4.4 回测框架搭建
本章目标：写你的第一个完整回测——双均线交叉策略，理解回测的核心逻辑。
一句话
回测 = 用历史数据模拟交易，看一个策略在过去能不能赚钱。
学习目标
学完本章你能：
- 理解回测的完整流程（数据 → 信号 → 交易 → 绩效）
- 写一个完整的双均线交叉策略回测
- 看懂回测曲线的含义
- 理解前视偏差的危害
核心内容
1. 回测的基本框架
数据 → 生成信号 → 模拟交易 → 计算绩效 → 分析所有回测都遵循这个流程。你只需要定义"信号生成"那一步——剩下的框架是通用的。
python
import pandas as pd
import numpy as np
import yfinance as yf
# ─── 1. 数据 ───
data = yf.download('AAPL', start='2023-01-01', end='2024-12-31')
close = data['Adj Close']
# ─── 2. 信号 ───
ma_short = close.rolling(20).mean() # 短期均线
ma_long = close.rolling(60).mean() # 长期均线
signal = pd.Series(0, index=close.index)
signal[ma_short > ma_long] = 1 # 多头持仓
signal[ma_short <= ma_long] = 0 # 空仓
# ─── 3. 模拟交易 ───
returns = close.pct_change() # 每日收益率
strategy_returns = signal.shift(1) * returns # 信号T+1执行
# ─── 4. 绩效 ───
cumulative = (1 + strategy_returns).cumprod()
buy_hold = (1 + returns).cumprod()
print(f"策略总收益: {cumulative.iloc[-1] - 1:.2%}")
print(f"买入持有总收益: {buy_hold.iloc[-1] - 1:.2%}")关键细节： signal.shift(1) — 信号当天收盘生成，第二天才执行，避免前视偏差。
2. 理解前视偏差
前视偏差是回测中最常见也最致命的错误。
python
# ❌ 错误！用了当天的信息
wrong_rets = signal * returns # 信号和收益率同一天→作弊
# ✅ 正确！只能用前一天的信息
correct_rets = signal.shift(1) * returns规则： 回测时你只能使用今天之前的信息来做交易决策。任何用"今天数据预测今天"的行为都是作弊。
3. 完整的回测函数
python
def backtest_ma_crossover(data, short_win=20, long_win=60):
"""
双均线交叉回测
返回: DataFrame 含每日持仓和收益
"""
close = data['Adj Close'].copy()
# 信号
ma_short = close.rolling(short_win).mean()
ma_long = close.rolling(long_win).mean()
positions = pd.Series(0, index=close.index)
positions[ma_short > ma_long] = 1
# 交易
returns = close.pct_change()
strategy_rets = positions.shift(1) * returns
# 统计
total_return = (1 + strategy_rets).prod() - 1
buy_hold_return = (1 + returns).prod() - 1
n_trades = (positions.diff().abs() > 0).sum() // 2 # 开平各算一次
return {
'total_return': total_return,
'buy_hold_return': buy_hold_return,
'n_trades': n_trades,
'strategy_returns': strategy_rets,
'positions': positions,
}
# 测试 AAPL
result = backtest_ma_crossover(data)
print(f"均线(20,60) 在 AAPL 上的表现:")
print(f" 策略收益: {result['total_return']:.2%}")
print(f" 买入持有: {result['buy_hold_return']:.2%}")
print(f" 交易次数: {result['n_trades']}")4. 可视化回测曲线
python
import matplotlib.pyplot as plt
strategy_curve = (1 + result['strategy_returns']).cumprod()
buy_hold_curve = (1 + data['Adj Close'].pct_change()).cumprod()
plt.figure(figsize=(12, 6))
plt.plot(strategy_curve.index, strategy_curve, label='策略', linewidth=2)
plt.plot(buy_hold_curve.index, buy_hold_curve, label='买入持有', linewidth=1, alpha=0.7)
plt.plot(result['positions'] * strategy_curve.iloc[-1],
label='持仓信号', alpha=0.3, color='gray')
plt.title('AAPL 双均线策略回测')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()5. 参数敏感性测试
不同的参数组合效果天差地别：
python
results = []
for short_win in [5, 10, 20, 30, 50]:
for long_win in [30, 60, 90, 120]:
r = backtest_ma_crossover(data, short_win, long_win)
results.append({
'short': short_win,
'long': long_win,
'return': r['total_return'],
'trades': r['n_trades'],
})
results_df = pd.DataFrame(results)
print("最快几组参数:")
print(results_df.sort_values('return', ascending=False).head(5))关键洞察： 参数调优第一次就出好结果？90% 是因为过拟合。牢记：参数只是故事的配角，逻辑才是主角。
深度阅读
练习
选择题
回测中
signal.shift(1)的目的是：- A. 提高信号准确率
- B. 避免前视偏差
- C. 减少交易次数
- D. 美化收益曲线
以下哪个是前视偏差的表现？
- A. 用今天的收盘价作为今天的交易信号
- B. 用昨天的成交量过滤今天的信号
- C. 去除停牌日的数据
- D. 使用复权价格
双均线交叉策略中，
short_win=20, long_win=60意味着：- A. 20日均线上穿60日均线时买入
- B. 60日均线上穿20日均线时买入
- C. 价格突破20日均线时买入
- D. 成交量放大时买入
策略收益 > 买入持有收益说明：
- A. 策略一定有效
- B. 在这个时间段内策略跑赢了基准
- C. 策略没有交易成本
- D. 策略适用于所有股票
回测中交易次数越少，通常：
- A. 策略越好
- B. 策略越简单
- C. 滑点成本越低
- D. B 和 C
编程题
题目： 在双均线策略基础上加一个成交量过滤——只有当 20 日均量高于过去 60 日均量时（放量），才执行信号。
python
def backtest_ma_with_volume(data, short_win=20, long_win=60):
"""
含成交量过滤的双均线策略
额外条件：成交量 > 60日均量 才开仓
"""
close = data['Adj Close']
volume = data['Volume']
# 你的代码：均线信号 + 成交量过滤
pass填空题
在回测中，signal 要在第 \\\\ 天执行，所以代码需要 signal.shift(1) 来对齐。