跳转至

Tutorial 02: 回测验证

本篇导览

项目 说明
目标 读懂回测输出与风险指标,识别过拟合、未来函数与数据问题
预计用时 60~90 分钟
前置 Tutorial 00、Tutorial 01;详表见 报告格式详解

深入理解回测结果,解读报告和图表,判断策略是否真的有效。

延伸阅读: FAQ(HTML 空白、JSON 字段等排错)。


目录

  1. 回测是什么
  2. 回测能告诉你什么
  3. 2.1 仓库内报告示例(reports/)
  4. 2.2 不同策略的回测报告对比
  5. 解读回测报告
  6. 解读图表
  7. 风险与归因分析
  8. 判断策略是否有效
  9. 常见回测陷阱
  10. 组合回测
  11. 下一步

1. 回测是什么

回测(Backtesting) 是把你的交易策略用历史数据"回放"一遍,看看如果当时真的按照这个策略交易,结果会怎样。

你的策略规则
     +
历史行情数据
     ↓
回测引擎 → 模拟交易 → 交易记录 + 组合价值曲线

回测的作用

  • 验证想法:你觉得有效的策略,真的能赚钱吗?
  • 发现缺陷:策略有没有你没想到的边界情况?
  • 参数选择:哪个参数组合更合理?
  • 量化评估:在投入真金白银之前,先用历史数据检验策略

回测不能告诉你什么

  • 未来一定能赚钱:历史表现不等于未来收益
  • 精确的盈利金额:回测有各种偏差(滑点、流动性等)
  • 策略在所有市场环境都有效:牛市有效的策略在熊市可能失效

2. 回测能告诉你什么

运行回测后,你会得到一组核心指标:

指标 含义 参考标准
总收益率 回测期间的总盈利/亏损百分比 跑赢基准(沪深300)为好
年化收益率 折算为每年的收益率 > 10% 为合格,> 20% 为优秀
年化波动率 收益的波动幅度 低一些更好(< 25% 为佳)
夏普比率 每承受一单位风险,获得多少超额收益 > 1 为好,> 2 为优秀
最大回撤 从最高点到最低点的最大亏损幅度 越小越好(< 15% 为佳)
索提诺比率 类似夏普,但只考虑下行波动 > 1 为好
Alpha 跑赢基准的超额收益 正数为好
Beta 相对大盘的敏感度 接近 1 = 跟随大盘
胜率 在 HTML 中可能对应「日胜率」或「交易胜率」,含义不同 见下文与 报告格式详解

说明:analyze_returns 返回的 win_rate_daily 为按交易日统计的胜率;win_rate_trade 为完整买卖配对后的胜率(FIFO 配对,按扣除买卖双边费用后的净盈亏计胜负)。二者不可直接比较数值高低来判断策略好坏。

Alpha / Beta 可能显示 N/A:二者依赖基准序列。基准数据缺失时 alpha、beta、information_ratio 为 NaN,报告中显示为 N/A——这不是计算错误,而是没有可对比的基准。


2.1 仓库内报告示例(reports/)

真实回测会在仓库根目录的 reports/ 下写出四套文件(.html / .png / .md / .json)。文件名带时间戳;带后缀的(如 _19_localdata)通常对应示例脚本里的 report_suffix 或脚本说明。

推荐阅读: 解读回测报告 讲解了四种报告的读法。下面的截图来自示例 06_local_data.py 的一次真实运行;仓库只保存 PNG 截图(docs/assets/tutorials/),交互式 .html 需要你本地运行示例脚本生成。

示例:本地数据回测 HTML 报告(19_local_data)

想自己打开交互式版本: 在仓库根执行 python examples/06_local_data.py,然后在 reports/ 中用浏览器打开最新生成的 .html(累计收益与回撤图中含沪深300与上证综指双线基准)。

抽象「策略 vs 基准」折线示意见仍保留:../assets/tutorials/sample_equity_vs_benchmark.svg。

**对照 HTML 页眉与指标卡片读数:**打开本地生成的 .html 后,按 报告格式详解 的指标说明逐条对照;报告为全离线单文件(无 CDN 依赖),图区为空时先确认浏览器启用了 JavaScript,见 FAQ。


2.2 不同策略的回测报告长什么样?

同一个框架,不同策略的报告 结构相同、数值不同。下面 6 张截图来自已跑通的示例:页面结构相同,指标卡片数值截然不同。交互式 .html 不随仓库分发,在本地运行对应示例脚本即可生成。

注意:以下数字为特定回测区间和标的下的结果,仅供展示报告格式,实际收益会因市场环境、回测区间、标的选择而大幅变化,不构成任何投资建议。

布林带均值回归(Example 15,股票 601088 中国神华)

布林带策略 HTML 报告

布林带策略在震荡市表现优异——价格触及下轨买入、上轨卖出,天然的低买高卖逻辑。实际回测结果因市场环境而异。

MACD 趋势 + 成交量确认(Example 16,股票 002594 比亚迪)

MACD+成交量 HTML 报告

科技股波动大,MACD 金叉配合放量确认,能较好地捕捉趋势启动点。实际回测结果因市场环境而异。

网格交易(Example 18,股票 601398 工商银行)

网格交易 HTML 报告

网格适合低波动、有明确价格区间的股票——在区间内反复"低吸高抛"。实际回测结果因市场环境而异。

多因子选股(Example 17,7 只股票池)

多因子选股 HTML 报告

多因子模型每周从 7 只股票中选出动量/成交量/波动率综合得分最高的 3 只,高频换手。实际回测结果因市场环境而异。

单标的策略报告页(标的 002384)

选股策略 HTML 报告

同一份报告模板用于单标的中低频策略:K 线 + 买卖点、累计收益、回撤、每日盈亏、成交明细。实际回测结果因市场环境而异。

组合回测(Example 11,5 只候选选前 3)

组合回测 HTML 报告

组合示例在 5 只候选股中按 20 日动量选前 3 只持仓。动量策略在某些市场环境中可能"追涨杀跌"导致亏损,在另一些环境中可能表现较好。实际回测结果因市场环境而异。

阅读建议: 任选上述示例脚本在本地运行(如 python examples/15_bollinger_strategy.py),用浏览器打开生成的 .html,观察相同页面结构下,不同策略的指标卡片、K 线、回撤曲线、成交表的差异。


3. 解读回测报告

3.1 运行回测生成报告

from eqlib import *

def initialize(context):
    g.security = '601398'
    set_benchmark('000300.XSHG')
    set_order_cost(OrderCost(
        open_tax=0, close_tax=0.0005,
        open_commission=0.00025, close_commission=0.00025,
        min_commission=5,
    ))
    run_daily(market_open, time='every_bar')

def market_open(context):
    hist = attribute_history(g.security, 25, '1d', ['close'])
    if hist.empty or len(hist) < 20:
        return
    ma5 = hist['close'].tail(5).mean()
    ma20 = hist['close'].tail(20).mean()
    price = hist['close'].iloc[-1]

    if price > ma5 > ma20:
        if g.security not in context.portfolio.positions:
            order_value(g.security, context.portfolio.available_cash * 0.95)  # 留 5% 费用缓冲
            log.info('BUY %s @ %.3f' % (g.security, price))
    elif price < ma5 < ma20:
        if g.security in context.portfolio.positions:
            order_target(g.security, 0)
            log.info('SELL %s @ %.3f' % (g.security, price))

    record(price=price, ma5=ma5, ma20=ma20)

result = run_strategy(
    initialize,
    start_date='2024-01-01',
    end_date='2024-12-31',
    starting_cash=100000,
    benchmark='000300.XSHG',
    securities=['601398'],
)

成本口径:以上为现行费率(印花税 2023-08-28 起 0.05%,此前 0.1%)。显式固定 close_tax 会覆盖引擎内建的日期感知逻辑;跨 2023-08-28 的长历史回测请改用 close_tax=None。滑点见 配置 API(示例默认 FixedSlippage(0.001))。

3.2 交互式 HTML 报告

用浏览器打开 reports/backtest_*.html(无需本地 Web 服务器)。自上而下通常为:摘要 → 指标卡片(年化收益、夏普、最大回撤、Alpha/Beta 等,可点击看释义)→ K 线与技术指标 → 累计收益率(策略 vs 基准)→ 回撤 → 每日盈亏 / 每日收益率 → 成交、持仓等标签页。

各字段与 analyze_returns 字典键的对应关系见 报告格式详解;各区块的读法见 解读回测报告。

3.3 Markdown 报告

文件路径:reports/backtest_YYYYMMDD_HHMMSS.md

报告由 generate_report_md 生成,标题为 # Backtest Report — 601398(破折号后接首个成交标的)。各区块按以下顺序出现:

区块 内容
## Strategy Summary 区间、初始资金、期末资产、P&L、基准及基准收益(表格)
## Grade Breakdown 各维度得分、评级与关键指标,末尾 Overall 行
## Performance Metrics 年化收益、波动率、夏普、索提诺、最大回撤、卡玛、Alpha、Beta、信息比率、交易胜率、盈亏比、交易次数(含基准对照列)
## Monthly Returns 年 × 月收益矩阵 + YTD
## Rolling Metrics 60 日滚动夏普/波动率(按季度抽样)
## Top 5 Drawdown Periods 前五回撤区间:起点、谷底、修复、深度、持续天数
## Trade Analysis 买/卖单数、总佣金、成交标的数;多标的时附 ### Per-Stock P&L
## Trade P&L FIFO 配对表:\| # \| Security \| Buy Date \| Buy Price \| Sell Date \| Sell Price \| P&L \|
## Factor Analysis / ## Brinson Attribution 因子暴露与 Brinson 归因(数据可得时才有)
## Data Sources 数据来源、无风险利率口径与免责声明

重点关注:

  1. P&L 与基准(Strategy Summary):
  2. 同时看绝对收益和相对收益
  3. 与 Benchmark Return 对比:策略涨 8% 而同期沪深 300 涨 15%,就是跑输基准

  4. 交易频率(Trade Analysis):

  5. 交易次数过多 = 换手率高 = 手续费吃利润
  6. 交易次数过少 = 可能信号不够灵敏

  7. 每笔配对盈亏(Trade P&L):

  8. 逐笔检查买入价和卖出价,P&L 已扣除双边费用
  9. 如果大部分交易都亏损,说明信号质量不好

  10. 佣金成本(Trade Analysis):

  11. 对比 Total commission 与 P&L 的量级
  12. 小额交易的佣金占比会很高(最低 5 元限制)

3.4 JSON 报告

文件路径:reports/backtest_YYYYMMDD_HHMMSS.json

由 generate_report_json 生成,顶层键:

键 内容
verdict pass / grade / score / bottleneck / action(complete 或 adjust_params)/ summary
targets 逐项指标达标检查:metric、value、target、pass(未达标按 priority 排序;基准缺失的指标 pass 为 null)
diagnostics 瓶颈诊断列表
recommendations 参数调整建议
grade 评级明细(各维度得分)
metrics analyze_returns 的全部标量指标(NaN/inf 序列化为 null)
time_series monthly_returns、rolling_sharpe_60d、rolling_volatility_60d、drawdown_periods
summary start_date、end_date、initial_capital、final_value、pnl、pnl_pct、num_trades、securities、benchmark、benchmark_return
risk_metrics 兼容旧版的指标子集
cumulative_returns 每日 {date, total_value, cumulative_return}
trades 逐笔成交:type、date、security、price、amount、commission
positions 期末持仓:amount、avg_cost、total_value
chart_data K 线、成交量、累计收益、回撤等绘图数据
factor_analysis / brinson_attribution 归因结果(数据可得时才有)
import json

with open('reports/backtest_20260503_143000.json') as f:
    report = json.load(f)

# 基本指标
print("总收益: %.2f%%" % report['summary']['pnl_pct'])
print("交易次数:", report['summary']['num_trades'])
print("夏普比率: %.2f" % report['metrics']['sharpe_ratio'])

# 每日组合价值曲线
for entry in report['cumulative_returns']:
    print(entry['date'], entry['total_value'], entry['cumulative_return'])

# 达标检查:哪些指标没过
for t in report['targets']:
    if t['pass'] is False:
        print("未达标:", t['metric'], t['gap'])

JSON 报告适合做进一步的数据分析,比如: - 计算最大连续亏损天数 - 分析持仓/空仓天数比例 - 画出累计收益曲线

3.5 HTML 交互式报告怎么读

HTML 报告是最常用的回测分析工具。用浏览器打开后,自上而下的区块与读法:

区块 内容 读法
页头摘要 标的、区间、初始/最终资金与盈亏 盈亏是否为正、占初始资金比例多少
核心指标卡片 年化收益、超额收益、夏普、最大回撤、胜率(交易)、卡玛比率 别只看收益——夏普和回撤说明「赚这个钱承担了多少风险」。参考值:夏普 > 1、回撤 < 20%、卡玛 > 1
详细指标行 年化波动率、索提诺、Alpha、Beta、信息比率、日胜率、盈亏比 Alpha 为正 + Beta 接近 1:超额收益不是赌方向赌来的。Alpha/Beta 依赖基准,基准缺失时显示 N/A
K 线与技术指标 价格线 + MA5/MA20 + 买卖点标记 + 成交量,绿色阴影为持仓期 买点是否在低位、持仓期价格是否上涨、交易是否过密
累计收益率 策略曲线 vs 基准曲线(沪深300 + 上证综指双线) 策略线持续在基准上方 = 稳定跑赢;两线平行 = 没有 alpha
回撤曲线 从历史新高的回落深度 看最深处:那段时间你能否接受
每日盈亏/收益率 每个交易日的盈亏柱状图 有无连续亏损、单日亏损是否过大、收益是否集中在少数几天
标签页 成交明细、期末持仓、Brinson 归因 逐笔检查成交;归因看收益来自配置还是选股

阅读顺序: 页头(赚钱了吗)→ 指标卡片(夏普 > 1?回撤 < 20%?)→ 累计收益图(跑赢基准了吗)→ 回撤曲线(最差情况能接受吗)→ 成交表(每笔交易合理吗)→ 归因(收益来自配置还是选股)。


4. 解读图表

4.1 图表结构

  |                                                     |  Portfolio Value
P |  ---MA5                                              |
r |  ---MA20                                             |
i |  ---Close                                            |
c |                                                      |
e |     [SELL]    [BUY]                                  |
  |    o          o     o[SELL]                          |
  |   / \  ===== / \___/   \                             |
  |  /   \      /           \                            |
  | /     \====/             \=====                      |
  +------------------------------------------------------|-> Date

4.2 图表元素

元素 含义
灰色线 股票每日收盘价
蓝色线 5 日均线(短期趋势)
橙色线 20 日均线(中期趋势)
绿色圆圈 买入点(价格下方标注)
红色圆圈 卖出点(价格上方标注)
绿色阴影 持仓期间
绿色线(右侧轴) 投资组合总资产价值

4.3 如何看图

好的信号: - BUY 点通常在价格低位(均线金叉附近) - SELL 点通常在价格高位(均线死叉附近) - 资产曲线(右轴)整体向上 - 持仓期间(绿色阴影)价格有明显上涨

不好的信号: - BUY 和 SELL 频繁交替 → 震荡市中反复被"打脸" - 资产曲线持续向下 → 策略亏损 - 持仓期间价格无明显变化 → 无效信号


5. 风险与归因分析

5.1 综合风险指标

from eqlib import analyze_returns

metrics = analyze_returns(result, risk_free_rate=0.03)

print("年化收益:   %.2f%%" % (metrics['annual_return'] * 100))
print("年化波动:   %.2f%%" % (metrics['annual_volatility'] * 100))
print("夏普比率:   %.2f" % metrics['sharpe_ratio'])
print("索提诺比率: %.2f" % metrics['sortino_ratio'])
print("最大回撤:   %.2f%%" % (metrics['max_drawdown'] * 100))
print("卡玛比率:   %.2f" % metrics['calmar_ratio'])
print("Alpha:      %.4f" % metrics['alpha'])
print("Beta:       %.3f" % metrics['beta'])
print("日胜率:     %.2f%%" % (metrics['win_rate'] * 100))

说明:win_rate 是 win_rate_daily(日胜率)的兼容别名;配对交易胜率用 metrics['win_rate_trade'],它按扣除买卖双边费用后的净盈亏判胜负。基准数据缺失时 alpha / beta / information_ratio 为 NaN,直接 % 格式化会打出 nan——展示前先判 math.isfinite,或按报告惯例显示 N/A。

5.2 Brinson 归因(多股票组合)

将收益拆解为三个来源:

from eqlib import brinson_attribution

attr = brinson_attribution(result, sector_data={"601398.XSHG": "金融", "600519.XSHG": "消费"})

print("配置效应: %.4f  ← 资产配置(选行业/板块)带来的收益" % attr['allocation_effect'])
print("选股效应:   %.4f  ← 个股选择带来的收益" % attr['selection_effect'])
print("交互效应:   %.4f  ← 配置与选股的交互作用" % attr['interaction_effect'])

实现为标准 Brinson-Hood-Beebower 单期分解:三项之和严格等于组合收益 − 基准收益(attr['total_active_return'],另见 portfolio_return / benchmark_return / 分行业明细 attr['sectors'])。基准默认为 universe 等权买入持有收益。注意:不传 sector_data 时所有证券同属一个行业,配置与交互效应恒为 0,全部超额收益计入选股效应——这不是缺陷,而是无行业结构时 BHB 的正确表述。

  • 配置效应 > 0:说明你的板块/行业选择是对的
  • 选股效应 > 0:说明你在板块内选的股票是对的
  • 交互效应:通常是小的调整项

5.3 简化因子分析

from eqlib import simple_factor_analysis

ff = simple_factor_analysis(result)

print("市场 Beta:    %.3f  ← 大盘敏感度" % ff['market_beta'])
print("年化 Alpha:   %.4f  ← 市场无法解释的超额收益" % ff['alpha_annual'])
print("动量相关性:   %.3f" % ff['momentum_correlation'])
print("残差波动率:   %.3f" % ff['residual_volatility'])

注意: fama_french_analysis 已弃用,请改用 simple_factor_analysis。


6. 判断策略是否有效

6.1 核心判断标准

问题 判断标准
策略赚钱了吗? 总收益率 > 0
跑赢大盘了吗? 策略收益 > 基准收益(沪深300)
风险调整后的表现好吗? 夏普比率 > 1
最大回撤能接受吗? 最大回撤 < 你的心理承受范围
交易频率合理吗? 不是一天一换,也不是半年一换

6.2 综合评估模板

metrics = analyze_returns(result, risk_free_rate=0.03)

checks = []
checks.append(("收益 > 0", metrics['total_return'] > 0))
checks.append(("跑赢基准", metrics['alpha'] > 0))  # 无基准时 alpha 为 NaN,该项自动 FAIL
checks.append(("夏普 > 1", metrics['sharpe_ratio'] > 1))
checks.append(("回撤 < 20%", abs(metrics['max_drawdown']) < 0.20))
checks.append(("交易胜率 > 50%", metrics['win_rate_trade'] > 0.50))

print("--- 策略评估 ---")
passed = 0
for name, ok in checks:
    status = "PASS" if ok else "FAIL"
    if ok:
        passed += 1
    print("  [%s] %s" % (status, name))
print("通过 %d/%d 项检查" % (passed, len(checks)))

6.3 样本外验证

# 训练集:2020-2023,用来调整参数
result_train = run_strategy(
    initialize, '2020-01-01', '2023-12-31',
    starting_cash=100000, securities=['601398'],
)

# 测试集:2024,用来验证
result_test = run_strategy(
    initialize, '2024-01-01', '2024-12-31',
    starting_cash=100000, securities=['601398'],
)

# 如果训练集夏普 2.0,测试集夏普 0.3 → 过拟合
# 如果训练集夏普 1.5,测试集夏普 1.2 → 参数稳定

7. 常见回测陷阱

7.1 过拟合

回测年化 50%,实盘年化 5%
原因:参数在历史数据上反复调试,恰好"记住"了历史走势

识别方法:参数微调后结果剧烈变化 → 过拟合

7.2 未来函数

# 错误示例:使用当天收盘价做开盘决策
# attribute_history 返回的是昨天的数据,这个是正确的
# 但如果策略中用了 get_today_close() 或其他包含当天数据的方式,就是未来函数

7.3 幸存者偏差

只测了当前还在上市的股票 → 忽略了退市/ST 的股票
→ 回测结果虚高

7.4 忽略流动性

回测用 100 万买入某股,但该股日均成交仅 50 万
→ 实际无法成交,回测结果无效

7.5 回测期间太短

只回测了 3 个月 → 可能刚好遇到牛市/熊市
→ 建议至少回测 1-2 年,涵盖不同市场环境

7.6 不了解引擎的默认行为

以下默认行为直接影响成交结果,读报告前先知道它们存在:

行为 默认 说明
涨跌停拦截 开(check_price_limit=True) 涨停开盘的买单、跌停开盘的卖单被取消并记 cancel_reason;set_option('check_price_limit', False) 关闭
停牌处理 当日订单取消 无行情或零成交视为停牌,当日不下发订单
退市清算 30 个无行情交易日后强制平仓 交易记录类型为 DELIST_LIQUIDATE;set_option('delist_gap_days', N) 调整
快照类数据接口 回测内调用发 FutureWarning get_fundamentals 等返回当前快照;set_option('avoid_future_data', True) 升级为报错

8. 组合回测

8.1 单股 vs 组合

单股回测 组合回测
适用场景 验证单个策略逻辑 多股轮动、资产配置
API run_strategy / run_backtest run_portfolio_backtest
股票池 一只股票 多只股票
仓位控制 context.portfolio.available_cash position_pct 或 position_amount

8.2 组合回测示例

from eqlib import StrategyConfig, run_portfolio_backtest

# 定义配置
config = StrategyConfig(
    starting_cash=200000,
    securities=['601398', '600519', '000858'],
    benchmark='000300.XSHG',
    position_pct=0.33,       # 每只股票最多用 33% 可用资金
    start_date='2024-01-01',
    end_date='2024-12-31',
    report_suffix='multi_stock_v1',
)

# 策略函数
def my_strategy(context):
    for sec in context.universe:
        hist = attribute_history(sec, 25, '1d', ['close'])
        if hist.empty:
            continue
        ma20 = hist['close'].tail(20).mean()
        price = hist['close'].iloc[-1]

        if price > ma20 * 1.02:
            order_value(sec, context.portfolio.available_cash * 0.33)
        elif price < ma20 * 0.98 and context.portfolio.positions.get(sec):
            order_target(sec, 0)

# 运行回测
result = run_portfolio_backtest(config, my_strategy)

8.3 组合回测输出

下面是示意输出(数字仅为格式示例,以实际运行为准):

==================================================
Portfolio Backtest: 2024-01-01 → 2024-12-31
Universe: ['601398', '600519', '000858']
Rebalance: daily
==================================================
Starting Cash:         200,000.00
Final Value:           215,342.00
P&L:                 +15,342.00 (+7.67%)
Total Trades:              12

--- Per-Stock Summary ---
  600519: 3 buys, 3 sells, net shares 0, realized ¥5,200.00
  601398: 4 buys, 4 sells, net shares 0, realized ¥3,100.00
  000858: 5 buys, 5 sells, net shares 0, realized ¥7,042.00

9. 下一步

学会了解读回测结果后,接下来: