文章详细介绍了如何使用 Python 构建事件驱动的回测系统。相比向量化回测，该方法能更真实地模拟交易佣金、滑点和仓位管理。核心内容包括：实现 Portfolio 类管理资产状态、通过网格搜索进行参数优化、利用向前走分析（Walk-Forward Analysis）防止过拟合，以及引入凯利准则（Kelly Criterion）进行科学的仓位管理。
文章介绍了如何用 Python 对比特币交易策略进行向量化回测，计算总收益、夏普比率、最大回撤和胜率，并将 SMA、动量和均值回归三种策略与买入持有进行比较。文章同时强调了回测中的常见陷阱，如未来函数、幸存者偏差、过拟合和交易成本。
