回测的真相与陷阱：为什么「测了十年」不等于「靠谱」

目录 回测是什么，能解决什么问题 外行最容易误读的一句话：「我回测了十年」 时间跨度 vs 数据粒度：同一根 K 线里藏着多少故事 从日 K 到 Tick：精度越高，故事越接近真实 撮合引擎与交易所现实：你的回测里成交得太「乖」了 插针、流动性与极端行情：图表上看不见的伤口 为什么回测曲线往往比实盘好看 其它常见坑：从幸存者偏差到过拟合 可以怎么做：让回测更「诚实」 小结 回测是什么，能解决什么问题 回测（Backtesting） 指在历史数据上，用固定规则「假装」在过去交易，统计收益、回撤、胜率等指标。它的价值是：在不动真金白银的前提下，快速验证策略逻辑是否自洽、参数是否过于极端、对哪些市场环境敏感。 它不能保证未来表现，只能回答：「若在过去这段数据、在某种成交与费用假设下，这套规则会怎样表现。」 外行最容易误读的一句话：「我回测了十年」 十年听起来很长，心理上容易等价于「样本够大、结论可靠」。但在量化里，「十年」只描述了时间轴的长度，没有描述采样密度与成交假设。 同一段十年： 按日 K 回测，大约只有 3,650 根左右 K 线（视交易日略少）； 按1 分钟 K 回测，同一段历史的 K 线数量大约是日 K 的数百倍； 若按 Tick（逐笔成交） 或订单簿事件回放，信息量又比分钟 K 再高几个数量级。 信息量不同，对同一策略的结论可以完全不同。 外行听「十年」很踏实；内行会先问：十年是哪种颗粒度上的十年？ 时间跨度 vs 数据粒度：同一根 K 线里藏着多少故事 OHLC 丢掉了什么 常见的 K 线只记录 开高低收（OHLC） 与成交量。你不知道这一段时间里价格走过的路径：是先跌后涨，还是先涨后跌？中间有没有快速扫过你的止损再回来？ 对很多策略（尤其是带止损、带网格、带条件单的策略），路径依赖极强：同样的 OHLC，不同路径会导致完全不同的成交与盈亏。 粗粒度回测在做什么隐含假设 用日 K 回测时，往往隐含了类似假设：「我能在开盘价/收盘价/某种理想价位成交」「止损一定按我想的价格触发」等。这些假设在实盘中常常不成立——尤其在波动大、流动性分层明显的品种上。 从日 K 到 Tick：精度越高，故事越接近真实 下面用直觉对比（非绝对，但方向普遍成立）： 粒度 典型用途 主要风险 日 K 粗筛趋势、长周期因子 路径未知，止损/网格等容易「过于乐观」 小时 / 15 分钟