【进阶笔记】回测：别在后视镜里寻找“超能力”

刚入行的时候，我总能在回测里跑出像喜马拉雅山一样陡峭的净值曲线。那时候我觉得自己简直是百年一遇的交易天才，直到真金白银进了场，那条曲线却像断了线的风筝直往下掉。
厄尼·陈在《量化交易——如何建立自己的算法交易事业》第三章里聊透了这种幻觉。回测这事儿，说白了就像是在看后视镜开车——如果你盯着后视镜里的坦途就敢踩死油门，前面的急转弯分分钟让你翻车。

“偷看剧本”的代价
量化圈里最隐秘也最致命的罪名，叫前瞻偏差（Look-ahead Bias）。
想象一下你穿越回了 20 世纪 90 年代，你当然知道哪支股票会翻倍，这就是偷看了剧本。在代码里，这种错误往往很隐蔽：比如你用“今天的收盘价”去决定“今天的买入点”。在回测的逻辑里，收盘价就是一个数字，但在真实的交易时间线上，收盘那一秒之前，你根本不知道那个价格是多少。
你的代码在“偷看未来”，回测结果当然美如画。但现实的市场，从来不给你看剧本的机会。

被隐没的“摩擦力”：滑点与手续费
很多新手（包括以前的我）在回测代码里会写：price = df['close']。这默认了你可以精准地在收盘那一刻、按那个价格买到你想要的任何头寸。
但这在实盘里纯属扯淡。 当你下单的那一刻，你的买单本身就会推高股价（冲击成本），或者你只能排在队伍后面等着成交。厄尼·陈特别强调，回测必须加入“摩擦力”。一个在回测里年化收益 $20\%$ 的策略，如果没算滑点，实盘可能直接就是亏损的。

实战笔记：在代码里筑起防火墙
为了防止自己再次被回测欺骗，我现在的标准做法是在逻辑中强制引入“时间滞后”和“模拟滑点”。
以下是一个更加硬核的逻辑：通过Alltick API接口拉取行情后，我们不仅要偏移信号，还要在执行价上“砍一刀”，看看策略在最差成交环境下还能不能活。

import requests
import pandas as pd

def backtest_logic_hardcore(symbol):
    """
    通过Alltick API获取K线，并注入真实的交易成本模拟
    """
    # 获取1小时级别数据
    url = f"https://api.alltick.co/quote-bbo-ig/v1/klines?symbol={symbol}&resolution=1h"
    data = requests.get(url).json()['data']
    df = pd.DataFrame(data)
    
    # 1. 规避前瞻偏差：所有决策基于上一根K线
    df['prev_close'] = df['close'].shift(1)
    df['prev_open'] = df['open'].shift(1)
    
    # 2. 模拟滑点 (Slippage)：假设实际成交价比开盘价贵 0.05%
    # 别小看这万五，高频策略的利润往往就是这么磨掉的
    slippage = 0.0005
    
    # 策略逻辑：前一小时收阳，本小时开盘买入
    df['signal'] = (df['prev_close'] > df['prev_open']).astype(int)
    
    # 计算收益：
    # 实际买入价 = 当前开盘价 * (1 + 滑点)
    df['execution_price'] = df['open'] * (1 + slippage)
    
    # 简单计算持仓收益率（忽略离场滑点，实际操作中离场也要算）
    df['strategy_return'] = (df['close'] / df['execution_price'] - 1) * df['signal']
    
    return df

数据的“脱水”与生存偏差
除了代码逻辑，数据源本身也有毒。生存偏差（Survivorship Bias）是很多人的滑铁卢。
如果你只拿着现在还在标普 500 里的公司跑回测，你其实是在“幸存者”里找规律。那些在 2008 年消失的投行、在 2000 年泡沫中退市的科技股，才是量化策略最该经历的试金石。如果你的策略在这些“死人”身上表现极差，而你却没算进去，你的回测结果就是注了水的“精修图”。

夏普比率的“欺骗性”
厄尼·陈在第三章还提到了一个扎心的观点：夏普比率（Sharpe Ratio）会掩盖尾部风险。 一个每天赚一点点、偶尔暴亏一把的“卖出期权型”策略，在回测里会有极高的夏普比率。但在现实中，只要遇到一次黑天鹅，你就彻底出局了。所以，我现在看回测报表，第一眼不看夏普，看最大回撤（Maximum Drawdown）。

最后的一点洞察
读完这一章你会明白，回测的终极目的不是为了“证明自己是对的”，而是为了“寻找自己哪里错了”。
一个好的量化交易员，应该像个挑剔的审计员。当你看到一个完美的夏普比率时，不该狂欢，而该心生恐惧——去查查是不是数据没复权？是不是滑点设得太小？是不是在不经意间偷看了未来？
在量化的世界里，能活下来的，永远是那些最不相信奇迹的人。