试吃 vs 上桌
想象你是一个厨师。你研发了一道新菜——"秘制红酒炖牛肉"。在正式端给客人之前，你会怎么做？当然是在自家厨房试做几次。调整火候、增减调料、换不同的牛肉部位——直到你觉得"差不多可以了"。这个过程，在量化交易里就叫回测（Backtest）。
回测的逻辑极其朴素：拿出历史数据（比如过去5年的A股日线数据），假设自己在那个5年里按照策略规则交易了，看看结果怎样——赚了还是亏了？最大回撤多少？夏普比率怎么样？如果这个策略在历史上都赚不了钱，那你凭什么相信它在未来能赚钱？
但这里有一个巨大的陷阱——也是本章的核心主题：回测表现好，不等于实盘一定赚钱。因为你的"自家厨房"和"真实餐厅"之间有三道鸿沟：样本内外的差异、过拟合的诱惑、以及各种你根本没意识到的偏差。这一章，我们就把这三道鸿沟一个个掰开来看。
回测的三大天敌
| 天敌 | 英文名 | 一句话解释 | 严重性 |
|---|---|---|---|
| 过拟合 | Overfitting | 策略对历史数据"背得太熟"，把噪声当规律 | ★★★★★ |
| 幸存者偏差 | Survivorship Bias | 只用"活着的"股票回测，忽略了退市的 | ★★★★ |
| 未来函数 | Look-ahead Bias | 无意中用了交易时还不知道的信息 | ★★★★ |
天敌一：过拟合——"背答案，不是学规律"
过拟合就像一个学生，他不是理解数学公式，而是把习题集的答案背了下来。期末考试的时候，只要换一道新题，他就彻底不会了。策略过拟合就是一模一样的事：你把均线的参数从5调到6调到7调到8……调了100次，终于找到了一个让回测曲线完美到令人窒息的小参数组合。但这不是"发现了规律"——你只是"背诵了历史数据里的噪声"。
识别过拟合的两条铁律：① 策略参数超过3个，过拟合风险指数级上升；② 样本外数据（你从未碰过的数据）上的表现远远差于样本内数据——这就是过拟合的终极判决。
天敌二：幸存者偏差——"只看活下来的，死去的看不到"
假设你想研究"A股所有股票过去5年的平均涨幅"。如果你用"当前还在交易的股票"的数据，你会得到一个严重偏高的结果——因为那些跌到退市的股票已经不在你的数据里了。就像你去采访"创业成功的企业家"，然后得出"创业成功率很高"的结论——你采访的是活下来的那一批。
在回测中，如果你只用"当前还在交易的股票"构建策略，你的策略会在潜意识里高估市场收益——因为它假设你永远不会买到退市股。解决办法：回测时必须使用"时间点数据"——每个时间点只包含当时还在交易的股票，而不是回头看。
天敌三：未来函数——"用未来的信息做过去的决策"
这个陷阱非常隐蔽。假设你想回测一个策略："财报公布第二天买入业绩超预期的公司"。你的回测脚本在1月15日"看到"了1月20日才公布的财报数据——因为你的数据库里，这份财报的时间戳标错了。于是你的回测完美地买在了低点——但实盘里，1月15日的时候你根本不可能知道这份财报的内容。
未来函数是回测中最常见的自欺欺人。它不会报错，不会警告——它只是默默地让回测结果看起来好得不真实。识别未来函数的办法：如果回测收益率高到离谱（年化100%+），先怀疑是不是未来函数。
样本内 vs 样本外——回测的黄金法则
任何回测都必须把数据分成两部分：样本内（In-Sample）——用来开发和优化策略；样本外（Out-of-Sample）——用来做最终验证。样本外数据是"期末考试"，你在整个开发过程中绝对不能碰它，直到你确定策略已经定型。如果样本外表现远远差于样本内——策略过拟合，扔掉重来。如果样本外表现和样本内差不多——恭喜，你可能真的发现了某些规律。
样本内数据：占总数据的60%~70%。用来开发策略、调整参数、改进信号。你可以在这部分数据上反复试验。
样本外数据：占总数据的30%~40%。只在最终验证时使用一次。如果结果不满意——不要回去改参数！直接放弃这个策略，从头设计新的。
为什么只能碰一次？因为"碰第二次"你就已经把样本外数据当成新的样本内数据了——你只是在变相地过拟合到更大的数据集上。这叫做数据窥探（Data Snooping）。
回测陷阱互动小测验
场景一：小张的"完美曲线"
小张开发了一个策略，参数组合试了200多种，最终选了一组让历史5年回测年化收益达到65%、最大回撤仅3%的参数。这个策略大概率存在什么问题？
场景二：小王的"神奇财报策略"
小王回测了一个策略——"在财报公布的前一天买入超预期的股票"。回测结果惊人地好。但实盘第一天就亏了。最可能的原因是什么？
场景三：小李的"超级选股模型"
小李用机器学习训练了一个选股模型，训练集上准确率92%。但换到测试集，准确率暴跌到51%（和抛硬币差不多）。这说明什么？
AI思考练习：用AI帮你审查回测
复制下面这段话发给 AI，让它帮你设计一份回测审查清单：
本章小结
本章要点
- 回测 = 策略的"试吃"：在历史数据上模拟运行策略，验证策略是否曾经有效。回测赚钱只是"必要条件"，不是"充分条件"。
- 三大天敌：过拟合（背答案）、幸存者偏差（只看到活下来的）、未来函数（用未来信息做过去决策）。
- 黄金法则：样本内（60~70%）开发优化，样本外（30~40%）只验证一次。样本外不行就放弃，不要回去改参数——那是数据窥探。
- 警惕"太好的结果"：年化60%+、最大回撤<5%的回测结果，99%的情况下是过拟合或未来函数——不是策略牛，是你出错了。
微信扫一扫，支持作者继续创作