3. 策略回测核心概念：回测目的、过拟合、前视偏差、幸存者偏差、回测与实盘差异

做高频策略回测，说白了就是一场「模拟考试」。你拿着历史数据当试卷，看看自己的策略能不能赚钱。但这里有个坑——很多人把回测当成了「开卷考试」，结果一到实盘就崩了。

我个人习惯把回测看作「风险探测器」，而不是「印钞机模拟器」。你想想看，如果回测曲线漂亮得像一条直线，那大概率是哪里出问题了。嗯，咱们今天就把回测里最核心的几个概念掰开揉碎了讲清楚。

3.1 回测的目的到底是什么？

很多人以为回测就是为了看「赚了多少」。其实不然。我做了这么多年回测，总结下来核心目的就三个：

• 验证逻辑有效性：你的策略逻辑在历史上是否站得住脚？比如「突破前高就买入」，历史上真的有效吗？
• 评估风险特征：最大回撤多少？夏普比率如何？极端行情下会不会爆仓？
• 发现隐藏问题：数据有没有坑？代码有没有bug？逻辑有没有漏洞？

我在项目中遇到过一位朋友，他的回测年化收益300%，回撤不到5%。我当时就觉得不对劲。后来一查，他把手续费设成了0，还用了未来数据。嗯，这种回测，说白了就是自欺欺人。

3.2 过拟合：回测里的「死胡同」

过拟合是什么？我打个比方：你让一个学生背下所有考试题的答案，结果考试时题目稍微变一下，他就不会了。策略过拟合也是这个道理——它把历史数据里的「噪音」当成了「信号」。

为什么会过拟合？常见原因有：

• 参数太多：一个策略里塞了十几个参数，每个参数都去优化，最后拟合了历史数据里的随机波动
• 过度优化：反复调整参数，直到回测曲线完美，但实盘时这些参数就失效了
• 样本内测试：只用同一段数据来回测和优化，没有留出样本外数据做验证

怎么避免过拟合？我个人习惯用这几招：

1. 留出样本外数据：比如用前80%的数据做优化，后20%的数据做验证
2. 限制参数数量：一个策略的参数最好不超过3-5个
3. 做蒙特卡洛模拟：随机打乱交易顺序，看看策略是否还能赚钱
4. 跨品种验证：在螺纹钢上有效的策略，在铁矿石上是否也有效？

3.3 前视偏差：回测里的「时间旅行」

前视偏差，说白了就是「用未来的信息做今天的决策」。这在回测里是个非常隐蔽的坑。

举个例子：你在回测时用当天的收盘价作为买入信号，但实际交易中，你只能在收盘后才能知道收盘价。如果你在回测里用收盘价作为「盘中」的买入条件，那就是前视偏差。

常见的几种前视偏差：

类型	说明	例子
价格前视	用未来价格做当前决策	用当日收盘价作为盘中买入条件
数据前视	用未来数据做当前计算	用未来复权因子计算历史收益率
事件前视	用未来事件做当前判断	用财报发布后的数据做发布前的交易

3.4 幸存者偏差：回测里的「幸存者游戏」

幸存者偏差，这个词最早来自二战时的飞机弹孔研究。简单说就是：你只看到了活下来的，没看到已经死掉的。

在期货回测里，幸存者偏差表现为：

• 只用了当前还在交易的合约：那些已经退市、交割的合约被忽略了
• 只用了主力合约：非主力合约的流动性问题被忽略了
• 只用了活跃品种：那些已经没人交易的品种被忽略了

你想想看，如果只回测那些「活下来」的合约，你的策略可能只是运气好——刚好选到了没被淘汰的品种。一旦遇到退市或流动性枯竭，策略就失效了。

我记得有一次，一个策略在回测里表现很好，但实盘时发现很多交易信号对应的合约已经退市了。嗯，这就是典型的幸存者偏差——回测时只用了「活着的」合约，实盘时才发现「死掉的」合约才是常态。

3.5 回测与实盘的差异：理想很丰满，现实很骨感

回测和实盘之间的差异，说白了就是「理想世界」和「现实世界」的差距。我总结下来，主要有这几个方面：

差异项	回测假设	实盘现实
成交价格	以收盘价或指定价成交	可能滑点、无法成交
交易成本	固定手续费	实际手续费可能更高，还有冲击成本
流动性	无限流动性	大单可能吃不完，小单可能买不到
延迟	零延迟	网络延迟、交易所延迟
数据质量	完美数据	可能有缺失、错误、延迟

怎么缩小这个差距？我个人习惯的做法是：

1. 加滑点：回测时主动加1-2个tick的滑点，模拟实盘成交
2. 加手续费：按实际手续费的两倍计算，留出安全边际
3. 限制仓位：回测时限制单笔交易量，模拟流动性不足的情况
4. 做压力测试：在极端行情下测试策略表现，比如2015年股灾、2020年原油暴跌

3.6 知识体系总览

下面这张图，我把本章的核心概念串起来了。你可以把它当作回测的「检查清单」——每次做回测前，对照着看一遍，能帮你避开大部分坑。

这张图把五个核心概念串成了一个整体。你每次做回测时，可以对照着检查一遍：回测目的是否明确？有没有过拟合？有没有前视偏差？数据是否包含退市合约？实盘和回测的差距是否考虑到了？

嗯，把这些都检查一遍，你的回测结果才真正有参考价值。否则，你只是在「自嗨」而已。