回测方法

上一章的双均线信号已经能画出「什么时候该买、什么时候该卖」，但那张图刻意回避了真正重要的问题：**照这个信号做，到底赚不赚钱？**看图觉得「金叉之后确实涨了」不算数——涨了多少、够不够扣手续费、中间回撤能不能扛住，都要一笔一笔算过才知道。

回测就是干这个的：拿历史价格当剧本，让信号在剧本里逐日重演，严格模拟每一天的现金、持仓和成交，最后得到一条净值序列——相当于这个策略在历史上真实跑过一遍的账户对账单。本章回答三个问题：回测引擎怎么工作、成本怎么算、以及回测里最容易毁掉结论的错误——前视偏差——藏在哪里。

回测引擎：一台守规矩的时间机器

回测引擎的结构出奇地简单，就是一个循环：对每个交易日，先按既定信号决定买还是卖，按假设的成交价撮合，再结算当天的账户净值。它像一台时间机器，每天醒来只能看到当天及之前的信息，看完信号、做完交易、记账、睡觉，第二天再来。

这台机器必须守两条规矩，缺一条回测就作废：

信息规矩：第 t 天的决策只能用第 t 天收盘前已经存在的数据。今天才知道的事，不许拿去指导昨天的交易。
守恒规矩：现金加持仓市值永远等于账户净值；买入花的每一分钱从现金里扣，卖出收的每一分钱进现金。引擎每笔账都要能对平。

核心伪代码

这是本教程最重要的一段伪代码——以后每一个策略案例，引擎都是它，换的只是信号：

输入：价格序列、信号序列、初始资金 C₀、费率 fee、滑点 slip
cash ← C₀；持仓 ← 0
对 t 从 1 到 n：
    按 t 日的信号决定操作（只能用 t 日及之前的信息）
    若买入：成交价 ← close[t] × (1 + slip)，扣除手续费
    若卖出：成交价 ← close[t] × (1 − slip)，扣除手续费
    净值[t] ← cash + 持仓 × close[t]
输出：净值序列

逐行说明两个容易误解的地方：

「按 t 日的信号决定操作」指的是执行 t 日开盘前已经确定的信号，也就是上一交易日收盘后生成的 $s_{t-1}$ 。收盘价 15:00 才定格，用 $s_{t-1}$ 在 t 日成交，括号里「只能用 t 日及之前的信息」就满足了。
成交价用 close[t] 是「次日开盘成交」的简化。严格的做法是按 t 日开盘价成交；本教程的合成数据只有收盘价，于是用 t 日收盘价近似 t 日开盘价，再叠加滑点修正。这是一个近似假设，下面专门讲它的代价。

整个循环每天只记一笔账：净值 = 现金 + 持仓 × 当日收盘价。空仓时净值是一条水平线（本教程假设现金不生息），持仓时随价格波动——净值曲线的每一段的形状都直接对应持仓状态。

成交价假设与 T+1

真实的成交发生在次日开盘，不是次日收盘，更不是信号当天。用收盘价近似开盘价，差的是隔夜跳空那部分：信号日收盘到次日开盘之间可能高开 2% 也可能低开 2%，回测里这部分被抹平了。对流动性好、跳空少的品种，这个近似可以接受；对经常涨跌停、隔夜跳空剧烈的股票，它会系统性地高估收益——因为策略想买的时刻往往正是次日高开的时刻。数据条件允许时，用开盘价甚至 VWAP（成交量加权平均价）替代收盘价，是回测升级的第一步。

A 股的 T+1 制度在规则里体现为两层：

执行上的 T+1：信号当日收盘后判定，次日才能成交。这已经写进了上面的引擎—— $s_{t-1}$ 决定 t 日的操作。
制度上的 T+1：当日买入的股票，次日才能卖出。双均线策略每天最多一个信号，天然不会违反；但如果你的规则允许「早盘卖出、尾盘买回」这类日内反复，引擎里就必须显式禁止当日买入部分的卖出，否则回测做出了 A 股做不到的交易。

手续费与滑点：逐项拆开

回测里的成本有三项，性质完全不同，但每一项都会真实地从净值里扣钱：

成本	收取方	方向	费率	性质
佣金	券商	买卖双边	成交金额的 0.03%（万三）	确定的费用（实务有单笔最低 5 元，此处忽略）
印花税	国家	仅卖出	成交金额的 0.05%	确定的费用
滑点	不交给谁	双边	假设 0.1%	预期价与实际成交价的偏差，是估计值

滑点需要多解释一句：它不是谁收走的钱，而是「你想按 10.00 买，实际成交在 10.01」的价差。买入时实际价更贵（乘以 $1 + 0.001$ ），卖出时实际价更便宜（乘以 $1 - 0.001$ ），方向永远对你不利。0.1% 是对流动性正常股票的粗略假设，大盘股可能更低，小微盘股可能数倍于此。

手算一次完整买卖的成本：10 万元，股价 10.00 元，买入 10 000 股，假设持股期间股价不变再卖出：

买入成交价 = 10.00 × (1 + 0.001) = 10.01 元，成交金额 100 100 元；买入佣金 = 100 100 × 0.0003 = 30.03 元；总支出 100 130.03 元。
卖出成交价 = 10.00 × (1 − 0.001) = 9.99 元，成交金额 99 900 元；卖出佣金 = 99 900 × 0.0003 = 29.97 元，印花税 = 99 900 × 0.0005 = 49.95 元；实际到手 99 900 − 29.97 − 49.95 = 99 820.08 元。
股价没动，账户少了 100 130.03 − 99 820.08 = 309.95 元，约 0.31%：滑点双边约 0.2%、佣金双边 0.06%、印花税 0.05%。

一次买卖损耗 0.31% 看起来微不足道，但它按换手次数复利累积：一年完成 5 个来回，光成本就吃掉约 1.5 个百分点。本章的演示数据为简化只计了佣金和滑点（5/20 双均线回测演示：信号次日收盘成交，佣金双边万三 + 滑点 0.1%）；把印花税加回去，低频策略结论通常不变，高频策略常常由盈转亏——成本假设是回测结论的地基之一。

前视偏差的三种藏身之处

前视偏差（未来函数）是回测的头号杀手：它不露痕迹地让回测用上「当时不可能知道」的信息，把收益吹大。第 1 章讲过概念，这里看它在代码里的三个标准藏身处：

用了 t+1 的价格。循环里写出 若 close[t+1] > MA[t] 则今日买入 之类的判断——下标越界一天，策略就等于提前看到了明天。这种错误在「对齐数据」时最常发生：把收益序列和信号序列错位一行，回测收益能凭空多出几十个百分点。防御：决策用到的每一个量，下标都不许大于信号日。
用了未来才发布的数据。财报按报告期对齐而不是按披露日对齐（一季报 4 月底才披露，却被用在 3 月 31 日的信号里）；用全样本的均值和标准差做标准化后再生成信号；宏观数据用了事后修正值而非当时公布的初值。共同特征：数据上印的时间是「属于哪个时期」，而不是「什么时候能拿到」。防御：每个数据字段都问一句——t 日收盘时，这个数字已经公开了吗？
信号和成交同时用同一根 K 线的收盘价。信号由 close[t] 算出，又假设按 close[t] 成交——但收盘价 15:00 才确定，确定的那一刻已经没有交易机会了。这是前视偏差在回测引擎里的标准形态，本章引擎用「信号当日判定、次日成交」把它排除：信号用 t 日收盘，成交落在 t 日之后。

三种藏身之处的共同点：表面上每行代码都合法，错的是数据和时间的对应关系。审查回测代码时，盯着每一个下标和每一个日期对齐问「t 日那天我真的知道这个吗」，比检查语法重要得多。

数值天气预报模型上线前，必须先过一道 hindcast（回溯检验）：把模型放回历史上已经发生过的台风、寒潮和整个季节里重算一遍，预报时严格只允许用「当时那一刻之前」的观测数据，再和实际天气比对打分。一个无法重演历史台风的模型，没人敢拿它预报明天。气象学还有一条与本教程完全同款的铁律：hindcast 里哪怕混入一丝「当时预报员还不知道的数据」（比如后来才订正过的观测值），技能评分就会虚高——这和回测的前视偏差是同一件事的两个名字。

回看本章：回测就是策略的 hindcast——同一台时间机器、同一条「只用当时可得的数据」的轨道、同一个结论：过不了历史这关的模型，不配谈未来。

图：价格、买卖点与净值

把引擎跑在上一章的双均线信号上（初始资金 100,000 元，250 个交易日）：上图是收盘价和逐笔买卖点（红三角买入、绿三角卖出），下图是对应的逐日净值：

一年里共 6 次买入、5 次卖出，期末仍持有一笔未平仓的多头。期末净值 120,475 元，总收益 20.5%，同期买入并持有的收益是 4.1%——这一年这个策略跑赢了死拿不动。

几个值得指出的细节：

第一笔买卖是亏的，而且亏得很「干净」：2025-03-28 以 8.53 买入，2025-04-01 以 8.53 卖出，买卖同价、毛利为零，账户却少了约 60 元——全是两次佣金。成本不是抽象概念，它每天都在净值曲线上咬掉一小口。
五笔完整买卖里只有一笔大赚：2025-04-07 到 2025-05-21 那一笔赚了约 1.29 万元，其余四笔都小亏。这是趋势策略的典型盈亏分布——多数小亏，换少数几笔大赚。评价这类策略时盯着胜率看会被骗，它本来就靠盈亏比活着。
净值曲线的形状直接对应持仓状态：水平段是空仓（现金不生息），波动段是持仓。对着上图的买卖点看下图，能直观理解「净值 = 现金 + 持仓市值」这条结算公式。

两种回测流派：向量化 vs 逐日事件驱动

当你以后真正开始写 Python 回测时，会发现业界其实有两种完全不同的回测实现方式：

维度	向量化回测（Vectorized）	逐日事件驱动回测（Event-Driven）
核心机制	将整张价格表当成矩阵，用整列运算一次性算出所有收益（如 pandas `shift`）	类似本章伪代码，像时间机器一样逐日（或逐 bar）循环推演撮合
执行速度	极快（几秒钟跑完几年全市场）	较慢（涉及循环、对象创建与状态机维护）
前视风险	极高（只要某一行代码漏了错位 `shift(1)`，未来数据立刻污染全期）	极低（时间单向流动，今天的数据绝不可能在昨天的循环里出现）
细节保真度	粗糙（难以如实处理 T+1 冻结、动态资金仓位、停牌撮合与挂单排队）	高度保真（账户现金、持仓股数、手续费对账每一笔清清楚楚）
适用阶段	早期想法的粗筛、多因子截面打分的快速验证	策略定型、参数检验、准备上真金白银之前的终审验收

量化新手的典型翻车路径：学了 pandas 之后，用 5 行向量化代码写了一个均线策略，发现「年化 300%、夏普 4.5」，兴奋不已。其实只是在算收益率时漏了一行错位，把第 $t$ 日收盘后才算出的信号，乘上了第 $t$ 日当天的涨幅。

记住这条法则：快速看想法时可以用向量化，但真正要上实盘的策略，回测必须用逐日事件驱动引擎跑一遍对账单。

常见坑

过拟合：把回测当调参器用。「5/20 收益 20%，那 4/17 呢？8/34 呢？」——在同一批历史数据上反复试参数、挑收益最高的那组，等于用同一份试卷既出题又阅卷，挑出来的不是最好的策略，是最适合这段历史的参数。本章只跑了一组事先定好的参数，结论才有最低限度的可信度；为什么「回测收益最高的参数几乎必然高估未来表现」、样本外验证怎么设防，是第 6 章的专章内容。
忽略流动性：假设想成交就能成交。引擎默认「按收盘价 ± 滑点，要多少有多少」。现实中：涨停买不进、跌停卖不出（A 股 ±10% 涨跌停，第 1 章讲数据时提过）；小盘股挂单稀薄，10 万元能按 0.1% 滑点成交，1 个亿进场自己就把价格推走了——这部分自我冲击叫冲击成本，资金越大越不能忽略。最低限度的自救：在信号上加一条流动性过滤（如「当日成交额须大于持仓市值的若干倍」），并在结论里声明资金容量上限。
把一条净值曲线当成策略的期望收益。一次回测只走了一条历史路径，是 $N = 1$ 的样本。换一段时间、换一只股票，结果可能完全不同。第 2 章的统计思想在这里同样适用：关心的是分布，不是单次实现——这也是后面要做多样本、样本外检验的原因。
在向量化回测中漏掉时间错位。用表格列运算时误以为自己回测很漂亮，实则是在用今天的考卷去答昨天的题目。向量化代码必须逐行审查时间索引。

到这里，模糊的想法已经走完了「假设 → 信号 → 回测」的全流程，产出是一条净值序列和一组成交记录。但一条曲线本身还不是结论：20.5% 算高还是低？中间最深亏过多少？承担的风险换这些收益值不值？下一章把净值序列换算成可比较的指标——年化收益、最大回撤、夏普比率。