来源丨AI科学投资（
ID：
AItraders）
关于回测，很多人是完全不相信的。这也很好理解，回测有太多的细节，甚至策略研发者本人可能都发现不了回测过程中可能存在的问题。但是回测对策略研发者又是如此重要，它不仅可以帮助你更好的评测策略的可行性，评估风险和收益，甚至策略研发者对自己的评估，对自己的信心，对未来的憧憬和规划都是建立在自己的量化系统的回测的基础之上。
在我过去十多年做量化投资系统研发的过程中，也是走过很多很多弯路，踩过很多坑，也放过不少“卫星”。下面我就把我的一些经验跟大家分享一下。
一 别给我看短线趋势择时回测，对不起，我已经不信了
我是2007年开始做量化策略研发的，一开始我主要是做指数增强类的阿尔法策略，后来我对择时策略也有些兴趣，但是一直没有头绪，直到2009年的某一天，有个同行朋友跟我说，用周线的macd就可以很好的对股市择时，我一看，果真！07年的顶，08年的底 用macd看都不错，比宏观经济学家们靠谱多了，自那之后我在短线趋势择时策略上可没有少花时间。后来，我才慢慢发现，这是一条错误的道路，策略写的越复杂，就越容易过拟合， 回测效果再好，样本外执行起来都没有底儿。 因为业内还有很多朋友在做这种策略，泄气的话就不多说了，我只能说别给我看短线趋势择时回测，对不起，我已经不信了。简单的只说一句，这种策略不是基于大数定律的策略，样本量太少。
二 未来数据、未来函数很容易放卫星，但也很容易检测出来
一般情况下，策略中包含了未来数据或未来函数，回测结果经常会给你一个天文级的惊吓。 这个时候未来函数和未来数据的问题，还是比较容易发现的，但有些时候未来数据和未来函数的应用却是完全无意识之间的，而且还不容易察觉，但是很容易检测出来。检测的方法也很简单，以日频策略为例，就是把测试数据中第t日的数据去掉和不去掉两种情况下，t-1日的计算结果是不是相同，如果完全相同，就可以判断没有未来数据和未来函数。
当然，有些时候，未来数据不是藏在时间序列数据里，而是你取的截面数据里，比如股票的名称，带*可能是后来才知道带*的。这些也要小心，有时候你会觉得影响不大，但是实际上却影响不小。为了规避未来数据的影响，我们的股票选股系统中是不用一致预期数据的，怕数据商用了未来数据
三 忽视了策略的流动性问题
有些策略的回测收益率非常高，但是它的成交方式，决定了买不上量，冲击成本也高，所以回测过程中，一定要注意资金容量的问题，特别是一些日内高频类的策略。怎么评估选股系统的资金容量问题，请参考本公众
微信
号文章《人
工智能股票投资系统的组合管理方法及资金容量测算
》，里面介绍了本人原创的量化投资策略资金容量测算方法。
2016年有段时间，我在朋友圈里晒的回测阿尔法策略图，年化阿尔法超过了60%，就是忽略了流动性问题，我本意是做一个固定100只股票的组合，但是中间某段时间因为股灾时流动性的问题，选不出100只股票，后面组合中的股票数量就小于100只，只有二三十只，结果收益率超高，而我当时还不自知，以为策略效果提升了不少。
所以，现在大家在本公众
微信
号菜单AI实验室-智能投资系统子菜单下，看到的回测结果中，有统计每天股票组合中持仓的股票数量。
四 防止过拟合和过度优化
过拟合和过优化是一个老生常谈的问题。
前面第一条，我就提到了过拟合和过度优化的问题，那如何避免过拟合和过优化呢？我
建议
至少有这么五点需要注意。
第一，测试的样本数量要足够多，被选出的股票或者交易的次数也要足够多。这是大数定律的要求。
第二，测试的时间要足够长，时间足够长，暴露的风险才会足够多。
第三，保持策略的一致性，绝不能以时间为轴，划分时段，这在这段时间，这个因子多，那个时段用这个策略。
第四，不要有太多选择性和判断性的条件，即使有也要是很宽泛的条件，不能搞成萝卜招聘似的。
第五，可以借助可视化的分析方法。 如下图，横轴是打分的排名，纵轴是五日后表现的排名。从下图看明显两者呈正相关性，而且在尾部位置效果更加明显。
五 ，忽视可交易性
比如股票不在涨跌停板附近买卖，低价股价差成本高，有些个股流动性差等。
大概就这么多吧，对于回测，我们还是很认真的，一套好的回测系统，对量化策略的研发是至关重要的，错误百出的回测系统，无异于盲人骑瞎马，
我们的股票回测系统，自2015年中开始打造，一直在不断完善，在实盘和wind模拟盘上都有对比，
除了上面的几条肯定规避了之外，还可以肯定的是净值没有算错
在
本公众
微信
号菜单AI实验室-智能投资系统子菜单下，可以查看系统的最新回测结果。
来源：AI科学投资
声明：本文仅代表作者个人观点，版权归作者所有；我们尊重版权，转载不用于任何商业用途，若以上未能体现作者和原始出处，还望见谅；如有侵权，我们会在确认后第一时间删除。多谢！
.jpg "江苏高力集团有限公司(高力集团的发展历程)")
