2. 回测基础
一、什么是回测：从“事后检验”到“可复现实验”
回测（Backtesting）是指在历史数据上模拟一套模型或策略的决策过程，并据此评估其表现的方法。它的本质不是“证明模型能赚钱”，而是回答一个更朴素的问题：如果过去按这套规则执行，会发生什么？在量化投资、信用评分、推荐系统、需求预测等场景中，回测都是模型从实验室走向生产环境前的关键关卡。
一个严谨的回测至少包含四个要素：历史数据、决策规则、执行假设和评估指标。缺少任何一项，回测结果都可能失真。例如，用未来数据训练模型再回测过去，会得到虚高的收益；忽略交易成本，会把高频策略的利润全部吃掉；只报告准确率而不看回撤，会掩盖模型在极端行情下的脆弱性。
二、历史演变：从手工验算到事件驱动引擎
回测并非伴随计算机诞生。早期交易员用纸笔和行情图手工复盘，逐笔核对买卖点，效率低且难以覆盖大量标的。20世纪70年代后，随着数据库和编程语言普及，向量化回测开始出现：把价格序列当作数组，用矩阵运算一次性计算信号和收益。这种方式速度快，但难以处理仓位变化、止损和资金约束。
90年代到2000年代，事件驱动回测框架逐渐成熟。它按时间顺序逐条推送行情事件，模拟订单、成交、持仓和资金曲线，更接近真实交易。与此同时，学术界提出了一系列偏差修正方法，如样本外测试、滚动窗口、多重检验校正等，回测从“跑一个数字”演变为一套方法论。
近年来，回测进一步与工程化结合：容器化环境、版本化数据、自动化报告、并行参数扫描成为标配。回测不再是一次性脚本，而是可复现、可审计、可协作的实验平台。
三、在模型开发中的定位：不是终点，而是过滤器
在完整的模型开发流程中，回测位于“模型训练与调参”之后、“实盘部署”之前。它承担三个角色：
- 过滤器：快速淘汰明显无效或过拟合的模型，避免浪费实盘资源。
- 诊断器：暴露模型在特定市场状态、时间段或标的上的弱点。
- 沟通工具：用统一的指标和图表，让策略研究员、风控和投资经理对模型表现形成共识。
需要强调的是，回测不是实盘的替代品。它无法模拟流动性枯竭、交易所故障、网络延迟等真实摩擦。因此，回测通过只是必要条件，而非充分条件。
四、方法流程：一个可落地的回测清单
下面给出一个通用的回测流程清单，适用于多数预测型或交易型模型：
| 阶段 | 关键动作 | 常见产出 |
|---|---|---|
| 1. 定义目标 | 明确预测目标、评估周期、约束条件 | 回测需求文档 |
| 2. 准备数据 | 清洗、对齐、划分训练/验证/测试集 | 数据版本与血缘记录 |
| 3. 设定假设 | 手续费、滑点、成交延迟、仓位限制 | 假设配置文件 |
| 4. 执行回测 | 按时间推进，记录信号、订单、持仓、盈亏 | 交易日志与资金曲线 |
| 5. 评估分析 | 计算收益、风险、稳定性指标 | 回测报告 |
| 6. 复盘迭代 | 归因分析，修正假设或模型 | 改进项列表 |
在工程实现上，一个最小回测循环可以用伪代码表示：
for t in timeline:
data = market_data[t]
signal = model.predict(data)
order = risk_manager.adjust(signal, position)
fill = broker.execute(order, data)
portfolio.update(fill)
recorder.log(t, signal, order, fill, portfolio)
report = analyzer.summarize(recorder)
这段代码的关键在于时间顺序：模型只能看到当前及之前的数据，订单必须经过风控和撮合，所有中间状态都被记录，以便事后审计。
五、案例场景：一个均线策略的回测复盘
假设我们开发一个简单的双均线策略：当短期均线上穿长期均线时买入，下穿时卖出。在回测中，如果不考虑交易成本，策略可能显示年化收益20%；加入单边0.1%手续费和0.05%滑点后，收益可能降至8%；如果再加入“信号出现后下一根K线开盘成交”的延迟假设，收益可能进一步降到5%。
这个案例说明：回测结果对假设极其敏感。很多看似有效的策略，在加入现实约束后优势消失。因此，回测报告必须同时展示基准假设和敏感性分析，而不是只给一个孤立的收益数字。
六、常见误区与复盘要点
- 未来函数：使用了当时无法获得的数据，如用收盘价决定开盘交易。
- 幸存者偏差：只回测当前仍存在的标的，忽略了已退市或违约的样本。
- 过拟合：在历史数据上反复调参，直到曲线完美，但样本外失效。
- 忽略容量：策略在小资金下有效，但资金规模扩大后冲击成本急剧上升。
- 只报收益不报风险：最大回撤、波动率、夏普比率、胜率、盈亏比应同时呈现。
复盘时，建议按“数据—假设—执行—评估”四个维度逐项核对，并把每次回测的配置、代码版本和结果归档。只有这样，回测才能真正成为模型开发中可信赖的过滤器，而不是自我安慰的数字游戏。