2.2 策略构建与回测：把想法变成可运行的规则

2.2 策略构建与回测：把想法变成可运行的规则

本节摘要：策略构建是把一句话假设翻译成完整状态机的过程——入场、持仓、退出、仓位四件套缺一不可；回测则是对这套规则的历史重演，其唯一价值取决于两条纪律：数据时点严格对齐、交易成本如实入账。本节承接数据工程，是流水线里"想法变工程品"的转换站。

一、从一句话到状态机

"跌破年线就卖，站上年线就买"——这类口语化策略描述的通病，是不定义持仓期间发生什么。真实的策略必须回答一串问题：信号触发后是次日开盘成交还是当日收盘成交？持仓期间止损线设在哪里？止损触发后是清仓还是减半？同方向信号重复出现时加不加仓？资金不够时按什么优先级分配？每一个没有明确答案的分支，都会在实盘里变成"临场发挥"，而临场发挥正是回测与实盘偏差的重要来源。

工程上的解法是把策略写成显式状态机：空仓、持仓、减仓、平仓是状态，信号与风控事件是状态转移的触发器，每个转移都定义了动作与参数。状态机的另一个好处是可审计——任何一笔历史交易都能回溯到"哪个状态、哪个条件、哪个数值"触发了它。

二、回测的三条军规

军规一：数据只读、时点冻结。回测引擎在计算第 N 根 K 线的信号时，只允许访问第 N 根之前已经收盘的数据。听起来天经地义，实践中却极易被破坏：用当日收盘价算出的指标去成交"当日收盘价"、滚动统计窗口的右端点包含当前未完成 K 线、用当期财报数据回测它在数月后才公布的时段——这些都是向前看偏差的常见形态。预防手段也很朴素：信号计算与成交执行强制错开一个时点（今日收盘算信号，明日开盘成交），引擎层面对未来数据访问做断言检查。

军规二：成本如实入账。佣金、印花税、滑点、冲击成本，一项都不能少。成本参数的选取要有依据：可以从近期实际成交记录统计，也可以参考第四章 4.5 节的敏感性实验做区间假设。没有成本入账的回测，本质是在测"如果交易免费我能赚多少"——一个与实盘无关的问题。

军规三：每笔交易可追溯。回测输出不应只有一条净值曲线。每笔交易要能查到：触发信号及其计算快照、成交时间与价格、成本明细、当时的持仓与风控状态。这份日志是第四章排错实录的原材料——没有它，偏差分析无从下手。

下面的伪码骨架展示了符合这三条军规的最小回测循环：

初始化: 账户 = {现金, 持仓=0}, 日志 = []
对每个交易日 t (从第二个交易日起):
    数据快照 = 取 t-1 日及之前的数据          # 军规一: 时点冻结
    信号     = 策略.计算(数据快照)
    订单     = 策略.合成订单(信号, 账户状态)
    成交     = 撮合模拟(订单, t日开盘行情, 成本模型)  # 军规二: 成本入账
    账户     = 更新(账户, 成交)
    日志.追加(信号快照, 订单, 成交, 账户)      # 军规三: 全量留痕
输出: 净值曲线, 交易明细, 风控事件表
​

三、信号分层：从原始脉冲到最终指令

成熟的信号系统往往分三层。初级脉冲追求灵敏度：量价背离、波动突变、资金异动，宁可多报不可漏报。二级过滤叠加环境约束：同样的形态，在高波动状态与低波动状态下的含义可能完全不同，过滤层负责把"什么环境下这个信号 historically 可信"编码成条件。三级确认引入跨维度证据：价格信号要与成交量、相关性结构或基本面事件相互印证。分层不是为了堆复杂度——每一层都在回答一个明确的问题：这是不是真信号、现在是不是合适的环境、有没有旁证。层级设计得过深也有代价：信号覆盖率下降，参数数量翻倍，过拟合风险随之上升。层数与样本量之间要算账，这是工程取舍而非教条。

⚠️ 常见坑：把回测报告的夏普比率当唯一判据。夏普是筛选指标，不是判决书——它不回答收益来源（第一章 1.3）、不回答容量与执行（第四章），更不回答策略什么时候失效（第六章）。

深入一步：把一段口语策略翻译成状态机

练一遍翻译。原始口语："这只 ETF 涨势变强就买一点，涨不动了就走。"翻译先追问四个问题。"涨势变强"的可操作定义是什么？——定为"五日均线上穿二十日均线，且当日成交量高于二十日均量"。买一点是多少？——定为目标仓位的固定比例，并设单日最大建仓次数。"涨不动了"呢？——定为"收盘价连续两日低于五日均线"或"从入场后最高点回撤超过两倍平均波幅"，两者谁先触发谁生效。持仓期间还有什么例外？——定为"账户当日回撤超过阈值，暂停新开仓"。四个答案凑齐，这段口语就变成了一个可回测的状态机：空仓态监听上穿事件，持仓态监听两套退出事件，任何时刻受账户级熔断约束。翻译的过程会逼你发现口语里藏着的所有含糊之处——而含糊之处，就是实盘里临场发挥的入口。反过来检验也成立：如果你无法把一个策略描述翻译成状态机，说明它还没到能回测的程度，不是回测工具不行。

常见疑问

问：回测引擎是自己写还是用开源框架？ 学习阶段用开源框架，生产阶段视需求而定。自建的核心价值不在功能，而在对每一条撮合假设的完全掌控——执行语义的每个细节（成交时点、部分成交、重连行为）都可审计。用现成框架时，至少要读完它的撮合模块，否则你提交的是一个自己没读过的实验方案。

问：回测跑多少年数据合适？ 以覆盖至少一轮完整的市场风格周期为底线——只有单一风格样本的策略结论，本质是"在牛市或熊市里成立"。样本越长越好是错觉：更早的年代市场机制差异大，太老的数据参考价值有限。务实的答案是取覆盖涨跌各阶段的区间，并单独报告分时段表现。

问：怎么判断一个回测结果"好到可疑"？ 看三个危险信号：收益几乎不受成本参数影响（说明毛利奇厚，多半有数据问题）；回撤浅得不像话（对照随机对照的回撤分布）；业绩集中在极短时段（集中度异常）。三条中任何一条出现，先怀疑回测本身，再怀疑市场。

本节要点回顾

• 策略是状态机不是一句话：入场、持仓、退出、仓位四件套，每个分支都要有明确定义；
• 时点冻结是回测的第一军规：信号计算与成交执行强制错开，预防向前看偏差；
• 成本入账决定回测的现世界的：佣金、滑点、冲击成本按有依据的参数写入；
• 全量日志是后续排错的本钱：每笔交易可追溯到信号、成本与风控状态；
• 信号分层要做样本量账：每加一层过滤都在消耗样本与增加参数，过拟合风险随之上升。

💡 关键直觉：回测引擎的本质是"历史的市场模拟器 + 审计员"。它模拟得像不像市场，决定结论像不像实盘；它审计得细不细，决定你下次迭代有没有线索。

规则跑通之后，下一节进入量化研究最甜蜜也最危险的环节——参数优化与验证。