写一个最简策略回测：跑通流程，但别信那条曲线

第一次亲手写完一个回测，跑出来一条向右上方翘起的净值曲线，那种感觉很上头——好像自己找到了一台印钞机。我也经历过这一关。但真正的收获不是那条曲线，而是后来慢慢看清的一件事：回测这东西，骗自己实在太容易了。 改几个数字，换一段时间，曲线就能从亏成赚；多挑几次参数，总能挑出一条好看的。这一篇我们就亲手跑通一个最简单的回测，目的不是教你一个能赚钱的策略——它大概率不能——而是让你摸清楚回测是怎么一步步做出来的，以及那些让人栽跟头的坑都藏在哪。

先想清楚：回测到底在做什么

回测的本质，是拿一段历史价格，假装你当时按某套规则操作，算一算「如果当年这么做，账户会变成什么样」。它回答的是一个假设性的问题：这套规则放在过去那段行情里，表现如何？

注意这个问句里的每一个限定词——「这套规则」「过去」「那段行情」。回测能告诉你的，仅仅是规则在那一段已经发生过的、你已经知道结果的历史上的表现。它管不了未来，也管不了别的行情。但人很容易把它当成「这套规则能赚钱」的证据，这是一切误判的起点。

我们这一篇要做的事，拆成六步：①造一段模拟价格；②定一条最简单的交易规则；③根据规则生成每天的持仓信号；④算出策略每天的收益；⑤把收益累乘成净值曲线，再算最大回撤和年化；⑥把策略和「啥也不干一直拿着」做个对比。每一步都给你代码，也讲清楚为什么这么写。

第一步：造一段模拟价格数据

真实回测当然要用真实历史数据。上一节我们讲过怎么用 pandas 把行情读成一张表（见 L5 阶梯）。但为了让这篇代码任何人复制粘贴就能跑、且绝不指向任何真实标的，这里我们用 numpy 随机生成一段价格。把它当成一只「虚构资产」的走势就行。

import numpy as np
import pandas as pd

# 固定随机种子，保证你我跑出来的数一样，方便对照
np.random.seed(42)

# 造 500 个交易日的模拟价格
# 思路：每天的收益率是一个均值很小、有波动的随机数，
# 再用累乘把日收益还原成价格序列（这是模拟资产价格的常见做法）
n_days = 500
daily_returns = np.random.normal(loc=0.0003, scale=0.015, size=n_days)  # 日均0.03%，日波动1.5%
price = 100 * (1 + daily_returns).cumprod()  # 从100块起步累乘

# 装进 DataFrame，配一列假装的交易日序号
df = pd.DataFrame({'close': price})
print(df.head())
print(f"起始价: {df['close'].iloc[0]:.2f}, 结束价: {df['close'].iloc[-1]:.2f}")

这段代码里 loc=0.0003 是我手动设的日均收益，scale=0.015 是波动幅度。请你记住这一点：这段「行情」长什么样，完全是我设的参数决定的。 我把均值调成正的，它整体就往上走；调成负的，它就往下跌。后面策略好不好看，很大程度上是被这两个数字喂出来的——这本身就是回测的第一个陷阱的雏形。

第二步：定一条最简单的规则——双均线交叉

我们用最经典也最简单的规则：双均线交叉。

• 算一条「短期均线」（比如最近 5 天收盘价的平均）和一条「长期均线」（比如最近 20 天的平均）。
• 当短期均线从下往上穿过长期均线（俗称金叉），认为趋势向上，持有。
• 当短期均线从上往下穿过长期均线（死叉），认为趋势转弱，空仓（清掉不拿）。

这个规则简单到一句话能说清，也正因为简单，特别适合用来演示流程。但先把丑话说在前面：双均线是教科书级别的入门例子，绝大多数实证研究里，单纯靠它在真实市场长期赚钱是站不住脚的。我们用它，纯粹因为它好懂。

# 算两条均线
df['ma_short'] = df['close'].rolling(window=5).mean()   # 5日均线
df['ma_long'] = df['close'].rolling(window=20).mean()    # 20日均线

print(df[['close', 'ma_short', 'ma_long']].tail())

rolling(window=5).mean() 就是「滚动取最近 5 个数求平均」。前 4 天因为凑不齐 5 个数，会是空值（NaN），这很正常，后面计算时会自然跳过。

第三步：生成持仓信号——这里藏着回测最致命的坑

现在我们把规则翻译成「每天到底拿不拿」。短期均线在长期均线上方就标 1（持有），否则标 0（空仓）。

# 短期均线 > 长期均线 → 信号为1（想持有），否则为0
df['signal'] = (df['ma_short'] > df['ma_long']).astype(int)

到这里都没问题。但接下来这一步，是新手最容易犯、又最难自己发现的错误——未来函数。

问题在于：signal 是用当天收盘后才能算出来的均线得到的。当天的均线，要等当天收盘价出来才能算。如果你直接拿当天的 signal 去乘当天的收益，等于假设你在当天开盘就知道了当天收盘的结果——这叫偷看未来，现实中你做不到。

正确的做法是：今天收盘算出信号，最早也只能明天才能按这个信号去持仓。 在代码里就是把信号往后挪一天，用 shift(1)。

# 关键一步：信号后移一天，避免「未来函数」
# 含义：今天收盘才知道的信号，明天才能拿来决定持仓
df['position'] = df['signal'].shift(1)

这一行 shift(1) 看着不起眼，是回测里最重要的一道防线之一。我见过太多人的回测曲线漂亮得离谱，扒开一看，全是因为漏了这个移位，等于让策略偷偷开了天眼。

第四步：算策略收益

有了每天的持仓（position，1 表示持有、0 表示空仓），策略的每日收益就好算了：持有那天，赚的就是标的当天的涨跌；空仓那天，收益为 0。

# 标的本身的每日收益率
df['asset_return'] = df['close'].pct_change()

# 策略收益 = 当天持仓状态 × 当天标的收益
# position=1时拿到标的收益，position=0时收益为0
df['strategy_return'] = df['position'] * df['asset_return']

print(df[['close', 'position', 'asset_return', 'strategy_return']].tail())

pct_change() 是 pandas 算「相对前一天涨跌幅」的快捷方法。这里你能更清楚地看到 shift 的作用：position 是昨天信号挪过来的，asset_return 是今天的真实涨跌，两者相乘，逻辑就对上了——昨天收盘决定拿不拿，今天承担今天的盈亏。

第五步：累计净值、最大回撤、年化

单日收益看不出名堂，要把它们「累乘」起来，看账户从 1 块钱开始，最后变成多少。这条线就是净值曲线。

# 累计净值：(1+每日收益) 连乘
df['strategy_nav'] = (1 + df['strategy_return'].fillna(0)).cumprod()
df['buyhold_nav'] = (1 + df['asset_return'].fillna(0)).cumprod()  # 买入持有作对照

# 最大回撤：净值从历史最高点跌下来的最大幅度
def max_drawdown(nav):
    peak = nav.cummax()          # 到每个时点为止的历史最高净值
    drawdown = (nav - peak) / peak  # 当前相对最高点跌了多少（负数）
    return drawdown.min()        # 最深的那一下

# 简单年化：用总收益和天数折算（一年按252个交易日）
def annualized_return(nav, periods_per_year=252):
    total_return = nav.iloc[-1] / nav.iloc[0] - 1
    years = len(nav) / periods_per_year
    return (1 + total_return) ** (1 / years) - 1

print(f"策略累计净值: {df['strategy_nav'].iloc[-1]:.3f}")
print(f"买入持有净值: {df['buyhold_nav'].iloc[-1]:.3f}")
print(f"策略最大回撤: {max_drawdown(df['strategy_nav']):.2%}")
print(f"策略简单年化: {annualized_return(df['strategy_nav']):.2%}")

这里三个指标讲人话解释一下：

• 累计净值：从 1 出发，最后变成 1.3 就是总共赚了 30%，变成 0.8 就是亏了 20%。
• 最大回撤：你账户从某个高点最惨跌到过多深。这是衡量「持有过程有多难受」的关键指标——年化再高，中途回撤 50% 你能不能扛住，是另一回事。回撤背后的风险管理，是单独一门大功课，见 风险管理卷R。
• 年化收益：把这段时间的总收益，折算成「平均每年赚多少」，方便不同时间长度的结果横向比。注意这只是个粗糙折算，时间越短越不可信。

第六步：和买入持有比一比

这一步特别重要，但常被忽略：你的策略再花哨，得先打得过「啥也不干一直拿着」（买入持有），才谈得上有价值。 很多策略费尽心思择时，最后还跑输了傻拿不动，那这套规则就是在做无用功，甚至帮倒忙。

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 5))
plt.plot(df['strategy_nav'], label='Strategy (MA cross)')
plt.plot(df['buyhold_nav'], label='Buy & Hold', linestyle='--')
plt.title('Strategy vs Buy & Hold (SIMULATED DATA - not real)')
plt.xlabel('Trading Day')
plt.ylabel('Net Asset Value')
plt.legend()
plt.grid(alpha=0.3)
plt.show()

把这两条线画在一张图上，你会很直观地看到策略择时到底是帮了忙还是添了乱。在我们这段模拟数据上，结果可能策略略好、可能略差——别太当真，换个随机种子结论就变了。这恰恰是下一段要说的重点。

最关键的一段：这条曲线为什么不能信

好了，假设你跑出来一条漂亮的曲线，策略还赢了买入持有。先别激动。我们逐条数一数，这条曲线为什么离「能实盘赚钱」还差着十万八千里。

第一，我们一分钱手续费和滑点都没算。 真实交易，每买卖一次都要付佣金，还有「你想按这个价成交、实际成交价却偏了一点」的滑点。双均线这类策略买卖很频繁，把这些成本加进去，很多回测里赚钱的策略会立刻变亏钱。我们这版代码是「无摩擦理想世界」，现实没有这种好事。

第二，单一标的、单一时间段，说明不了任何普遍性。 我们只在一段模拟数据上跑了一次。一套规则在这段数据上行，换一只标的、换一段时间，可能立刻翻车。一次成功的回测，统计意义上接近于「抛一次硬币正面朝上」——不能证明硬币是正的。

第三，参数是「挑」出来的，不是「算」出来的。 我们用了 5 日和 20 日两条均线。可你有没有想过：为什么是 5 和 20，不是 6 和 18、不是 10 和 30？如果你把所有参数组合都试一遍，挑出回测里表现最好的那组拿来炫耀，这叫参数过拟合——你不是找到了规律，只是找到了「最贴合这段历史的巧合」。换一段数据，这组「最优参数」往往最先失效。

第四，幸存者偏差和事后视角。 我们是站在「已经知道这段行情怎么走」的上帝视角去设计规则的。真实交易时你站在当下，右边的曲线是黑的，你不知道接下来涨还是跌。回测里那种「该买就买、该卖就卖」的从容，实盘里根本不存在。

关于过拟合和「赢得概率游戏」背后的数学，单独成篇更透彻，可以去 原理库 看一看为什么「试得越多、越容易撞到假规律」。

把这些坑列成一张自检表

下次你自己写回测，或者看别人甩给你一条曲线时，照着下面这张表过一遍：

检查项	没做会怎样	怎么避
有没有用未来函数	偷看未来，曲线虚高，纯属自欺	信号 shift 后移；决策只用当时已知信息
算没算手续费和滑点	高估收益，频繁交易的策略尤其失真	每笔交易扣成本，再看还赚不赚
是不是只跑了一段数据	一次成功不代表规律，可能是巧合	多标的、多时间段、样本外验证
参数是不是挑出来的	过拟合，对历史完美对未来无效	警惕「最优参数」，留一段数据不参与调参
有没有和买入持有比	不知道择时到底是帮忙还是添乱	永远设一个最笨的基准做对照

从回测到实盘，中间是一道鸿沟

跑通这个回测，你已经掌握了量化的基本动作。但请务必记住：从一条好看的回测曲线，到真金白银的稳定盈利，中间隔着的不是一条小沟，是一道深渊。 成本、过拟合、样本不足、心理压力、市场结构变化……每一项都能让回测里的「印钞机」在实盘里变成绞肉机。

所以这一篇的结尾，我最想对你说的是：别急着实盘。 把回测当成一个学习和验证逻辑的沙盘，而不是发财的捷径。下一节我们会专门讲「回测和实盘之间到底差了什么、怎么用更严谨的方法验证一套逻辑」，那一步走扎实了，再谈别的也不迟。投资有风险，量化也不例外，相关风险提示请认真读完 /disclaimer/。

小结

• 回测回答的是「这套规则在那段历史上表现如何」，仅此而已，它管不了未来，也管不了别的行情。
• 完整流程六步：造数据 → 定规则 → 生成信号（务必 shift 防未来函数）→ 算策略收益 → 累计净值与回撤年化 → 和买入持有对比。
• 一条漂亮的回测曲线，至少要扣掉四件事才敢信：没算成本、单段数据、参数挑选、事后视角——任意一条都能让它从赚变亏。
• 回测好不代表实盘能赚钱。 它的真正价值是排错和练手，不是盈利证明。本篇全部为教育样例、模拟数据，不构成任何投资建议或买卖信号，不预测、不荐标的。

想继续往下走，可以回到 L5 阶梯 看量化工具链的下一节；想搞清楚回测背后「为什么试得越多越容易撞到假规律」，去 原理库；想把「回撤到底意味着什么、仓位该怎么管」补全，去 风险管理卷R。任何时候都别忘了先读 /disclaimer/。