quantKonwledge/07_回测框架/回测方法论与实践.md

回测方法论与实践

回测是量化交易策略开发中最关键的环节。本文档详细介绍回测的正确方法、常见偏差的规避技巧，以及主要绩效评估指标的计算与解读。

---

一、回测的核心原则

1.1 什么是好的回测

一个可靠的回测应满足以下条件：

• 无未来数据泄露：策略在任何时刻只能使用该时刻之前的数据
• 包含真实交易成本：手续费、滑点、借贷成本
• 样本外验证：在从未用于优化的数据上测试
• 多市场验证：在不同市场条件下均表现稳定
• 统计显著性：足够多的交易次数，避免小样本偏差

1.2 回测流程

1. 策略假设定义
      ↓
2. 历史数据准备（清洗、验证）
      ↓
3. 样本内回测（In-Sample，用于参数优化）
      ↓
4. 样本外验证（Out-of-Sample，评估真实表现）
      ↓
5. 前向测试（Walk-Forward，模拟实盘）
      ↓
6. 纸面交易（Paper Trading，实时验证）
      ↓
7. 小资金实盘（逐步增加资金）

---

二、常见回测偏差

2.1 过拟合偏差（Overfitting Bias）

定义：策略参数过度优化，在历史数据上表现完美，但在新数据上失效。

识别方法：

• 样本内夏普比率远高于样本外（> 2 倍差距）
• 策略参数过多（自由度过高）
• 参数微小变化导致绩效大幅波动

规避方法：

• 使用奥卡姆剃刀原则：简单策略优于复杂策略
• 参数敏感性测试：参数在合理范围内变化时，绩效应相对稳定
• 交叉验证：将数据分为多个折叠，分别测试

2.2 数据窥探偏差（Data Snooping Bias）

定义：在同一数据集上反复测试多个策略，直到找到"有效"的策略。

规避方法：

• 严格区分样本内和样本外数据
• 使用 Bonferroni 校正调整多重检验的显著性水平
• 预先注册策略假设（Pre-registration）

2.3 幸存者偏差（Survivorship Bias）

定义：历史数据只包含至今仍存在的资产，已退市或破产的资产被排除。

加密货币中的体现：

• 许多山寀币已归零，但历史数据库可能不包含这些数据
• 只看当前主流币的历史表现，会高估策略收益

规避方法：

• 使用包含退市资产的完整数据集
• 在策略中加入资产筛选机制（如市值门槛）

2.4 未来数据泄露（Look-Ahead Bias）

定义：在计算指标时，使用了当时不可能获得的未来数据。

常见错误：

# 错误示例：使用当天最高价计算信号（当天收盘前不知道最高价）
signal = df['high'].rolling(20).max()  # 错误！

# 正确示例：使用前一天的最高价
signal = df['high'].shift(1).rolling(20).max()  # 正确

tradehk 的处理：信号在 K 线收盘后计算，下一根 K 线开盘时执行，避免了未来数据泄露。

2.5 交易成本忽略（Transaction Cost Neglect）

加密货币交易成本构成：

成本类型	典型值	说明
Maker 手续费	0.02-0.05%	挂限价单
Taker 手续费	0.04-0.1%	吃市价单
滑点	0.01-0.5%	取决于流动性和订单大小
资金费率	±0.01%/8h	永续合约持仓成本

回测中的处理：

# 建议在回测中使用略高于实际的手续费，留出安全边际
COMMISSION_RATE = 0.001  # 0.1%（含滑点）

def calculate_pnl(entry_price, exit_price, side, size):
    if side == 'LONG':
        gross_pnl = (exit_price - entry_price) * size
    else:
        gross_pnl = (entry_price - exit_price) * size
    
    # 扣除双边手续费
    commission = (entry_price + exit_price) * size * COMMISSION_RATE
    return gross_pnl - commission

---

三、绩效评估指标

3.1 收益类指标

总收益率（Total Return）：

R_{total} = \frac{最终净值 - 初始资金}{初始资金} \times 100\%

年化收益率（CAGR）：

CAGR = \left(\frac{最终净值}{初始资金}\right)^{\frac{1}{年数}} - 1

3.2 风险调整收益指标

夏普比率（Sharpe Ratio）：

Sharpe = \frac{年化收益率 - 无风险利率}{年化波动率}

夏普比率	评级
< 0	不可接受
0-0.5	较差
0.5-1.0	一般
1.0-2.0	良好
> 2.0	优秀

索提诺比率（Sortino Ratio）：只考虑下行波动率，更适合非对称收益分布：

Sortino = \frac{年化收益率 - 无风险利率}{下行波动率}

卡尔玛比率（Calmar Ratio）：

Calmar = \frac{年化收益率}{最大回撤}

3.3 风险类指标

最大回撤（Maximum Drawdown）：

MDD = \max_{t \in [0,T]} \left(\frac{峰值净值 - 当前净值}{峰值净值}\right)

回撤持续时间：从峰值到恢复峰值所需的时间，越短越好。

VaR（风险价值）：在给定置信水平下，未来某时间段内可能发生的最大损失。

3.4 交易质量指标

指标	计算方法	目标值
胜率	盈利交易数 / 总交易数	> 50%（趋势策略可低于 50%）
盈亏比	平均盈利 / 平均亏损	> 1.5
期望值	胜率 × 盈亏比 - (1 - 胜率)	> 0
最大连续亏损	连续亏损的最大次数	越小越好

---

四、Python 回测框架

4.1 主流回测库对比

框架	特点	适用场景
Backtrader	功能全面，文档丰富	股票、期货
Backtesting.py	简洁易用，可视化好	快速原型
QuantConnect	云端，支持多资产	专业量化
Freqtrade	专为加密货币设计	加密货币
VectorBT	向量化，速度极快	大规模回测

4.2 简单回测框架实现

import pandas as pd
import numpy as np
from dataclasses import dataclass
from typing import List, Optional

@dataclass
class Trade:
    entry_time: pd.Timestamp
    exit_time: Optional[pd.Timestamp]
    side: str  # 'LONG' or 'SHORT'
    entry_price: float
    exit_price: Optional[float]
    size: float
    pnl: Optional[float] = None

class SimpleBacktester:
    def __init__(self, initial_capital: float = 10000, commission: float = 0.001):
        self.initial_capital = initial_capital
        self.commission = commission
        self.capital = initial_capital
        self.trades: List[Trade] = []
        self.equity_curve = []
    
    def run(self, df: pd.DataFrame, signals: pd.Series) -> dict:
        """
        df: K 线数据（含 OHLCV）
        signals: 信号序列（1=买入，-1=卖出，0=持仓）
        """
        position = 0
        current_trade = None
        
        for i, (timestamp, row) in enumerate(df.iterrows()):
            signal = signals.iloc[i]
            
            # 开多仓
            if signal == 1 and position == 0:
                size = self.capital / row['close']
                cost = row['close'] * size * self.commission
                self.capital -= cost
                position = 1
                current_trade = Trade(
                    entry_time=timestamp,
                    exit_time=None,
                    side='LONG',
                    entry_price=row['close'],
                    exit_price=None,
                    size=size
                )
            
            # 平多仓
            elif signal == -1 and position == 1:
                revenue = row['close'] * current_trade.size
                cost = revenue * self.commission
                pnl = (row['close'] - current_trade.entry_price) * current_trade.size - cost
                self.capital += revenue - cost
                
                current_trade.exit_time = timestamp
                current_trade.exit_price = row['close']
                current_trade.pnl = pnl
                self.trades.append(current_trade)
                position = 0
                current_trade = None
            
            # 记录净值曲线
            if position == 1 and current_trade:
                unrealized_pnl = (row['close'] - current_trade.entry_price) * current_trade.size
                self.equity_curve.append(self.capital + unrealized_pnl)
            else:
                self.equity_curve.append(self.capital)
        
        return self.calculate_metrics()
    
    def calculate_metrics(self) -> dict:
        equity = pd.Series(self.equity_curve)
        returns = equity.pct_change().dropna()
        
        total_return = (equity.iloc[-1] / self.initial_capital - 1) * 100
        max_drawdown = ((equity.cummax() - equity) / equity.cummax()).max() * 100
        sharpe = returns.mean() / returns.std() * np.sqrt(365 * 24)  # 小时级别
        
        winning_trades = [t for t in self.trades if t.pnl and t.pnl > 0]
        win_rate = len(winning_trades) / len(self.trades) if self.trades else 0
        
        return {
            '总收益率': f"{total_return:.2f}%",
            '最大回撤': f"{max_drawdown:.2f}%",
            '夏普比率': f"{sharpe:.2f}",
            '胜率': f"{win_rate:.2%}",
            '总交易次数': len(self.trades),
            '最终资金': f"${self.capital:.2f}"
        }

---

五、前向测试（Walk-Forward Analysis）

前向测试是最接近实盘的回测方法，通过滚动窗口模拟参数定期重新优化的过程：

时间轴：|---训练期---|---测试期---|---训练期---|---测试期---|
         窗口 1                   窗口 2

流程：
1. 在训练期内优化参数
2. 用优化后的参数在测试期内运行策略
3. 滚动到下一个窗口
4. 汇总所有测试期的绩效

---

参考资料

• QuantStart. "Backtesting Systematic Trading Strategies in Python". https://www.quantstart.com/
• Backtesting.py 文档：https://kernc.github.io/backtesting.py/
• BigQuant 量化平台：https://bigquant.com/