回测方法论 (Backtesting Methodology)

模块编号：第⑥模块

前置知识：机器学习基础、特征工程、树模型实战、深度学习模型

难度等级：⭐⭐⭐⭐

预计学习时间：7-9 小时

模块简介

回测（Backtesting）是量化投资中至关重要的一环。它用历史数据模拟交易过程，验证策略的有效性。但回测不仅仅是”写代码模拟交易”——更重要的是识别回测中的陷阱，避免被虚假的策略表现所欺骗。

💡 核心理念：回测的目的是发现策略的问题，而不是证明策略有效。一个诚实的回测应该让你对策略的局限性有清晰的认识。

学习目标

完成本模块后，你将能够：

1. 理解回测的完整流程：从数据准备到绩效评估的各个环节
2. 构建投资组合：掌握多种仓位分配方法（等权、IC加权、均值方差优化等）
3. 建模交易成本：理解并计算佣金、印花税、滑点、冲击成本
4. 评估策略表现：计算并解读各类绩效指标（Sharpe、最大回撤、换手率等）
5. 识别回测陷阱：防范过拟合、前视偏差、幸存者偏差等常见问题
6. 独立完成回测：用纯 Python 实现完整的端到端回测系统

回测在量化流程中的位置

┌─────────────────────────────────────────────────────────────────────┐
│                        量化投资完整流程                               │
├─────────────────────────────────────────────────────────────────────┤
│                                                                     │
│  ┌──────────┐    ┌──────────┐    ┌──────────┐    ┌──────────┐      │
│  │  数据    │ →  │  研究    │ →  │  回测    │ →  │  实盘    │      │
│  │  获取    │    │  开发    │    │  验证    │    │  交易    │      │
│  └──────────┘    └──────────┘    └──────────┘    └──────────┘      │
│                      │                                     │         │
│                      ↓                                     ↓         │
│              ┌──────────┐                         ┌──────────┐      │
│              │ 特征工程 │                         │ 风险管理 │      │
│              │ 模型训练 │                         │ 监控报警 │      │
│              └──────────┘                         └──────────┘      │
│                                                                     │
└─────────────────────────────────────────────────────────────────────┘
                         ↑ 本模块聚焦于此区域

回测承上启下：

• 向上：验证研究结果是否有效
• 向下：为实盘交易提供信心和参数

文件导航

总计：约 9 小时

推荐学习路径

起点
  │
  ├→ 01-回测理论 ─────────────────────────────────┐
  │     [建立基本概念]                            │
  │                                              │
  ├→ 02-投资组合构建 ─────────────────────────────┤
  │     [如何从信号到持仓]                        │
  │                           │                  │
  ├→ 03-交易成本模型 ────────────┼→ 04-绩效评估指标 ─┐
  │     [真实成本有多高]        │   [如何评估表现]   │
  │                           │                  │
  ├→ 05-回测陷阱与防范 ────────┴→ 06-实战案例 ←───┘
  │     [批判性思维]            [综合应用]
  │
  └→ 终点：具备独立完成回测的能力

学习建议：

1. 顺序学习：每个章节都建立在前一章基础上
2. 动手实践：每看完一节，运行代码示例
3. 批判思考：回测方法论的核心是”怀疑”——永远质疑回测结果
4. 对照实盘：理解回测与实盘的差异，避免过度自信

为什么不使用 qlib/backtrader？

本模块所有代码使用纯 Python + pandas/numpy 实现，不引入专门的回测框架。原因如下：

1. 理解底层原理：直接写代码能让你明白回测的每一个细节
2. 灵活性：框架往往有特定假设，自己写可以完全定制
3. 调试方便：出现问题时，你完全知道代码在做什么
4. 通用技能：掌握 pandas/numPy 技能可迁移到任何场景

💡 在掌握本模块内容后，你可以：

• 用这些知识理解 qlib/backtrader 的设计
• 根据需要选择合适的框架
• 也可以继续用纯 Python 实现自己的回测系统

代码环境准备

# 安装必要的包
pip install numpy pandas scipy matplotlib empyrical
 
# empyrical 是专业的量化绩效计算库
# 如果安装失败，可以用纯 Python 实现（本模块会提供）

本模块使用的包：

核心知识点预览

回测的五大支柱

┌────────────────────────────────────────────────────────────┐
│                    回测系统五大支柱                          │
├────────────────────────────────────────────────────────────┤
│                                                            │
│  1. 数据质量       →  垃圾进，垃圾出（GIGO）               │
│                                                            │
│  2. 组合构建     →  信号如何转化为仓位                     │
│                                                            │
│  3. 成本模型    →  决定策略是否可行                         │
│                                                            │
│  4. 绩效评估   →  全面评估风险收益                          │
│                                                            │
│  5. 偏差控制   →  确保回测诚实可靠                          │
│                                                            │
└────────────────────────────────────────────────────────────┘

A股市场特殊注意事项

开始学习

准备好进入回测的世界了吗？记住：一个好的量化投资者，首先是回测的批判者。

→ 开始学习：01-回测理论

补充资源

推荐阅读：

• 《主动投资组合管理》- Grinold & Kahn
• 《量化投资：策略与技术》- 丁鹏
• 《打开量化投资的黑箱》- Rishi K. Narang

在线资源：

• Quantopian Lectures（已停止更新，但内容经典）
• towardsdatascience.com 上的回测系列文章

版本信息

• 创建日期：2026-03-28
• 最后更新：2026-03-28
• 作者：mlqt 团队
• 许可：CC BY-NC-SA 4.0