如何回测交易策略——分步指南

第 1 步：精确定义策略规则

在接触任何数据之前，先用毫不含糊的语言写出策略规则。像“股票看起来超卖时买入”这样模糊的规则是无法回测的。你需要：

• 入场条件：具体是哪些指标数值、价格关系或事件触发买入或做空信号
• 出场条件：什么会让仓位平掉——反向信号、固定止盈目标、止损，或时间限制
• 仓位规模：每笔交易分配多少资金（权益百分比、固定美元金额、凯利公式）
• 标的范围：策略适用于哪些资产
• 执行时机：开盘、收盘，或在特定价格挂限价单

规则定义得越精确，实现过程中可能引入偏差的模糊空间就越小。

第 2 步：获取并清洗数据

历史数据的质量是可靠回测的基础。常见问题包括：

• 公司行为：拆股和分红会扭曲原始价格序列。计算收益率时始终使用复权收盘价。但要小心——复权价格是追溯重新计算的，如果处理不当，可能会引入不易察觉的前视偏差（look-ahead bias）。
• 幸存者偏差：免费数据源通常只包含当前仍在交易的股票。已退市、被合并或破产的公司被排除在外，让过去看起来好得不真实。要避免这一点，应使用包含历史成分股及退市数据的数据集。
• 数据缺口与异常值：检查缺失的 K 线、成交量为零的交易日，以及很可能是数据错误的极端价格尖峰。一个损坏的数据点就可能产生一笔虚假交易，并主导整个结果。

第 3 步：在没有前视偏差的前提下实现策略

前视偏差——用未来的信息做过去的决策——是回测中最常见、危害也最大的错误。黄金法则：在第 t 根 K 线上，你的策略只能使用在第 t 根 K 线及之前可获得的信息。

实用检查：如果你在第 t 根 K 线上计算 20 日 SMA，它应该使用第 t-19 到第 t 根 K 线——而不是 t 之后的任何一根。如果你在信号出现后于第 t 根 K 线收盘时入场，可以使用第 t 根 K 线的收盘价，但前提是你确实能以这个价格成交。实际操作中，在第 t+1 根 K 线开盘时入场更为稳妥。

第 4 步：真实地模拟交易成本

在扣除成本前看起来盈利的策略，扣除成本后往往变得无利可图。需要纳入：

• 佣金：即使是“零佣金”平台也有成本——对流动性好的美股，以每边 0.01–0.05% 作为基准
• 买卖价差：你以卖价（ask）买入、以买价（bid）卖出；价差是每次往返交易都必然发生的成本
• 滑点：从信号生成到成交之间，市场会朝不利于你的方向移动；根据资产流动性，按每笔交易 0.05–0.20% 建模
• 做空的借券成本：卖空需要借入股票，这会产生按年计算的费用（难借的股票每年成本可达 10–50%）

第 5 步：进行样本外验证

绝不要在同一份数据上既优化参数又评估表现。标准做法是：把历史数据分成两段。前 70–80% 用于开发和参数优化。最后 20–30% 留作严格的保留测试集（hold-out）——在策略最终定型之前不要碰它。样本外表现才是你对真实结果的诚实估计。

如需更稳健的验证，请使用滚动前推分析：让优化窗口随时间向前滚动，为每个时期生成样本外结果。这检验的是优化过程本身是否一致，而不只是某组幸运的参数是否碰巧有效。

第 6 步：正确解读结果

拿到回测结果后，要以批判的眼光评估它们：

• 与买入并持有比较：如果标的资产本身收益为 15%，那么年化收益 10% 的策略就很差
• 查看逐年表现：整体夏普比率很高，可能掩盖了一个只在某个特定时期有效的策略
• 审视最严重的回撤期：从心理上讲，你能扛过那段时期继续持有吗？
• 测试参数稳健性：策略在相近的参数（±10%）下是否依然有效，还是表现对精确数值极其敏感？

回测工具

回测工具链很重要。使用 pandas、backtrader 或 vectorbt 的 Python 是最灵活的选择，能让你完全掌控——但需要编程能力。TradingView 的 Pine Script 提供带内置策略测试器的可视化界面。QuantConnect 提供机构级的基础设施和丰富的数据。

如果想不写代码快速做原型，QuantPrompt 让你用自然语言描述策略，并立即获得完整的回测报告。这在策略开发的早期阶段尤其有用——在投入时间做完整实现之前，你可以快速测试许多想法。