4.2 回测框架与方法论

核心概念

回测（Backtesting） 是量化策略开发的核心环节——用历史数据模拟策略表现。但统计学家会告诉你："过去的表现不代表未来结果。"

回测方法论三支柱

支柱	内容	常见错误
数据清洗	复权处理、幸存者偏差剔除（仅保留还存活的标的，高估历史收益）、分红拆股调整	使用未复权数据
逻辑验证	确保信号只使用当时已知信息	前瞻偏差（信号中用到了当时还看不到的未来数据）
稳健性检验	Walk-Forward、蒙特卡洛、多市场验证	数据窥探偏差（反复测试同一数据集，偶然发现的虚假规律被误认为有效）

Walk-Forward 分析

将历史数据分为训练集（In-Sample） 和测试集（Out-of-Sample），在训练集优化参数后在测试集验证。循环前进：

[训练期1 → 验证期1] → [训练期2 → 验证期2] → [训练期3 → 验证期3]

---

手工计算：Sharpe Ratio 的前瞻偏差修正

问题：一个策略在回测中报告年化 Sharpe Ratio = 2.5，但发现信号中使用了"未来数据"（如当日收盘价计算开盘信号）。调整后 Sharpe 会变成多少？

原始计算（含前瞻偏差）

假设：策略在2019-2023年（5年）月收益率数据如下：

月份	原始策略收益率	（错误地使用未来信息）
1月	+5.2%	使用了月末数据产生月初信号
2月	+4.8%	同上
3月	+3.1%
4月	-1.2%
5月	+6.5%
6月	+2.0%
7月	-0.5%
8月	+4.2%
9月	+3.8%
10月	+1.5%
11月	-0.8%
12月	+5.0%

计算：

月均收益率：

$$\mu_m = \frac{5.2 + 4.8 + 3.1 - 1.2 + 6.5 + 2.0 - 0.5 + 4.2 + 3.8 + 1.5 - 0.8 + 5.0}{12} = \frac{33.6\%}{12} = 2.80\%$$

月收益率标准差：

$$\sigma_m \approx 2.45\%$$

月 Sharpe Ratio：

$$\text{Sharpe}_m = \frac{2.80\% - 0\% (\text{假设无风险为0})}{2.45\%} = 1.143$$

年化 Sharpe Ratio（乘 $\sqrt{12}$）：

$$\text{Sharpe}_a = 1.143 \times \sqrt{12} = 1.143 \times 3.464 = 3.96$$

调整后计算（消除前瞻偏差）

修正后，信号使用 t-1 收盘价计算 t 日开盘信号，收益率显著下降：

月份	修正后收益率	原因
1月	+2.1%	信号延迟一天，错过跳空
2月	+3.0%
3月	+1.5%
4月	-2.8%	亏损加大
5月	+3.2%
6月	+0.5%
7月	-1.8%
8月	+1.9%
9月	+2.0%
10月	+0.3%
11月	-2.1%
12月	+2.5%

月均收益率：

$$\mu_m' = \frac{10.1\%}{12} = 0.842\%$$

月收益率标准差：

$$\sigma_m' \approx 2.10\%$$

调整后的年化 Sharpe：

$$\text{Sharpe}_a' = \frac{0.842\%}{2.10\%} \times \sqrt{12} = 0.401 \times 3.464 = 1.39$$

结论：调整后 Sharpe 从 3.96 暴跌至 1.39——这是真实可实现的水平。

---

常见回测陷阱

陷阱	描述	如何避免
前瞻偏差（Look-Ahead Bias）	信号使用了未来数据	严格对齐数据时间戳
生存者偏差（Survivorship Bias）	只回测存活至今的股票	使用存活/退市全覆盖数据库
过度优化（Overfitting）	参数调整过多拟合历史噪声	Walk-Forward + 交叉验证
数据窥探（Data Snooping）	反复使用同一数据测试	预留 Out-of-Sample 数据
交易成本忽略	未考虑滑点（Slippage——订单簿深度不足导致的预期价与实际成交价之差，详见 1.2 订单类型）和佣金	保守估计成本并做敏感性分析
极端值影响	单次极端盈利/亏损扭曲结果	使用夏普比率的稳健版本

---

Quant Link

Quant Link：为什么 90% 的回测在上线后失败？AQR 的研究指出三大原因：①回测假设与现实交易环境存在巨大差异（如假设以收盘价成交、零滑点）；②数据挖掘导致的虚假显著性——测试足够多的参数组合总能找到一个"看起来好"的结果(Multiple Testing Bias)；③市场状态变化——策略在特定市场环境下有效（如低波动），环境改变后失效。真正的量化基金在回测中会做压力测试，包括2008年金融危机、2020年3月的流动性枯竭。

---

关键公式总结

概念	公式	用途
年化 Sharpe	$\text{Sharpe} = \frac{\mu_a - r_f}{\sigma_a}$	风险调整后收益
年化（月数据）	$\mu_a = 12\mu_m,\ \sigma_a = \sigma_m\sqrt{12}$	月收益年化
年化（日数据）	$\mu_a = 252\mu_d,\ \sigma_a = \sigma_d\sqrt{252}$	日收益年化
净收益率	$R_{\text{net}} = R_{\text{brut}} - \text{cost}$	扣除交易成本

---

下一步：4.3 绩效评估指标 → 如何全面评估策略表现。