个人量化

从零搭建个人回测框架：避开六大致命陷阱，让回测结果不再自欺欺人

引言：回测是策略上线前的”测谎仪”

上一篇数据地基把数据层踩稳了，这一篇接着讲回测层——策略在拿真金白银上线之前，唯一能替你说服自己”这套逻辑真有效”的，就是回测。

但回测有一个天然的道德风险：它是全世界最容易被自己骗自己的环节。一个策略在历史数据上跑出年化 50%，你信了，上实盘，半年亏掉 30%——这种故事每天都在发生。问题往往不在策略逻辑，而在回测框架本身漏掉了某些”现实摩擦”。

因子指南里我们列举过幸存者偏差、前视偏差、过拟合等常见陷阱。这一篇把它们展开成可操作的工程清单，并补上滑点、手续费、涨跌停、撮合假设这几条回测里最常被忽略的”现实裂缝”。目标是：让回测结果尽可能接近实盘，而不是看起来好看的自欺欺人。

一、为什么个人需要理解回测框架（而不只是用平台）

聚宽、米筐这类在线平台内置了回测引擎，开箱即用。那为什么还要讲框架原理？三个理由：

  1. 黑盒回测最容易自欺：你不知道平台默认假设了什么撮合规则、怎么处理涨跌停、滑点设多少。默认值往往偏乐观，回测好看但实盘失真。
  2. 理解框架才能诊断问题：实盘和回测偏离时，只有懂框架的人才能定位是数据问题、撮合问题还是逻辑问题。
  3. 个人策略的灵活性：平台的策略表达受限，自己的框架能实现任何想法，与 QMT 实盘衔接也更顺畅（可以参考用 DeepSeek 写 QMT 代码的思路，把回测和实盘代码统一）。

结论：起步可以用平台快速验证 idea，但策略一旦要上实盘，必须有一套自己看得懂、改得动的回测框架，哪怕它很简陋——简陋但透明，胜过精致但黑盒。

二、回测框架的最小骨架

一个回测引擎再复杂，核心也只有五个环节：

1
[数据加载] → [信号生成] → [撮合] → [成本] → [统计]
  1. 数据加载：按交易日历逐日推进，只喂给策略”当日已知”的数据（杜绝前视，见陷阱1）；
  2. 信号生成：策略在每个交易日 t 收到截至 t 的数据，输出目标持仓或买卖信号；
  3. 撮合：把信号转成成交单，确定成交价（次日开盘价？当日收盘价？VWAP？）；
  4. 成本：扣手续费、印花税、过户费、滑点；
  5. 统计：计算净值、收益、回撤、夏普、胜率等指标。

陷阱几乎全在第 1、3、4 环节。下面逐一展开六大陷阱。

三、六大陷阱详解

3.1 前视偏差（未来函数）：回测的头号杀手

症状：回测收益高得离谱，实盘完全跑不出来。

机理：策略在 t 日用了 t 日才能知道、甚至更晚才公布的信息。最典型的就是数据篇讲过的财报未来函数：用 4 月 1 日的因子选股，却喂进了 4 月 28 日才公告的一季报。

其他常见形态：

  • 用当日收盘价决定当日开盘买入——收盘价要收盘才知道；
  • 用”当日成交量”做当日盘中决策；
  • 用事后修订的财务数据；
  • 用未来才确定的退市/ST 标记做历史筛选。

对策：

  • 严格 point-in-time：数据只喂到 t 日开盘前已知的信息，财报按公告日对齐；
  • 撮合时把”决策时点”和”成交时点”物理分开——t 日收盘生成信号，t+1 日开盘成交（见 3.6 撮合）；
  • 数据库里任何”带未来信息”的字段（如退市标记）都要有”当时是否已知”的版本，或干脆不用于历史筛选。

自检：把策略时间整体往后挪一个交易日，如果收益大幅变化，几乎可以断定有未来函数。

3.2 幸存者偏差：只回测还活着的票

症状：回测收益虚高，尤其是小市值策略。

机理：股票池里只有今天还在交易的股票，退市、ST 摘牌的票被悄悄排除掉了。这些退市票往往是亏损惨烈的，排除它们等于把最差的成绩单撕掉再算平均分。

对策：

  • 股票池必须用历史时点的成分：t 日的可交易股票 = t 日实际上市、未退市、未停牌的股票；
  • 数据库要保留退市股票的完整历史（数据篇第六节强调过，入库时不要过滤退市股）；
  • 用 point-in-time 的上市/退市日期判断 t 日某股票是否可交易。

自检：回测期间内股票池数量是否稳定？如果只增不减或长期持续下降，说明退市股被剔除了。

3.3 滑点、手续费、印花税处理不当：被忽略的现实摩擦

症状：回测显示盈利，实盘扣除成本后亏损。

机理：很多人回测只设了个”千三佣金”，漏掉了印花税、过户费和滑点。其中滑点最致命——你以为能以收盘价成交，实盘可能高买低卖一个点。

对策（A股完整成本清单）：

  • 佣金：万 2.5~万 3（双边），按你的实际费率；
  • 印花税：千 1（卖出单边，2023 年减半后实为万 5，以最新政策为准）；
  • 过户费：沪市双向，极小但别漏；
  • 滑点：保守设限价单 12 个最小价位、市价单 0.2%0.5%。滑点与策略换手率乘积惊人——月调仓 0.3% 滑点 ≈ 年化 3.6%，足以吃掉一个平庸策略的全部超额。

自检：把所有成本翻倍，看策略还赚不赚。还赚，说明对成本不敏感；一翻倍就亏，说明策略的”超额”全是摩擦假象。

3.4 涨跌停与停牌：撮合假设过于理想

症状：回测里完美成交，实盘里挂不上单。

机理：回测默认”想买就买得到、想卖就卖得出”，但 A 股有涨跌停板——涨停时买单排队可能一天成交不了，跌停时卖单同样。停牌期间更彻底，根本无法交易。

对策：

  • 涨跌停撮合规则：若 t+1 日开盘价已涨停，买单不予成交（或部分成交）；跌停同理。最简单的实现是”涨停日不能买入、跌停日不能卖出”；
  • 一字板：开盘即涨/跌停且全天封住，完全不成交；
  • 停牌：持仓冻结、不能调仓，复牌后按实际价格计算；
  • 流动性约束：单笔成交不超过当日成交量的 X%（如 10%），否则冲击成本激增。

自检：统计策略的”未成交委托占比”。如果超过 10%，说明回测里大量”假成交”在虚增收益。

3.5 过拟合：在历史数据上反复调参

症状：回测夏普 3.0，实盘 0.5 都没有。

机理：在历史数据上反复试不同参数，总能凑出一组好看的——但这是对历史噪声的拟合，不是对市场规律的发现。参数越多、调得越细，过拟合越严重。

对策：

  • 样本外检验：留出最近 1~2 年数据完全不参与调参，最后看策略在样本外是否还有效；
  • 滚动回测（Walk-forward）：用滚动窗口——比如用 2018-2021 训练参数，2022 检验，再 2019-2022 训练、2023 检验——看策略在不同时段是否稳健；
  • 参数稳定性检验：把参数上下浮动 10%~20%，看收益是否断崖式变化。如果微调就崩，说明参数过拟合；
  • 奥卡姆剃刀：能用 3 个因子解释的策略，就不要上 10 个。简单模型的普适性远超复杂模型；
  • 警惕超参搜索：用网格搜索/遗传算法在历史数据上搜出”最优”参数，几乎必然过拟合。

自检：你的策略有几次”刚好”踩中历史大顶/大底？超过两三次，多半是过拟合。

3.6 撮合假设过于理想：决策与成交时点不分

症状：回测里”信号一出就成交”，实盘里信号和成交差着一截。

机理：很多人回测用 t 日收盘价既算信号又当成交价，等于”看着收盘价做决策、又用收盘价成交”——这是隐性的前视偏差。

对策（标准做法）：

  • 决策与成交物理分离：t 日收盘后用截至 t 的数据生成信号，t+1 日开盘（或 VWAP）成交；
  • 这天然引入了一天的”信号延迟”，是真实交易里无法避免的摩擦；
  • 实盘中 QMT 的 委托/成交回调 也是”信号→下单→成交”异步的，回测撮合逻辑要与实盘对齐。

自检：把策略的成交价从”次日开盘”改成”当日收盘”，如果收益暴增，说明你之前的乐观假设在虚增收益。

四、六大陷阱的优先级

不是所有陷阱都同等重要。按对回测真实性的破坏力排序：

优先级 陷阱 破坏力 修复难度
1 前视偏差 致命 中（需 PIT 数据）
2 幸存者偏差 致命 中（需退市股历史）
3 涨跌停/停牌撮合 高 中（撮合逻辑）
4 滑点/成本 高 低（参数设置）
5 过拟合 高 高（需纪律）
6 撮合时点 中 低（流程改造）

个人起步至少要把 3、4、6 修掉（改动小、收益大），1、2 是进阶必修（数据层功夫），5 是终身功课。

五、回测与实盘的预期校准：把回测”打折”再看

即使修掉了所有陷阱，回测和实盘仍有差距。成熟的做法是主动把回测预期打折：

  • 收益预期打折：实盘收益通常是回测的 50%~70%，因为实盘有数据延迟、心理扰动、资金占用成本；
  • 回撤预期放大：实盘最大回撤通常是回测的 1.2~1.5 倍，因为实盘里有回测模拟不到的极端情况；
  • 夏普预期打折：实盘夏普打 7~8 折是常态。

如果回测年化 15%、最大回撤 10%，按打折后预期（实盘年化 ~9%、回撤 ~15%）你仍然满意，再上实盘。这就把程序化解决情绪里的”情绪隔离”和回测里的”预期校准”连成一条线：回测打折后还值得做，实盘才不会在第一个回撤期就崩溃。

六、最小可用框架的代码结构建议

不需要从零造轮子，但建议理解这个骨架，便于读开源框架或自研：

1
2
3
4
5
6
7
8
9
10
11
Backtest:
  for t in 交易日历:                          # 逐日推进
      data = load_data_up_to(t)                # ① 只喂 t 已知数据（防前视）
      universe = get_tradable_universe(t)      # ② t 日可交易股票（防幸存者偏差）
      target = strategy(data, universe, t)    # ③ 策略输出目标持仓
      fills = match(target, t+1_open_price,   # ④ 次日开盘撮合（防撮合时点）
                    limit_up_down_filter,     #    涨跌停过滤
                    volume_cap=0.1)            #    流动性约束
      cost = commission + stamp_duty + slippage  # ⑤ 完整成本
      update_portfolio(fills, cost)
  stats = compute_metrics(净值序列)

每一步都对应一个陷阱的防御点。关键不是代码多漂亮，而是每一步是否真的”诚实”——回测引擎的诚实，比策略的聪明更重要。

七、总结：回测的价值不在好看，在可信

回顾本文核心：

  1. 回测是测谎仪：它的价值不在于让策略看起来好看，而在于尽可能诚实地暴露策略的真实表现；
  2. 六大陷阱：前视偏差、幸存者偏差、涨跌停/停牌、滑点/成本、过拟合、撮合时点——按破坏力排序，前三个最致命；
  3. 起步必修：撮合时点分离、完整成本、涨跌停过滤（改动小、收益大）；
  4. 进阶必修：point-in-time 数据防前视、保留退市股防幸存者偏差（数据篇的地基在这里兑现）；
  5. 终身功课：过拟合——样本外检验 + 滚动回测 + 参数稳定性 + 奥卡姆剃刀；
  6. 预期打折：实盘收益按回测 57 折、回撤按 1.21.5 倍预期，打折后还满意才上实盘。

数据层和回测层，是个人量化最容易被忽视、却最决定成败的两个环节。这两层做扎实了，差异篇里说的”错位竞争”才有底气——你的策略不是在历史噪声上自欺，而是在真实摩擦里依然有效。下一篇我们继续往上层走，聊聊个人量化的仓位管理与风控。

⚠️ 免责声明

本文仅提供回测方法论与工程经验：

  • 回测结果不代表实盘表现，历史有效不代表未来有效
  • 文中提到的费率、印花税等以最新政策为准，请自行核实
  • 文中内容不构成任何投资建议，因使用本文方法造成的任何损失，由使用者自行承担

本文更新于2026年9月7日

其他相关文章