1. 量化回测基础

1.1 量化回测的定义

量化回测（Quantitative Backtesting）是指利用历史市场数据，在模拟环境中执行交易策略，以评估其表现、风险特征和统计显著性的过程。它是量化策略开发中不可或缺的验证环节，通过将策略逻辑应用于过去的数据，回答一个核心问题：“如果我在过去按照这套规则交易，结果会怎样？”

一个完整的回测系统通常包含以下组件：

1.2 回测在策略开发中的核心作用

回测是量化策略开发的基石，它贯穿从想法到实盘的整个生命周期。没有回测，策略开发就如同盲人摸象，无法客观评估策略的有效性。

回测在策略开发中的核心作用体现在以下四个维度：

1. 验证策略有效性 — 检验策略逻辑在历史数据中是否具有统计显著的盈利能力，排除随机性带来的虚假信号。
2. 参数优化与选择 — 通过遍历参数空间，寻找最优参数组合，避免过拟合与欠拟合。
3. 风险暴露识别 — 量化最大回撤、波动率、尾部风险等指标，评估策略在不同市场环境下的稳健性。
4. 比较基准建立 — 与基准策略（如买入持有、同类策略）进行对比，判断超额收益的来源。

1.3 回测与实盘的区别

回测与实盘之间存在本质差异，理解这些差异是避免“回测是神，实盘是鬼”悲剧的关键。以下从多个维度进行对比：

为了量化回测与实盘的差距，业界常用回测-实盘衰减系数来估算：

# 回测-实盘衰减系数估算示例
backtest_sharpe = 2.5   # 回测夏普比率
live_sharpe = 1.2       # 实盘夏普比率
decay_ratio = (backtest_sharpe - live_sharpe) / backtest_sharpe
print(f"衰减系数: {decay_ratio:.2%}")  # 输出: 衰减系数: 52.00%

降低回测与实盘差距的核心手段包括：

• 保守化假设：在回测中主动增加滑点（如 2-3 个 tick）和手续费（上浮 20%-50%）。
• 样本外验证：严格区分训练集、验证集和测试集，避免数据泄露。
• 压力测试：使用极端行情数据（如 2015 年股灾、2020 年疫情崩盘）检验策略韧性。
• 模拟交易桥接：在回测与实盘之间设置模拟交易阶段，校准执行模型参数。