什么是回测？完整指南

核心思想

交易策略就是一套规则。条件 A 成立时买入。B 发生时卖出。按规则 C 确定仓位大小。回测把这些规则应用到一个历史数据集上——一段来自过去的价格、成交量和其他市场数据序列——并模拟如果你在那段时期严格遵循这些规则会发生什么。

结果是一份模拟的业绩记录：一系列带有入场价、出场价和持仓时长的假设交易。由此你可以计算总收益、夏普比率、最大回撤和胜率等绩效指标。这些指标帮助你在冒真实资金风险之前，判断这个策略是否有价值。

关键词是模拟。回测不是交易，而是交易的模型。模拟的质量取决于历史数据的质量、交易成本假设的真实程度，以及是否存在制造虚假优势的编码错误。

为什么回测很重要

没有回测，要在部署前评估一个策略，要么靠实盘交易（代价高昂——你在用真实资金交学费），要么靠主观看图（“这个形态看起来通常有效”）。两者都不严谨。

回测可以让你：

• 了解策略在不同市场状态下的表现
• 估计预期回撤，以便规划仓位大小，并为亏损期的心理现实做好准备
• 客观比较相互竞争的策略变体
• 识别参数敏感性——策略只在某个特定参数值下有效，还是在一个范围内都有效？
• 在逻辑错误造成损失之前发现它们

机构量化基金在配置资金之前，会花数月时间对策略进行回测和压力测试。跳过这一步的散户交易者处于系统性劣势。

回测如何运作

回测的机制遵循以下顺序：

1. 加载历史数据。测试期内各资产的 OHLCV（开盘价、最高价、最低价、收盘价、成交量）K线。
2. 计算指标。计算各种衍生信号——移动平均线、RSI、成交量均值——在每个时间点只使用当时可得的数据（不前视）。
3. 生成信号。在每根K线上判断入场或出场条件是否满足。
4. 模拟执行。信号触发时，以符合实际的价格记录入场（通常是下一根K线的开盘价，或收盘价加滑点模型），并扣除佣金。
5. 跟踪组合状态。在每根K线上维护现金余额和持仓价值。
6. 计算绩效指标。最后把所有交易汇总成统计摘要。

关键局限：前视偏差

当你的回测使用了在做出交易决策时本不可能获得的信息时，就会产生前视偏差。这是回测看起来很好、实盘却失败的最常见原因。

前视偏差的常见来源：

• 用今天的收盘价生成信号，然后以今天的收盘价执行（你不可能同时做到这两件事）
• 使用拆股复权或分红复权的历史价格，却不考虑这些调整在何时才会被知晓
• 先在整个数据集上计算指标，再逐根遍历K线（第 100 根K线上的指标值包含了第 101–500 根K线的数据）
• 对基本面数据（盈利、分析师预期修正）使用提交备案日期，而不是公告日期

过拟合：更隐蔽的问题

即使回测实现得完全正确，过拟合——也称曲线拟合（curve-fitting）——仍然是一个重大风险。如果你在同一数据集上测试足够多的参数组合，其中一些纯粹出于偶然就会产生出色的结果。危险在于把这种随机拟合误认为真正的优势。

标准的解决办法是样本外（out-of-sample）测试：把历史数据分成训练期（用于优化参数）和测试期（在策略最终确定之前完全不碰）。只有测试期的结果才可信。如果两个时期的表现相近，说明策略具有泛化能力，可能是稳健的。如果样本外时期表现大幅落后，说明策略对训练数据过拟合了。

需要评估的关键指标

回测报告的不应只有总收益。最重要的指标有：

• CAGR（复合年增长率）：年化收益——在不同长度的时期之间比总收益更有意义
• 夏普比率：CAGR 除以年化波动率——衡量风险调整后收益
• 最大回撤：期间从峰值到谷底的最大亏损——决定你在心理上能否现实地承受这个策略
• 卡玛比率（Calmar Ratio）：CAGR / 最大回撤——便于比较不同策略的回撤效率
• 胜率和盈利因子：交易盈利的频率，以及盈利交易能否压过亏损交易

如何开始

传统回测需要编程知识——用 Python 搭配 pandas 和 backtrader，或在 TradingView 中使用 Pine Script。但 AI 驱动的工具改变了这一点。QuantPrompt 让你用日常语言描述策略，无需编写代码即可运行完整的历史回测。这大大降低了系统化测试的门槛，让懂市场但不是软件工程师的交易者也能使用。

无论使用哪种工具，纪律都比平台更重要：使用足够的历史数据，进行样本外测试，真实地建模交易成本，并且在断定一个策略具有真正优势之前，始终把结果与买入并持有（buy-and-hold）基准进行比较。