回测的悖论：越认真做，越不信结果#
做了十年量化回测系统，我有一个越来越坚定的信念：一个回测结果越好看，越应该怀疑它。不是怀疑策略，是怀疑回测本身有没有漏洞。
回测是量化投资里最容易被滥用的工具。同样是年化 30% 的策略，一个用了严谨的 tick 级回测，一个用了日频 OHLC 加 naive 滑点——这两个 30% 完全不是一个概念。后者在实盘中可能连 5% 都做不到。
以下是这些年我踩过和看过别人踩过的 12 个坑，按「坑害程度」从高到低排列。
坑 1：存活偏差——你见不到死了的股票#
这是最基础也最容易被忽视的偏差。你用今天的股票池回测三年前的策略——三年前那些股票里可能有一半已经退市了。用现存的股票回测 = 系统性高估收益。
正确做法：维护每个交易日的历史成分股池（point-in-time universe），用当时的可用股票进行回测，而不是用回测时的全量股票。
坑 2：前视偏差——你「不小心」用了未来的信息#
这个坑的隐蔽程度远超想象。最常见的场景：
- 财报发布日期用的是数据库的「录入日期」而不是「实际公告日」
- 用了季报发布后才可能计算出的财务比率
- 用全量数据的均值和标准差做标准化（「未来」数据也在里面）
正确做法：实现严格的 point-in-time 数据层。每一时刻只能用截至该时刻已知的信息。这要求数据处理 pipeline 支持 time-travel 查询。
坑 3：交易成本建模太粗糙#
回测里「买入价 = 当天收盘价 + 固定 2bp」这种模型在实盘中是灾难。交易成本分三层：
- 显性成本：佣金、印花税、交易所费用
- 市场冲击：你的单子本身推动价格。越是成交不活跃的品种，冲击越严重
- 机会成本：流动性不够导致部分挂单没成交，错过信号窗口
Almgren-Chriss 模型给出了一个不错的代理：永久冲击 + 临时冲击的两组分分解。但更加重要的是认识问题而非使用什么模型——在实际买卖中，小额买卖的成本几乎可以忽略不计，但大单成本是交易致命伤，一个回撤可能让人心如刀绞。
坑 4：多资产同步问题#
假设你有一个跨品种套利策略：买入 A 股票的同时卖出 B 股票。在日频回测里这很简单——同一天执行两笔。但在分钟/tick 级回测里呢？
A 的最后一笔交易在 10:30:00.123，B 的最后一笔在 10:30:00.789。你以哪个时间为准？如果在这 666ms 的间隔里发生了跨资产的信息传导，你的模拟价格就不对了。
正确做法：至少用 1 秒分桶做时间对齐。高频场景下考虑 Barndorff-Nielsen 的多变量同步方案。
坑 5：因子时序对齐错误#
这是前视偏差的一个特例，但因为它太常见所以单列。
例如你的因子定义是「过去 20 日收益率的负相关性」。你在回测里这样写：
factor = df['close'].pct_change(20).shift(-1)这里 shift(-1) 的逻辑是什么？你可能想表达「用 20 日前的价格算收益率」——但实际 data engineer 在凌晨 2 点刷新数据库的时候，这笔数据包含了当天收盘价。而你的策略在 9:30 就跑了。
正确做法：建立 factor computation date 的概念。每个因子值都有一个 as_of_date，标记它是用截至哪一天的数据计算的。
坑 6：复权因子误用#
A 股的前复权和后复权容易混淆。多数数据商提供的是前复权价格（比例复权），但你在计算收益率的时候，前复权价格本身会变化——今天的前复权历史价格可能和昨天的前复权历史价格不一样，因为复权因子变了。
正确做法：存未复权的 OHLCV + 复权因子表。计算收益率时先还原真实价格再算。
坑 7：过拟合在回测里看起来像「稳健」#
你跑了 500 个参数组合，选了最好的那个，回测曲线平滑向上。这在统计学上叫「p-hacking by another name」。如果你的参数空间维度很高且没有使用严格的样本外检验，回测最优参数基本上就是噪音。
正确做法：
- 严格的时间序列交叉验证（不是随机切分！）
- Walk-forward analysis：每 N 个月用滚动窗口重新做参数选择
- 记录整个参数空间的「平坦度」——最优参数周围的表现是否一致。如果差一个参数步长夏普比率就从 2.5 掉到 0.8，那大概率是过拟合
坑 8：无风险利率没有复权#
这个坑在长回测中特别明显。2015 年的一年期定期存款利率和 2025 年差出 200bp。如果你在 10 年回测里固定用一个无风险利率，早期的超额收益被系统性地低估或高估。
坑 9：回测引擎的撮合逻辑#
你的回测引擎怎么处理「想买入 1000 股但当时只有 300 股在卖一价位」？是等下一个 tick 继续买入剩余 700，还是全部取消？还是用后面的价位？每种选择对你的成交均价和滑点影响完全不同。
至少要实现：
- 多档撮合（match at multiple price levels）
- 部分成交（partial fill handling）
- 成交量加权平均价格（VWAP）基准对比
坑 10：回测不包含暂停/停牌#
A 股里每年都有大量停牌事件。如果你的回测假设所有股票一直可交易，那你的策略相当于在「市场永远 open」的假想世界里跑——实盘中遇到停牌，你想平仓都平不掉。
坑 11：基准没有做风险因子归因#
年化 20% 听起来不错，但你的超额收益里有多少来自「无脑满仓小市值」？如果你跑一个 Fama-French 五因子归因，发现所有 alpha 都被 HML 和 SMB 解释了——那你就没有 alpha，你只是赌了风格因子。
在回测报告的首页放归因分析，这不是 optional 的。
坑 12：幸存者偏差之外还有「选择偏差」#
你选择回测的品种本身就是一种偏差。为什么你选了这 500 只而不是那 500 只？如果选取规则本身和收益正相关（比如「选择流通市值最大的 500 只」= 排除了退市风险高的 micro-cap），那你的回测结果有一部分来自选股规则本身的幸存者偏差。
总结：好回测的三个标准#
- 可重复：同一个人在不同时间跑同一个回测，结果数字误差在 1bp 以内
- 诚实：所有假设都在报告里写明。包括滑点模型、数据源、复权方式、存活偏差处理
- 保守：在不确定的参数上倾向悲观估计。宁可低估收益，不高估收益
最后一句话：如果一个回测结果让你想马上上线，把它放到一边冷静三天再回来看。三天后你一定会找到问题。
