1. 回测标签概述
1.1 什么是回测标签
回测标签（Backtest Label）是在历史数据上为每一笔交易或每一个时间窗口赋予的“结果标记”，用于量化评估策略的预测效果与风险收益特征。标签是监督学习在量化回测中的核心载体——它将连续的市场行情转化为离散或连续的“正确答案”，使模型能够学习从特征到收益的映射关系。
核心定义：回测标签 = 在已知历史数据上，基于特定口径（如未来N日收益率、止盈止损触发状态、夏普比率区间）为样本点标注的“真实值”。
常见的回测标签类型包括：
| 标签类型 | 定义口径 | 典型取值 | 适用场景 |
|---|---|---|---|
| 二元分类标签 | 未来N日收益率是否超过阈值 | 1（上涨）/ 0（下跌或持平） | 方向性预测、择时信号 |
| 多分类标签 | 收益率区间或状态划分 | [-1, 0, 1] 或 [0,1,2,3] | 强弱分级、多空判断 |
| 连续回归标签 | 未来N日对数收益率 | 实数（如 0.023） | 收益预测、仓位优化 |
| 事件驱动标签 | 止盈/止损/持仓到期 | 0（未触发）/ 1（止盈）/ -1（止损） | CTA、趋势跟踪策略 |
1.2 标签在量化策略中的作用
标签在量化策略中承担三个核心职能：
- 监督学习的训练目标：模型通过最小化预测标签与真实标签之间的误差来学习市场规律。没有标签，监督学习无法启动。
- 策略绩效的评估基准：回测标签提供了“如果当时按此信号操作，结果如何”的客观度量，是夏普比率、最大回撤、胜率等指标的计算基础。
- 过拟合的检测工具：通过对比不同标签口径下的回测结果一致性，可以识别策略是否过度依赖特定标签定义（即“标签过拟合”）。
实践要点：标签口径的选择直接影响策略的“可泛化性”。例如，使用未来1日收益率作为标签，模型倾向于捕捉高频噪声；使用未来20日收益率，则更关注中期趋势。建议在策略开发初期同时测试3~5种标签口径，观察绩效稳定性。
1.3 标签与信号的区别
标签（Label）与信号（Signal）是量化策略中容易混淆但本质不同的两个概念。下表从多个维度进行对比：
| 对比维度 | 回测标签 | 交易信号 |
|---|---|---|
| 时间属性 | 基于未来数据生成（事后已知） | 基于当前数据生成（实时可用） |
| 用途 | 训练模型、评估策略 | 执行交易、指导操作 |
| 数据依赖 | 需要完整历史数据（含未来） | 仅依赖当前及历史数据 |
| 更新频率 | 回测阶段一次性生成 | 每个交易周期实时更新 |
| 容错性 | 允许事后修正（标签校准） | 必须即时准确，错误直接导致亏损 |
| 典型形式 | 未来收益率、分类状态 | 买入/卖出/持仓指令 |
常见误区：初学者容易将回测标签直接当作交易信号使用，导致“未来函数”问题。例如，用未来N日收益率作为标签训练模型后，在实盘中将模型输出直接当作“未来N日必涨”的信号——这是严重的逻辑错误。模型输出的是预测值，而非真实标签。
1.4 标签口径校准的重要性
标签口径（Label Caliber）是指标签生成时所采用的具体参数和规则。同一份行情数据，使用不同的口径会得到截然不同的标签分布，进而影响模型训练效果和回测绩效。常见的口径参数包括：
- 预测窗口长度：未来1日、5日、20日还是60日？
- 阈值设定：收益率超过多少算“上涨”？1%、2%还是5%？
- 平滑处理：是否对收益率进行移动平均或指数平滑？
- 样本筛选：是否剔除低流动性时段或异常波动样本？