2. 量化回测基础
在进入 LEAN 引擎的具体编码之前，必须先建立一套关于“回测到底是什么”的共识。回测不是预测未来的水晶球，而是一次受控的历史实验：你给定策略规则、给定历史数据、给定撮合假设，让引擎按时间顺序重放市场，最后得到一条资金曲线。它的价值不在于“赚了多少”，而在于能否证伪一个想法。本节围绕基本概念、常见术语、绩效指标、过拟合与未来函数四条主线展开，为后续在 LEAN 中写第一行策略代码打下判断基础。
一、核心原理：回测是一次带假设的重放
任何回测系统都由四个要素构成：数据、时钟、撮合、账本。数据提供每个时间点的价格与成交量；时钟决定“现在能看到什么”，是回测区别于静态统计的关键；撮合把信号翻译成成交价与成交量；账本记录现金、持仓与权益。四者缺一不可，而绝大多数回测错误都源于时钟与撮合被悄悄放宽。
回测的基本流程可以概括为：
- 确定标的池与时间区间，明确数据频率（日线、分钟、Tick）。
- 定义信号规则：入场、出场、仓位、止损止盈。
- 设定撮合假设：手续费、滑点、成交价（开盘/收盘/均价）、成交量上限。
- 按时间推进，逐根 K 线或逐个 Tick 更新指标、生成订单、撮合成交。
- 记录权益曲线与每笔交易，计算绩效指标。
- 做稳健性检验：参数敏感性、样本外、不同市场阶段。
二、常见术语与绩效指标
回测报告里会出现大量术语，初学者容易被“高收益”迷惑。下面这张清单覆盖了最需要先掌握的指标及其含义与陷阱。
| 指标 | 含义 | 常见陷阱 |
|---|---|---|
| 总收益 / 年化收益 | 区间累计收益与折算到年度的收益 | 短区间年化会被放大，需看区间长度 |
| 最大回撤（MDD） | 权益从峰值到谷底的最大跌幅 | 只看幅度不看持续时间会低估痛苦 |
| 夏普比率 | 单位波动带来的超额收益 | 假设收益正态，对尾部风险不敏感 |
| 索提诺比率 | 只惩罚下行波动的夏普变体 | 样本少时不稳定 |
| 胜率 | 盈利交易占比 | 高胜率可能伴随极低盈亏比 |
| 盈亏比 | 平均盈利 / 平均亏损 | 需与胜率联合看期望值 |
| 换手率 / 交易次数 | 交易频率与资金周转 | 高频会放大手续费与滑点影响 |
| Alpha / Beta | 超额收益与市场暴露 | Beta 高时收益可能只是市场上涨 |
期望值公式是理解胜率与盈亏比关系的钥匙：
期望值 = 胜率 × 平均盈利 − (1 − 胜率) × 平均亏损
例：胜率 40%，平均盈利 300，平均亏损 100
期望值 = 0.4 × 300 − 0.6 × 100 = 120 − 60 = 60（每笔正期望）在 LEAN 中，回测结束后会输出统计报告，核心字段包括 TotalReturn、MaxDrawdown、SharpeRatio、WinRate、ProfitLossRatio 等。建议先看回撤与夏普，再看收益，最后看交易次数是否足够支撑统计显著性。
三、过拟合与未来函数：两个最致命的错误
过拟合指策略在历史数据上表现极好，但在新数据上迅速失效。典型症状是参数被调到小数点后多位、交易次数极少却收益极高、逻辑无法用一句话解释。过拟合的根源是在噪声上做优化。防范手段包括：保留样本外区间、做参数敏感性分析（参数微调不应导致绩效断崖）、限制参数数量、用滚动窗口验证。
未来函数指在决策时使用了当时还不可能知道的信息。它比过拟合更隐蔽，因为回测曲线会“漂亮得不真实”。常见形式有：用当日收盘价决定当日开盘买入、用整段数据的均值做标准化、用未来数据计算指标再回填。在 LEAN 中，OnData 每次只应访问当前及历史已到达的数据，任何对 Slice 未来值的引用都是危险信号。
四、案例与复盘：一次“完美策略”的崩塌
假设某策略在 2018–2020 年沪深 300 日线上回测，年化 45%，最大回撤 8%，夏普 2.8。看起来非常优秀。复盘时发现三个问题：
- 信号使用了当日收盘价，但下单价也设为当日收盘价，属于典型未来函数。
- 参数（均线周期、止损阈值）在 2018–2020 上反复优化，共尝试了 200 组组合。
- 交易次数仅 18 次，统计上不足以支撑结论。
修正后：信号在收盘后生成，次日开盘成交；参数只保留 3 组并做敏感性检验；扩展到 2015–2023 年。结果年化降至 12%，最大回撤 22%，夏普 0.9。这个结果虽然不惊艳，但更接近真实可交易水平。这个案例说明：回测的第一目标不是好看，而是可信。
五、方法流程：从想法到可信回测
把上述内容整合为可执行流程：
- 提出假设：用一句话描述策略逻辑，例如“趋势跟随在中期动量上有效”。
- 数据准备：确认频率、复权方式、停牌与退市处理。
- 实现策略：在 LEAN 中只使用当前及历史数据，明确下单时点。
- 设定成本：手续费、滑点、最小变动价位、成交量限制。
- 样本内回测：观察绩效与交易明细，检查是否有异常成交。
- 样本外与滚动验证：用未参与调参的数据检验。
- 敏感性分析：参数小幅变动，绩效不应剧烈变化。
- 记录与复盘：保存配置、日志与结论，形成可复现实验。
在 LEAN 中，回测配置通常通过 config.json 或启动参数指定，例如：
{
"algorithm-type-name": "MomentumStrategy",
"start-date": "2018-01-01",
"end-date": "2023-12-31",
"cash-amount": 100000,
"data-folder": "Data",
"resolution": "Daily"
}回测日志中应重点关注订单成交价与信号时点是否一致。若发现“信号在 10:00，成交价却是 09:30”，说明撮合假设与时钟不匹配，需要立即修正。
六、常见误区速查
- 把回测收益当作未来收益预期。
- 忽略手续费与滑点，尤其在高换手策略中。
- 用全样本统计量做标准化，造成未来函数。
- 参数越多越好，导致过拟合。
- 只看总收益，不看回撤、夏普与交易次数。
- 不做样本外验证，直接上线。
掌握这些基础后，后续在 LEAN 中编写策略时，你会更清楚每一个 API 调用背后对应的是“当时能看到什么”和“当时能成交什么”。这两点，决定了回测结果是否值得信任。