复盘框架搭建：定义复盘目标、数据采集范围、绩效指标选取

做期权策略，最怕什么？

怕的是赚了不知道为啥赚，亏了不知道为啥亏。

我见过太多交易员，回测曲线漂亮得像教科书，实盘一跑就变形。问题出在哪？说白了，就是复盘框架没搭好。你连复盘的目标都没想清楚，数据该取哪些、指标该看哪个，全凭感觉来，那跟闭着眼开车有啥区别？

今天咱们就把这个框架搭起来。我把自己这些年踩过的坑、总结的经验，一股脑倒给你。

一、复盘目标：你到底想验证什么？

很多人一上来就盯着收益率看。嗯，这其实是个误区。

我个人习惯，在开始任何复盘之前，先问自己三个问题：

• 这个策略赚的是什么钱？（方向？波动率？时间价值？）
• 在什么市场环境下它应该表现好？
• 如果它失效了，最可能的原因是什么？

想清楚这三点，复盘目标就清晰了。你不是在找「最好的策略」，而是在验证「这个策略是否按预期运行」。

举个例子。我做过一个卖出宽跨式策略，回测年化收益30%，最大回撤才8%。当时心里美滋滋。结果复盘时我专门去看了2018年2月和2020年3月的数据——嗯，那两次波动率飙升，策略直接回撤了15%以上。这才发现，原来我的策略赚的是「低波动环境下的时间价值」，一旦波动率突变，它就扛不住。

你看，如果复盘目标只是看总收益，我可能永远发现不了这个致命弱点。

二、数据采集范围：别漏了关键信息

数据是复盘的原材料。原材料不对，再好的厨子也白搭。

我建议你把数据采集分成三个层次：

层次	包含内容	说明
基础层	标的价格、期权价格、隐含波动率、无风险利率	这是必须有的，缺一不可
交易层	开仓时间、平仓时间、成交价、持仓量、保证金占用	记录每一笔交易的细节
环境层	市场状态（趋势/震荡）、波动率曲面、期限结构	用来判断策略表现的环境因素

这里有个坑，我踩过好几次——数据频率。很多人用日线数据做回测，觉得够了。但期权策略不一样，尤其是临近到期的合约，一天之内价格可能翻几倍或者归零。日线数据根本捕捉不到这种变化。

另外，别忘了采集未成交订单的数据。为什么？因为滑点和流动性风险往往就藏在这里。我曾经有个策略，回测时收益不错，实盘时发现很多订单根本成交不了——流动性太差了。后来我把未成交订单也纳入复盘数据，才发现这个问题。

三、绩效指标选取：三个核心指标就够了

市面上绩效指标一大堆，什么卡玛比率、索提诺比率、信息比率……说实话，对于期权策略复盘，我个人觉得三个核心指标就够了。

1. 收益率

这个不用多说，但要注意口径。我习惯用年化收益率，而不是总收益率。因为不同策略的持仓周期不一样，年化之后才能公平比较。

计算方式很简单：

# 年化收益率计算
def annualized_return(total_return, days):
    return (1 + total_return) ** (365 / days) - 1

# 示例：90天赚了12%
total_ret = 0.12
days = 90
ann_ret = annualized_return(total_ret, days)
print(f"年化收益率: {ann_ret:.2%}")  # 输出约 58.74%

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」。对于期权策略来说，这个指标尤其重要——因为期权自带杠杆，收益波动大，光看收益率容易被误导。

计算时注意用日收益率来算，再年化：

import numpy as np

def sharpe_ratio(daily_returns, risk_free_rate=0.03):
    excess_returns = daily_returns - risk_free_rate / 252
    return np.sqrt(252) * np.mean(excess_returns) / np.std(excess_returns)

# 假设日收益率序列
daily_rets = np.random.normal(0.001, 0.02, 252)
sr = sharpe_ratio(daily_rets)
print(f"夏普比率: {sr:.2f}")

3. 最大回撤

这个指标，说白了就是「你最惨的时候亏了多少」。对于期权策略，我特别关注回撤的持续时间和回撤的恢复时间。

为什么？因为期权策略经常会出现「钝刀割肉」式的回撤——每天亏一点点，连续亏一个月。这种回撤虽然幅度不大，但很磨人，容易让人心态崩掉。

计算最大回撤的代码：

def max_drawdown(equity_curve):
    peak = np.maximum.accumulate(equity_curve)
    drawdown = (equity_curve - peak) / peak
    return np.min(drawdown)

# 示例：净值曲线
equity = np.array([1.0, 1.05, 1.02, 0.98, 1.03, 1.08])
mdd = max_drawdown(equity)
print(f"最大回撤: {mdd:.2%}")  # 输出约 -6.67%

四、知识体系框架图

说了这么多，咱们用一张图把整个复盘框架串起来：

这张图把整个复盘流程串起来了。从上到下，先定目标，再采数据，最后算指标。每一步都环环相扣。

五、避坑指南

最后，分享几个我踩过的坑：

• 数据对齐问题：期权数据和标的数据的时间戳可能不一致。我曾经因为没对齐，导致回测结果差了5个百分点。解决办法是统一用标的的收盘时间作为基准。
• 分红除权处理：期权价格会受分红影响。如果你不做调整，回测结果会失真。我一般用调整后的价格序列。
• 手续费和滑点：别小看这个。对于高频策略，手续费可能吃掉一半收益。我习惯在回测时把手续费设得比实际高20%，给自己留点安全边际。

好了，复盘框架就搭到这里。框架有了，下一步就是往里填内容——怎么具体做复盘分析，咱们后面慢慢聊。