1. 回测基础概念

1.1 什么是量化回测

量化回测（Quantitative Backtesting）是指利用历史数据，按照预设的交易策略规则，模拟执行交易并计算绩效的过程。它是量化策略开发中不可或缺的验证环节，其核心逻辑可概括为：

回测的本质是用已知数据检验未知策略，帮助开发者判断策略是否具备统计意义上的盈利能力和稳定性。一个完整的回测系统至少包含数据加载、信号生成、交易执行、绩效计算四个模块。

1.2 回测与实盘的核心区别

回测环境与实盘交易之间存在显著差异，理解这些差异是避免“回测曲线漂亮、实盘亏损严重”的关键。下表从六个维度进行对比：

1.3 回测的核心三要素

任何量化回测系统都离不开三个基本要素：数据、策略、绩效。三者缺一不可，且相互制约。

1.3.1 数据——回测的基石

数据质量直接决定回测结果的可靠性。常见的数据类型包括：

• 行情数据：开盘价、收盘价、最高价、最低价、成交量、成交额（OHLCV）
• 基本面数据：财务报表、估值指标、宏观经济指标
• 另类数据：舆情数据、卫星图像、供应链数据

数据清洗与对齐是回测前最重要的准备工作，常见问题包括：

• 幸存者偏差：只包含当前存活的股票，忽略已退市的标的
• 前视偏差：使用了未来数据（如用当天的收盘价计算当天的信号）
• 时间戳对齐：不同数据源的时间精度不一致，导致信号错位

# 数据对齐示例：避免前视偏差
import pandas as pd

# 错误做法：使用当天收盘价计算当天信号（前视偏差）
df['signal'] = (df['close'] > df['close'].shift(1)).astype(int)

# 正确做法：使用前一天收盘价计算当天信号
df['signal'] = (df['close'].shift(1) > df['close'].shift(2)).astype(int)

1.3.2 策略——回测的灵魂

策略是交易规则的集合，通常包含以下组成部分：

1. 信号生成规则：基于技术指标、统计模型或机器学习模型产生买卖信号
2. 仓位管理规则：每次交易的头寸规模（固定手数、百分比、凯利公式等）
3. 风控规则：止损、止盈、最大回撤限制、杠杆控制
4. 过滤条件：交易时间、市场状态（趋势/震荡）、流动性筛选

1.3.3 绩效——回测的裁判

绩效评估不是只看收益率，而是一个多维度的评价体系。核心指标包括：

1.4 回测系统的架构概览

一个工业级的回测系统通常采用模块化架构，各组件职责清晰、可独立替换。下图展示了一个典型的回测系统软件架构：