用 WorkBuddy 搭建量化回测脱敏交付本地流水线

一、痛点场景

量化项目交付普遍存在三大难题：客户口头给出收益目标，缺少前置可行性校验；原始回测明细包含时间、价格、仓位等敏感数据，直接交付极易泄露自研逻辑；批量逐笔明细不加聚合，既泄露细节又不符合交付规范。人工处理不仅效率低下，还容易出现数据泄露、口径不统一、文档无溯源凭证等问题，整套流程很难标准化落地。

二、为什么选择 WorkBuddy 完成整条流水线

传统方式需要手动写多段独立脚本、反复切换工具处理数据与文档，环节割裂，难以批量复用。WorkBuddy 可以把多段 Python 脚本、数据校验规则、文档生成逻辑封装成连续任务，一键串行执行全流程。

任务编排：将目标体检、回测折扣、数据脱敏、报告分级打包成串行工作流，全程无需人工干预；

代码托管：内置 Python 运行环境，直接调用 pandas 完成数据清洗与脱敏，不用额外配置本地开发环境；

文档自动生成：自动生成 Markdown 交付文档，批量写入水印与内容指纹，保障交付文件可溯源；

流程可固化：整条流水线保存为 Skill 技能包，后续新项目直接一键调用，实现标准化交付。

三、环境准备

前置依赖：在 WorkBuddy 内置环境安装数据处理库，执行命令：

pip install pandas

说明：hashlib 是 Python 标准库，无需安装；如用到绘图可再加 matplotlib。

文件目录：统一建立三层文件夹，保证路径稳定：

raw_data：存放原始回测 csv 文件；

masked_data：存放脱敏后的中间数据表；

report_output：存放最终交付文档与带指纹的成品文件。

权限配置：开启脚本自动执行权限，关闭不必要的外部网络访问，仅读取本地文件，避免敏感数据外传。

四、流水线四大执行步骤

步骤① 目标体检：收益目标可行性前置校验

目的：收到客户给出的收益与回撤预期后，先计算 Calmar 比值，提前判定目标可行性，避免后续无效回测。

判定规则：Calmar≤0.5 为宽松目标；0.5~0.8 为可行目标；0.8~1.2 为偏紧目标；1.2~2.0 需要降级预期；＞2.0 直接拒绝承接。

代码片段

# 收益目标可行性体检
def calmar_check(target_return, max_drawdown):
    # 防止分母为0
    if max_drawdown <= 0:
        return "数据异常，无法评估"
    calmar = round(target_return / max_drawdown, 2)
    if calmar <= 0.5:
        level = "宽松目标，可正常开展回测"
    elif 0.5 < calmar <= 0.8:
        level = "可行目标，保持保守参数"
    elif 0.8 < calmar <= 1.2:
        level = "目标偏紧，需要下调预期"
    elif 1.2 < calmar <= 2.0:
        level = "目标过高，必须降级预期"
    else:
        level = "目标不可实现，直接拒单"
    return {"calmar_ratio": calmar, "assessment": level}

# 合成示例，非真实业绩
if __name__ == "__main__":
    res = calmar_check(0.35, 0.30)
    print(res)

验收标准：脚本输出 Calmar 数值与评估结论；数值计算无除零报错；评估等级严格匹配预设区间，无人工修改空间。

步骤② 回测与折扣：原始结果做保守折算

目的：对原始回测结果做保守折价处理，避免回测结果过于乐观，双栏并列展示原始值与保守参考值，形成严谨交付口径。

规则：原始回测指标统一乘以 0.55 得到保守参考值，表格双栏并排呈现。

验收标准：生成双栏对比表格；折算系数严格锁定 0.55，不随意改动；所有数值同步完成折算，不存在漏算字段。

步骤③ 五列脱敏：原始明细去除全部敏感信息

目的：对交易明细做五列标准化脱敏，删除原始信号快照字段，彻底隐藏时间、价位、仓位等核心细节，只保留业务特征。

脱敏规则

日期：转换为 D+NNN 相对天数，抹去真实年月日；

时刻：划入 8 个固定时段，不再保留精确时分；

价格：转为相对当日首笔价格的百分比，消除绝对价位；

手数：转为相对中位手数的倍数，隐藏绝对仓位；

盈亏：转为占总权益的百分比，不显示绝对金额；

额外处理：直接删除原始信号状态快照列。

代码片段

import pandas as pd

def mask_trade_data(df):
    # 1.日期转为相对天数D+NNN
    df["相对日期"] = "D+" + (df["trade_date"] - df["trade_date"].min()).dt.days.astype(str)
    # 2.时刻划入8档时段
    bins = [0,3,6,9,11,14,18,21,24]
    labels = ["时段1","时段2","时段3","时段4","时段5","时段6","时段7","时段8"]
    df["交易时段"] = pd.cut(df["hour"], bins=bins, labels=labels, right=False)
    # 3.价格转为当日首笔价格百分比
    first_price = df.groupby("trade_date")["price"].transform("first")
    df["价格占比%"] = round(df["price"] / first_price * 100, 2)
    # 4.手数转为相对中位倍数
    median_lots = df["lots"].median()
    df["手数倍数"] = round(df["lots"] / median_lots, 2)
    # 5.盈亏转为权益占比
    df["盈亏占权益%"] = round(df["pnl"] / df["total_equity"] * 100, 2)
    # 删除敏感快照列
    df = df.drop(columns=["signal_snapshot"], errors="ignore")
    return df

验收标准：输出表格不再包含真实日期、绝对价格、原始手数；仅保留 5 列脱敏字段；原始信号快照列被彻底清除，无残留字段。

步骤④ 分级披露与水印：按交易笔数控制明细粒度

目的：按照交易总笔数分级聚合数据，同时为文档添加作业编号、客户代号、交付日期与内容指纹，实现交付文件全程可溯源。

分级披露规则

总笔数＜30 笔：不提供逐笔明细，只给出汇总指标；

30 笔≤总笔数≤100 笔：按自然周聚合数据，不展示单笔记录；

总笔数＞100 笔：才可以输出脱敏后的逐笔明细。

内容指纹生成代码

import hashlib
def generate_doc_fingerprint(doc_content, job_no, client_code):
    # 拼接文档内容+作业号+客户代号生成SHA256指纹
    raw_text = doc_content + job_no + client_code
    fp = hashlib.sha256(raw_text.encode("utf-8")).hexdigest()
    return fp

验收标准：系统自动判断交易笔数，自动切换聚合粒度；交付文档底部自动写入作业号、客户代号、交付日期与 SHA256 内容指纹；指纹可复现，篡改内容后哈希值会发生变化。

五、踩坑清单（5 条）

直接使用绝对时间戳脱敏：仅把日期改成字符串依然存在泄露风险，必须统一转为 D + 相对天数，彻底切断真实日历信息；

脱敏时保留绝对价格：只做取整处理不够，必须换算成当日首笔价格的相对百分比，避免通过价格反推标的；

忽略交易笔数分级规则：无论笔数多少都直接输出逐笔明细，极易暴露开平仓节奏，严格执行周聚合与明细管控；

交付文档缺少内容指纹：没有唯一哈希标识，文件被篡改后无法核验真伪，必须每次生成 SHA256 指纹并写入文档尾部；

WorkBuddy 任务串行中断：把 4 步脚本拆成独立任务，不要合并为单段大代码，开启分步执行，一旦出错可以单独重试对应环节，不用从头跑完整条流水线。

六、总结

整套基于 WorkBuddy 的量化交付流水线，把前期目标校验、回测结果保守折算、明细数据脱敏、分级文档交付串联成一套自动化工作流，全程不需要人工复制粘贴、手动修改表格。

整条流程严格遵循数据脱敏规范，既杜绝了策略细节外泄，又统一了交付口径；同时依靠内容指纹实现交付文件溯源，规避文件篡改风险。

将整套流程保存为 WorkBuddy 自定义 Skill 技能包，后续所有量化项目只需要上传原始回测 CSV 文件，一键启动流水线，自动输出合规、脱敏、可溯源的交付报告，大幅降低人工操作成本，把标准化交付落到实处。

附：文中脚本与工具

本文示例脚本为演示用途的最小实现，完整的可运行版本（含一键演示、CSV 批量处理、报告模板）已开源：

• Gitee 仓库：https://gitee.com/yu-tongming/quant-trading-skills
• 工具箱获取与回测代跑服务：见仓库 README 或站内联系

免责声明：文中所有数据均为合成示例，非真实业绩；本文只讲交付工程方法，不构成任何投资建议，不涉及资金托管与收益承诺。