自己搭一个最小回测：从数据到净值

回测框架听起来很重，其实最小版本可以很短：读数据、算信号、定仓位、模拟成交、扣成本、记净值。真正难的不是写循环，而是让每个环节都符合交易约束。

下面用一个双均线例子说明结构。代码只是伪代码，重点是顺序和约束。

一、六个环节

1. 数据：对齐交易日历，处理复权、停牌和缺失值。
2. 信号：只用当日及之前的数据，生成买入、卖出或持有。
3. 仓位：把信号转成目标仓位，决定用多少资金。
4. 成交：在下一交易日按可成交价格执行，检查涨跌停和停牌。
5. 成本：扣佣金、印花税、滑点，必要时加冲击成本。
6. 净值：每日按收盘价重估持仓，记录现金、市值和净值。

顺序不能乱。先决定再成交，成交之后才算成本，最后才更新净值。任何一步提前或延后，都会引入前视偏差或高估收益。

二、最小伪代码

下面是一个简化到不能再简化的循环：

for t in days:
    signal = ma_fast[t] > ma_slow[t]      # 只用 t 及之前的数据
    target = 1.0 if signal else 0.0
    order = target - position[t-1]

    if abs(order) > tolerance:
        price = next_open[t+1]           # 下一交易日成交
        if tradable(t+1):
            fill(order, price, cost(t+1))

    equity[t] = cash[t] + shares[t] * close[t]

这段伪代码里最重要的两行是「下一交易日成交」和「tradable 检查」。少了任何一个，回测都会偏乐观。

三、T+1 与成交约束

A 股股票当日买入次日才能卖出，回测必须遵守。除此之外，还要检查：当天是否停牌、是否一字涨停买不进、是否一字跌停卖不出、成交量是否足够。处理不了时，选择顺延或放弃，不要假装成交。

四、成本怎么加

最低限度要加佣金和卖出印花税，再加一点滑点。小资金容易忽略最低佣金：一笔交易金额太小，实际费率可能远高于名义费率。高换手策略还要考虑冲击成本，否则回测会系统性高估收益。

一个实用做法是把成本设为可调参数，跑 0 倍、1 倍、2 倍成本，看策略收益对成本有多敏感。如果 1 倍成本就把超额收益吃光，实盘很难做。

五、净值与指标

净值等于现金加持仓市值。每天记录净值后，再算年化收益、最大回撤、夏普比率和换手率。指标要和基准比，也要和不同成本假设比。只看一条漂亮的净值曲线，说明不了策略有效。

还要检查持仓数量、单票权重和交易频率。一个回测如果一年只交易两次、持仓五只，却宣称年化 30%，先怀疑数据而不是相信策略。

先固定一个简单策略，把数据、成交、成本和净值跑通，再谈参数优化。最小版本的正确性比复杂版本的收益率更重要。等你能解释每一笔成交为什么发生、成本从哪里扣、净值为什么变化，再往上加因子和风控，才不会在错误的底座上堆功能。

最后，把回测结果和实盘差距当成常态。回测是排除错误假设的工具，不是收益预告。

六、常见错误

• 当日决策当日成交。用了收盘价，又假设能在收盘前成交。
• 忽略停牌和涨跌停。在不可成交的价格上成交。
• 不扣成本。高换手策略的收益被严重高估。
• 参数调到最优。在同一段数据上反复试参数，等于过拟合。
• 没有样本外。训练集表现好，不代表未来有效。