回测(Backtesting)是量化交易策略开发中的核心环节,指使用历史数据模拟评估一个交易策略的表现。回测的目的是在投入真实资金之前,了解策略的预期收益、风险特征和稳健性。然而,回测本身充满陷阱——错误的回测方法得出的"优异"结果往往在实盘中不堪一击。据行业统计,约 70-80% 的量化策略在回测中表现良好,但仅有 20-30% 能在实盘中持续盈利。本文将系统化地探讨回测的方法论、常见偏差、评估指标体系、高级验证方法以及业界最佳实践。
量化交易的完整生命周期通常包括六个阶段:策略构思 → 回测验证 → 参数优化 → 样本外测试 → 实盘交易 → 持续监控。回测是连接"想法"和"执行"的关键桥梁。
回测的核心价值体现在以下四个维度:
| 维度 | 具体价值 | 量化体现 |
|---|---|---|
| 低成本验证 | 在几分钟内模拟数年交易,无需承担真实亏损 | 一台普通服务器可同时回测 1000+ 策略 |
| 风险暴露 | 发现策略在极端市场条件下的表现 | 2008 金融危机期间标普500跌幅 -38.5%,优质策略应控制回撤 < -20% |
| 参数探索 | 测试不同参数配置下的策略稳定性 | 年化收益率对参数变化敏感度 < 20% 为稳健 |
| 对比基准 | 与买入持有、市场指数对比 | 超额收益(Alpha)> 3% 年化才有意义 |
然而,一张漂亮的回测曲线图背后,可能隐藏着严重的过拟合、前视偏差或幸存者偏差。正如华尔街谚语所说:"回测唯一能证明的,就是你有能力制造一条漂亮的回测曲线"。
一个生产级的回测流程包含以下六个环节:
数据是回测的基础,数据质量直接决定回测结果的可靠性。
| 要素 | 说明 | 常见问题 | 最佳实践 |
|---|---|---|---|
| 数据粒度 | 日线、分钟线、Tick 级 | 粒度不足导致回测失真 | 策略时间框架 ≤ 数据粒度的 5 倍 |
| 数据范围 | 应覆盖多轮牛熊周期 | 数据期过短无法测试极端行情 | 至少 5-10 年,包含 1 次以上完整熊市 |
| 复权处理 | 前复权 / 后复权 | 复权方式影响技术指标计算 | 计算指标用前复权,资金曲线用后复权 |
| 拆分调整 | 股票分红、送股、配股 | 未调整导致价格跳跃 | 使用调整因子法进行精确处理 |
| 退市数据 | 包含已退市股票 | 缺失导致幸存者偏差 | 必须包含完整退市历史 |
| 时间戳校准 | 时区与交易时段对齐 | A 股 9:30 开盘但数据含 9:00 | 按交易所规则严格对齐 |
数值算例:数据粒度对回测的影响
假设一个策略使用 5 日均线突破信号:
随着粒度提升,年化收益率和夏普比率同步下降——这是因为更细粒度的数据暴露了更多的交易成本和执行延迟。日线回测的年化收益被高估了约 80%。
策略定义需要明确以下五组规则:
Python 伪代码示例:一个简单的均线策略
class MovingAverageStrategy:
def __init__(self, short_window=5, long_window=20,
position_size=0.1, stop_loss=0.05):
self.short_window = short_window
self.long_window = long_window
self.position_size = position_size
self.stop_loss = stop_loss
def on_bar(self, bar, portfolio):
"""处理每一根K线"""
# 计算均线
short_ma = self._sma(bar.close, self.short_window)
long_ma = self._sma(bar.close, self.long_window)
# 开仓信号
if short_ma > long_ma and portfolio.position == 0:
capital = portfolio.cash * self.position_size
quantity = capital / bar.close
self._buy(quantity, bar.close, bar.timestamp)
# 平仓信号
elif short_ma < long_ma and portfolio.position > 0:
self._sell(portfolio.position, bar.close, bar.timestamp)
# 止损
elif portfolio.position > 0:
pnl_pct = (bar.close - portfolio.avg_cost) / portfolio.avg_cost
if pnl_pct < -self.stop_loss:
self._sell(portfolio.position, bar.close, bar.timestamp)
模拟执行的核心是按时间顺序逐笔处理数据。其关键挑战在于真实地模拟市场微观结构:
| 执行要素 | 理想假设 | 实际情况 | 偏差影响 |
|---|---|---|---|
| 成交价格 | 以收盘价成交 | 可能有滑点 | 年化收益高估 1-5% |
| 成交量 | 任意数量可成交 | 存在流动性限制 | 大单策略高估 10-30% |
| 执行速度 | 即时成交 | 存在毫秒级延迟 | 高频策略高估可达 50%+ |
| 涨跌停 | 无条件成交 | A 股 10% 涨跌停限制 | 极端行情严重失真 |
| 集合竞价 | 忽略 | 开盘/收盘集合竞价 | 日频策略偏差约 0.5% |
数值算例:滑点对策略表现的影响
以 A 股日频均线策略为例(回测期 2018-2024,沪深 300 成分股):
| 滑点假设 | 年化收益率 | 夏普比率 | 最大回撤 | 交易次数 |
|---|---|---|---|---|
| 无滑点 | 18.5% | 1.45 | -22.3% | 1,254 |
| 0.1% 单边 | 12.8% | 1.02 | -24.1% | 1,254 |
| 0.2% 单边 | 8.3% | 0.68 | -26.8% | 1,254 |
| 0.3% 单边 | 4.7% | 0.35 | -30.2% | 1,254 |
| 0.5% 单边 | -1.2% | -0.12 | -38.5% | 1,254 |
从表中可见,当滑点从 0% 增加到 0.5% 时,年化收益率从 18.5% 下降到 -1.2%,夏普比率从 1.45 降至 -0.12。这说明交易成本假设是回测中最敏感的参数之一。
前视偏差指回测中使用了"未来信息",即在决策时刻使用了当时尚不可知的数据。这是最常见的回测错误之一,也是导致回测结果虚高的首要原因。
具体算例:
假设一个策略使用"当月收盘价/当月开盘价 > 1.02"作为买入信号。一个交易者在 2024 年 3 月 1 日上午用该策略进行回测,使用了 2024 年 3 月的完整数据——但此时 3 月的收盘价尚未产生。这相当于在 3 月 1 日就知道了整个 3 月的价格信息。
该策略在回测中的理论表现:
修正后的实际可实现表现:
前视偏差的常见场景及纠正方法:
| 场景 | 错误做法 | 正确做法 | 偏差方向 |
|---|---|---|---|
| 财务数据 | 使用报告期当天的财务数据 | 使用实际可获取日期(财报发布日,通常延迟 30-45 天) | 高估收益 |
| 移动均线 | 使用包含未来数据的均线 | 使用截至当前时刻的滚动窗口 | 高估收益 |
| 涨跌停 | 用当日涨停价作为信号 | 使用涨停前的价格信息 | 高估收益 |
| 复权数据 | 使用后复权价格计算指标 | 使用前复权或不复权价格 | 方向不定 |
| 事件信号 | 使用当天新闻作为当天的交易信号 | 使用次日开盘信号(新闻发布时间不确定) | 高估收益 |
| 指数调整 | 使用调整当日的成分股列表 | 使用调整生效前已知的成分股列表 | 高估收益 |
幸存者偏差指回测中只包含了当前存活的股票/资产,忽略了已经退市的标的。这会导致回测结果系统性高估。
量化影响实证:
| 市场 | 时间段 | 退市数量 | 年化收益高估幅度 |
|---|---|---|---|
| A 股 | 2000-2024 | ~280 只 | 1.5-3.0% |
| 美股(NYSE+NASDAQ) | 1980-2024 | ~18,000 只 | 2.0-4.0% |
| 日本股市 | 1990-2024 | ~1,200 只 | 1.0-2.5% |
| 香港股市 | 2000-2024 | ~800 只 | 1.5-3.5% |
数值算例:
取 A 股 2010-2024 年的数据,构建一个等权买入全部股票的策略:
高估幅度:(12.3% - 8.7%) / 8.7% = 41.4%,即每 10 年累积收益高估约 60%。
解决方法:
过拟合是量化策略开发中最大的敌人。当策略的参数过多、优化过度时,策略会"记住"历史噪声而非真正的市场规律。
过拟合的数学本质:
假设真实的市场收益率由以下过程生成:
其中 是未知的真实模型, 是随机噪声。过拟合策略学习的是:
当噪声方差 较大且样本量 有限时,过拟合策略的预期样本外误差为:
其中 是有效参数数量。当 比值增大时,样本外误差线性增加。
过拟合的典型信号及量化判断标准:
| 信号 | 具体表现 | 量化标准 |
|---|---|---|
| 训练/测试鸿沟 | 训练集夏普 > 3.0,测试集 < 1.0 | 夏普比率比值 SR_out/SR_in < 0.5 |
| 参数敏感性 | 参数微小变化导致表现大幅波动 | 参数变化 10% 导致夏普变化 > 50% |
| 策略过度复杂 | 远超必要复杂度的模型 | 每 100 个交易样本对应参数 > 5 个 |
| 异常平滑曲线 | 几乎没有回撤的回测曲线 | 最大回撤 < 5% 且年化收益率 > 20% |
| 极端参数值 | 参数使用极值(如均线窗口=2 或 =200) | 参数位于可行域的边缘 10% |
防御性夏普比率(Deflated Sharpe Ratio, DSR):
由 Bailey & Lopez de Prado(2014)提出,DSR 解决了多重比较(Multiple Testing)问题。其核心思想是:当从 个候选策略中选择最优时,即使所有策略都无效,最优策略的夏普比率也会被高估。
其中 是收益序列的偏度调整因子, 是标准正态分布的逆函数。
数值算例:
假设从 100 个随机生成的策略中选择最优,其夏普比率为 1.5:
这意味着:如果你测试了 1,000 个策略并选择了最佳的一个,即使它在回测中夏普为 1.5,其"真正"的夏普比率可能只有 0.12——基本上等于随机。
真实交易成本由四部分组成:
各成本构成的实际水平(A 股市场,2024 年):
| 成本类型 | 散户水平 | 机构水平 | 高频交易水平 |
|---|---|---|---|
| 佣金 | 0.025% | 0.01% | 0.003% |
| 印花税 | 0.05%(仅卖出) | 0.05% | 0.05% |
| 滑点 | 0.05-0.3% | 0.03-0.1% | 0.01-0.05% |
| 冲击成本 | 可忽略 | 0.1-0.5% | 0.5-2.0% |
| 合计(双边) | 0.2-0.8% | 0.3-0.8% | 0.5-2.1% |
冲击成本的计算(Almgren-Chriss 模型):
其中 是交易量, 是日成交量, 是波动率, 和 是市场常数(通常 )。
数值算例:
假设你想买入某小盘股 100 万股,该股票日成交量为 500 万股,日波动率为 2%:
仅这一笔交易的市场冲击就接近 0.09%,对于 10% 的年化预期收益策略来说,相当于每年收益的 1% 被冲击成本消耗。
经验规则:
数据窥探偏差指反复使用同一数据集进行测试和优化,导致统计显著性被高估。
数学解释:
假设有 个独立的随机策略,每个策略在显著性水平 下"有效"的概率为 。那么至少有一个策略显示出"显著"结果的概率为:
| N | |||
|---|---|---|---|
| 1 | 5.0% | 1.0% | 0.1% |
| 10 | 40.1% | 9.6% | 1.0% |
| 50 | 92.3% | 39.5% | 4.9% |
| 100 | 99.4% | 63.4% | 9.5% |
| 500 | ≈100% | 99.3% | 39.4% |
| 1,000 | ≈100% | ≈100% | 63.2% |
当 时,——几乎一定有"显著"的策略,但这完全是数据窥探导致的假象。
Harvey、Liu & Zhu(2016)的实证研究:
该研究分析了发表在顶级金融期刊上的 315 个因子,发现:
| 指标 | 公式 | 说明 | 典型阈值 |
|---|---|---|---|
| 累计收益率 | 整个回测期的总收益 | 视市场周期而定 | |
| 年化收益率 | 换算为年化收益 | > 10% 为良好 | |
| 超额收益(Alpha) | CAPM 调整后的超额收益 | > 3% 年化有意义 | |
| 超额收益率 | 简单超额收益 | > 2% |
数值算例:
某策略日收益率序列 的数据:
计算:
| 指标 | 公式 | 说明 | 典型阈值 |
|---|---|---|---|
| 最大回撤(MDD) | 最坏情况下的累积亏损 | < 20% 可接受 | |
| 年化波动率 | 日收益波动换算为年化 | < 20% | |
| 下行波动率 | 仅考虑负收益 | < 15% | |
| VaR(95%) | 95% 置信度最大日亏损 | < 3% 日均仓位 | |
| CVaR(95%) | 尾部风险的平均损失 | < 5% 日均仓位 |
最大回撤的数值算例:
假设策略的资金曲线走势如下(时间序列 ):
| 时间 | 资金 | 峰值 | 回撤 |
|---|---|---|---|
| T=0 | 100万 | 100万 | 0% |
| T=1 | 120万 | 120万 | 0% |
| T=2 | 110万 | 120万 | -8.3% |
| T=3 | 95万 | 120万 | -20.8% ← 最大回撤 |
| T=4 | 105万 | 120万 | -12.5% |
| T=5 | 140万 | 140万 | 0% |
最大回撤发生在 T=3 时,为 -20.8%。这意味着该策略历史上最严重的资金损失是 20.8%。
| 指标 | 公式 | 说明 | 优秀阈值 |
|---|---|---|---|
| 夏普比率 | 每单位总风险的超额收益 | > 1.5 | |
| 索提诺比率 | 只惩罚下行风险 | > 2.0 | |
| 卡玛比率 | 每单位最大回撤的收益 | > 1.0 | |
| 信息比率 | 每单位跟踪误差的超额收益 | > 1.0 | |
| 卡尔玛比率 | 年化收益与最大回撤之比 | > 1.5 |
夏普比率的解读:
| 夏普比率 | 评价 | 交易频率参考 | 典型例子 |
|---|---|---|---|
| < 0.5 | 较差 | - | 买入持有 A 股(10年) |
| 0.5-1.0 | 一般 | 中低频 | 简单的均线策略 |
| 1.0-1.5 | 良好 | 中高频 | 趋势跟踪策略 |
| 1.5-2.0 | 优秀 | 高频 | 因子多空组合 |
| 2.0-3.0 | 极优秀 | 高频+多资产 | 顶级对冲基金策略 |
| > 3.0 | 高度可疑 | - | 基本确定存在过拟合 |
经验法则: 如果你在回测中看到夏普比率 > 3.0,第一反应应该是怀疑存在偏差或过拟合,而不是认为自己发现了"圣杯"。
| 指标 | 公式 | 说明 | 合理范围 |
|---|---|---|---|
| 胜率 | 盈利交易占比 | 30-60%(取决于策略类型) | |
| 盈亏比 | 平均盈利/平均亏损 | > 1.5 可与低胜率互补 | |
| 期望值 | 每次交易的预期收益 | > 0 才为正期望 | |
| 交易次数 | 总交易次数 | > 100 才有统计意义 |
胜率与盈亏比的平衡(重要):
很多散户亏钱的原因在于过度追求高胜率,而忽视了盈亏比。一个胜率仅 30%、但盈亏比为 4:1 的策略,长期也能稳定盈利:
而一个胜率 80%、但盈亏比为 1:4 的策略,长期必然亏损:
各类型策略的典型胜率/盈亏比:
| 策略类型 | 典型胜率 | 典型盈亏比 | 期望值 | 特性 |
|---|---|---|---|---|
| 趋势跟踪 | 35-45% | 2.0-3.0 | 0.05-0.75 | 少量大赚、多笔小亏 |
| 均值回归 | 55-65% | 1.0-1.5 | 0.10-0.30 | 胜率高但利润薄 |
| 突破策略 | 40-50% | 1.5-2.5 | 0.05-0.50 | 注意假突破 |
| 统计套利 | 50-60% | 1.2-1.8 | 0.10-0.40 | 低风险稳定收益 |
| 事件驱动 | 60-70% | 1.0-1.2 | 0.10-0.20 | 机会有限 |
最低交易次数与统计显著性:
| 期望交易次数 | 统计可靠度 | 说明 |
|---|---|---|
| < 10 | 几乎不可靠 | 典型的高估/低估风险 |
| 10-30 | 低可信度 | 可能因运气产生 |
| 30-100 | 中等可信度 | 开始具有参考价值 |
| 100-500 | 较高可信度 | 策略有效性可初步判断 |
| 500-2,000 | 高可信度 | 统计上比较可靠 |
| > 2,000 | 非常可信 | 交易次数足够,关注成本控制 |
滚动回测是验证策略稳健性的黄金标准。它模拟了实际交易中最真实的场景:不断用最新数据更新模型,然后用更新后的模型预测未来。
具体步骤:
数值算例:
以某趋势策略为例,回测期 2010-2024:
| 测试窗口 | 训练期夏普 | 测试期夏普 | 滚动测试年化收益 | 说明 |
|---|---|---|---|---|
| 2012 H1 | 1.82 | 1.15 | 12.3% | 可用 |
| 2012 H2 | 1.75 | 0.92 | 9.8% | 下降 |
| 2013 H1 | 1.68 | -0.15 | -2.1% | 异常 |
| 2013 H2 | 1.55 | 0.85 | 8.5% | 恢复 |
| ... | ... | ... | ... | ... |
| 2023 H2 | 0.95 | 0.45 | 4.2% | 趋势减弱 |
从数据可看出,该策略在 2013 年上半年遭遇了严重失效,滚动测试期夏普为负。这在实际部署中意味着策略可能需要动态调整或暂停。
滚动回测的绩效汇总:
结论: 全样本回测的夏普比率 1.35 被滚动验证修正为 0.72——这是一个显著的变化,说明策略存在一定程度的过拟合。
蒙特卡洛模拟通过对交易序列进行随机化(有放回抽样),评估策略收益的统计显著性。
操作步骤:
数值算例:
假设策略的原始夏普比率为 0.95。经过 10,000 次蒙特卡洛模拟:
| 百分位 | 模拟夏普 | 解释 |
|---|---|---|
| 5% 分位 | -0.28 | 最差的 5% 情况 |
| 25% 分位 | 0.15 | 四分之一不如随机 |
| 50% 分位 | 0.42 | 中位数水平 |
| 75% 分位 | 0.78 | 四分之三逊于原始 |
| 95% 分位 | 1.20 | 最好的 5% 情况 |
原始夏普 0.95 处于约 88% 分位——这意味着在随机运气下,有 12% 的概率产生比 0.95 更好的夏普。通常要求原始夏普超过 95% 分位(即 )才算统计显著。
Python 蒙特卡洛模拟代码:
import numpy as np
def monte_carlo_backtest(returns, n_simulations=10000, seed=42):
"""
对策略收益序列进行蒙特卡洛模拟。
Parameters:
- returns: array, 策略日收益率序列
- n_simulations: int, 模拟次数
Returns:
- dict: 原始夏普、模拟夏普分布、p 值
"""
np.random.seed(seed)
n = len(returns)
# 计算原始夏普(假设无风险利率为 0)
original_sharpe = np.mean(returns) / np.std(returns) * np.sqrt(252)
# 执行重采样
simulated_sharpes = np.zeros(n_simulations)
for i in range(n_simulations):
# 有放回抽样
sampled = np.random.choice(returns, size=n, replace=True)
simulated_sharpes[i] = np.mean(sampled) / np.std(sampled) * np.sqrt(252)
# 计算 p 值(原始夏普超过模拟夏普的比例)
p_value = np.mean(simulated_sharpes >= original_sharpe)
return {
'original_sharpe': original_sharpe,
'simulated_mean': np.mean(simulated_sharpes),
'simulated_std': np.std(simulated_sharpes),
'p_value': p_value,
'95_percentile': np.percentile(simulated_sharpes, 95)
}
# 示例使用
# 生成模拟收益(实际中替换为真实数据)
np.random.seed(42)
real_returns = np.random.normal(0.0005, 0.01, 2520) # 年化约 12.6%
result = monte_carlo_backtest(real_returns)
print(f"原始夏普: {result['original_sharpe']:.2f}")
print(f"模拟平均夏普: {result['simulated_mean']:.2f}")
print(f"p 值: {result['p_value']:.3f}")
print(f"95% 分位: {result['95_percentile']:.2f}")
由 Lopez de Prado(2018)提出,是目前最严格的回测验证方法。
核心原理:
CPCV vs 传统交叉验证:
| 维度 | 传统 K-Fold CV | CPCV |
|---|---|---|
| 数据顺序 | 随机打乱,破坏时间顺序 | 严格按时间顺序 |
| 信息泄露 | 严重(未来数据落入训练集) | 清除机制完全避免 |
| 适用场景 | 截面数据(横截面回归) | 时间序列(量化策略) |
| 计算复杂度 | 次训练 | 次训练(K=10 时约 1,000 次) |
| 过拟合检测能力 | 弱 | 强(收益率约 50% 时策略全部归零) |
| 场景 | 说明 | 偏差量化 |
|---|---|---|
| 复权价格 | 后复权价格包含未来分红信息 | 年化收益偏差 0.5-2% |
| 财务报表 | 季报发布日期的延迟(实际延迟 30-45 天) | 基于财报因子偏差 1-3% |
| 指数调整 | 指数成分股调整在公告日和执行日之间有时间差 | 指数跟踪策略偏差 0.5-1% |
| 事件信号 | 使用当天新闻作为当天的交易信号 | 策略信号偏差 2-5% |
| 日频数据 | 使用日收盘价计算信号且当天开仓 | 信号同步偏差 1-3% |
| 场景 | 说明 | 影响程度 |
|---|---|---|
| 假设以最优价格成交 | 实际限价单可能未成交或市价单滑点过高 | 高 |
| 忽略涨跌停限制 | A 股涨停时无法买入,跌停时无法卖出 | 高(极端行情) |
| 未考虑流动性 | 小盘股日成交额仅数百万,大单无法迅速成交 | 中-高 |
| 连续竞价假设 | 忽略集合竞价阶段的价格形成 | 中(日频策略) |
| 回测按天计算仓位 | 实际调仓需要时间 | 中 |
执行偏差量化算例:
假设策略信号为"开盘后 5 分钟内买入",使用 1 分钟 K 线数据:
| 执行假设 | 描述 | 年化收益率 | 夏普 |
|---|---|---|---|
| 理论最优 | 以开盘后 5 分钟最低价成交 | 16.2% | 1.35 |
| 实际限价 | 以开盘后 5 分钟的 VWAP 成交 | 11.8% | 0.95 |
| 市价单 | 以开盘后第 6 分钟开盘价成交+滑点 | 8.5% | 0.68 |
| 部分成交 | 仅 70% 信号被成功执行 | 5.2% | 0.42 |
从"理论最优"到"部分成交",年化收益率相差了 3 倍多。
数值算例:选择时期偏差
以 A 股为例,不同回测起点的年化收益率差异:
| 回测区间 | 沪深 300 年化收益 | 某均线策略年化收益 |
|---|---|---|
| 2005-2024(全周期) | 7.2% | 9.5% |
| 2005-2007(大牛市) | 42.8% | 35.2% |
| 2008-2014(熊市+震荡) | -1.5% | 3.2% |
| 2015-2024(震荡) | 0.8% | 5.1% |
若策略开发者"恰好"选择 2005-2007 作为宣传窗口,年化 35.2% 看起来很诱人;但全周期年化仅 9.5%,差距巨大。
一个生产级的回测报告应包含以下内容:
1. 策略概述
- 策略名称、类型、标的物
- 回测时间区间、数据频率
- 策略核心逻辑简述
2. 参数设置
- 核心参数及其取值
- 参数敏感性分析结果
3. 绩效总结表
- 关键指标汇总(年化收益、夏普、最大回撤等)
4. 累计收益曲线
- 策略 vs 基准 vs 无风险利率
- 对数坐标(便于比较长期复合增长)
5. 分年表现
- 逐年收益、波动率、回撤
- 胜率 vs 市场涨跌的卡帕系数
6. 回撤分析
- 最大回撤期间的持仓和市场环境
- 回撤恢复时间统计
7. 交易分析
- 月度盈亏分布(月度 12 格热力图)
- 胜率、盈亏比、期望值
- 多空收益分别统计
8. 稳健性测试
- 滚动回测结果
- 参数敏感性图表
- 蒙特卡洛模拟结果
- CPCV 分析结果
绩效总结表示例:
| 指标 | 策略值 | 基准(沪深 300) | 说明 |
|---|---|---|---|
| 年化收益率 | 13.8% | 6.5% | 超额 7.3% |
| 年化波动率 | 18.2% | 22.5% | 波动低于基准 |
| 夏普比率 | 0.76 | 0.29 | 风险调整后显著优于 |
| 索提诺比率 | 1.12 | 0.35 | 下行风险控制更好 |
| 最大回撤 | -15.3% | -32.8% | 回撤减半 |
| 卡玛比率 | 0.90 | 0.20 | 回撤效率优势明显 |
| 信息比率 | 0.85 | - | 跟踪误差控制良好 |
| 胜率 | 42.3% | - | 趋势跟踪典型 |
| 盈亏比 | 2.15 | - | 大赚小亏 |
| 交易次数 | 843 | - | 统计显著 |
| Alpha | 6.8% | - | 显著的正 Alpha |
| 工具 | 语言 | 特点 | 适用场景 |
|---|---|---|---|
| Backtrader | Python | 功能完整,社区活跃,支持多市场 | 中低频策略 |
| Zipline | Python | Quantopian 开发,支持 US 市场 | 因子研究、US 股票 |
| vn.py | Python | 国内活跃,支持 A 股期货 | A 股期货、商品期货 |
| QuantConnect | Python/C# | 云端平台,多市场多资产 | 全球多资产策略 |
| Bulettin | Python | 国内量化回测平台 | A 股策略快速验证 |
| 优矿(UQER) | Python | 国内平台,数据齐全 | A 股量化研究 |
| 米筐(RiceQuant) | Python | 国内平台,支持多种策略 | A 股、期货回测 |
| Polygon | REST API | 美国市场实时+历史数据 | 美股数据获取 |