回测方法论：数据与流程

回测的可信度只跟它背后的数据和流程一样高。漂亮的资金曲线背后可能藏着一堆垃圾输入。

方法论为啥重要

两个交易员回测同一策略，能跑出相反结果。差别就在方法论——数据质量、模拟假设、样本处理、执行建模。没纪律的流程，回测就是讲给自己听的故事。

第 1 步：定义回测区间

选一个覆盖以下的回测窗口：

• 至少一个完整市场周期（牛、熊、震荡）
• 多种波动率状态（高 VIX 和低 VIX）
• 至少 100 笔交易才有统计意义（300+ 更好）

日线系统 10 年以上合理。日内用 2–5 年的 tick 或分钟数据。更短的区间结果会被噪声主导。

第 2 步：拿到干净数据

挑的时候看：

• 至少 tick 级或 1 分钟 OHLC bar
• 外汇要 bid 和 ask（不只是中间价）
• 期货和股票要有 成交量（很多结构需要）
• 股票要做 拆分和分红调整
• 序列无缺口——缺失的 bar 会扭曲指标

免费数据是幻影回测优势最常见的来源。预算够，就买干净的 tick 历史。

第 3 步：算上成本

不算成本的回测就是小说。要包括：

• 点差：用现实平均点差，不是最佳情况
• 佣金：每手来回手续费
• 滑点：流动性好的市场 1–2 个 tick，薄的更多
• 隔夜利息 / 融资：隔夜持仓
• 止损滑点：快市里止损成交比触发价差

一笔"1R"的赢家扣完成本能变成 0.7R。很多在干净回测里赚钱的系统，一算成本就变负。

第 4 步：选模拟模型

永远选你工具支持的最保守模型。乐观成交是幻影优势第二大来源。

第 5 步：测试前定好入场、止损、目标

回测过程中调这些就是曲线拟合，不是测试。规则写下来、编成码、原样跑。

第 6 步：跑测试并抓指标

最少记录这些指标：

• 总交易数
• 胜率
• 平均盈和平均亏（R）
• 期望值（每笔）
• 利润因子
• 最大回撤（% 和 R）
• Sharpe ratio
• 恢复因子（净利润 / 最大回撤）
• 最长连亏

第 7 步：子样本分析

把回测拆成：

• 前半 vs 后半：优势持续还是衰减？
• 牛市 vs 熊市 vs 震荡：状态敏感性
• 高波动 vs 低波动：稳健性检查
• 按品种：多品种的话按 symbol 拆

稳健系统在大多数子样本里都有优势。脆弱系统的收益集中在个别异常区间。

第 8 步：Walk-forward 验证

单次样本内测试之后，把数据切成段跑 walk-forward 分析（另文详述）。这能抓出单次测试漏掉的曲线拟合。

第 9 步：样本外测试

留 20–30% 数据开发期间从不用。在没碰过的这段上跑最终规则。结果崩了，就是过拟合。

常见方法论错误

• 用收盘价"按收盘价入场"——实时不可能
• 同一 bar 内入场和止损都不查先后
• 忽略周五收盘和周一开盘的跳空
• 忘了外汇持仓的隔夜利息成本
• 部分成交当全成交算
• 反复跑回测直到结果好看（p-hacking）

工具清单

• 支持你需要的数据频率
• 显式建模滑点和佣金
• 支持 OCO 和追踪止损
• 导出交易列表到 CSV 供日志复盘
• 支持 walk-forward 分析
• 让你在样本外测试前锁死最终规则

实操建议

把第一次回测当假设，不是判决。结果太好就假设方法论有错，审计数据、成本、成交、规则。真正的优势是有限的；回测里炸裂的收益通常说明模型在骗你。

下一篇：识别那些把平庸系统在纸面上变成"赢家"的偏差。