回测的美丽与陷阱：历史很美，实盘很骨感
上一章我们认识了几种量化策略。这一章要专门处理一个你会反复遇到的场景：有人拿着一条漂亮的收益曲线，告诉你"这个策略过去 5 年年化收益 30%，最大回撤只有 8%"——你该相信吗？该问什么问题？
回测是量化投资里最有用、也最容易被滥用的工具。懂了回测的原理，你就掌握了一把"照妖镜"：能看穿一大半那些"历史表现完美"的宣传材料背后的水分，也能在自己研究量化策略时避开根本性的错误。这一章是全书关于"历史数据 ≠ 未来表现"的总论性防火墙。
回测是什么？它有什么用？
基本概念
回测（Backtesting）：用历史数据"模拟"某个交易策略在过去一段时间内的运行情况，评估它的可行性。
想象你设计了一套买卖规则："当沪深 300 指数的 PE 低于 11 倍时分批买入，高于 18 倍时分批卖出"——你想知道这套规则过去 10 年的效果。回测就是把这套规则"放进历史数据"里跑一遍，看看如果你从 2014 年就开始用这个规则，账户曲线会是什么样的。
回测能告诉你什么
一次设计良好的回测可以提供：
- 盈亏记录：历史上每笔交易的盈亏
- 最大回撤（Max Drawdown, MDD）：历史上最惨的连续下跌幅度
- 年化收益率：复利年化收益水平
- 夏普比率：单位风险下的超额收益（详见第七章）
- 胜率与盈亏比：盈利交易的比例，以及平均盈利与平均亏损的比值
- 不同市场环境下的表现：牛市、熊市、震荡市各自表现如何
这些数字帮助你在"上真实资金"之前，对策略的大致特征有个认识。对于个人投资者来说，回测是一种"低成本试错"——用历史数据犯错，总比用真钱犯错要便宜。
回测不能告诉你什么
回测最根本的局限：它在历史数据上运行，但你要用的是未来数据。这是一道逻辑上无法跨越的鸿沟。
"你不可能通过看后视镜开车。"——回测描述的是车已经开过的路，不是前方的路。
回测不能告诉你： - 策略未来会不会继续有效 - 市场结构会不会变化、让规律失效 - 实盘中各种"摩擦"会不会吞噬掉回测里的利润
下面我们把这些"不能告诉你"的部分，逐一拆解清楚。
四大陷阱：让回测曲线"虚假完美"
陷阱一：过拟合（Overfitting）
直白解释：通过不断调整参数，让策略在历史数据上表现"完美"，但它实际上只是记住了历史数据的"噪音"，而不是学到了可重复的规律。
生活类比：想象你观察了过去 10 年的天气，发现"每年 3 月第二周周三下雨时，股市第二天涨"——这个"规律"在历史数据上可能非常精准，但它只是巧合，未来不会重演。
在策略研究中的常见形式：
研究者把 20 日均线改成 21 日、22 日……一直试到哪个数字历史表现最好，就用哪个。参数调来调去，最终策略的逻辑是"在历史数据上拟合出来的"，而不是来自合理的市场逻辑。
如何识别过拟合：
| 红旗信号 | 为什么是问题 |
|---|---|
| 策略参数极多，逻辑复杂 | 参数越多，越容易"恰好"拟合历史 |
| 参数稍变（如 20 日→21 日均线），回测结果大幅恶化 | 说明结果对参数极度敏感，缺乏稳健性 |
| 策略缺乏合理的经济逻辑 | 只是数据拟合，没有"为什么有效"的解释 |
| 回测收益率异常高、最大回撤异常小 | 完美才是最危险的信号 |
对策：
- 策略逻辑越简单越好（奥卡姆剃刀原则：在能解释现象的前提下，选最简单的）
- 用"样本外测试"验证（见第三节）
- 参数调整时测试一个合理范围，而不是找最优值
一个好策略，把参数从 20 改到 21、25，结果应该差不多。如果结果对参数极其敏感，说明你找到的是一个历史偶然，而不是一个稳健的规律。
陷阱二：幸存者偏差（Survivorship Bias）
直白解释：你的历史数据库里，只有那些"活下来"的资产——那些已经退市、被 ST 摘牌、因财务造假被强制退市的公司，早就不在数据库里了。你只看到了幸运儿，没看到失败者，结果高估了策略的真实表现。
生活类比：你想研究"哪些投资决策能让人发财"，但你采访的全是现在的富人——那些做了同样决策但失败破产的人，已经不在你能接触到的范围里了。你的研究结论必然是"做这件事很容易成功"，因为你系统性地忽略了失败样本。
在股票回测中的具体表现：
假设你用"当前沪深 300 成分股"做历史回测——但沪深 300 的成分股是动态调整的，每年都有公司被纳入或剔除。那些因为业绩变差、市值缩水被剔除出指数的公司，你在回测时默认"提前知道了"它们会活到今天，并选择了买入。这是一个隐性的"穿越"——你在历史时点上用了未来才能知道的信息。
被 ST、退市的股票往往带来极大的亏损，幸存者偏差让你的回测自动跳过了这些最惨的结果，收益率自然高得不真实。
对策：使用包含"已退市股票数据"的历史数据集——这类数据被称为"无幸存者偏差数据（Point-in-time data）"。这类数据通常需要付费，但对于严肃的回测而言是必须的。
陷阱三：前视偏差（Look-Ahead Bias / 未来函数）
直白解释：在回测中，你无意间使用了"在那个历史时点上本不应该知道的信息"，导致策略在历史上看起来会"预测未来"，结果当然漂亮。
常见案例：
- 用当日最高/最低价做信号：比如"当天价格触及当日最低价时买入"——问题是，你只有在这一天收盘后才知道"今天的最低价是多少"，不可能在实时交易中用到这个信息。
- 财报发布日期错误：季报通常在季末后 1~2 个月才正式公布。如果你的回测假设"财报发布当天的数据马上就能用"，实际上大多数投资者要过若干天才能看到，这就是使用了"未来信息"。
- 用复权后的历史价格判断买卖点：股价经过除权除息后，历史价格会被"修正"。用修正后的历史价格回测出来的均线穿越，和当时投资者实际看到的价格是不同的。
防范方法：严格核对每个数据点的"时间戳"——每条信息只能在它实际被公开之后才能被策略使用。
开发量化策略时，哪怕是有经验的人也可能无意间引入前视偏差——有时候就是代码写法上的一个小失误，比如用了错误的时间索引。这是为什么"自己认为正确的回测"和"真正无偏的回测"之间经常有差距。
陷阱四：忽视交易成本和市场摩擦
回测里默认的"理想世界"：
即使过拟合、幸存者偏差、前视偏差都避开了，还有一道坎——回测中的成本假设往往比现实乐观。
| 因素 | 回测的常见假设 | 实盘的现实 |
|---|---|---|
| 成交价格 | 按信号价格精确成交 | 有滑点（实际成交价与信号价的差距）和冲击成本（你的大单会推动价格不利方向移动） |
| 佣金 | 可能漏算或低估 | A 股基金赎回有手续费、卖出股票有佣金+印花税，高频策略下成本惊人 |
| 流动性 | 假设随时能按任意数量成交 | 小市值股票流动性差，大单进出时买不到或卖不出，只能分批且被动接受更差的价格 |
| 市场冲击 | 假设你的交易不影响价格 | 大额资金买入会推高价格，卖出会压低价格——回测里这些成本是零 |
对高频策略影响极大：买卖越频繁，成本叠加越可怕。一个每天交易 5 次、每次双边成本 0.1% 的策略，一年光成本就接近 25%——回测收益再好，成本也能把它吃掉。
对低频策略影响相对小：每季度再平衡一次的策略，年化交易次数少，成本可控。
某策略回测年化收益 20%，但实际运行中： - 年换手率 200%（每只股票平均一年买卖各一次） - 单向交易成本 0.15%（佣金 + 印花税 + 滑点估算） - 年化成本约 = 200% × 0.15% × 2（双向）= 0.6% ？不对—— - 年化成本 = 200% × 0.15% = 0.3%，但实际上 200% 换手意味着：如果以成本方式算，每 100 万资金一年里买了 200 万的股票、卖了 200 万的股票，双向共 400 万，实际成本 400万×0.15% = 6000元 = 0.6%
注意：还要加上印花税（仅卖出征收 0.05%，年化成本 = 200%×0.05% = 0.1%）和滑点。
综合来看，一个年化换手 200% 的策略，仅成本就可能侵蚀真实收益 1~2 个百分点甚至更多。
样本内 vs 样本外：正确的回测流程
两个概念
样本内（In-Sample）：用来开发、调参、优化策略的那段历史数据。
样本外（Out-of-Sample）：完全不参与策略开发的另一段历史数据，只用于最终验证。
正确的流程
全部历史数据（如 2010—2024 年）
↓ 按时间切分（不能随机切分！）
样本内（2010—2019 年） ← 在这里开发策略、调整参数
↓ 策略开发完成后，锁定参数
样本外（2020—2024 年） ← 一次性跑，看结果
↓
如果样本外表现也不错，才有一定置信度
为什么要按时间切分，不能随机切分？
投资策略依赖于时间序列——数据有先后顺序，不能把 2015 年的数据和 2023 年的数据混着用。否则回测中会无意识地"提前看到未来信息"，引入前视偏差。
样本外测试只能做一次
这是很多人不知道或不愿执行的规则：样本外测试只有第一次才有效。
如果你看到样本外的结果不好，又回去调整策略、再拿样本外测试——那你已经在用样本外的数据反过来优化策略了。这时候的"样本外"，实际上已经成为了"样本内"，样本外测试失去了意义。
很多人开发策略时的真实流程是：调一套参数→跑全量数据→看结果不好→再调→再跑……如此循环几十次，直到找到一套"历史上完美"的参数。但这整个过程其实就是在用全量数据做参数优化，根本没有真正的样本外检验。这样找到的策略，实盘表现几乎必然不如回测。
为什么宣传材料里的曲线都那么漂亮？
看到这里，你大概已经明白了：一条漂亮的历史回测曲线，背后可能有多种"美化"手段：
- 精心挑选了测试区间：在牛市期间回测当然好看；如果把区间换成包含熊市的更长时间段，结果可能大相径庭
- 参数优化到极致：调到历史表现最好的参数，但它在未来不会重演
- 幸存者偏差没有处理：只用了"活着的"股票，系统性跳过了退市、暴雷的案例
- 成本计算过于乐观：把交易成本设为零，或设成比实际低很多的数字
- 策略本来就特别简单：某些营销材料展示的是"如果一直持有指数"的收益曲线，这本来就是市场回报，和任何主动策略无关
这不意味着所有回测都是骗局，但它意味着你看到一条漂亮曲线时，应该问以下问题：
看到回测曲线时该问的七个问题
- 时间区间是怎么选的？ 是否涵盖了牛市、熊市、震荡各种市场环境？还是只选了表现好的那段？
- 有没有样本外测试？ 样本内和样本外分别是哪段时间？
- 参数是怎么确定的？ 是有逻辑依据，还是调出来的最优值？
- 数据库里有没有退市股？ 有没有处理幸存者偏差？
- 成本是怎么算的？ 佣金、印花税、滑点、冲击成本是否真实纳入？
- 策略有什么合理的经济逻辑？ 为什么这个规律应该存在、应该持续？
- 实盘业绩有没有？ 有没有真实资金运行记录，和回测相比差多少？
任何人都可以用历史数据"凑"出一条漂亮曲线。越完美的回测，越需要你用这七个问题去审视它。历史数据只能说明"过去有效"，不能保证"未来有效"。这是量化投资的铁律，也是本书反复强调的核心风险提示。
回测有价值，但有正确的使用姿势
以上说了这么多陷阱，你可能会问：那回测有没有用？当然有。正确的用法是：
回测是"排除法"，不是"证明法"
- 如果一个策略在历史上表现惨淡，可以基本排除它（排除）
- 如果一个策略历史表现不错，这只是一个"值得深入研究"的信号，而不是"一定能赚钱"的证明（不能证明）
回测是帮你理解策略特征的工具
通过回测，你可以了解策略的风格——它在什么市场环境下表现好、在什么情况下会大回撤、换手率高不高——这些特征本身是有价值的认识。
回测后一定要加"现实检验"
- 策略有没有合理的经济逻辑（不是靠数据凑出来的）？
- 策略在不同市场、不同时期、稍微调整参数后是否仍然成立（稳健性）？
- 样本外结果是否支持样本内的结论？
大多数普通投资者不需要自己做复杂的量化回测。更实用的是：当你看到某个基金、某个策略、某个工具的"历史表现图"时，用本章学到的视角问几个问题，避免被"历史漂亮"的表象迷惑。核心判断标准永远是：历史表现是一个参考，不是未来表现的承诺。
本章小结
- 回测是用历史数据模拟策略表现的工具，能帮你了解策略特征，但无法预测未来。
- 过拟合：参数调来调去优化出来的历史完美，实际上只是记住了历史的"噪音"，样本外必然失效。
- 幸存者偏差：只用了"活着"的资产回测，系统性跳过退市/暴雷的亏损记录，收益率被虚高。
- 前视偏差：回测中用了当时实际上还不知道的信息，策略"提前看到未来"，结果不可信。
- 交易成本和市场摩擦：滑点、冲击成本、真实手续费往往比回测假设高出不少，高频策略尤甚。
- 样本外测试只有一次有效：看了结果再调参，样本外就变成了样本内。
- 看到漂亮回测曲线，应习惯性提七个问题，而不是直接被美图打动。
划重点
"历史回测表现优秀"和"未来实盘表现优秀"之间，有一道由过拟合、幸存者偏差、前视偏差、成本低估共同构成的巨大鸿沟。本章是全书对"历史数据 ≠ 未来表现"这一核心风险的系统梳理。无论是看基金产品宣传材料、量化工具介绍，还是自己研究策略，请把这句话贴在脑门上：任何基于历史数据的漂亮曲线，都不是对未来收益的承诺。