4. 单因子回测框架搭建：回测框架设计、信号生成与交易逻辑、绩效评估指标

好了，到了真正动手的环节了。

前面我们讲了数据清洗、讲了因子计算，但那些都是「食材」。今天我们要搭一个「厨房」——也就是单因子回测框架。说白了，就是把你算好的因子值，扔进一个模拟的交易环境里，看看它到底能不能赚钱。

我个人习惯把回测框架拆成三个模块：信号生成、交易逻辑、绩效评估。这三个模块串起来，就是一个完整的回测流水线。

4.1 回测框架的整体设计

先画个图，让你对整个框架有个直观印象。我习惯用一张流程图来梳理逻辑，这样写代码的时候不容易乱。

这张图我画了好几个版本，最后觉得这个最清晰。你写代码的时候，也可以先画个类似的图，把每个模块的输入输出理清楚。

4.2 信号生成：从因子值到交易指令

信号生成是整个框架的「大脑」。因子值本身只是一堆数字，你得告诉程序：什么情况下买入？什么情况下卖出？

最常见的做法是分位数分组法。比如，每个月末，把所有股票的因子值从大到小排序，分成10组。做多第1组（因子值最大的），做空第10组（因子值最小的）。

嗯，这里要注意：分组数不是固定的。我见过有人用5组，也有人用20组。分组越细，信号越敏感，但换手率也越高。我个人习惯用10组，这是一个比较平衡的选择。

除了分组法，还有阈值法。比如，因子值大于2就买入，小于-2就卖出。这种方法更直接，但阈值怎么定？我建议你先看看因子值的分布，别拍脑袋定。

# 信号生成示例代码（伪代码）
def generate_signals(factor_df, method='quantile', n_groups=10):
    """
    factor_df: 包含日期、股票代码、因子值的DataFrame
    """
    if method == 'quantile':
        # 每月分组
        factor_df['group'] = factor_df.groupby('date')['factor'].transform(
            lambda x: pd.qcut(x, n_groups, labels=False)
        )
        # 做多第0组（最大），做空第n_groups-1组（最小）
        factor_df['signal'] = 0
        factor_df.loc[factor_df['group'] == 0, 'signal'] = 1   # 买入
        factor_df.loc[factor_df['group'] == n_groups-1, 'signal'] = -1  # 卖出
    return factor_df

4.3 交易逻辑：模拟真实成交

信号生成之后，就是交易逻辑了。这一步最容易出问题，因为真实交易和理想情况差太多了。

你想想看，信号说「买入」，但你真的能买到吗？不一定。比如涨停了买不进去，或者流动性太差，一买就把价格拉上去了。所以，交易逻辑里必须考虑滑点和交易成本。

我一般这样处理：

• 滑点：假设每次交易都有0.1%的滑点成本。这个数字是我根据历史数据统计出来的，不同市场不一样。
• 手续费：A股一般是万分之三，加上印花税（卖出时千分之一）。
• 涨跌停限制：如果股票涨停，当天不能买入；跌停不能卖出。

交易逻辑的代码实现，我习惯用一个循环来模拟每一天的操作：

# 交易逻辑伪代码
def run_backtest(signals, price_df, initial_capital=1e6):
    capital = initial_capital
    position = 0  # 当前持仓
    trade_log = []

    for date in sorted(signals['date'].unique()):
        today_signals = signals[signals['date'] == date]
        today_prices = price_df.loc[date]

        # 先处理卖出信号
        sell_stocks = today_signals[today_signals['signal'] == -1]
        for stock in sell_stocks['stock']:
            if position > 0:
                # 考虑滑点和手续费
                sell_price = today_prices[stock] * (1 - 0.001)  # 0.1%滑点
                capital += position * sell_price * (1 - 0.0003)  # 手续费
                position = 0
                trade_log.append((date, stock, 'sell', sell_price))

        # 再处理买入信号
        buy_stocks = today_signals[today_signals['signal'] == 1]
        for stock in buy_stocks['stock']:
            if capital > 0:
                buy_price = today_prices[stock] * (1 + 0.001)  # 0.1%滑点
                position = capital / buy_price * (1 - 0.0003)  # 手续费
                capital = 0
                trade_log.append((date, stock, 'buy', buy_price))

    return capital, trade_log

这段代码很简化，但核心逻辑都在了。实际项目中，你还要处理多只股票同时持仓的情况，那就需要引入仓位管理了。

4.4 绩效评估指标：用数字说话

回测跑完了，拿到了一串净值曲线。然后呢？你得用指标来量化它的表现。我最常用的三个指标是：年化收益率、夏普比率、最大回撤。

4.4.1 年化收益率

这个最简单，就是把总收益率换算成年化形式。假设回测了3年，总收益是50%，那年化就是：

年化收益率 = (1 + 0.5)^(1/3) - 1 ≈ 14.5%

4.4.2 夏普比率

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」。公式是：

夏普比率 = (策略年化收益率 - 无风险利率) / 年化波动率

一般来说，夏普比率大于1算不错，大于2算优秀。我见过最夸张的一个因子，夏普比率做到了3.5，但后来发现是数据有误……

4.4.3 最大回撤

最大回撤就是「从最高点跌到最低点，最多亏了多少」。这个指标很直观，也很残酷。一个年化收益30%的策略，如果最大回撤是40%，你敢用吗？反正我不敢。

我给自己定了个规矩：最大回撤不能超过年化收益的一半。比如年化20%，最大回撤最好控制在10%以内。

下面是一个绩效评估的汇总表，方便你对照：

指标名称	计算公式	优秀标准	注意事项
年化收益率	(1+总收益)^(1/年数)-1	> 15%	需考虑无风险利率
夏普比率	(策略收益 - 无风险利率) / 波动率	> 1.5	回测期需包含熊市
最大回撤	max(峰值 - 谷值) / 峰值	< 10%	越低越好
胜率	盈利交易次数 / 总交易次数	> 50%	需结合盈亏比看
盈亏比	平均盈利 / 平均亏损	> 2	越高越好

最后，我想说一句：回测只是起点，不是终点。一个因子在回测里表现再好，也不代表实盘能赚钱。但如果你连回测这关都过不了，那实盘就更没戏了。

好了，这一章的内容就到这。框架搭好了，下一步就是往里面填因子，看看哪些是真金，哪些是沙子。

---

公众号:蓝海资料掘金营，微信deep3321