回测基础概念

什么是回测

回测（Backtesting）是指利用历史市场数据，按照预设的交易策略规则模拟买卖操作，然后统计这段历史区间内的收益表现，以此来评估策略是否具有可行性的过程。

简单来说，回测回答的是一个核心问题：如果我过去按照这个策略交易，结果会怎样？

回测的本质是一套"时间机器"——你无法回到过去真正交易，但可以通过数据和程序来"假装"在过去交易了一次，看看结果如何。它是量化投资中验证策略想法的第一步，也是最基础、最重要的工具。

一个典型的回测流程可以概括为：

1. 准备历史数据：获取股票的价格、成交量、财务指标等历史数据
2. 定义策略规则：明确买入条件、卖出条件、仓位管理规则
3. 模拟交易执行：程序按照规则在历史时间轴上逐日（或逐笔）执行模拟交易
4. 计算绩效指标：统计收益率、最大回撤、夏普比率等指标
5. 分析结果：判断策略是否值得进一步研究

下面用一个最简单的例子说明。假设你有一个策略："当5日均线向上穿越20日均线时买入，向下穿越时卖出"。你想知道这个策略在2020年到2024年之间表现如何。你不需要真的等到2024年才知道结果——通过回测，你可以立刻用这段历史数据模拟出来。

# 回测的简化伪代码
for each trading_day in historical_data:
    if 均线金叉(5日, 20日):
        买入()
    elif 均线死叉(5日, 20日):
        卖出()
    记录持仓和净值()
计算绩效指标()

回测的前提假设

回测能够成立，依赖于若干重要的前提假设。理解这些假设，才能正确解读回测结果。

假设一：历史数据准确完整

回测的输入是历史数据。如果数据本身有错误（比如复权错误、缺失交易日、停牌未标记），那么回测结果就不可信。数据的准确性是回测可信度的根基。

在实际操作中，需要特别注意以下几点：

• 前复权与后复权：由于股票会经历分红、送股等除权事件，如果不做复权处理，K线图上会出现"虚假"的跳空缺口。前复权以最新价格为基准向前调整，后复权以最早价格为基准向后调整。回测通常使用前复权数据，因为前复权价格可以直接反映持有期间的真实收益。
• 停牌处理：停牌期间无法交易，回测中需要正确标记停牌日，避免在停牌日发出交易信号。
• 涨跌停限制：A股有±10%（创业板和科创板±20%）的涨跌停限制。如果某只股票涨停，实际可能无法买入；跌停时可能无法卖出。回测中应该模拟这一约束。

假设二：策略规则是明确且可量化的

回测要求策略规则能够被精确定义为可执行的逻辑。模糊的主观判断（如"感觉大盘要涨"）无法回测。策略的入场条件、出场条件、仓位大小、止损规则都必须有明确的数学表达。

假设三：交易可以按预期价格执行

这是最容易被忽视的假设。回测中通常假设你能以收盘价（或开盘价、次日开盘价等）成交，但现实中：

• 你看到信号时可能已经错过了目标价格
• 大单交易会冲击市场价格
• 涨跌停时根本无法成交

假设四：市场流动性充足

回测通常假设你想买就能买到、想卖就能卖出。但对于小盘股或低流动性股票，这个假设可能不成立。当你的资金量较大时，单笔交易可能占当日成交量的很大比例，导致实际成交价格远偏离预期。

回测的局限性

理解回测的局限性，是避免被回测结果误导的关键。

局限性一：历史不代表未来

这是回测最根本的局限性。一个策略在过去5年表现优秀，不代表未来5年同样优秀。市场环境会变化：

• 牛市有效的策略在熊市可能亏损严重
• 某些行业轮动规律可能因政策变化而失效
• 当越来越多投资者发现同一规律时，套利空间会被压缩

回测只能告诉你"过去发生了什么"，不能保证"未来也会如此"。

局限性二：过度拟合（Overfitting）

这是回测中最常见、最危险的陷阱。当你针对某一段历史数据反复调整策略参数，直到回测结果看起来完美无缺时，你可能只是在"拟合噪声"而不是发现真正的规律。

过度拟合的典型表现：

• 在回测期表现极好，但在未参与回测的验证期表现很差
• 策略参数非常敏感，稍微修改参数结果就大幅变化
• 对某一段特定历史行情有特殊的处理逻辑

防范过度拟合的方法：

• 样本外测试（Out-of-Sample Testing）：将数据分为训练集和测试集，只在训练集上优化参数，在测试集上验证效果
• 交叉验证：将历史数据分成多段，轮流作为训练集和测试集
• 参数鲁棒性检查：如果策略在参数的合理范围内都表现不错，说明策略是稳健的；如果只在某个精确参数值上表现好，就很可能是过拟合
• 保持策略逻辑简单：越复杂的策略越容易过拟合。一个逻辑清晰、参数少的策略往往更可靠

局限性三：前视偏差（Look-Ahead Bias）

前视偏差是指在回测中使用了当时实际上不可能获得的信息。比如：

• 使用了当日收盘价来决定当日买入（实际上你在盘中不可能知道收盘价）
• 使用了尚未发布的财务数据
• 使用了未来的分红信息来调整持仓

前视偏差会让回测结果虚高，因为它给了你"未卜先知"的能力。在构建回测框架时，必须严格确保每个交易日只能使用该日及之前的数据。

# 错误示例：前视偏差
for i in range(len(data)):
    if data['close'].iloc[i] > data['close'].iloc[i + 1]:  # 使用了明天的数据！
        buy()

# 正确示例：避免前视偏差
for i in range(1, len(data)):
    if data['close'].iloc[i - 1] > data['close'].iloc[i - 2]:  # 只使用已知数据
        buy_at(data['open'].iloc[i])  # 次日开盘价执行

局限性四：幸存者偏差（Survivorship Bias）

如果你只使用目前仍在上市的股票进行回测，就会忽略那些已经退市的股票。这会导致回测结果偏乐观，因为你自动"过滤"掉了最差的投资结果。

举个例子：如果你回测2010年到2024年"买入所有A股"的策略，但数据中不包含已退市的股票，那么回测会忽略掉那些退市股票带来的亏损，从而高估策略的实际表现。

高质量的回测应该使用包含退市股票的全量历史数据。

回测与纸面交易、实盘的差异

回测、纸面交易（Paper Trading）和实盘交易是策略验证的三个阶段，它们之间存在重要差异。

回测（Backtesting）

• 时间维度：可以在几分钟内完成数年历史数据的模拟
• 数据环境：使用历史数据，完全可控
• 心理因素：无（只是运行程序）
• 执行保证：假设交易能按规则执行
• 适用场景：快速筛选策略想法，判断策略是否值得进一步验证

纸面交易（Paper Trading）

• 时间维度：实时进行，与市场同步
• 数据环境：使用实时市场数据
• 心理因素：有一定影响（虽然是模拟资金，但实时决策仍有压力）
• 执行保证：接近真实，但仍假设能成交
• 适用场景：在实盘之前验证策略的实时表现，检验信号延迟、执行效率等问题

实盘交易（Live Trading）

• 时间维度：实时进行，真金白银
• 数据环境：真实市场，包含各种意外情况
• 心理因素：影响显著（恐惧、贪婪、犹豫等情绪）
• 执行保证：完全真实，可能滑点、无法成交
• 适用场景：真正的策略执行和盈利

三者之间的关系是递进式的：

回测（快速验证） → 纸面交易（实时验证） → 小资金实盘 → 正式实盘

每一个阶段都在前一个阶段的基础上增加真实性。跳过任何阶段都可能导致不必要的亏损。

常见的差异来源

回测结果和实盘结果之间通常存在显著差距，主要原因包括：

1. 滑点（Slippage）：回测假设以特定价格成交，实际交易中成交价格可能偏离预期。滑点的来源包括买卖价差（Bid-Ask Spread）和市场冲击。在A股市场，小盘股的滑点可能达到0.5%甚至更高。

2. 交易成本：回测中如果不考虑交易成本，会显著高估收益。A股的交易成本包括：

   • 券商佣金（通常万2.5左右，最低5元）
   • 印花税（卖出时千分之0.5）
   • 过户费（十万分之一，买卖双向收取）

3. 资金约束：回测中通常假设资金无限，但实际上资金有限，无法同时执行所有信号。仓位管理和资金分配在实盘中非常重要。

4. 情绪影响：连续亏损时，实盘交易者可能会手动干预策略（提前止损、暂停交易等），而回测会严格按规则执行。

常见回测陷阱总结

陷阱	描述	防范方法
过度拟合	针对历史数据反复调参，拟合了噪声而非规律	样本外测试、参数鲁棒性检查
前视偏差	使用了未来才可知的信息	严格的数据时间边界检查
幸存者偏差	只回测现存股票，忽略退市股	使用包含退市股的全量数据
忽略交易成本	不计入佣金、印花税、滑点	模拟完整的交易成本
忽略流动性	假设任意数量的买卖都能成交	加入成交量约束
忽略涨跌停	假设涨停也能买入、跌停也能卖出	加入涨跌停限制检查
忽略停牌	在停牌期间发出交易信号	标记停牌日，跳过停牌交易
过于乐观的假设	以收盘价成交、即时成交等	使用次日开盘价等保守假设

回测的正确态度

回测是一个有价值的工具，但它不是水晶球。正确的态度应该是：

1. 回测是筛选工具，不是保证书：回测帮你快速排除不可行的策略，但通过回测不代表策略一定盈利。
2. 关注策略逻辑而非历史收益：一个策略的底层逻辑是否有经济学意义，比它在某段历史数据上的收益率更重要。
3. 保守估计，给自己留安全边际：在回测中加入足够的交易成本、使用保守的成交假设，如果这样策略还能盈利，才更值得信赖。
4. 持续监控和迭代：即使在实盘运行后，也需要持续监控策略表现，与回测预期对比，及时发现策略失效的信号。

理解了回测的基础概念和局限性之后，下一章我们将动手构建一个简单但完整的回测框架，把理论付诸实践。