什么是回测？量化策略的检验，机制细节全梳理

AI 量化研究里，回测指的是把一套交易规则放到历史数据上重放：按当时能看到的信息逐日决策，记录每次买卖和盈亏，最后得到一条净值曲线。它检验的是规则在过去是否成立，而不是未来会不会赚钱。

这个区别听起来像文字游戏，实际决定了整件事的做法。把它当成预测工具，就会不断调参数直到曲线好看；把它当成假设检验，才会去问这条曲线能不能被证伪。

本文只讲方法，不构成投资建议，实际操作请咨询有资质的专业人士。

回测在检验的其实是一个假设

一套策略背后总有一个假设，比如「成交量突然放大之后，短期走势会延续」。回测要回答的是：在历史样本里，符合这个假设的情形出现后，结果是否真的有系统性差异。

所以看回测报告，先看它检验的假设是否说得清，再看数字。假设含糊的策略，曲线再漂亮也不知道它在赚什么钱，一旦市场结构变化就无从判断该不该停。

三段式：数据、撮合、成本

第一段是数据，包括价格、成交量、财务指标，要保证没有缺失和错位。第二段是撮合，什么时候成交、按什么价格成交，用当日收盘价还是次日开盘价，差别很大。第三段是成本，手续费、印花税、买卖价差、冲击成本，一样都不能漏。

三段里最容易被简化的是成本。很多看着能赚钱的高频规则，把交易费用算进去就变成亏的。判断一份回测靠不靠谱，先看它有没有写清成本假设。

未来函数藏在哪

未来函数指的是决策时用了当时还拿不到的信息。最典型的是用当日收盘价决定当日买入，而收盘价要等到收盘才知道；另一种是用财报的公布日期之前的数据，实际那时报表还没出。

排查办法是给每个数据字段标注「可得时间」，决策时只允许取可得时间早于当前时点的值。这一步做扎实，能挡掉大部分看起来很美、实际做不出来的策略。

参数调太多会把自己骗了

同一套规则试了五十组参数，挑了历史表现最突出的那组，这叫过拟合。它在历史上很漂亮，因为参数是照着这段历史挑的，换个时间段大概率失灵。

常见对策是留出样本外区间：用前七年调参，后三年只做验证，绝不在验证段再改参数。更严格的做法是滚动验证，每次只用过去的数据训练、紧接着的一段做检验，模拟真实的时间推进。

回测好看不等于能上线

还要考虑容量和流动性。策略假设每天能买进一千万，可那只标的日均成交才两千万，实际执行会把价格推上去，回测里的成交价根本拿不到。

Kimi、秘塔 AI 搜索这类工具在资料整理阶段很有用，可以快速汇总某类规则的历史研究结论，但结论能不能用，仍要靠自己的样本外验证。DeepSeek 也常被用来把回测日志整理成可读的复盘记录。

回测可信度五查

• 假设能否用一句话说清，赚的是什么钱
• 数据是否标注可得时间，有没有未来信息
• 成本假设是否写全，含价差与冲击
• 参数是否在样本外区间验证过
• 容量是否匹配标的的实际成交

五查里，第二查最难自查，建议让没参与建模的人独立过一遍代码。

相关机制：风控特征从哪来与回测共享同一套时间窗纪律；实时判断的延迟预算解释了为什么线上不能跑太重的模型；风险测评与方案匹配是另一类把规则落到人的场景；法务检索的引用核对同样强调出处可追。

延伸阅读：量化交易里的 AI 怎么运作。

关于回测的三个常问问题

• 回测年化很高就一定有问题吗？：不一定，但要先排除未来信息、成本漏算和样本挑选三种情况，排除完再谈可信度。
• 样本外验证要留多长？：至少覆盖一轮完整的涨跌，太短的话，某种市场状态没出现过，验了也说明不了什么。
• 模拟盘能代替回测吗？：不能互相代替。回测能覆盖长历史，模拟盘能暴露执行细节，两者要配合看。