《量化交易入门》第 5 章：回测——让历史告诉你答案#

5.1 回测是什么#

回测（Backtest）= 假设自己带着策略回到过去，模拟做一遍交易，最后算账。

做法朴素：准备一段历史价格，程序从第一天走到最后一天，每一天按策略判断该不该买、该不该卖，虚拟成交，记下账户里有多少钱。走完，你就得到一份”假如过去 60 天我这么干”的成绩单。

它的价值在于便宜：一个策略实盘试错，可能要亏几万、花半年；回测一次，几秒钟，电费几分钱。如果一个策略在过去的数据上都赚不到钱，你基本没有理由相信它未来会突然灵。

但反过来要记住：回测赚钱，不等于实盘赚钱——这一点 5.6 节专门拆。

5.2 回测的四个零件#

任何回测程序，拆开都是这四块：

注意”成交”这一步藏着讲究：信号是收盘后才算出来的（要用收盘价），你不可能在同一个收盘价上成交。所以严谨的回测都规定：今天出信号，明天才能成交。这就是下一节代码里 i+1 的含义。

5.3 完整代码：60 天回测#

下面把第 4 章的均线交叉策略放进 60 个交易日里完整回测，初始资金 10 万，金叉次日全仓买入、死叉次日全部卖出。

1
closes = [
2
    # 第1段：下跌
3
    12.0,11.8,11.6,11.4,11.2,11.0,10.8,10.6,10.4,10.2,
4
    10.0, 9.8, 9.7, 9.6, 9.5, 9.4, 9.5, 9.7,10.0,10.4,
5
    # 上涨
6
    10.8,11.2,11.6,12.0,12.3,12.6,12.8,13.0,12.9,12.7,
7
    # 见顶回落
8
    12.4,12.0,11.6,11.3,11.1,11.0,11.2,11.5,11.8,11.6,
9
    # 第二段震荡
10
    11.3,11.0,10.8,10.7,10.8,11.0,11.3,11.6,11.4,11.1,
11
    10.9,10.8,10.9,11.1,11.4,11.6,11.5,11.3,11.0,10.9,
12
]
13

14
def ma(data, i, w):
15
    return sum(data[i-w+1:i+1]) / w
16

17
cash = 100000.0
18
shares = 0
19
trades = []
20
equity_curve = []
21
prev_diff = None
22

23
for i in range(19, len(closes)):
24
    diff = ma(closes, i, 5) - ma(closes, i, 20)
25
    # 今天确认的信号，明天（i+1）才成交——避免未来函数
26
    if prev_diff is not None and i + 1 < len(closes):
27
        if prev_diff <= 0 < diff and shares == 0:      # 金叉：次日买入
28
            price = closes[i+1]
29
            shares = cash / price
30
            cash = 0
31
            trades.append(("买入", i+2, price))
32
        elif prev_diff >= 0 > diff and shares > 0:    # 死叉：次日卖出
33
            price = closes[i+1]
34
            cash = shares * price
35
            shares = 0
36
            trades.append(("卖出", i+2, price))
37
    equity = cash + shares * closes[i]   # 当日收盘总市值
38
    equity_curve.append(equity)
39
    prev_diff = diff
40

41
for action, day, price in trades:
42
    print(f"第{day}天 {action}，成交价 {price}")
43

44
final = equity_curve[-1]
45
print(f"期末资金: {final:.2f}")
46
print(f"总收益率: {(final/100000-1)*100:+.2f}%")
47
peak = equity_curve[0]
48
max_dd = 0
49
for e in equity_curve:
50
    peak = max(peak, e)
51
    max_dd = min(max_dd, e/peak - 1)
52
print(f"最大回撤: {max_dd*100:.2f}%")

运行结果（可复制到本地验证）：

1
第23天 买入，成交价 11.6
2
第37天 卖出，成交价 11.2
3
第52天 买入，成交价 10.8
4
第53天 卖出，成交价 10.9
5
第58天 买入，成交价 11.3
6
期末资金: 93996.32
7
总收益率: -6.00%
8
最大回撤: -16.13%

5.4 读懂这份成绩单#

别看数字小，每个都在说话：

• 总收益率 -6%：这个策略在这段行情里是亏的。第一次交易 11.6 买、11.2 卖，期间价格明明冲到过 13——这就是第 4 章说的滞后，等死叉确认时利润全还了回去还倒亏。
• 最大回撤 -16.13%：账户从最高点最多亏下去 16%。它衡量的是”过程有多难受”——很多人不是策略不行，是扛不住中途这个坑。
• 交易只有 4 次：均线交叉是低频策略，不会天天折腾。

请注意：这份”不及格”的成绩单，恰恰是回测最大的成功。 我们花几秒钟、零元，就避免了带着 10 万块进市场亏 6000。回测的第一使命是证伪——帮你排除烂策略，而不是证明你聪明。

还有一个容易被忽略的问题：这份成绩单的样本太少了。 60 天里只交易 4 次，4 次里错一次，“胜率”这种数字就会剧烈跳动。现实中，如果你只用四五次交易就判定一个策略行或不行，结论非常脆弱——赶上的可能只是一小段特殊行情。所以评估策略时，除了看收益率，还要问：一共交易了多少次？跨越了多少种市场环境（上涨、下跌、横盘都遇到过吗）？次数越多、经历的环境越全，结论才越可信。 这也是为什么真实的策略研究往往要用几年、甚至十几年的数据，而不是一两个月。

5.5 最致命的坑：未来函数#

新手回测最容易犯、也最隐蔽的错误，叫未来函数（look-ahead bias）：在某一天做决定时，用了那天还不可能知道的信息。

比如这一行，如果写成”今天金叉、按今天收盘价买入”，回测会好看很多——因为你等于看着答案下单：收盘瞬间你”知道”了均线、又用同一个收盘价成交。现实中你收盘后才算出信号，最早只能明天买。代码里 closes[i+1] 就是在堵这个洞。

未来函数的可怕之处是：它不会报错，只会给你一份假得很漂亮的成绩单。 凡是回测收益高到离谱，先怀疑有没有偷看未来。

5.6 回测好看，为什么还会亏#

即使堵住未来函数，回测漂亮、实盘亏钱依然常见，主要有三个原因，后面章节会逐个解决：

1. 市场会变：过去有效的规律可能失效，趋势行情里测出来的策略，赶上长期横盘就废（第 4 章的震荡打脸）。
2. 没算成本：手续费、滑点每次看着小，几十次交易累积起来能吃掉全部利润——第 9 章专门算这笔账。
3. 过度调参：为了贴合历史反复改参数，策略成了”背诵历史”，一遇新行情就露馅，这叫过拟合，第 11 章细讲。

所以看回测，多问一句：这个成绩是策略抓住了规律，还是只是把历史背熟了？

5.7 这一章你该记住的#

1. 回测 = 带策略回历史数据模拟交易，核心价值是便宜地证伪
2. 四个零件：数据、信号、成交、净值曲线；今天出信号、明天才成交
3. 必看指标：总收益率、最大回撤、交易次数
4. 未来函数不报错但最致命；回测好 ≠ 实盘赚，成本和过拟合后面拆

有了回测这台时光机，你就有了检验任何想法的能力。下一章我们离开均线，去认识量化里真正的”原材料”——常见因子：动量、波动与量价，看看除了交叉，还有哪些规律能变成信号。

📚 《量化交易入门》系列：零基础小白向量化交易，每章一个主题 + 可运行 Python 示例。第 5 章已读，下一章《常见因子：动量、波动与量价》明天见。