回测定义的高级考量
回测定义在高级层面的含义
回测是通过在历史市场数据上评估一组明确的决策规则，来估算该规则集在过去可能表现如何的过程。高级考量在于：回测本身并非“策略表现”，而是一种模拟，其输出结果取决于你对数据和执行所作的假设。
要准确解释回测，需区分三个层次：
- 规则：你希望测试的精确入场/出场或决策逻辑。
- 市场数据：输入模拟的历史价格、时间戳以及任何衍生字段。
- 执行模型：在模拟环境中交易如何成交。
一个稳健的回测定义要求这三个层次都必须明确、可复现且可独立验证。
机制：简单模型及其组成部分
回测的简单模型为：规则 + 数据 + 执行假设 → 模拟交易 → 绩效指标。高级问题在于：必须明确哪些内容才能使输出结果具有意义。
必须定义的输入
- 时间基准与对齐：使用哪个K线周期或采样频率，以及信号相对于价格变动的时间戳如何确定。
- 数据粒度：使用聚合数据（如K线）与更高分辨率数据，会影响在K线内“可能发生”的事件。
- 成本与摩擦：包括你选择建模的交易成本（佣金、点差、融资类影响等），并明确其适用时机。
- 订单与成交逻辑：决定订单如何成交（例如，在下一个可用价格成交、在调整点差后的价格成交，或使用限价单成交假设）。这通常是造成结果偏差的最大来源。
跟随模拟生成的输出指标
回测通常用累计收益、回撤、盈亏分布和风险调整指标等来总结结果。高级观点是：这些指标的可靠性仅取决于生成交易历史的模拟假设。
改变回测意义的边缘情况与失败模式
回测可能悄无声息地失败。高级考量关注历史测试可能产生误导的条件。
超前信息与时间误差
回测可能意外使用了决策时无法获得的信息。这可能由于：
- 指标计算隐含使用了未来数据。
- 信号在一个时间戳生成，却应用于下一根K线，仿佛已提前知晓。
即使微小的时间错误，也可能导致结果不仅“过于乐观”，而且与实时执行根本不兼容。
存活偏差与数据选择偏差
如果历史数据集遗漏了后来消失的品种、时间段或报价记录，回测可能高估现实性。同样，若仅选择“良好”时期而无预定义的数据包含规则，可能产生误导性的表现感知。
缺失数据与插值
真实历史数据流可能存在缺口或不规则采样。若回测用插值填补缺失值（或假设时间戳间价格平滑移动），可能模拟出从未实际以所需方式成交的价格。
通过重复调优导致的过拟合
当规则被调整以最大化历史表现时，可能拟合的是噪声而非结构。因此，回测的高级定义包含模型选择与评估的分离（例如使用不同时间段或前向滚动法），并要求评估期未在调优过程中使用。
执行现实性的局限
历史K线不揭示K线内的完整路径。若你的执行模型假设在仅凭更细粒度信息才能实现的价格上成交，结果可能偏离任何合理的实际执行。这是核心局限：数据分辨率与成交假设共同决定现实性。
局限与风险：你能验证什么，不能验证什么
回测可支持某些验证，但无法消除不确定性。
它能帮助你理解的
- 规则集在不同历史条件下是否表现一致。
- 在更保守假设下（如更高建模成本或更严格成交逻辑）结果是否恶化。
- 结果是否依赖脆弱的边缘情况（如罕见事件或狭窄时间窗口）。
它无法保证的
- 未来结果：历史关系不等于未来结果。
- 安全性：回测不能证明回撤或不利行情不会发生。
- 预测准确性：回测是基于假设的估计，而非证明。
即使回测内部一致，这些局限依然适用。
如何独立验证回测定义
要验证回测的意义，应将其视为可复现实验。
- 检查假设链：确认规则、数据时间戳与成交逻辑如何交互。
- 测试对合理变化的不变性：在预定义范围内改变数据粒度、成本假设或时间假设，观察结论是否依赖某一脆弱选择。
- 使用样本外评估：将参数设定所用时期与结果度量所用时期分开。
- 记录复现模拟所需的一切：精确的规则定义、数据来源描述和执行模型。
因此，清晰的回测定义不仅是“在历史上运行”的描述，更是一份假设清单和一种检查输出对这些假设敏感性的方法。
在信任回测输出前需澄清的后续问题
在解释或依赖任何回测结果前，需澄清：
- 信号生成与交易决策之间使用了何种精确时间对齐？
- 你的执行模型依赖何种数据分辨率？当不满足时会发生什么？
- 哪些部分被调优，哪些被评估？如何确保分离？
- 哪些失败模式（时间误差、缺失数据、过拟合）被专门测试过？
若这些点不明确，“回测”将变得模糊，回测输出也无法被有意义地解读。