4.7 KiB
4.7 KiB
回测（Backtesting）
返回：名词解释总索引 | Wiki 主索引 相关名词：夏普比率 | 最大回撤 | Kelly公式 | EWO-艾略特波浪振荡器
定义
回测是指将交易策略应用于历史数据，模拟该策略在过去一段时间内的表现，以评估其有效性和风险特征的过程。回测是量化交易策略开发的核心环节，但也存在多种偏差陷阱。
"回测结果好看不代表实盘能赚钱——过度拟合、前视偏差、幸存者偏差是三大最常见的回测陷阱。"
核心评估指标
| 指标 | 计算方式 | 优秀标准 | 说明 |
|---|---|---|---|
| 年化收益率 | 总收益折算为年化 | > 30% | 加密市场基准较高 |
| 夏普比率 | 超额收益/波动率标准差 | > 1.5 | 见 夏普比率 |
| 最大回撤 | 峰值到谷底的最大跌幅 | < 20% | 见 最大回撤 |
| 卡尔玛比率 | 年化收益/最大回撤 | > 2.0 | 综合衡量收益风险比 |
| 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 | > 1.5 | 胜率低时需更高盈亏比 |
| 交易次数 | 回测期间总交易次数 | > 100 次 | 样本量不足结论不可信 |
三大偏差陷阱
1. 前视偏差（Look-Ahead Bias）
定义：策略在计算信号时使用了未来才能知道的数据。
常见案例：
- 用当日收盘价计算均线，但信号在开盘时就触发
- 用最高价/最低价作为止损，但实际交易时无法预知
防范方法：严格使用已收线的 K 线数据，信号只在下一根 K 线开盘时执行。
2. 过度拟合（Overfitting）
定义：策略参数过度优化以适应历史数据，导致在未来数据上表现差。
识别方法：
- 样本内（In-Sample）表现远好于样本外（Out-of-Sample）
- 参数稍微调整一点，结果大幅变化
防范方法：
- 将数据分为训练集（70%）、验证集（15%）、测试集（15%）
- 使用 Walk-Forward 滚动优化而非全局优化
3. 幸存者偏差（Survivorship Bias）
定义：只用现存的交易品种回测，忽略了已退市/归零的品种。
加密市场案例：2021 年 DeFi 热潮中，大量代币归零，只回测现存代币会高估策略收益。
防范方法：使用包含退市品种的完整历史数据集。
回测流程（标准 7 步）
第一步：数据准备
获取高质量 OHLCV 数据 → 清洗异常值 → 处理缺失数据
↓
第二步：策略定义
明确入场/出场规则 → 止损/止盈逻辑 → 仓位管理规则
↓
第三步：样本外分割
训练集 70% | 验证集 15% | 测试集 15%（时间顺序分割）
↓
第四步：信号生成
在训练集上生成信号 → 严格避免前视偏差
↓
第五步：参数优化
网格搜索 / 遗传算法 → 在验证集上评估 → 防止过拟合
↓
第六步：样本外测试
用测试集评估最终策略 → 此步骤只能执行一次
↓
第七步：结果分析
计算所有评估指标 → 压力测试 → 决定是否实盘
详细流程见：回测方法论与实践
tradehk 信号系统回测建议
针对 EWO 转换信号的回测特殊注意事项：
数据要求：
- 最少需要 6 个月以上的 10m K 线数据
- 需要同时包含 4h K 线（用于大周期偏向计算）
- 推荐使用 Binance 历史数据（精度最高）
信号执行时机：
- EWO 转换信号在已收线的 K 线上确认
- 实际入场在下一根 K 线开盘价执行
- 不可使用当根 K 线收盘价入场（前视偏差）
评估重点：
- 重点关注假信号率（EWO 穿越后价格反转的比例）
- 对比不同阈值设置下的胜率变化
- 分析不同市场状态（牛市/熊市/震荡）下的策略表现
常见误区
误区一：回测收益越高越好 高收益往往伴随高风险或过度拟合。卡尔玛比率（收益/回撤）比单纯收益率更重要。
误区二：回测通过就可以实盘 回测只是必要条件，还需要模拟盘验证（Paper Trading）至少 1-3 个月才能考虑实盘。
误区三：手续费不重要 高频策略中手续费可能吃掉 30-50% 的利润。回测必须包含真实手续费（通常 0.05-0.1%/笔）。