2. 回测基础
在讨论幸存者偏差与 Point-in-Time（PIT）数据之前，必须先建立对“回测”本身的共同语言。很多策略失效并非因为模型不聪明，而是因为回测从一开始就问错了问题、用错了数据、读错了结果。本节把回测拆解为定义、类型、流程与误区四个层次，为后续 PIT 实战打下地基。
一、回测的定义：不是预测未来，而是检验规则
回测（Backtesting）是指把一套明确的交易规则，放到历史市场数据上模拟执行，从而评估其收益、风险和稳定性的过程。它的核心价值不在于“证明策略能赚钱”，而在于回答三个问题：
- 规则是否可执行：信号是否明确、下单时点是否可落地、仓位与资金约束是否自洽。
- 收益是否真实：在扣除交易成本、滑点和冲击成本后，是否仍有正期望。
- 风险是否可控：最大回撤、波动率、尾部损失是否在可承受范围内。
回测的本质是“历史情景下的规则压力测试”，而不是“未来收益的证明”。任何回测结论都只是条件性证据：在给定数据、假设和执行模型下成立。
二、回测的类型：从向量化到事件驱动
不同研究阶段适合不同回测方式。常见类型可按“执行粒度”和“数据使用方式”划分：
| 类型 | 核心特征 | 适用场景 | 主要风险 |
|---|---|---|---|
| 向量化回测 | 用矩阵/数组一次性计算全期信号与收益 | 因子筛选、快速原型、横截面策略 | 易忽略交易成本、时序细节和路径依赖 |
| 事件驱动回测 | 按时间逐笔推进，模拟订单、成交与持仓 | 高频、日内、复杂订单逻辑 | 实现复杂、计算量大、易过拟合执行细节 |
| 组合回测 | 在多资产上同时分配资金并再平衡 | 资产配置、多因子组合 | 再平衡假设、权重漂移与容量问题 |
| Walk-Forward 回测 | 滚动训练窗口 + 样本外测试窗口 | 参数稳定性检验、策略衰减分析 | 窗口选择敏感、计算成本高 |
选择类型时，应遵循“先粗后细”的原则：先用向量化快速排除明显无效的规则，再用事件驱动验证执行可行性，最后用 Walk-Forward 检验参数稳健性。
三、回测的标准流程：七步闭环
一个可复现的回测流程通常包含以下步骤：
- 定义假设：明确策略逻辑、标的池、调仓频率、持有周期和风控规则。
- 准备数据：获取价格、成交量、财务、成分股等数据，并做 PIT 对齐与缺失值处理。
- 生成信号：把假设转化为可计算的因子或规则，避免使用未来信息。
- 模拟执行：按时间推进，处理下单、成交、成本和仓位约束。
- 计算绩效：输出收益、回撤、夏普、换手率、胜率等指标。
- 稳健性检验：做参数敏感性、样本外测试、子区间分析和压力测试。
- 归因与复盘：拆解收益来源，识别偏差与失效条件，形成迭代结论。
# 一个最小回测循环的伪代码结构
for t in trading_days:
data_t = get_pit_data(t) # 只使用 t 时刻可见的数据
signal = strategy(data_t) # 生成信号
orders = size_positions(signal) # 仓位与风控
fills = execute(orders, t+1) # 下一期成交，避免前视
portfolio.update(fills, costs) # 更新持仓与成本
metrics = evaluate(portfolio)
流程中最容易被跳过的是第 2 步和第 6 步。数据对齐决定回测是否“干净”，稳健性检验决定结论是否“可信”。两者缺一，回测就只是曲线拟合。
四、常见误区：回测中最危险的五个陷阱
回测结果漂亮但实盘亏损，通常不是运气问题，而是以下误区在起作用：
- 前视偏差（Look-ahead Bias）：使用了当时尚不可得的数据，例如用年报发布前的财务数据、用当日收盘价决定当日开盘交易。
- 幸存者偏差（Survivorship Bias）：标的池只包含当前仍存续的股票，退市、被并购或破产的样本被系统性剔除。
- 过拟合（Overfitting）：反复调参直到历史曲线完美，导致样本外迅速失效。
- 成本与容量忽视：忽略佣金、印花税、滑点、冲击成本，或假设无限流动性。
- 数据窥探（Data Snooping）：在同一份数据上尝试大量策略，只报告表现最好的一个。
最隐蔽的组合是“幸存者偏差 + 前视偏差”：标的池只含存活股票，财务数据又按最新修订值回填。两者叠加会让回测收益被系统性高估，且很难通过简单调参发现。
五、案例场景：同一策略的两种回测结果
假设某策略每月买入“过去 20 日涨幅前 10%”的股票。若使用当前成分股列表回测，年化收益可能显示 18%；但若使用历史 PIT 成分股，并剔除退市样本，年化可能降至 9%。差异主要来自：
- 退市股票在下跌前往往曾进入涨幅榜，被幸存者偏差剔除后，亏损样本消失。
- 财务因子若使用修订后数据，等于提前知道了未来修正，虚增了信号质量。
- 未计入调仓成本时，高换手策略的收益被进一步高估。
这个案例说明：回测的差距往往不在模型，而在数据边界与执行假设。PIT 数据的作用，正是把“当时真正能看到的信息”还原到回测中。
六、复盘清单：提交回测前的自检
在把回测结果交给团队或用于实盘之前，建议逐项核对：
- 标的池是否按历史时点构建，是否包含退市与停牌样本？
- 所有因子是否只使用决策时点之前已发布的数据？
- 成交价格是否使用下一期可成交价，而非信号当日收盘价？
- 是否计入佣金、税费、滑点和最小交易单位？
- 参数是否在样本外或滚动窗口中验证过稳定性？
- 收益归因是否拆分了市场、行业、风格和选股贡献？
- 是否报告了最大回撤、换手率和容量约束下的表现？
回测基础打得越扎实，后续引入 PIT 数据和幸存者偏差修正时，越能看清哪些收益是真实的、哪些只是数据幻觉。把回测当作一门“证伪”的工程，而不是“证明”的表演，才是长期研究中最可靠的起点。