新写的代码回测一年的结果 ，不知道仿真模拟结果如何。

为了将您的代码从回测环境迁移到仿真模拟环境，您需要确保您的策略代码能够适应仿真交易的特定要求。以下是一些关键步骤和注意事项：

1. 初始化函数 (init): 确保在 init 函数中设置所有必要的参数，如基准、手续费、滑点等。这些设置在仿真交易中同样重要，以确保策略在仿真环境中的表现与回测环境一致。

2. 交易频率 (handle_bar): 确保 handle_bar 函数中的交易逻辑能够适应仿真交易的实时数据流。在仿真交易中，handle_bar 函数会在每个交易周期（如每分钟或每天）被调用，因此需要确保交易逻辑能够高效执行，避免因执行时间过长导致的延迟成本。

3. 订单处理 (order): 在仿真交易中，订单的执行可能不会立即完成，而是会在下一个交易周期撮合。因此，您需要确保订单的处理逻辑能够适应这种延迟。

4. 回调函数 (on_order, on_trade): 在仿真交易中，订单状态更新和成交回调会在 handle_bar 执行完后触发。确保您的策略能够正确处理这些回调，以便在订单状态更新或成交时采取适当的行动。

5. 日志记录 (log.info): 在仿真交易中，日志记录可以帮助您跟踪策略的执行情况。确保在关键步骤中记录日志，以便在仿真交易中进行调试和分析。

6. 资金和持仓管理: 在仿真交易中，资金和持仓信息会实时更新。确保您的策略能够正确处理这些信息，以便在交易决策中考虑最新的账户状态。

以下是一个示例代码，展示了如何将回测代码迁移到仿真交易环境：

from mindgo_api import *

def init(context):
    # 设置基准
    set_benchmark('000001.SZ')
    
    # 设置交易手续费
    set_commission(PerShare(type='stock', cost=0.0002))
    
    # 设置滑点
    set_slippage(PriceSlippage(0.002))
    
    # 设置最大成交比例
    set_volume_limit(daily=0.25, minute=0.5)
    
    # 设置初始持仓
    set_holding_stocks({'000001.SZ': 200, '300033.SZ': 500})

def handle_bar(context, bar_dict):
    # 获取当前持仓
    positions = context.portfolio.positions
    
    # 获取当前资金
    cash = context.portfolio.cash
    
    # 执行交易逻辑
    for stock in positions:
        if positions[stock].quantity > 0:
            # 卖出逻辑
            order_target_value(stock, 0)
        else:
            # 买入逻辑
            order_value(stock, cash * 0.1)
    
    # 记录日志
    log.info(f"当前持仓: {positions}")
    log.info(f"当前资金: {cash}")

def on_order(context, odr):
    # 订单状态更新回调
    log.info(f"订单状态更新: {odr}")

def on_trade(context, trade):
    # 成交回调
    log.info(f"成交信息: {trade}")

请根据您的具体需求调整上述代码中的交易逻辑和参数设置。确保在仿真交易中测试策略，以验证其在实时数据流中的表现。