一、本地脚本路线
以 Python 为主，Pandas 处理表格，NumPy 做数值计算，Matplotlib 或 ECharts 做可视化。优点是可控、可复现、便于与自有数据管道结合。
缺点是要自己搭数据、调度与评估，前期投入较高。适合已有数据源、希望完全掌握流程的团队。
二、框架与在线平台
开源回测框架通常提供事件循环、撮合与绩效统计，减少重复造轮子；在线研究平台提供数据与算力，上手快，但迁移与导出能力需要提前确认。
选择框架时重点看三点：数据接口是否开放、成本模型是否可配置、结果能否离线复现。功能列表很长但结果带不走的平台，长期风险更高。
三、数据源的类型
常见来源包括交易所公开数据、商业数据接口、开源数据项目与自建采集。它们在覆盖范围、更新频率、复权口径与授权方式上差异很大。
数据成本不仅是订阅费，还包括清洗、校验与维护的人力。先用小样本验证口径，再决定是否长期采购。
四、选型的四个维度
把工具比较落在这四个维度上，比看宣传页更有效。任何一项缺失，都可能在项目后期变成返工。
- 口径：字段、复权、交易日历是否清楚
- 成本：订阅费用与长期维护人力
- 可复现：能否固定数据版本与运行环境
- 退出：数据与代码能否完整迁出
五、团队的常见组合
一个常见组合是：本地 Python 做研究与回测，关系型数据库存清洗后的数据，轻量看板做结果展示。三者通过统一的数据字典衔接。
不建议同时引入多套框架。每多一套工具，就多一份口径差异与维护成本。先用一套跑通完整流程，再按瓶颈补充。
六、评估工具时的试跑清单
在正式采购前，用同一份小样本数据在候选工具上跑通一次完整流程：读取、清洗、计算、输出。记录每一步的耗时与口径差异。
试跑能暴露文档没有写清楚的问题，例如默认复权方式、缺失值处理与手续费模型。这些问题比界面是否好看重要得多。
七、迁移成本常被低估
工具切换的成本不只是重新写代码，还包括数据迁移、结果核对与团队习惯调整。评估新工具时，应把这三项计入总成本。
一个实用做法是先并行运行一段时间，用同一份数据比对两套结果。差异清单往往比功能对比更能说明问题。
把选型结论与试跑记录一起保存，半年后回看，才能知道当初为什么选它。