后的数据给删除，测试的时候get_transactions()方法拿不到2025-10-14日的调仓信息；如果按照收盘价进行调仓换股的话，那么2025-10-14日的数据是有的，2025-10-14日的调仓数据应该是要输出的；我现在增加一条测试数据（日期为2025-10-15，其它OHLC的数据随便填写）这个时候回测就会出来2025-10-14日的调仓信息；按照这个逻辑，它只有后一天的数据出来的时候，前一日的调仓信息才能出来，所以它应该是次日开盘显示前一日的调仓信息的。

同时有买入、卖出、排序规则弄不清其中的逻辑规则。在其他平台试，感觉收益差异很大。

请问回测时间怎么改，改了没反应

下面这个是星主的源码： @staticmethod def trend_score(series: pd.Series, period=25): def _trend_score(close, period=25): """ 向量化计算趋势评分：年化收益率 × R平方 :param close: 收盘价序列（np.array或pd.Series） :param period: 计算窗口长度，默认25天 :return: 趋势评分数组，长度与输入相同，前period-1位为NaN """ if len(close) < period: return np.full_like(close, np.nan) y = np.log(close) windows = np.lib.stride_tricks.sliding_window_view(y, window_shape=period) x = np.arange(period) # 预计算固定值 n = period sum_x = x.sum() sum_x2 = (x ** 2).sum() denominator = n * sum_x2 - sum_x ** 2 # 滑动窗口统计量 sum_y = windows.sum(axis=1) sum_xy = (windows * x).sum(axis=1) # 回归系数 slope = (n * sum_xy - sum_x * sum_y) / denominator intercept = (sum_y - slope * sum_x) / n # 年化收益率 annualized_returns = np.exp(slope * 250) - 1 # R平方计算 y_pred = slope[:, None] * x + intercept[:, None] residuals = windows - y_pred ss_res = np.sum(residuals ** 2, axis=1) sum_y2 = np.sum(windows ** 2, axis=1) ss_tot = sum_y2 - (sum_y ** 2) / n r_squared = 1 - (ss_res / ss_tot) r_squared = np.nan_to_num(r_squared, nan=0.0) # 处理零方差情况 # 综合评分 score = annualized_returns * r_squared # 对齐原始序列长度 full_score = np.full_like(y, np.nan) full_score = pd.Series(index=close.index) full_score[period - 1:] = score return full_score return series.groupby(level='symbol', group_keys=False).apply(_trend_score)

感谢无私分享，逻辑和代码都很清晰，可以作为以后其他大神分享模版

http://bbs.ailabx.com/topic/2/aitrader-开源系统-代码下载说明 这里下载最新的代码。

反馈已收到，感谢。

如果遇到login 报500，清一下浏览器缓存，或者换一个浏览器。