量化回测方法论

量化回测，是将交易策略放到历史行情中模拟运行，通过历史表现检验策略有效性的方法。核心本质是用历史数据做压力测试，验证策略逻辑是否成立、风险是否可控、收益是否具备可复制性，而不是去历史里找一条最完美的收益曲线。\n\n回测是量化交易的核心环节，有三个不可替代的价值：

1. 低成本试错：不用拿真金白银在实盘里踩坑，通过历史数据快速验证几百上千种策略思路，淘汰无效策略，只把少数有潜力的策略拿到实盘验证，大幅降低试错成本。
2. 量化风险收益：直观看到策略的最大回撤、胜率、盈亏比、夏普比率等核心指标，对策略的风险收益特征有清晰认知，而不是凭感觉判断好坏。
3. 固化交易规则：能回测的策略，必然是规则明确、可复制的，倒逼交易者把模糊的交易想法，提炼成清晰可执行的交易体系，避免主观随意性。

但回测也有天然的局限性，这是绝大多数人踩坑的根源：

1. 历史不代表未来：过去有效的策略，未来可能因为市场结构变化、参与者增多、规则变动而失效。
2. 存在大量偏差陷阱：未来函数、过拟合、幸存者偏差、忽略交易成本等问题，会让回测结果严重失真，看起来很美，实盘却亏。
3. 无法模拟全部市场细节：冲击成本、流动性枯竭、极端行情滑点、涨跌停无法成交等现实问题，回测很难完全精准模拟。\n\n很多人对回测有两大极端误解：一种觉得“回测有用=实盘必赚”，把回测收益当必然结果，最后实盘大幅跑输就否定回测；另一种觉得“回测都是骗人的，毫无用处”，彻底否定回测的价值，继续凭感觉交易。
   正确的认知是：回测不是预言未来的水晶球，是淘汰垃圾策略的过滤器。它不能保证策略一定获取收益，但能帮你排除掉绝大多数必然亏钱的策略，大幅提升实盘成功率。

延伸服务：如果想把这套方法做成可回测、可实盘的完整系统，可在 intoquant.com 了解壹信量化的策略定制服务。

回测的核心原则：逻辑优先，数据验证；宁要模糊的正确，不要精确的错误；回测是用来排雷的，不是用来造神的。

一次完整的回测，包含六大基础要素，缺一不可。任何一个要素设置不当，都会导致回测结果严重失真。建立正确的回测框架，是科学回测的第一步。\n\n### 一、回测六大核心要素

1. 策略逻辑
   回测的灵魂，必须明确、可量化、无歧义。买入条件、卖出条件、仓位规则、止损止盈规则，每一条都要能用精确的语言描述，不能有“感觉”“大概”“差不多”这种模糊表述。
   原则：能写清楚规则的策略，不一定是好策略；写不清楚规则的，一定不是合格的可回测策略。\n\n2. 标的池
   策略运行的标的范围，是单只股票、一篮子股票、行业ETF，还是全市场选股。标的池的选择直接决定策略的适用性，用大盘股回测出来的策略，用到小盘股上可能完全失效。
   原则：标的池要和实盘交易范围一致，不能专门挑表现好的标的回测，否则就是选择性作弊。

3. 回测周期与时间区间
   • 周期级别：日线、小时线、分钟线、tick线，级别越低，交易越频繁，滑点冲击成本影响越大。
   • 时间区间：至少覆盖一轮完整的牛熊周期，A股建议至少5年以上，包含牛市、熊市、震荡市三种环境。只测牛市、只测震荡市，结果都没有参考价值。
     原则：时间越长、行情越全面，回测结果越可靠。\n\n4. 初始资金与仓位规则
     设定合理的初始资金、单标的仓位上限、总仓位上限、加减仓规则。资金量大小会影响冲击成本，小资金回测的收益，大资金可能根本实现不了。
     原则：仓位规则要和实盘一致，回测满仓进出，实盘不敢满仓，结果没有意义。\n\n5. 交易成本设置
     最容易被忽略、也是影响最大的要素之一。必须包含：佣金、印花税、过户费、滑点、冲击成本。
     滑点建议设置在0.1%-0.3%，高频策略还要更高；冲击成本根据资金量和标的流动性调整。
     原则：交易成本宁高勿低，保守估算的回测，实盘才不会超预期。

需要工程化落地？intoquant.com 提供回测合规代检、系统搭建与自动化部署服务。

6. 成交撮合规则
   用什么价格成交：开盘价、收盘价、均价，还是市价成交。A股还要考虑涨跌停、停牌、T+1等交易规则。
   原则：撮合规则越贴近实盘，回测结果越可信。用收盘价成交最方便，但也最容易高估收益。\n\n### 二、回测核心评价指标
   评价一个策略好坏，不能只看收益率，要多维度综合评估，按重要性排序如下：
7. 最大回撤：策略历史上从最高点到最低点的最大跌幅。衡量策略的风险程度，是比收益率更重要的指标，决定了你能不能拿得住。
8. 夏普比率：风险调整后收益，代表每承担一单位风险能获得的超额收益。大于1合格，大于1.5优秀，越高说明性价比越高。
9. 年化收益率：策略的平均年化收益，只看绝对收益没有意义，要结合回撤一起看。
10. 胜率与盈亏比：盈利交易占比是胜率，平均盈利/平均亏损是盈亏比。两者结合看，高胜率低盈亏比、低胜率高盈亏比，都可以是好策略。
11. 卡玛比率：年化收益/最大回撤，衡量每承担一单位回撤能获得的收益，是评估策略性价比的核心指标。
12. 交易次数与换手率：交易次数太少，结果不具备统计意义；换手率太高，交易成本侵蚀严重。\n\n### 三、合格策略的基本标准

• 穿越牛熊，不同行情下都有正收益或相对收益；
• 最大回撤在可承受范围内，夏普比率大于1；
• 交易次数足够多，具备统计意义；
• 收益来源清晰，不是靠某几次偶然行情暴利。

回测最大的敌人不是策略不好，是回测偏差。很多看起来完美的收益曲线，本质都是各种偏差堆出来的假象，实盘一跑就原形毕露。识别并避开八大经典陷阱，是做好回测的核心能力。\n\n### 陷阱一：未来函数
最致命、也最常见的回测陷阱。本质是在回测中使用了当时还没有的数据，相当于开了上帝视角，知道未来的行情来做交易，回测当然获取收益，实盘根本不可能做到。

• 典型例子：用当日收盘价计算指标，当日就下单；用未来才发布的财报数据做选股；高低点函数引用未来数据。
• 危害：回测收益虚高，实盘完全失效，是“回测封神、实盘亏光”的头号元凶。
• 避坑方法：严格时序交易，信号产生后下一根K线再下单；用次日开盘价成交；避免使用未来函数；用模拟盘验证。\n\n### 陷阱二：过度拟合（过拟合）
  最普遍的回测陷阱。通过反复调整参数，让策略完美贴合历史行情，看起来收益极高、回撤极小，但只是刚好匹配了过去的走势，对未来完全无效。
• 典型表现：参数微调一点，收益就大幅下降；样本内表现极好，样本外一塌糊涂；策略参数极多、逻辑复杂。
• 危害：历史表现完美，未来持续跑输，本质是用数据挖掘制造的虚假有效策略。
• 避坑方法：减少参数数量；样本内训练+样本外验证；参数取合理区间值，不追求极致；逻辑优先，不做纯数据挖掘。\n\n### 陷阱三：幸存者偏差
  只看到了存活下来的标的，忽略了已经退市、暴雷、退市的标的，导致回测收益虚高。
• 典型例子：用当前的成分股回测历史行情，默认过去也持有这些股票，忽略了那些被踢出去的垃圾股。
• 危害：高估策略收益，实盘选到问题股的概率远高于回测。
• 避坑方法：用全样本数据回测，包含退市、ST标的；用动态股票池，还原当时的成分股构成。

陷阱四：忽略交易成本

回测不计手续费、印花税、滑点、冲击成本，看起来收益很高，实盘交易成本吃掉大半利润。

• 典型表现：高频策略回测收益极高，实盘却不获取收益；换手率越高的策略，偏差越大。
• 危害：严重高估策略收益，尤其是高频策略，可能从盈利变成亏损。
• 避坑方法：成本设置宁高勿低；高频策略提高滑点比例；回测报告里单独统计交易成本占比。\n\n### 陷阱五：偷价行为
  用不可能成交的价格成交，比如开盘涨停的股票，回测默认能买到；跌停的股票，默认能卖掉。
• 典型例子：一字涨跌停、开盘跳空，回测按涨跌停价成交，实盘根本买不到卖不出。
• 危害：高估收益和成交率，极端行情下偏差极大。
• 避坑方法：考虑涨跌停限制；用次日开盘价成交；设置流动性过滤，剔除流动性不足的标的。\n\n### 陷阱六：前视偏差
  和未来函数类似，本质是信息提前获取。比如用季度财报做选股，但财报要到季度结束后一个月才发布，回测时季度结束就用了财报数据。
• 典型表现：基本面选股策略回测收益很高，实盘跑不赢。
• 危害：回测收益虚高，实盘滞后，收益大幅缩水。
• 避坑方法：数据按真实发布时间对齐，财报数据延后1-2个月使用；只使用交易当时可获得的信息。\n\n### 陷阱七：过度优化
  反复调整策略规则、增减条件，直到回测曲线好看，本质是对着历史行情量身定做策略。
• 典型表现：加了几十个过滤条件，每加一个条件回测收益就涨一点；策略逻辑越来越复杂，解释不清为什么获取收益。
• 危害：过拟合的一种，历史完美，未来失效。
• 避坑方法：策略逻辑优先，条件越少越好；每加一个条件都要有合理的逻辑解释，不能为了收益加条件。

配套服务：策略代码代写、回测验证与风控自动化，可在 intoquant.com 咨询壹信量化团队。

陷阱八：样本不足

交易次数太少，比如5年只交易了几次，收益全靠几次偶然行情，不具备统计意义。

• 典型表现：回测曲线很漂亮，但一共没几笔交易；重仓押中几次大行情，掩盖了策略本身的问题。
• 危害：运气成分远大于策略能力，未来不可复制。
• 避坑方法：至少30笔以上交易才有统计意义；交易次数越少，越要怀疑结果的可靠性。\n\n### 核心总结
  所有回测陷阱的本质，都是让回测环境比实盘更理想，从而得到虚高的收益。正确的回测思维，是主动给回测增加难度、保守估算，让回测环境比实盘更苛刻，这样实盘才不会低于预期。

合格的回测不是打开软件跑一下就行，而是一套标准化的流程。按流程一步步走，能最大限度避免偏差和陷阱，保证回测结果的可信度。完整的回测分为七步。\n\n### 第一步：策略逻辑提炼
先有逻辑，再有回测，顺序绝对不能反。

1. 把交易想法提炼成清晰的规则：买什么、什么时候买、买多少、什么时候卖、止损止盈怎么设。
2. 问自己三个问题：策略赚的是什么钱？逻辑上为什么能有收益？这个逻辑未来还成立吗？
3. 原则：逻辑不通的策略，回测收益再高也不要信，大概率是数据巧合。\n\n### 第二步：回测环境配置
   按第二章的框架，搭好回测基础环境：
4. 确定标的池、回测时间区间、K线周期；
5. 设置初始资金、仓位规则、手续费、滑点、成交规则；
6. 所有参数尽量贴近实盘，成本宁高勿低。

第三步：首轮回测与初步校验

运行回测，拿到第一版结果，先做基础校验：

1. 合理性校验：收益是不是高得离谱？回撤是不是小得不正常？如果不符合常识，先排查是不是踩了陷阱。
2. 交易明细校验：抽几笔交易看买卖点对不对，信号是不是符合规则，有没有未来函数、偷价问题。
3. 基础指标评估：看最大回撤、夏普、年化、胜率盈亏比，是不是在合理范围内。\n\n### 第四步：稳健性检验
   这是区分有效策略和过拟合策略的关键一步。
4. 参数敏感性测试：把核心参数上下浮动20%-30%，看收益会不会大幅波动。参数改一点收益就暴跌，说明过拟合严重；参数区间内收益都比较稳定，说明策略稳健性好。
5. 分时段测试：把回测区间分成几段，分别看每一段的表现。如果只有某一段行情特别好，其他都不行，说明策略不具备普适性。
6. 不同标的测试：把策略放到其他同类标的上跑一跑，看是不是都有效。只能在某一只股票上获取收益的策略，大概率是拟合了这只票的历史走势。\n\n### 第五步：样本外验证
   最有效的过拟合防御手段。
7. 把历史数据分成两部分：训练集（前70%-80%）用来调试策略、优化参数；测试集（后20%-30%）完全不动，用来最终验证。
8. 策略在训练集调好之后，一次性跑到测试集上看结果。测试集表现依然合格，说明泛化能力强；测试集收益大幅下滑，就是过拟合。
9. 原则：测试集只能用一次，不能用测试集反过来调参数，不然就失去了样本外的意义。

想省心落地：intoquant.com 提供从回测到实盘的一站式定制服务，适合不写代码的投资者。

第六步：策略归因分析

分析策略的收益来源，确认钱是怎么赚的。

1. 赚的是beta的钱还是alpha的钱？是靠大盘上涨，还是策略本身有超额收益？
2. 赚的是因子的钱？比如价值、动量、小盘因子，还是靠选股？
3. 收益是均匀分布，还是靠少数几笔大赚？靠少数几笔赚的，可靠性就低。
4. 原则：收益来源越清晰、越符合逻辑，策略未来有效的概率越高。\n\n### 第七步：模拟盘与小仓实盘验证
   回测通过之后，不要直接满仓上实盘。
5. 先跑1-3个月模拟盘，验证实盘行情下的信号、成交、滑点和回测的差异。
6. 再用小资金实盘跑3-6个月，验证实盘收益、回撤、滑点是否符合预期。
7. 实盘表现稳定，再逐步加到目标仓位。\n\n整个流程的核心原则：先证伪，再证实。先想尽办法证明策略不行，各种压力测试都没打倒，再考虑实盘。

很多人看回测报告，只看一眼累计收益率就下结论，这是对回测结果的极大浪费。一份完整的回测报告，包含了策略的风险、收益、风格、稳定性等大量信息，读懂这些信息，才能真正判断策略的好坏。\n\n### 一、收益维度指标解读

1. 累计收益率与年化收益率
   累计收益是整个周期的总收益，年化收益是折算到每年的收益，更有横向对比价值。
   注意：年化收益要结合时间长度看。1个月赚10%，不代表年化能赚120%，短期收益偶然性大。
2. 月度/年度胜率
   盈利的月份/年份占比。月度胜率能达到60%以上，就属于非常稳定的策略；低于50%就要看盈亏比能不能覆盖。
3. 收益分布
   看收益是均匀分布，还是集中在某几个月。集中在少数时间段的暴利，可靠性远低于持续稳定的盈利。\n\n### 二、风险维度指标解读
   风险指标比收益指标更重要，决定了策略能不能活下来、你能不能拿住。
4. 最大回撤（Max Drawdown）
   历史上从最高点到最低点的最大跌幅，是最重要的风险指标。
   • 意义：代表你可能面临的最大浮亏，也决定了你的仓位上限。最大回撤20%的策略，满仓你可能也拿得住；最大回撤50%的策略，就算长期收益高，大多数人也会在回撤中割肉。
   • 参考标准：稳健策略控制在15%以内，平衡策略25%以内，激进策略不超过40%。
5. 波动率（标准差）
   收益率的波动程度，反映策略的稳定性。波动率越高，账户起伏越大，持有体验越差。
6. 下行风险
   只计算下跌时的波动率，比整体波动率更精准地反映风险。
7. 最长回撤周期
   从高点到创新高所用的最长时间。很多人能承受回撤幅度，但承受不了回撤时间。半年不创新高，很多人就会怀疑策略、中途放弃。

三、风险调整后收益指标

把收益和风险结合起来看，是评估策略性价比的核心指标。

1. 夏普比率（Sharpe Ratio）
   （年化收益-极低风险利率）/ 年化波动率。衡量每承担一单位波动，能获得多少超额收益。
   • 参考值：<0.5 较差；0.5-1 一般；1-1.5 良好；>1.5 优秀。
2. 卡玛比率（Calmar Ratio）
   年化收益 / 最大回撤。衡量每承担一单位最大回撤，能获得多少收益。
   • 参考值：>1 良好；>2 优秀。卡玛比率越高，策略的性价比越高。
3. 索提诺比率（Sortino Ratio）
   和夏普类似，但只用下行风险计算，更关注下跌风险，比夏普更贴合真实风险感受。\n\n### 四、交易维度指标解读
4. 胜率：盈利交易次数 / 总交易次数。不是越高越好，要结合盈亏比看。
5. 盈亏比：平均盈利 / 平均亏损。胜率低没关系，盈亏比够高一样获取收益。
6. 交易频率/换手率：每年交易多少次，换手率多高。频率越高，交易成本影响越大，实盘折扣越多。
7. 盈利因子：总盈利 / 总亏损。大于1说明整体盈利，越大越好。\n\n### 五、策略归因分析
   比指标更重要的，是搞懂策略为什么获取收益。
8. 风格归因：策略是赚价值的钱、成长的钱、动量的钱，还是小盘的钱？暴露了哪些因子敞口。
9. 行业归因：收益是不是来自某几个特定行业？如果全靠某个行业行情，本质是押注赛道，不是选股策略有效。
10. 时段归因：收益集中在牛市还是熊市？震荡市能不能有收益？牛熊都能有收益的策略，普适性更强。
11. 交易归因：获取收益的交易都是什么类型？是趋势跟踪赚的，还是反转赚的？和策略逻辑是否一致。

延伸服务：如果想把这套方法做成可回测、可实盘的完整系统，可在 intoquant.com 了解壹信量化的策略定制服务。

归因的核心意义：确认策略的收益和你预期的逻辑一致，而不是靠运气、靠拟合、靠押注某段行情。

过拟合是量化回测的头号敌人，也是绝大多数策略「回测封神、实盘亏光」的根源。但过拟合不是非黑即白的概念，任何策略都存在一定程度的拟合，我们的目标不是彻底消除拟合，是把过拟合程度控制在安全范围内，同时建立策略迭代与生命周期管理机制，让策略体系持续适应市场变化。\n\n### 一、过拟合的本质与核心成因
过拟合的本质是：策略过度匹配了历史行情中的噪音与偶然规律，而非真正的市场底层逻辑。模型记住了历史的每一次波动，却没有抓住普适性规律，放到未来行情中自然快速失效。
核心成因有四类：

1. 参数过度优化：反复调试核心参数，直到跑出历史最优收益，本质是让参数精准贴合了过去的走势。
2. 条件过度堆砌：不断增加过滤条件，把历史上的亏损交易逐一屏蔽，策略越来越复杂，越来越脱离本质逻辑。
3. 样本量不足：回测周期短、交易次数少，策略刚好匹配了这段有限行情，不具备普适性。
4. 逻辑缺失：纯数据挖掘，没有底层经济/行为金融逻辑支撑，只是从历史数据中找统计相关性，大概率是偶然巧合。\n\n### 二、过拟合防御的八大核心方法
5. 逻辑先行原则
   这是最根本的防御手段。每个策略必须有清晰的底层逻辑，比如赚趋势延续的钱、赚均值回归的钱、赚预期差的钱。有逻辑支撑的策略，过拟合概率低，长期生命力强；没有逻辑的纯数据挖掘，一律按过拟合处理。\n\n2. 精简参数与规则
   参数越少、规则越简单的策略，过拟合概率越低。能用2个参数实现，就不要用5个；能用3条规则说清，就不要加10条过滤条件。
   遵循奥卡姆剃刀原则：效果相近的策略，永远选择更简单的那个。

3. 样本外验证法
   最经典也最有效的过拟合检验手段。将历史数据拆分为训练集（70%-80%）与测试集（20%-30%），训练集用于调试策略、优化参数，测试集完全隔离，仅用于最终一次性验证。
   测试集表现不出现大幅下滑，说明策略泛化能力强；测试集收益腰斩以上，基本可以判定为过拟合。进阶可采用滚动回测（Walk Forward），不断用新样本外数据验证，更贴近实盘迭代的真实场景。\n\n4. 参数敏感性测试
   对核心参数做区间遍历，观察收益曲线的平滑度。如果参数变动10%-20%，收益就大幅波动，说明参数刚好卡在了历史最优值，过拟合严重；如果参数在合理区间内，收益始终保持在相近水平，说明策略稳健性极强。
   合格的策略，最优参数区间应该是一个平台，而不是一个尖点。\n\n5. 扰动压力测试
   主动给回测加入噪音，测试策略的鲁棒性。比如随机调整滑点、随机扰动成交价、随机剔除部分交易数据，观察收益是否出现崩塌式下跌。
   抗扰动能力越强的策略，实盘表现越稳定；稍微加点干扰就失效的策略，本质只是精密拟合的“花瓶”。\n\n6. 多市场多标的验证
   把策略放到不同市场、不同同类标的上运行。如果只能在某一只股票、某一个指数上获取收益，放到其他同类标的上就失效，大概率是拟合了单一标的的特性；如果在多个标的、多个市场都能盈利，说明逻辑普适性强，过拟合程度低。

7. 保守成本设置
   主动提高交易成本、放大滑点，给回测增加难度。能在高成本环境下依然盈利的策略，实盘表现只会优于回测；只能在零成本环境下获取收益的策略，实盘必然亏损。
   用更苛刻的环境做压力测试，活下来的才是真正有效的策略。\n\n8. 实盘渐进验证
   所有纸面验证都替代不了真实市场。先模拟盘、再小资金实盘，是最终的过拟合检验。实盘运行3-6个月，收益、回撤、胜率和回测差异在可接受范围内，才算真正通过验证。\n\n### 三、策略迭代与生命周期管理
   没有永远有效的策略，市场在进化，策略也必须持续迭代。
8. 策略监控：持续跟踪策略的收益、回撤、胜率、盈亏比，与历史基准对比，出现异常偏差及时预警。
9. 失效判定：连续跑输基准、最大回撤破历史纪录、底层逻辑被破坏，满足任意一条都要警惕策略失效。
10. 迭代优化：在原有逻辑基础上微调参数、补充规则，适配新的市场环境。迭代同样要遵循过拟合防御原则，不能对着实盘亏损反向过度优化。
11. 淘汰机制：底层逻辑彻底破坏的策略，要果断淘汰，不要死扛。策略池要有进有出，保持新陈代谢。\n\n### 四、策略池构建思路
    不要单吊一个策略，搭建多策略组合。不同逻辑、不同风格、不同持仓周期的策略搭配，东边不亮西边亮，既能平滑收益曲线，也能对冲单一策略失效的风险。

回测是量化交易的核心工具，但大多数人不仅没用好回测，反而被回测带进了坑里。不是回测本身没用，是错误的使用方式让它变成了自我欺骗的工具。避开七大经典误区，才能让回测真正为实盘服务。\n\n第一个坑：唯收益论，只看收益率判断策略好坏
这是最普遍的误区。很多人选策略，只看年化收益，哪个收益高就用哪个，完全忽略回撤、波动率和策略容量。结果往往是选了收益最高的那个，实盘回撤一来就扛不住，割在最低点，最后不仅没赚到高收益，还亏了本金。
永远记住：收益是结果，风险是前提。你能承受多大回撤，决定了你最终能拿到多少收益。只看收益选策略，和只看赔率赌大小没有本质区别。\n\n第二个坑：过度优化，反复调参追求完美曲线
对着历史数据反复调参数、加条件，直到调出一条近乎45度向上的完美收益曲线，然后觉得自己找到了圣杯。这是典型的自欺欺人——你优化的不是策略盈利能力，是让策略完美适配过去的行情，未来必然失效。
回测的目的不是做出最漂亮的曲线，是验证策略逻辑能不能有收益。粗糙但逻辑硬的策略，远胜完美但过拟合的策略。

第三个坑：忽略成本，回测零手续费零滑点
回测的时候不计手续费、不算滑点，看起来收益很高，实盘一跑，交易成本吃掉大半利润；尤其是高频策略，甚至直接从盈利变亏损。
交易成本是策略收益的天敌，换手率越高，成本影响越大。回测的时候把成本设高一点、保守一点，实盘才会有惊喜；设得太低，本质就是自己骗自己。\n\n第四个坑：未来函数，开上帝视角做交易
无意识地使用未来数据，比如当日信号当日成交、用未发布的财报选股、用高低点函数引用未来数据。回测的时候收益惊人，实盘根本不可能实现。
这是最低级也最致命的错误，很多人做了很久量化，都没意识到自己的策略藏着未来函数，实盘亏了还找不到原因。
永远守住一条底线：你实盘交易时能拿到什么数据，回测就只能用什么数据，严格遵循时间先后顺序。\n\n第五个坑：幸存者偏差，只选好标的回测
专门挑过去涨得好的股票、现在还在上市的股票来回测，自动忽略了退市的、暴雷的、跌没了的标的，相当于默认自己过去永远能选到牛股，回测收益当然好看。
实盘中你根本不可能每次都选对，必然会买到垃圾股、问题股。全样本回测，把退市、ST、停牌都考虑进去，结果才具备真实参考价值。

第六个坑：样本不足，靠几次交易定结论
回测半年、交易十几次，赚了钱就觉得策略无敌。短期行情偶然性太大，几次交易说明不了任何问题，可能只是刚好踩对了风格，不是策略真有效。
回测周期至少要覆盖一轮牛熊，交易次数至少要几十上百次，才有统计意义。样本越少，运气成分越大，结论越不可靠。\n\n第七个坑：回测即真理，回测好就满仓干
觉得回测表现好，实盘就一定能有收益，一上来就满仓押注，结果实盘一波动就心态崩溃，或者策略不及预期就大幅亏损。
回测只是历史验证，不代表未来。再完美的回测，也要先模拟、再小仓、逐步加仓，给策略也给自己留足缓冲空间。\n\n最后要记住：回测是工具，不是真理。它能帮你排除垃圾策略，不能保证你一定获取收益。正确的态度是：怀疑它、验证它、谨慎使用它，而不是迷信它、神化它。

延伸工具与服务：量化数据与信号查询 a-sig.com ｜ 回测定制与系统搭建服务 intoquant.com（壹信量化研究团队出品）