💡 回测陷阱深度解析

本章详细讲解了回测框架，这里重点强调三个最致命的回测陷阱：

1. 未来函数（Look-ahead Bias）

错误示例：

# ❌ 错误：使用当天收盘价判断买入
if df['close'].iloc[i] > df['open'].iloc[i]:
    buy_at_open()  # 无法在开盘时知道收盘价！

正确做法：

# ✅ 正确：使用前一天信号
signal = (df['close'].shift(1) > df['ma20'].shift(1))
position = signal.shift(1)  # T+1执行
returns = position * df['close'].pct_change()

2. 过拟合（Overfitting）

问题： 参数在历史数据上表现完美，实盘却亏损

解决方案：

# 样本外测试
train = data[:int(len(data)*0.7)]  # 训练集70%
test = data[int(len(data)*0.7):]   # 测试集30%

# 在训练集优化参数
best_params = optimize(train)

# 在测试集验证
test_return = backtest(test, best_params)
print(f"样本外收益: {test_return:.2%}")

3. 忽略交易成本

现实成本：

• 手续费：0.03%（券商）
• 印花税：0.1%（卖出）
• 滑点：0.05%-0.2%（市场冲击）

def apply_trading_cost(returns, turnover_rate):
    """应用交易成本"""
    commission = 0.0003  # 手续费
    stamp_tax = 0.001    # 印花税（卖出）
    slippage = 0.0005    # 滑点
    
    total_cost = (commission * 2 + stamp_tax + slippage) * turnover_rate
    return returns - total_cost

4. 回测指标速查

黄金法则： 策略在考虑交易成本后的夏普比率仍>1.5，才值得实盘！