跳到主要内容

回测系统

回测是验证交易策略有效性的核心环节，本节介绍回测原理、框架搭建与常见陷阱。

回测的重要性​

策略想法 → 历史数据回测 → 评估有效性 → 模拟交易 → 实盘
                ↑                              ↓
            参数优化 ←────── 表现衰减监控 ←────┘

回测回答的关键问题：

  • 策略在过去表现如何？
  • 收益来自运气还是能力？
  • 风险暴露是什么？
  • 最坏情况会怎样？

回测类型​

向量化回测（Vectorized）​

# 优点：速度快，适合初步筛选
# 缺点：无法模拟真实执行细节

signals = (df['ma_short'] > df['ma_long']).astype(int)
positions = signals.shift(1)  # 避免前视偏差
returns = df['close'].pct_change()
strategy_returns = positions * returns

事件驱动回测（Event-Driven）​

# 优点：接近实盘，支持复杂逻辑
# 缺点：速度较慢

class Strategy:
    def on_bar(self, bar):
        if self.should_buy(bar):
            self.broker.buy(bar.symbol, quantity)
        elif self.should_sell(bar):
            self.broker.sell(bar.symbol, quantity)

    def on_order_fill(self, order):
        self.position.update(order)
维度向量化事件驱动
速度快慢
精度低高
复杂度简单复杂
适用阶段初期筛选精细验证

核心组件​

1. 数据处理器​

class DataHandler:
    def get_latest_bars(self, symbol, n=1):
        """获取最新n条K线"""
        ...

    def get_historical_data(self, symbol, start, end):
        """获取历史数据"""
        ...

2. 策略逻辑​

class Strategy:
    def generate_signals(self, data):
        """生成交易信号"""
        signals = []
        for symbol in self.symbols:
            if self.condition_buy(data[symbol]):
                signals.append(Signal(symbol, 'BUY'))
            elif self.condition_sell(data[symbol]):
                signals.append(Signal(symbol, 'SELL'))
        return signals

3. 投资组合​

class Portfolio:
    def update_positions(self, fills):
        """更新持仓"""
        ...

    def update_value(self, current_prices):
        """更新组合市值"""
        self.current_value = sum(
            pos * price for pos, price in zip(self.positions, current_prices)
        )

4. 执行模块​

class ExecutionHandler:
    def execute_order(self, order):
        """执行订单，考虑滑点和手续费"""
        fill_price = self.apply_slippage(order.price)
        fill_cost = self.calculate_commission(fill_price, order.quantity)
        return Fill(order, fill_price, fill_cost)

交易成本建模​

滑点（Slippage）​

实际成交价=信号价×(1+滑点率×方向)\text{实际成交价} = \text{信号价} \times (1 + \text{滑点率} \times \text{方向})

def apply_slippage(price, direction, volume, liquidity):
    """
    基于流动性的动态滑点
    direction: 1为买入，-1为卖出
    """
    base_slippage = 0.0001  # 1个基点
    volume_impact = volume / liquidity * 0.001
    return price * (1 + direction * (base_slippage + volume_impact))

手续费​

市场典型费率说明
A股0.03% (万3)双向，最低5元
期货交易所标准按合约收取
美股$0-0.005/股很多平台免佣

回测指标​

收益指标​

def calculate_metrics(returns, benchmark=None):
    total_return = (1 + returns).prod() - 1
    annual_return = (1 + total_return) ** (252 / len(returns)) - 1
    volatility = returns.std() * np.sqrt(252)
    sharpe = annual_return / volatility

    # 最大回撤
    cumulative = (1 + returns).cumprod()
    peak = cumulative.expanding().max()
    drawdown = (cumulative - peak) / peak
    max_drawdown = drawdown.min()

    # Calmar比率
    calmar = annual_return / abs(max_drawdown)

    return {
        'total_return': total_return,
        'annual_return': annual_return,
        'volatility': volatility,
        'sharpe_ratio': sharpe,
        'max_drawdown': max_drawdown,
        'calmar_ratio': calmar
    }

风险指标​

  • VaR (Value at Risk): 在95%置信度下的最大损失
  • CVaR: 超过VaR的平均损失
  • Beta: 相对于市场的敏感度
  • Alpha: 超额收益能力

回测陷阱​

1. 过拟合（Overfitting）​

症状: 回测收益极高，实盘表现极差

预防:

# 样本外测试
in_sample = data[:'2020-12-31']
out_of_sample = data['2021-01-01':]

# 参数稳健性检验
def parameter_sensitivity(strategy, param_ranges):
    results = []
    for params in grid_search(param_ranges):
        performance = backtest(strategy, params)
        results.append(performance)

    # 检查参数高原区域
    if variance(results) > threshold:
        print("警告：参数敏感，可能过拟合")

2. 前视偏差（Look-ahead Bias）​

错误示例:

# 错误：使用当日收盘价决定当日交易
signal = close > ma20  # 使用了同周期数据

# 正确：使用昨日及之前数据
signal = close.shift(1) > ma20.shift(1)

3. 幸存者偏差​

问题: 只使用现存股票数据，忽略已退市 解决: 使用包含退市股票的完整数据集

4. 数据窥探偏差​

问题: 反复测试同一数据集，偶然发现"有效"策略 解决: 降低显著性阈值 (Bonferroni校正)

回测框架推荐​

框架语言特点适用
BacktraderPython灵活、文档好研究到实盘
ZiplinePythonQuantopian遗产美股研究
vectorbtPython向量化、超快大规模回测
QuantConnectC#/Python云端多资产实盘
vn.pyPython/C++国产、全功能国内实盘

延伸阅读​