返回博客列表

我帮朋友做了个回测,发现他的「完美策略」根本不能赚钱

一个让我哭笑不得的故事

上周四晚上,我一个朋友老周兴冲冲地给我发消息,说他研究了大半年的「必胜策略」终于成型了。他给我发来一张截图,年化收益68%,夏普比率3.2,最大回撤才12%——说实话,这数据漂亮得有点假。我问他怎么回测的,他说用的是某平台5年的日线数据,参数都是手动调的,「调到最舒服的位置」。

我让他把回测设置发我看看,结果发现好几个问题:没有考虑交易成本、没有设置滑点、回测区间刚好是2019-2023年牛市阶段,更离谱的是他的参数是用未来数据优化的。两个月后他告诉我实盘亏了快20%,策略完全失效了。

这个故事告诉我一件事:回测本身不难,难的是正确地回测。很多人以为跑个软件、点几个按钮就是回测了,其实差的十万八千里。今天我就结合自己的经验,跟大家聊聊策略回测的正确方法,以及怎么用工具来避免那些常见的坑。

什么是策略回测?为什么你必须做

简单来说,策略回测就是用历史数据来验证你的交易策略到底有没有效。比如你设计了一个「股价站上20日均线买入,跌破20日均线卖出」的策略,你可以把这个策略放到过去5年的数据上去「模拟交易」,看看如果一直这么操作,能赚多少钱、会承受多大风险。

为什么要做回测?主要有三个原因:

第一,省钱省时间。你不用真金白银去试错,历史数据已经告诉你这个策略过去行不行。虽然过去不代表未来,但连过去都不行的策略,未来大概率也不行。

第二,发现策略的问题。比如你是不是过度拟合了?参数是不是太敏感了?回撤是不是太大了?这些问题实盘之前就能发现。

第三,建立信心。一个经过严格回测验证的策略,能让你在市场波动时拿得住。如果你自己都不相信策略能赚钱,怎么可能长期执行?所以我建议所有想做量化交易的朋友,不管你用不用程序化交易,都应该学会做策略回测。这也是我在AI股票分析服务中经常强调的一点——在真正下单之前,让数据说话。

我的回测实战:布林带策略在贵州茅台上的表现

说了这么多理论,不如给大家看个真实案例。2023年初我对布林带策略特别感兴趣,就用贵州茅台(600519)做了个回测,时间范围是2020年1月到2023年12月,整整4年的数据。

策略逻辑很简单:股价跌到布林带下轨就买入,涨到上轨就卖出。我测试了三组参数:

参数组A(收紧):布林带周期10,标准差倍数1.5 参数组B(标准):布林带周期20,标准差倍数2.0 参数组C(宽松):布林带周期30,标准差倍数2.5

结果很有意思:参数组A年化收益最高,达到42%,但胜率只有38%,而且最大回撤是35%——也就是说,你可能要承受账户三分之一市值蒸发的心理压力。参数组C年化收益只有18%,但胜率52%,最大回撤15%,持有体验舒服很多。参数组B居中,年化28%,胜率45%,最大回撤22%。

如果只看收益,你肯定选A。但我最后选的是C,因为一个你拿不住的策略,再高的收益也没用。实盘那一年,茅台正好碰到消费板块调整,参数组A触发了两次大回撤,而参数组C稳稳地帮我控制住了亏损。

这个案例告诉我们:回测不只是看收益,还要看风险指标、看持有体验。我后来把类似的多维度分析功能做进了AI股票分析里,就是为了帮大家更全面地评估策略。

三个让回测失效的坑,你踩过几个?

做回测最怕的不是技术难,而是掉进坑里还以为自己很正确。我总结了三个人人都会踩的坑:

坑一:过拟合(参数美化过度)

这就是我朋友老周犯的错误。他把策略参数调到「最舒服的位置」,问题是这个「舒服」是用未来的数据换来的。比如你知道2022年茅台跌得很惨,就把止损参数设得很窄,这样回测时确实能躲过那段下跌——但这是用「后视镜」在开车,实盘时你根本不知道明天会发生什么。

怎么避免:把数据分成两部分,一部分用来优化参数,另一部分用来验证。如果优化数据上表现很好,验证数据上也很好的策略,才值得信赖。

坑二:忽略交易成本

很多人回测时不考虑手续费、印花税、滑点(就是你想卖出但成交价比你预期低的那部分)。看起来每次交易成本不高,但高频策略做一年下来,手续费可能吃掉你30%的收益。

怎么避免:在回测设置里一定要加上交易成本。以A股为例,目前印花税千分之一,券商佣金万三左右,我一般会加上0.15%的滑点作为缓冲,这样结果更接近真实。

坑三:幸存者偏差

这个坑很隐蔽。假设你用沪深300成分股做回测,发现某个策略年化收益25%——但你有没有想过,那些曾经是沪深300成分股、后来被踢出去的股票,它们的表现你统计了吗?

怎么避免:选择包含「已退市股票」的历史数据,或者在回测开始时明确注明「仅考虑当前存续的股票」。后者会拉低你的收益,但更诚实。

我的回测清单:每次回测前必做的五件事

结合这些年的踩坑经验,我总结了一个简单的检查清单:
  • 检查时间范围:至少要用5年以上的历史数据,涵盖牛市、熊市、震荡市三种市场环境。如果你的回测只覆盖2019-2021年,那牛市的数据会严重美化你的结果。
  • 加入成本预算:印花税、佣金、滑点一个都不能少。我一般用总交易额的0.2%作为综合成本。
  • 分样本验证:把数据分成「训练集」和「测试集」,参数在训练集上优化,在测试集上验证。
  • 关注风险指标:不要只看收益,最大回撤、夏普比率、胜率、盈亏比这些都要看。最大回撤超过30%的策略,普通投资者根本拿不住。
  • 压力测试:故意用最差的参数、最高的成本、最差的流动性去测试,看看策略在最坏情况下会怎样。如果最坏情况你还能接受,那实盘才有底气。

用对工具,回测效率翻倍

说了这么多方法论,我知道很多人还是觉得回测很难搞。确实,如果用Python自己写回测框架,光是处理数据、避免各种偏差就要花好几个星期。所以后来我自己做自动化交易平台的时候,就把这些功能做得特别傻瓜——

在aimoca的回测模块里,你只需要:
  1. 选择策略模板或者自己写策略逻辑
  2. 设置回测时间范围、股票池、初始资金
  3. 系统自动帮你计算收益、最大回撤、夏普比率,还支持参数优化和蒙特卡洛模拟

上周我用平台的「均线交叉策略」回测了宁德时代(300750)过去3年的表现,从参数设置到拿到完整报告只用了不到3分钟。系统还自动标注了几个关键的过拟合风险点,真的很省心。

最后说几句掏心话

回测这件事,看起来是技术问题,其实更是心态问题。很多人做回测,其实是在「找认同」——希望自己的策略被证明是对的。这种心态下很容易过度优化、自欺欺人。

我的建议是:用怀疑的眼光做回测,用批判的态度看结果。如果你发现自己的策略在回测里完美无缺,那大概率是哪里出了问题——要么是数据有问题,要么是你无意中用了未来函数,要么就是过度拟合了。

好的策略,应该是一个「不完美但能接受」的策略。它在某些市场环境下表现好,在某些环境下表现一般,但长期来看能赚钱,风险也在你可承受范围内。这样的策略,才是真正值得信赖的。

⚠️ 免责声明:本文仅供参考,不构成投资建议。投资有风险,入市需谨慎。数据来源:aimoca AI分析系统

想亲自体验AI股票分析?

基于DeepSeek大模型,多维度智能分析股票走势,助您做出更明智的投资决策

立即体验AI分析