1. 量化回测概述
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，在模拟环境中运行量化交易策略，以评估其历史表现、风险特征和稳健性的过程。它是量化投资体系中的核心验证环节，连接着策略构思与实盘交易。
核心公式： 回测 = 历史数据 × 交易规则 × 模拟执行 → 绩效指标
一个完整的回测系统通常包含以下要素：
- 历史数据源： 价格、成交量、财务指标、因子数据等
- 策略逻辑： 入场/出场规则、仓位管理、过滤条件
- 模拟执行引擎： 撮合逻辑、滑点模型、手续费计算
- 绩效评估模块： 收益率、夏普比率、最大回撤、胜率等
1.2 回测的重要性
在量化交易中，回测具有不可替代的地位，主要体现在以下四个维度：
| 维度 | 具体作用 | 典型问题 |
|---|---|---|
| 策略验证 | 检验策略逻辑在历史行情中是否有效 | 策略是否具有统计显著性？ |
| 参数优化 | 寻找最优参数组合，避免过拟合 | 参数是否在样本外仍然有效？ |
| 风险暴露 | 识别极端行情下的最大亏损幅度 | 最大回撤是否在可接受范围内？ |
| 成本评估 | 量化交易成本对净收益的影响 | 滑点和手续费是否吞噬了利润？ |
行业共识： 超过 90% 的量化策略在严谨回测后会被淘汰。回测不是用来证明策略有效，而是用来发现策略的缺陷。
1.3 回测与实盘的区别
回测与实盘之间存在本质差异，理解这些差异是进行标签口径校准的前提。以下从六个关键维度进行对比：
| 对比维度 | 回测环境 | 实盘环境 | 差异影响 |
|---|---|---|---|
| 数据质量 | 历史数据已固定，可能存在幸存者偏差 | 实时数据流，存在延迟、断点、错误 | 回测高估收益，低估风险 |
| 成交逻辑 | 理想化撮合，通常假设市价单立即成交 | 订单簿深度、流动性、排队机制 | 回测忽略滑点和部分成交 |
| 交易成本 | 固定费率或简单模型 | 动态费率、冲击成本、过夜费 | 回测低估实际交易成本 |
| 市场冲击 | 假设交易不影响价格 | 大单会推动价格向不利方向移动 | 回测高估大资金策略收益 |
| 心理因素 | 完全理性，无情绪干扰 | 恐惧、贪婪、犹豫、纪律性 | 回测无法模拟人性弱点 |
| 黑天鹅事件 | 历史数据中已包含，但样本有限 | 未来不可预知的极端行情 | 回测无法覆盖未发生过的风险 |
回测与实盘之间的差距，通常被称为「回测偏差」。量化回测标签口径校准的核心目标，就是通过系统化的方法缩小这一差距，使回测结果更贴近实盘表现。
常见误区： 许多初学者认为回测收益高就等于策略好。实际上，未经标签口径校准的回测结果，往往存在 30%-50% 甚至更高的虚高成分。本课程后续章节将逐一拆解这些偏差来源。
1.4 标签口径校准的定位
标签口径校准（Label Calibration）是回测流程中容易被忽视但至关重要的环节。它指的是对回测中使用的数据标签、事件标签、信号标签进行标准化和偏差修正的过程。
常见的标签口径问题包括：
- 时间戳对齐： 不同数据源的时间精度不一致（日频 vs 分钟频）
- 复权处理： 前复权、后复权、不复权对回测结果的影响
- 信号延迟： 信号生成时间与交易执行时间之间的滞后
- 分类口径： 多头/空头信号的定义边界是否清晰
课程核心主张： 没有经过标签口径校准的回测，本质上是一种「数据幻觉」。本课程将用 Python 代码逐一演示如何识别、量化并修正这些口径偏差。