回测基础：回测的基本流程、数据准备、策略参数与绩效指标
回测是量化策略开发的核心验证环节，其本质是在历史数据上模拟策略的交易逻辑，以评估策略的潜在表现。然而，回测并非简单的“跑一遍历史数据”，而是一个涉及数据工程、参数设定、绩效评估与偏差控制的系统性工程。理解回测的基本流程、数据准备要点、参数含义以及绩效指标的适用边界，是识别和修正回测偏差的前提。本章将围绕这四个核心模块展开，为后续深入剖析各类偏差打下坚实基础。
2.1 回测的基本流程：从假设到结论的闭环
回测流程看似简单，但每一步都隐藏着偏差的种子。一个严谨的回测流程应当包含以下五个环节：策略假设定义、数据准备与清洗、回测引擎执行、绩效评估与诊断、参数优化与稳健性检验。这五个环节构成一个闭环，任何一步的疏忽都可能导致回测结果失真。
核心原理：流程的严谨性决定结果的可靠性
回测的核心原理是“用历史模拟未来”。但历史数据是有限的、不完整的，且市场结构会随时间变化。因此，回测流程必须设计为能够最小化历史数据与未来现实之间的差距。这要求流程中每一步都有明确的规则和记录，确保可复现性。
操作流程：五步闭环法
- 策略假设定义：明确策略的交易逻辑（如均线金叉）、目标市场（如沪深300成分股）、交易频率（日线/分钟线）以及资金管理规则。此阶段需形成书面文档，避免后续随意修改。
- 数据准备与清洗：获取原始数据后，需进行缺失值处理（如前向填充）、异常值剔除（如涨跌停导致的极端价格）、复权处理（前复权/后复权）以及时间戳对齐（不同数据源时区统一）。
- 回测引擎执行：选择回测平台或自研引擎，设定撮合规则（如按收盘价成交、按次日开盘价成交）、交易成本（佣金、印花税、滑点）以及资金约束（如最大持仓数量）。
- 绩效评估与诊断：计算收益、风险、回撤等指标，并生成净值曲线、回撤曲线、月度收益分布等图表。重点观察策略在极端市场（如2015年股灾、2020年疫情）下的表现。
- 参数优化与稳健性检验：在参数空间内进行优化（如均线周期从5到60），但需警惕过拟合。通过样本内外测试、滚动窗口测试、蒙特卡洛模拟等方法检验参数的稳健性。
案例拆解：一个简单的双均线策略回测
假设我们要回测一个“双均线金叉死叉”策略（5日均线上穿20日均线买入，下穿卖出），标的为沪深300ETF（510300），时间区间为2018-2022年。
- 初始现象：初步回测显示年化收益率为25%，夏普比率1.8，最大回撤仅8%。结果过于完美，引发怀疑。
- 分析判断：检查数据后发现，使用了后复权价格，但未考虑分红除权对价格的影响，导致买入卖出价格失真。同时，交易成本仅设置了万2.5佣金，未包含滑点。
- 实际操作：改用前复权数据，并将交易成本调整为佣金万2.5 + 滑点0.1% + 印花税0.1%（卖出）。重新回测后，年化收益率降至12%，最大回撤扩大至15%。
- 结果对比：修正后的结果更接近实盘预期。复盘发现，初始回测的“完美表现”主要源于数据复权错误和成本低估。
2.2 数据准备：回测的基石
数据是回测的输入，其质量直接决定了回测结果的可靠性。数据准备不仅仅是“下载数据”，而是涉及数据源选择、清洗、对齐、复权等多个环节。
核心原理：垃圾进，垃圾出
如果输入数据存在幸存者偏差（只保留当前存续的股票）、前视偏差（使用了未来信息）或错误数据（如错误的价格、成交量），那么无论策略逻辑多优秀，回测结果都不可信。数据准备的目标是构建一个“无偏、完整、一致”的历史数据集。
数据准备的关键步骤
| 步骤 | 内容 | 常见偏差来源 | 修正方法 |
|---|---|---|---|
| 数据源选择 | 交易所官方、第三方（Wind、Choice、聚宽） | 不同数据源价格不一致 | 交叉验证，优先使用交易所原始数据 |
| 复权处理 | 前复权、后复权、不复权 | 除权除息导致价格跳空 | 使用前复权数据，并保留复权因子 |
| 缺失值处理 | 停牌、无交易、数据缺失 | 前向填充导致未来信息泄漏 | 停牌期间不交易，缺失值标记并跳过 |
| 异常值处理 | 涨跌停、极端价格、成交量异常 | 异常值影响均线计算 | 剔除或替换为前值，但需记录 |
| 时间对齐 | 不同市场时区、交易时段 | 时间戳错位导致信号滞后 | 统一使用交易所本地时间，对齐到分钟 |
实战场景：处理停牌数据
在A股市场，停牌是常见现象。若某股票停牌期间，策略信号触发买入，但实际无法成交。若回测引擎未处理停牌，会默认以停牌前收盘价成交，导致回测收益虚高。正确处理方式是：在停牌期间，策略不产生交易信号，或信号延迟至复牌日执行。
2.3 策略参数：灵活性与过拟合的平衡
策略参数是策略逻辑中的可调变量，如均线周期、RSI阈值、止损比例等。参数的选择直接影响策略表现，但过度优化参数会导致过拟合。
核心原理：参数空间与过拟合
参数空间是所有可能参数组合的集合。参数优化是在该空间中寻找“最优”组合，但历史数据中的最优参数往往是对历史噪声的拟合，而非对未来规律的捕捉。过拟合的策略在样本内表现优异，在样本外（未来）表现糟糕。
参数分类与优化方法
- 参数分类：
- 逻辑参数：决定策略核心逻辑，如均线周期、突破阈值。
- 风控参数：控制风险，如止损比例、仓位上限。
- 执行参数：影响交易执行，如滑点假设、成交价类型。
- 优化方法：
- 网格搜索：遍历所有参数组合，简单但计算量大。
- 遗传算法：模拟自然选择，适合高维参数空间。
- 贝叶斯优化：利用先验知识，高效搜索最优参数。
案例拆解：均线周期的过拟合陷阱
某策略使用“单均线”规则（价格上穿N日均线买入，下穿卖出）。在2015-2020年数据上，对N从5到60进行网格搜索，发现N=23时夏普比率最高（2.1）。但将N=23应用于2021-2023年数据，夏普比率骤降至0.8。而N=20在样本外表现更稳定（夏普1.2）。
分析判断：N=23在样本内的高夏普是过拟合的结果，它捕捉了特定时期的噪声。N=20更接近市场的中期趋势周期，具有更好的泛化能力。
修正方法：采用“参数平原”思想，选择参数空间中表现稳定且相邻参数表现相近的区域，而非单一峰值点。
2.4 绩效指标：全面评估策略表现
绩效指标是衡量策略优劣的标尺，但单一指标往往具有误导性。需要从收益、风险、风险调整后收益、交易特征等多个维度综合评估。
核心原理：收益与风险的匹配
高收益必然伴随高风险。绩效评估的核心是判断策略的风险调整后收益是否具有吸引力，以及风险特征是否符合投资者的风险偏好。
关键绩效指标对比表
| 指标类别 | 指标名称 | 计算公式/含义 | 适用场景 | 局限性 |
|---|---|---|---|---|
| 收益指标 | 年化收益率 | 几何平均年化收益 | 衡量长期增长能力 | 未考虑风险 |
| 收益指标 | 累计收益率 | 期末净值/期初净值 - 1 | 直观展示总回报 | 受回测区间影响大 |
| 风险指标 | 最大回撤 | 净值峰值到谷值的最大跌幅 | 衡量极端损失 | 未反映回撤持续时间 |
| 风险指标 | 年化波动率 | 收益率的标准差 | 衡量收益稳定性 | 对异常值敏感 |
| 风险调整后收益 | 夏普比率 | (策略收益 - 无风险利率) / 波动率 | 衡量单位风险超额收益 | 假设收益正态分布 |
| 风险调整后收益 | 卡玛比率 | 年化收益 / 最大回撤 | 衡量回撤控制能力 | 对回撤计算敏感 |
| 交易特征 | 胜率 | 盈利交易次数 / 总交易次数 | 衡量交易准确性 | 未考虑盈亏比 |
| 交易特征 | 盈亏比 | 平均盈利 / 平均亏损 | 衡量盈利质量 | 未考虑交易频率 |
实战场景：多指标综合评估
假设策略A年化收益20%，最大回撤25%；策略B年化收益15%，最大回撤8%。仅看收益，A更优；但结合回撤，B的卡玛比率（1.875）远高于A（0.8），表明B的风险控制能力更强。对于风险厌恶型投资者，B更合适。
2.5 常见误区与总结复盘
在回测基础阶段，常见的误区包括：忽视数据质量、过度依赖单一绩效指标、参数优化无节制、忽略交易成本、未进行样本外测试。这些误区是回测偏差的主要来源。
误区清单与修正策略
- 误区1：数据未复权 → 修正：使用前复权数据，并检查复权因子的连续性。
- 误区2：只看年化收益 → 修正：结合最大回撤、夏普比率、卡玛比率综合评估。
- 误区3：参数优化追求极致 → 修正：采用参数平原思想，选择稳健参数区间。
- 误区4：成本设置过低 → 修正：包含佣金、滑点、印花税、冲击成本。
- 误区5：未做样本外测试 → 修正：将数据分为训练集和测试集，或使用滚动窗口测试。