回测三大陷阱与系统改进方案

> 来源：量化交易中的幻觉和陷阱 — 微信公众号文章 > > 本文结合文章揭示的三大回测陷阱，逐一对照 adata 量化系统的现状，给出改进方案。

---

文章核心观点速览

回测的三大陷阱（按发现顺序）:

  陷阱1: 净值的幻觉
    ├── 复利放大效应 → 在牛市中净值被夸大
    ├── 单利 vs 复利 → 两种计算方式差异巨大
    └── 路径依赖 → 盈利时利滚利越堆越大，亏损时同理

  陷阱2: 被忽视的滑点
    ├── 滑点无处不在 → 市价单成交价总比期望值差
    ├── 最低2 tick → 最保守的起步估计
    └── 流动性不足 → 滑点更高

  陷阱3: 容量的瓶颈
    ├── 策略容量有限 → 10万赚钱，50万未必
    ├── 冲击成本 → 大资金推动价格不利变动
    └── 竞争衰减 → 对手学习你的 pattern → 生命周期缩短

---

一、陷阱1：净值的幻觉 — 单利 vs 复利

1.1 文章要点

• 单利：每次投入固定本金（如100元），赚了拿出来，亏了补进去。增长是线性的。
• 复利：本金不断累积，利滚利。增长是指数型的，有路径依赖效应。
• 在单边牛市中，复利会把净值"放大"——过去几年大牛市，复利算出来的净值被夸大了。

1.2 现有系统分析

当前 Strategy.calculate_returns() 使用复利计算：

# Strategy.py L415-436
# 建仓时：用 total_assets * position_ratio 计算买入股数
self.stock_amount = (self.df['total_assets'].iloc[i-1] * current_position) / entry_price
# 总资产 = 股票市值 + 剩余现金（现金会随盈利/亏损变化）
self.df.at[i, 'total_assets'] = stock_value + self.cash
# 累计收益率 = 当前总资产 / 初始资产 - 1
self.df.at[i, 'cumulative_strategy_return'] = (self.df.at[i, 'total_assets'] / self.initial_assets - 1)

结论：现有系统是纯复利模式。每次交易盈利/亏损后，现金池会变大/变小，下一轮建仓的股数随之变化。在牛市中，这个复利效应确实会放大净值。

1.3 改进方案

增加单利基准线，与复利净值并列展示：

def calculate_simple_interest_return(self):
    """
    单利计算：每次交易使用固定本金，不滚动复利。
    每次交易的盈亏 = 固定本金 × 交易盈亏比例
    总收益率 = 所有交易盈亏之和 / 固定本金
    """
    fixed_principal = self.initial_assets
    total_pnl = 0
    for trade_return in self.trades:
        total_pnl += fixed_principal * trade_return
    return total_pnl / fixed_principal * 100

输出对比：

─────────────────────────────────────────────
  📊 净值计算方式对比
─────────────────────────────────────────────
  复利年化收益: 15.2%    （利滚利模式）
  单利年化收益: 11.8%    （每次固定本金）
  差异: 3.4%              ← 复利放大效应
─────────────────────────────────────────────

优先级：中。改动量小（约20行），但能让你看清复利放大效应有多大。

---

二、陷阱2：被忽视的滑点

2.1 文章要点

• 滑点出现原因：市场剧烈波动、订单薄深度不足
• 最低标准：2 tick（价格最小波动单位）
• 流动性差的品种需要更高滑点估算
• 回测中如果用收盘价，一次开平仓至少加 2 tick 滑点

2.2 现有系统分析

当前系统完全没有滑点处理。 只有手续费：

# Strategy.py L355
fee_rate = 0.00005  # 万分之0.5，仅买入时扣除

没有 tick 级别的滑点建模。买入价 = open/close * (1 + fee_rate)，卖出价 = open/close（无折价）。

这会导致回测收益系统性偏高。

2.3 改进方案

在买入和卖出时各加 1 tick 滑点（合计 2 tick）：

# 不同品种的 tick 大小
TICK_SIZE = {
    'ETF': 0.001,     # 0.001元
    'stock': 0.01,    # 0.01元（A股）
    'index': 0.01,    # 0.01点（指数）
    'hk_stock': 0.01, # 0.01港元
    'us_stock': 0.01, # 0.01美元
}

def apply_slippage(price, side, tick_size=0.001, ticks=1):
    """
    side='buy'  → 价格变差，成交价更高
    side='sell' → 价格变差，成交价更低
    """
    if side == 'buy':
        return price + tick_size * ticks
    else:
        return price - tick_size * ticks

在 calculate_returns() 中集成：

# 建仓时（买入）：滑点让价格变高
entry_price = self.df[self.buy_timing].iloc[i] * (1 + fee_rate)
entry_price = apply_slippage(entry_price, 'buy', tick_size, ticks=1)

# 清仓时（卖出）：滑点让价格变低
exit_price = self.df[self.buy_timing].iloc[i]
exit_price = apply_slippage(exit_price, 'sell', tick_size, ticks=1)

可配置化：滑点 ticks 数作为策略参数，默认 2 tick（买入 1 + 卖出 1），支持不同品种配置不同 tick_size。

优先级：高。这是回测中最基础也最容易被忽略的成本。不加滑点的回测约等于"理想情况"，不能直接用于实盘。

---

三、陷阱3：容量的瓶颈

3.1 文章要点

• 策略容量有限，且与交易周期呈线性关系：周期越短、频率越高、容量越小
• 限制容量的因素：

- 冲击成本：大资金入场推动价格不利变动 - 订单薄深度不足：挂单少，大单成交成本高 - 竞争衰减：你的 pattern 被对手学习，策略生命周期缩短

• 横向扩容：增加低相关品种，构建投资组合，提升夏普

3.2 现有系统分析

当前系统完全没有容量分析。 基于日线级别回测，假设成交价不受资金量影响——这在小资金时成立，但无法回答"放多少钱进去还能赚钱"。

3.3 改进方案

分两层做容量估算：

第一层：简单估算（低难度，快速实现）

用日均成交额做粗略估算：

def estimate_capacity(self, max_participation_rate=0.01):
    """
    简单容量估算：策略资金不超过日均成交额的 1%
    
    max_participation_rate: 最大参与率（默认1%，避免冲击成本过高）
    """
    # 筛选持仓期间的平均日成交额
    holding_days = self.df[self.df['position'] > 0]
    avg_daily_amount = holding_days['amount'].mean() if 'amount' in holding_days.columns else None
    
    if avg_daily_amount is None or avg_daily_amount == 0:
        return None
    
    # 策略容量 = 日均成交额 × 参与率 / 仓位比例
    avg_position = holding_days['position'].mean()
    capacity = avg_daily_amount * max_participation_rate / avg_position if avg_position > 0 else float('inf')
    return capacity

在回测报告中输出：

─────────────────────────────────────────────
  📦 策略容量估算
─────────────────────────────────────────────
  日均成交额: 2.3亿
  平均仓位: 60%
  建议容量: ~380万   （1% 参与率）
  激进容量: ~1900万  （5% 参与率，可能有冲击成本）
─────────────────────────────────────────────

第二层：冲击成本模型（中难度，远期）

def estimate_market_impact(self, order_amount, avg_daily_volume):
    """
    基于 Almgren-Chriss 简化模型的冲击成本估算
    
    impact = σ * (Q / V)^γ
    σ: 波动率
    Q: 订单量
    V: 日均成交量
    γ: 冲击系数（通常 0.5~0.8）
    """
    pass

容量-收益曲线

为每个策略画出"容量-年化收益"曲线：

年化收益
  ↑
15%│●
   │  ●
10%│     ●
   │        ●
 5%│           ●
   │              ●
 0%│_________________●__→ 投入资金
   10万  50万 100万 500万 1000万

优先级：中。第一层简单估算改动量小（约30行），能快速发现容量瓶颈。第二层远期再做。

---

四、文章的金句与启示

4.1 对量化心态的启示

> "过分追求完美本身就是一种弯路。"

这条对 adata 系统特别有意义。我们已经有 30+ 策略，各种优化方案（Walk-Forward、Regime Detection、仓位区间可见性），但不要陷入"打磨完美策略"的陷阱。正确的做法是：

• 先跑起来（小资金实盘验证）
• 横向扩展（增加低相关品种构建组合）
• 持续迭代（不是一次性做好）

> "横向增加品种，充分的低相关分散让组合获得了接近 2 的夏普比率。"

这验证了现有 DualGroupFourMAStrategy 等多品种组合策略的方向是正确的。

4.2 对回测系统的启示

---

五、与现有优化方案的整合

本项目的回测体系优化方案已经覆盖了 Walk-Forward、Regime Detection、Benchmark 对比等方向。本文的三个陷阱是更基础层面的问题——它们影响的是单次回测的准确性，而不是策略选择的框架。

整合优先级：

第一层（基础准确性 — 本文覆盖）:
  □ 滑点建模（2 tick 起步）
  □ 单利/复利对比
  □ 简单容量估算

第二层（策略选择框架 — 已有方案覆盖）:
  □ Buy & Hold Benchmark
  □ Walk-Forward 滚动窗口
  □ 仓位区间可见性（已实现）

第三层（高级优化）:
  □ Regime Detection 元策略
  □ 冲击成本模型
  □ Monte Carlo 鲁棒性测试

---

六、TODO

• 在 Strategy.calculate_returns() 中加入滑点参数（slippage_ticks=2）
• 增加 calculate_simple_interest_return() 单利计算方法
• 增加 estimate_capacity() 简单容量估算
• 在回测报告中增加"净值计算方式对比"和"容量估算"输出
• 为不同品种配置不同的 tick_size（ETF、股票、指数）
• 远期：实现冲击成本模型，画出容量-收益曲线