拿历史数据测策略，有哪些坑要注意？

仅凭“拿历史数据测策略”这一句话，无法判断某个回测结果是否可信，也无法据此推出任何买卖、加减仓或策略上线动作。要判断一个回测结论能不能当参考，至少还缺几类关键信息：数据来源与清洗口径、样本区间和标的范围、策略规则是否在看过数据后才确定、交易成本与成交假设、以及是否做过样本外或滚动检验。下面只解释这些坑分别是什么、为什么会并存，以及该去核对哪些公开信息。

回测里常见的几类数据偏差

回测的第一层问题往往不在策略，而在数据本身。同一套规则跑出不同结果，常见原因是数据口径不一致。

• 幸存者偏差：如果标的池只包含今天还存续的品种，那些中途退市、被并购或长期停牌的样本被剔除，历史表现会被系统性抬高。核验方法是确认标的池是否包含当期全部可交易品种，而不是用“现在的名单”回溯。
• 前视偏差（未来函数）：策略在某个时点用到了当时还不可能知道的信息，比如用当天收盘价决定当天开盘买卖，或用后来才修正的财务数据。核验方法是逐条检查信号生成时间与可成交时间是否对齐。
• 复权与分红处理：不同复权方式会改变价格序列，进而改变均线、涨跌幅等指标。需要核对数据商对分红、送转、停牌的处理规则，以及回测是否与之一致。
• 时间戳与交易日历：跨市场、跨时区或含节假日的策略，若交易日历不匹配，会出现本不该成交的日期。这类问题只能通过核对原始交易日历发现。

这些偏差不是互斥的，一个回测可能同时踩中多个，所以看到异常亮眼的结果时，先怀疑数据而不是先相信策略。

过拟合与样本区间：为什么“历史很好”不等于“未来可用”

过拟合指的是策略规则被反复调整到刚好贴合某段历史数据，换一段数据就失效。它和样本区间选择是同一类问题的两面。

• 参数被反复试错：如果同一段历史被用来选参数、选标的、选阈值，那么最终结果里包含了大量“事后挑选”的成分。识别方法是看策略规则是否在接触数据之前就已固定，以及参数附近是否表现剧烈跳变——真正稳健的规则通常对参数不极端敏感。
• 样本区间过短或过特殊：一段包含单边行情或极端事件的区间，会让某些策略显得特别好或特别差。核验时应确认区间是否覆盖了不同市场状态，而不是只看一段顺风期。
• 样本外与滚动检验：把数据分成“调参用”和“验证用”，或用滚动窗口反复检验，能部分暴露过拟合。但要注意，如果样本外数据也被反复用来改策略，它就不再是真正的样本外。
• 多重比较：同时测试大量策略再挑最好的那个，即使全是随机策略，也可能出现看起来不错的结果。核验方法是看测试了多少个变体、是否对“挑选”本身做了校正。

这些机制无法由题述信息证实具体某个策略是否过拟合，只能作为待验证假设，通过核对策略开发记录和检验设计来区分。

需要核对的公开事实与判断边界

要把“回测陷阱”从概念落到可核查，需要看几类信息，而不是只看一条净值曲线。

判断边界在于：即使以上都核对过，回测也只是对历史的一种描述，不能保证未来重现。回测能回答的是“在这段数据和这些假设下，规则表现如何”，不能回答“接下来该不该用”。涉及具体产品的规则、费用或披露口径，应以交易所、登记结算机构或产品法律文件的原文为准；涉及具体策略的实盘适用性，需要结合实时数据和自身约束另行判断，而不是由一段历史回测直接推出。

常见问题

回测收益很高，是不是就说明策略有效？

不一定。高收益可能来自幸存者偏差、前视偏差、成本假设过于宽松，或对同一段数据的反复调参。要判断有效性，需要核对数据口径、成交假设和是否做过真正的样本外检验，而不是只看收益数字。

样本外检验能完全排除过拟合吗？

不能完全排除。样本外检验能暴露一部分过拟合，但如果样本外数据也被反复用来修改策略，它的独立性就被削弱。更稳妥的做法是核对检验设计是否在接触数据前就已确定，以及测试了多少个策略变体。

怎么判断一个回测结论值不值得参考？

先看它是否说清了数据来源、标的池、成交时点和成本假设，再看策略规则是否在数据之前固定、是否经过独立样本验证。这些信息缺失时，回测结论只能当作待验证的假设，而不是可以直接采信的依据。