3、策略回测框架：回测的核心概念与Backtrader实战

各位同学好，我是你们的讲师。今天咱们聊聊回测框架。说实话，我见过太多人把回测当成「过家家」——跑个曲线，看个收益，就觉得稳了。结果实盘一上，亏得亲妈都不认识。

为什么会这样？因为回测里藏着太多坑。滑点、手续费、资金管理，任何一个没处理好，你的「完美策略」都可能变成灾难。今天我就把这些核心概念掰开揉碎，再带大家上手Backtrader这个利器。

核心观点：回测不是验证策略「能不能赚钱」，而是验证策略「在真实市场中会不会死」。滑点、手续费、资金管理，就是决定生死的三个关卡。

3.1 回测的核心概念

3.1.1 滑点（Slippage）

滑点说白了，就是你下单的价格和实际成交价格之间的差价。我刚开始做回测时，天真地以为「想买就能买到，想卖就能卖掉」。直到有一次，我在回测里年化收益80%，实盘一跑直接腰斩。查了半天，罪魁祸首就是滑点。

滑点产生的原因主要有三个：

  • 市场流动性不足：你挂100手买单，但卖单只有50手，剩下的只能追高
  • 交易延迟：从你点击「下单」到交易所收到指令，这几十毫秒里价格可能已经变了
  • 大单冲击：你的订单本身就会影响市场价格，尤其是小市值股票

在回测中，我们通常用固定滑点或百分比滑点来模拟。我个人习惯用万分之三到万分之五，这个范围比较贴近A股实际情况。

避坑指南：我曾经见过有人把滑点设成0.0001%，回测曲线漂亮得像艺术品。结果实盘第一天就亏了2%。记住：滑点宁可高估，不要低估。

3.1.2 手续费（Commission）

手续费这块，很多人觉得「不就是万几嘛，影响不大」。你想想看，高频策略一天交易几十次，手续费累积起来可能吃掉你一半的利润。

常见的费用包括：

  • 佣金：券商收取的交易费用，A股一般是万2.5到万3
  • 印花税：卖出时收取，目前是千分之一
  • 过户费：沪深两市都有，万0.2左右
  • 平台费：有些量化平台会额外收取

在Backtrader里，我们可以这样设置手续费：

import backtrader as bt

cerebro = bt.Cerebro()
# 设置佣金为万分之三
cerebro.broker.setcommission(commission=0.0003)
# 也可以按固定金额，比如每笔5元
cerebro.broker.setcommission(commission=5.0, mult=1.0)

注意：不同品种的手续费差异很大。期货是万分之几，但还有保证金占用；ETF是万分之零点几；期权更复杂。一定要根据实际交易品种来设置。

3.1.3 资金管理（Money Management）

资金管理，说白了就是「每次该下多少注」。我见过最惨的案例：一个策略回测收益300%，实盘时全仓干进去，结果连续三次止损，本金直接腰斩。

常见的资金管理方法：

  • 固定仓位：每次固定买入100股或1手，简单粗暴
  • 固定比例：每次用总资金的固定比例（比如10%）开仓
  • 凯利公式：根据胜率和盈亏比计算最优仓位
  • 风险平价：让每个品种的风险贡献相等

我个人比较推荐固定比例法，尤其是新手。比如每次只用总资金的2%去冒险，就算连续亏10次，也只亏20%，还有翻盘的机会。

3.2 Backtrader框架入门

Backtrader是我用得最多的回测框架。为什么选它？因为它是纯Python，扩展性强，社区活跃。说白了，你想要的它基本都有，没有的也能自己写。

3.2.1 核心组件

Backtrader有五个核心组件，我画了个图帮你理解：

Backtrader核心组件架构图 Cerebro（大脑） Data Feed（数据源） Strategy（策略） Broker（经纪人） Analyzer（分析器） Observer（观察者） Cerebro协调数据、策略、经纪人，分析器计算指标，观察者监控运行状态

简单解释一下：

  • Cerebro：整个框架的大脑，负责协调所有组件
  • Data Feed：喂给策略的数据，比如日K线、分钟线
  • Strategy：你的交易逻辑，什么时候买、什么时候卖
  • Broker：模拟真实券商，处理订单、计算资金
  • Analyzer/Observer：分析回测结果，监控运行过程

3.2.2 快速上手

来看一个最简单的例子，实现一个「金叉买入，死叉卖出」的策略：

import backtrader as bt
import backtrader.indicators as btind

class GoldenCrossStrategy(bt.Strategy):
    params = (
        ('fast_period', 10),
        ('slow_period', 30),
    )
    
    def __init__(self):
        # 计算快线和慢线
        self.fast_ma = btind.SMA(self.data.close, period=self.params.fast_period)
        self.slow_ma = btind.SMA(self.data.close, period=self.params.slow_period)
        # 金叉信号
        self.crossover = btind.CrossOver(self.fast_ma, self.slow_ma)
    
    def next(self):
        # 没有持仓时，金叉买入
        if not self.position:
            if self.crossover > 0:
                self.buy()
        # 有持仓时，死叉卖出
        elif self.crossover < 0:
            self.sell()

# 创建大脑
cerebro = bt.Cerebro()
# 添加数据
data = bt.feeds.YahooFinanceData(dataname='AAPL', fromdate='2020-01-01', todate='2023-12-31')
cerebro.adddata(data)
# 添加策略
cerebro.addstrategy(GoldenCrossStrategy)
# 设置初始资金
cerebro.broker.setcash(100000.0)
# 运行回测
results = cerebro.run()
# 画图
cerebro.plot()

小技巧：刚开始用Backtrader时，建议先用内置的YahooFinance数据测试。等熟悉了再换成自己的数据源。我当年就是直接上自己的数据，结果格式不对折腾了一整天。

3.3 自定义策略编写

内置策略不够用？那就自己写。Backtrader的策略编写其实就三个核心方法：

  • __init__：初始化指标和变量
  • next：每根K线都会调用一次，在这里写交易逻辑
  • notify_order：订单状态变化时触发，用于处理成交、撤单等

来看一个更复杂的例子，加入止损和仓位管理：

class MyStrategy(bt.Strategy):
    params = (
        ('rsi_period', 14),
        ('rsi_upper', 70),
        ('rsi_lower', 30),
        ('risk_per_trade', 0.02),  # 每次冒险2%的资金
    )
    
    def __init__(self):
        self.rsi = btind.RSI(self.data.close, period=self.params.rsi_period)
        self.order = None  # 跟踪当前订单
    
    def next(self):
        # 如果有未完成的订单，跳过
        if self.order:
            return
        
        # 计算仓位大小
        size = int(self.broker.getcash() * self.params.risk_per_trade / self.data.close[0])
        
        # 超卖区域买入
        if not self.position and self.rsi < self.params.rsi_lower:
            self.order = self.buy(size=size)
        
        # 超买区域卖出
        elif self.position and self.rsi > self.params.rsi_upper:
            self.order = self.sell(size=size)
    
    def notify_order(self, order):
        if order.status in [order.Completed, order.Canceled, order.Margin]:
            self.order = None

注意：在next方法里，一定要处理订单状态。我曾经犯过一个错误：连续下单导致资金不足，回测结果完全乱套。记住：每次下单前检查是否有未完成的订单。

3.4 回测结果评估指标

回测跑完了，怎么判断策略好不好？光看收益率曲线可不行。我见过太多「漂亮曲线」背后藏着巨大的风险。

3.4.1 夏普比率（Sharpe Ratio）

夏普比率衡量的是「每承担一单位风险，能获得多少超额收益」。说白了，就是你的策略值不值得冒险。

计算公式：

夏普比率 = (策略收益率 - 无风险利率) / 策略波动率

一般来说：

  • 夏普比率 > 1：还不错
  • 夏普比率 > 2：很好
  • 夏普比率 > 3：非常优秀（但要小心过拟合）

在Backtrader里计算夏普比率：

cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
results = cerebro.run()
sharpe = results[0].analyzers.sharpe.get_analysis()
print(f"夏普比率: {sharpe['sharperatio']:.2f}")

3.4.2 最大回撤（Max Drawdown）

最大回撤，就是策略从最高点跌到最低点的最大幅度。这个指标比收益率更重要。为什么？因为回撤超过30%，大部分人就扛不住了，会手动止损，然后完美错过后面的反弹。

我个人的经验：

  • 回撤 < 10%：很稳健
  • 回撤 10%-20%：可以接受
  • 回撤 20%-30%：需要警惕
  • 回撤 > 30%：建议重新审视策略
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
results = cerebro.run()
dd = results[0].analyzers.drawdown.get_analysis()
print(f"最大回撤: {dd['max']['drawdown']:.2f}%")

3.4.3 年化收益（Annualized Return）

年化收益是把总收益换算成一年的收益率。注意，不是简单的总收益除以年数，而是用复利计算。

举个例子：你回测了3年，总收益50%，那年化收益不是50%/3=16.67%，而是：

年化收益 = (1 + 0.5)^(1/3) - 1 = 14.47%

在Backtrader里：

cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='annual')
results = cerebro.run()
annual = results[0].analyzers.annual.get_analysis()
print(f"年化收益: {annual['annual_return']:.2f}%")

3.4.4 综合评估表

我把这几个指标整理成了一张表，方便你对照：

指标 含义 优秀值 警戒值
夏普比率 风险调整后收益 > 2.0 < 1.0
最大回撤 最大亏损幅度 < 10% > 20%
年化收益 复利年化收益率 > 20% < 10%
胜率 盈利交易占比 > 60% < 40%
盈亏比 平均盈利/平均亏损 > 2.0 < 1.5

重要提醒：不要只看单一指标。一个策略可能夏普比率很高，但最大回撤也很大。要综合评估，尤其是要看看资金曲线是否平滑。我见过最坑的策略：夏普比率2.5，但最大回撤40%，这种策略实盘根本拿不住。

好了，这一章的内容就到这里。回测框架是量化交易的基石，滑点、手续费、资金管理这三个概念一定要吃透。Backtrader是个好工具，但工具再好，也得看你怎么用。下一章我们会深入讲数据获取和清洗，那是另一个容易踩坑的地方。

专注资料整理
← 上一章 📖 返回目录 下一章 →