1. 从零开始理解量化回测它到底在解决什么问题如果你刚接触量化交易听到“回测”这个词可能会觉得它很神秘或者觉得它只是程序员和数学家的游戏。但说白了回测就是用一个“历史模拟器”去验证你的交易想法在过去是否行得通。它解决的核心问题是避免你用真金白银去市场里“试错”。很多人对量化回测有两个常见的误解一是认为回测结果好未来就一定能赚钱二是觉得回测需要极其复杂的数学模型。其实不然。回测的首要价值是证伪而不是证实。它能快速告诉你一个看似美好的策略在过去的历史数据里会因为滑点、手续费、停牌、涨跌停限制等现实因素而变得多么不堪一击。对于新手来说这能帮你节省大量时间和潜在的亏损。在 PTrade 这类券商提供的量化平台上做回测最大的优势是环境贴近实盘。你不用自己搭建数据源、计算引擎和交易网关平台已经集成了行情、账户、风控等模块。你的重点应该放在理解回测的流程、设置合理的参数、以及最重要的是学会解读回测报告识别策略的潜在缺陷。所以这节课我们不谈高深的数学就从最务实的角度出发在 PTrade 里如何一步步搭建并运行一个最简单的回测策略以及如何避开那些新手最容易踩的坑。2. 回测前必须搞清楚的三个核心概念在动手写代码之前如果对下面这三个概念理解不透你的回测结果很可能毫无意义甚至产生误导。2.1 回测周期与数据频率选对战场回测周期就是你测试的时间段比如“2020-01-01 到 2023-12-31”。数据频率是你是用日K线、分钟K线还是Tick数据。新手建议从日线数据开始测试一个完整的牛熊周期例如3-5年。不要一上来就用分钟线回测好几年数据量巨大容易出错且对硬件要求高。日线策略逻辑更清晰回测速度快适合验证策略的核心思想。关键点确保你的回测周期包含了多种市场环境上涨、下跌、震荡。一个只在牛市里有效的策略风险极高。PTrade注意平台通常有数据范围限制确认你需要的股票、ETF或期货数据在所选周期内是可用的。2.2 初始资金与手续费算清成本这是最容易被低估的部分。很多策略在忽略手续费和滑点后看起来利润惊人一旦加上就变成亏损。初始资金根据策略类型设定。如果你是做A股一手100股假设目标股票价格在50元那么一手就需要5000元。初始资金至少要能买得起一手并留有余额。一般可以设为10万或100万这样的整数方便计算收益率。手续费这是策略的“摩擦成本”必须包含。主要包括佣金券商收取通常按成交金额的万分之几计算如万2.5。印花税卖出时收取目前是成交金额的千分之一0.1%。过户费沪市股票收取比例很低。滑点指下单价格与实际成交价格的差异。在快速变动的市场中尤其是用限价单时可能无法成交用市价单时成交价可能比预期差。在回测中我们通常用一个固定值来模拟比如“买入时按当日收盘价上浮0.1%卖出时下浮0.1%”。PTrade设置在回测引擎的初始化部分一定要显式地配置这些参数。不要使用平台可能存在的“默认零费率”设置那会严重失真。2.3 策略逻辑与买卖点定义清晰的规则你的策略必须是一套完全客观、可被计算机执行的规则不能有“我觉得”、“可能”这类主观判断。一个最简单的例子——双均线策略计算指标每日收盘后计算股票的两个移动平均线比如快线MA55日均线和慢线MA2020日均线。买入信号当快线从下方上穿慢线时例如今日MA5 MA20 且 昨日MA5 MA20在下一个交易日开盘时买入。卖出信号当快线从上方下穿慢线时例如今日MA5 MA20 且 昨日MA5 MA20在下一个交易日开盘时卖出。仓位每次信号全仓买入或卖出。这个规则里每一个动作计算、比较、下单都是明确的。在写代码时你需要把这种文字逻辑精确地翻译成if...else...语句。3. 在PTrade中实现一个双均线回测策略下面我们以PTrade平台其API通常基于Python为例拆解实现一个简单双均线策略的步骤。请注意不同券商PTrade的具体API函数名可能有细微差别但核心逻辑和流程是相通的。3.1 环境准备与策略框架首先在PTrade的策略编辑器中你会看到一个基本的策略结构。它通常包含几个必须的函数# -*- coding: utf-8 -*- import pandas as pd import numpy as np def initialize(context): 策略初始化函数只在回测开始时运行一次。 在这里设置股票池、回测参数、初始化全局变量。 # 1. 设置回测参数 context.cash 100000.0 # 初始资金10万元 set_commission(PerOrder(buy_cost0.00025, sell_cost0.00125)) # 买入万2.5卖出万2.5千1印花税 set_slippage(FixedSlippage(0.001)) # 固定滑点0.1% # 2. 设置股票池这里以沪深300指数成分股为例实际需根据数据支持调整 context.stock_pool [000001.SZ, 000002.SZ] # 示例代码实际应为一篮子股票 # 或者订阅一个指数平台会自动管理成分股 subscribe(context.stock_pool, frequency1d, count21) # 订阅日线获取至少21个数据用于计算MA20 # 3. 初始化策略状态变量 context.fast_period 5 context.slow_period 20 context.held {} # 记录当前持仓 {股票代码: 持仓数量} def handle_data(context, data): 事件驱动函数在每个K线周期如每天结束时被调用。 这里是策略逻辑的核心。 current_dt data.current_dt # 当前时间 # 遍历股票池中的每一只股票 for stock in context.stock_pool: # 获取历史价格数据 hist attribute_history(stock, countcontext.slow_period1, fields[close]) if hist is None or len(hist) context.slow_period1: continue # 数据不足跳过 close_prices hist[close].values # 计算均线 ma_fast close_prices[-context.fast_period:].mean() ma_slow close_prices[-context.slow_period:].mean() # 获取前一天的均线值用于判断金叉死叉简化处理更严谨需记录历史状态 ma_fast_yesterday close_prices[-context.fast_period-1:-1].mean() ma_slow_yesterday close_prices[-context.slow_period-1:-1].mean() # 获取当前持仓和可用资金 current_position context.portfolio.positions[stock].amount if stock in context.portfolio.positions else 0 available_cash context.portfolio.cash # 策略逻辑判断 # 金叉买入信号快线上穿慢线且当前无持仓 if ma_fast_yesterday ma_slow_yesterday and ma_fast ma_slow and current_position 0: # 计算可买数量以一手为单位 price data.current(stock, close) # 当前收盘价 if price is None or price 0: continue # 假设全仓买入一只实际中应做资金管理 amount int(available_cash * 0.98 // (price * 100)) * 100 # 用98%资金按手数取整 if amount 100: # 至少买一手 order(stock, amount) # 下单买入 print(f{current_dt} 买入 {stock} {amount}股价格{price:.2f}) # 死叉卖出信号快线下穿慢线且当前有持仓 elif ma_fast_yesterday ma_slow_yesterday and ma_fast ma_slow and current_position 0: order_target(stock, 0) # 平仓卖出所有持仓 print(f{current_dt} 卖出 {stock} {current_position}股) def before_trading_start(context): 每日开盘前运行可用于数据预处理、股票池更新等 pass def after_trading_end(context): 每日收盘后运行可用于日志记录、数据保存等 pass3.2 关键代码逻辑拆解initialize函数这是你的“战前准备”。我建议把手续费和滑点的设置放在最前面强迫自己不要忘记。subscribe函数告诉平台你需要哪些股票、什么频率、多少根K线的数据。count21是因为我们要计算20日均线需要至少20个收盘价多取1个是为了计算前一天的均线值做比较。handle_data函数这是策略的“大脑”每天收盘后运行一次。attribute_history获取历史数据。这里是核心一定要检查返回的数据是否足够if len(hist) ...否则计算指标会出错。均线计算我们直接用numpy或pandas计算均值。注意切片[-context.slow_period:]取的是最近slow_period天的数据。信号判断金叉死叉的判断需要比较“今天”和“昨天”的均线关系。这里用了一个简化的方法实际更严谨的做法是在context中记录每只股票上一次的均线状态。下单函数order(stock, amount)是按股数下单order_target(stock, 0)是目标持仓下单设为0即清仓。注意A股买入数量必须是100的整数倍1手。资金计算available_cash * 0.98 // (price * 100)) * 100这个计算确保了买入数量是整手数并且留有一点现金余地。3.3 运行回测与查看报告在PTrade界面中设置好回测的起止日期例如2020-01-01至2023-12-31选择好数据然后运行策略。运行结束后平台会生成一份详细的回测报告。作为新手不要被密密麻麻的数据吓到先盯住这几个核心指标指标说明怎么看年化收益率策略平均每年赚多少钱。对比同期大盘指数如沪深300的年化收益。跑不赢指数策略价值存疑。最大回撤策略净值从高点跌到最低点的最大幅度。这是风险的关键指标一个年化收益20%但最大回撤50%的策略绝大多数人扛不住。回撤超过30%就要高度警惕。夏普比率每承受一单位风险能获得多少超额回报。1算不错。越高越好说明风险收益比高。但注意在单边牛市里夏普比率可能虚高。胜率盈利交易次数占总交易次数的比例。不是越高越好。高频策略可能胜率50%多但依然盈利趋势策略胜率可能仅40%但盈亏比较高。总交易次数回测期间总共买卖了多少次。次数过多可能意味着策略过于敏感产生大量无效交易被手续费侵蚀利润。收益曲线策略净值随时间变化的图。最重要看曲线是否平滑上升。如果曲线在大部分时间横盘或下跌仅靠一两次暴涨拉升策略稳定性很差。注意第一次跑出一个策略即使收益率很高也千万不要激动。这很可能只是过度拟合Overfitting——你的策略恰好完美匹配了那段历史数据但无法适应未来。4. 从回测到实盘必须跨越的鸿沟与排查清单回测通过只是第一步离实盘盈利还差很远。很多策略回测“无敌”实盘却亏钱问题通常出在以下几个方面。4.1 回测与实盘的四大差异未来函数这是最致命的错误。指在回测中使用了当时无法获得的信息。例如在handle_data中你用到了当天的收盘价data.current(stock, close)来判断信号然后立刻用这个价格下单。实际上当天收盘后你才能知道收盘价这个订单只能在下一个交易日执行。正确的做法是用截至到昨天的数据计算信号订单在下一个交易日开盘执行。上面的示例代码中order函数是在信号判断后立即调用这在一些平台的回测引擎中会自动处理为下一根K线开盘价成交但你必须理解这个逻辑并在代码注释中明确说明。流动性冲击回测假设你的订单能立刻以指定价格全部成交。实盘中如果你买卖的量很大尤其是小盘股你的订单本身就会推动价格变动买入推高卖出压低导致实际成交均价变差。回测中设置的固定滑点只能部分模拟这种影响。数据质量回测使用的历史数据是“干净”的已经处理了除权除息。实盘接收的实时数据可能有错误、延迟或缺失。策略要对数据异常有容错能力比如上面代码中的if price is None判断。心理因素回测是机器冷酷执行。实盘中看到连续亏损或大幅回撤你可能会怀疑策略、手动干预从而破坏策略纪律。4.2 实盘前的“压力测试”清单在将策略投入实盘哪怕是模拟盘前请按顺序完成以下检查逻辑复查逐行检查代码确保没有未来函数。买卖信号的条件是否清晰、互斥有没有可能同时产生买入和卖出信号仓位计算是否正确会不会出现可用资金为负透支的情况参数敏感性分析把快慢均线的周期5, 20稍微改动一下比如改成4, 19或6, 21看看策略表现是否发生剧烈变化。如果变化很大说明策略对参数过度敏感稳健性差。在不同的市场阶段牛市、熊市、震荡市分段回测看策略是否只在特定环境下有效。极端场景测试大盘暴跌日选择像2015年股灾、2016年熔断、2020年疫情初期的日期看你的策略在那几天的最大回撤是多少是否触发了风控或产生异常订单。个股停牌/涨跌停如果你的策略在股票停牌复牌当天发出信号或者股票涨跌停时发出信号能否正确处理PTrade等平台通常有内置风控但你的代码逻辑也应考虑。模拟盘运行必须进行用实时的模拟交易环境运行至少1-3个月。对比模拟盘的交易记录、成交价格与回测结果是否大致吻合。观察策略日志确认所有信号都按预期执行没有漏单或错单。感受策略的换手率、持仓时间是否符合你的预期和心理承受能力。4.3 当回测结果不理想时从哪里入手排查如果你的策略回测结果很差亏损或跑输指数不要急着修改策略逻辑先按以下顺序排查检查基础设置手续费和滑点设了吗设对了吗初始资金是否合理这是最常见的问题。检查数据股票池里的股票在回测期内是否都有交易数据是否有长时间停牌的股票被包含在内用print输出几天的历史数据看看是否正确。检查信号逻辑在代码中加入详细的日志打印出每天每只股票的均线值、信号判断结果。肉眼观察几天看信号生成是否符合你的逻辑定义。检查订单执行打印出每次下单的日期、股票、价格、数量。确认买入卖出动作与信号是否对应成交价格是否在合理范围例如不会出现0元买入的情况。简化策略如果是一个复杂策略先把它简化到极致。比如把多因子选股简化成只用一个因子把择时信号去掉只做买入持有。先让这个最简单的版本跑通再逐步添加复杂模块这样能快速定位问题模块。我个人更建议在PTrade上学习量化回测不要一开始就追求复杂、高频的策略。从最简单的指数ETF定投策略开始回测和模拟盘它能帮你彻底熟悉整个流程从数据订阅、信号计算、订单发出到报告分析。把这条路走通、走稳理解每一个环节的陷阱远比一开始就折腾一个花哨但不稳定的策略要有价值得多。量化交易是一个系统工程回测是其中至关重要的“实验室”阶段。在这个阶段多花时间严谨验证深刻理解策略的盈利来源和风险暴露才能为最终的实盘交易打下坚实的基础。记住回测的目标不是找到一个“圣杯”而是排除掉那些显然会失败的“坏主意”。