如何负责任地对 Rmi 进行回测？
定义 Rmi 和回测目标
Rmi（在动量类指标的语境中）通常用作从历史价格序列中导出的数值度量，旨在总结动量或类似速率的行为。负责任的回测始于明确定义你的设置中“Rmi”的含义：你使用的具体价格输入（例如收盘价到收盘价的变化）、应用的参数值（回看周期长度及任何平滑步骤），以及将指标值映射到评估量的精确规则（例如，你是衡量该指标与未来价格变化的预测关系，还是评估基于它生成的决策规则）。
同样重要的是区分两个目标：
- 估计关系：在给定假设下，Rmi 是否与未来结果相关？
- 估计策略：如果你将 Rmi 转化为交易决策，这些决策在计入现实摩擦后表现如何？
一个回测可以同时包含两者，但若不加区分地混合，就容易将指标的历史模式误认为是可用的、可执行的决策方法。
机制：列出数据、假设和计算
要负责任地进行回测，必须记录从原始数据到结果的完整链条。
-
数据定义
明确说明数据集及其转换步骤。例如：交易品种范围、时间框架、交易时段处理、缺失数据处理方式，以及价格是否经过调整（如适用，是否已调整公司行为影响）。如果你对K线进行重采样或聚合，请说明所用方法。 -
Rmi 计算规则
写下你在每个时间点实施的公式。如果指标涉及平滑或归一化操作，请明确定义这些步骤。如果“Rmi 设置”存在多种合理解释，你的回测应选择其中一种并保持固定。 -
决策映射（如适用）
如果你将 Rmi 转换为操作行为，请精确地定义规则：入场/出场时机、阈值，以及你是否基于同一根K线收盘时计算出的指标值立即行动，还是存在延迟。一种常见的失败模式是“前瞻偏差”（look-ahead bias），即回测无意中使用了在交易时点尚不可用的信息。 -
成本和执行假设
回测应包含现实的摩擦建模。这不仅包括佣金，还涉及点差假设、滑点以及下单时机的影响。即使缺乏逐笔数据，你也应设定保守且一致的假设（理想情况下测试多个成本水平）。假设零成本的回测可能在纸面上表现强劲，但在实际中却极为脆弱。
证据与示例：使用样本外验证
负责任的回测应将历史结果视为证据，而非证明。应采用能限制过拟合的评估设计。
-
划分时间线
先进行一个初始的样本内（in-sample）阶段用于方法开发，然后保留一个后期的样本外（out-of-sample）阶段，直到最终评估时才使用。更优的做法是使用前向滚动（滚动）验证（walk-forward validation），即在每个窗口内参数保持固定，并仅按预定义程序更新。 -
控制自由度数量
如果你尝试了大量参数组合、多种阈值选择或不同的数据处理方式，实际上是在对噪声进行调优。为减少这种偏差，应使用受限搜索选择参数，并保留样本外阶段用于最终评估。 -
报告你所测量的内容
对于仅研究指标的情况，你可能会衡量 Rmi 值与未来收益之间的关系（需明确时间范围）。对于策略研究，则需衡量计入成本后的决策结果。无论哪种情况，都应包含能反映不确定性的指标，避免将单一表现优异的时期作为决定性证据。 -
跨市场环境的稳健性检验
测试该关系在市场行为变化时是否依然成立（如趋势市与震荡市、高波动与低波动环境）。如果表现完全依赖于某一狭窄环境，则应视为警示信号。
局限性与风险：主要的失败模式
即使再严谨的回测也可能失败。至少应明确考虑一个实质性的局限性：
- 非平稳性：当市场结构变化时，Rmi 与未来价格变动之间的统计关系可能发生改变。回测结果可能仅反映历史环境，而非稳定机制。
- 前瞻偏差：使用在决策时点尚不可用的信息计算指标值，会导致结果虚高。
- 幸存者偏差和选择偏差：如果你的数据集排除了仅在特定时期存在的交易品种，结果可能产生偏差。
- 成本设定错误：错误的点差/滑点假设可能逆转结论。策略评估对此尤其敏感。