Appearance
回测开发
回测开发用于在历史数据上验证策略逻辑、交易假设和风险特征,但回测结果不是未来收益承诺。好的回测更像实验平台:它帮助你发现问题、排除明显错误、比较不同设计,而不是证明某个策略一定有效。
本栏目关注什么
- 基本流程:从数据准备到实验记录的完整链路。
- 数据对齐:把行情、财务、成分股、交易日历按可用时间对齐。
- 因子研究:如何构造、清洗和评估横截面因子。
- Pandas 回测:用向量化方式快速验证简单策略。
- 事件驱动框架:用事件、订单和撮合模拟更接近真实交易的流程。
- 订单与成交模型:把目标仓位转成订单,并模拟拒单、部分成交和成交延迟。
- 交易成本与滑点:佣金、税费、价差、冲击成本和容量约束如何进入回测。
- 组合记账:现金、持仓、成本、公司行动和保证金如何更新。
- 常见偏差:未来函数、幸存者偏差、过拟合和交易成本低估。
- 绩效评估:收益、风险、回撤、换手、容量和稳定性。
- 样本外验证:walk-forward、参数稳定性和实验次数控制。
- 容量分析:从成交量、换手和市场冲击估算策略可承载资金。
- 实验管理:让每次回测都可复现、可比较、可审计。
回测开发的核心问题
回测要回答的不是“历史收益是多少”这么简单,而是:
- 策略在每个时间点到底知道什么信息?
- 信号如何变成持仓或订单?
- 成交价格、滑点、费用和市场冲击如何模拟?
- 组合如何处理现金、保证金、停牌、涨跌停和不可成交?
- 结果是否对参数、市场环境、交易成本和样本区间稳定?
学习建议
先用 Pandas 做简单向量化回测,理解收益计算、shift 和交易成本。再做事件驱动框架,理解真实交易系统里的状态变化。最后补充偏差检查和绩效分析,避免被漂亮但不可靠的历史曲线误导。
严肃回测的最低标准
- 数据有版本,且每个字段的可用时间清楚。
- 股票池、指数成分和行业分类使用历史版本,不用当前列表回填过去。
- 信号生成、下单、成交和记账是分开的,不允许策略直接修改持仓。
- 成交模型显式处理停牌、涨跌停、成交量限制、最小交易单位和费用。
- 回测报告包含失败假设、样本外结果、成本敏感性和参数稳定性。
- 每次实验能通过代码版本、数据版本、参数和配置完整复现。