如何负责任地进行Trix回测？
定义Trix和回测目标
在讨论回测之前，首先需要明确定义Trix是什么，以及你实际测试的内容。Trix通常指一种基于平滑移动平均线并进一步转换为变化率的趋势跟踪指标。在回测中，该指标会成为你所定义规则的输入（例如，基于指标方向或阈值穿越的决策规则）。关键在于，你并非在孤立地测试“Trix”本身，而是在测试使用Trix值的完整决策流程。
一个负责任的设置应从明确的定义开始：
- 指标计算选择：平滑周期长度、所用平滑类型（如适用）以及任何缩放方式。
- 交易规则逻辑：什么触发“状态变化”（入场/出场、持有/不持有），以及如何处理多个信号。
- 评估目标：你关注的指标是什么（例如，更关注收益一致性还是回撤）。
使用一致的数据、假设和实际成本
回测的准确性更多取决于数据完整性和假设，而非指标的复杂程度。
- 数据一致性
- 使用单一时间源和统一的K线定义（例如，相同的蜡烛图周期和交易时段处理）。
- 确保指标值仅基于决策时间点之前可用的数据计算（无前瞻偏差）。
- 若进行重采样或聚合，需记录所用的重采样方法。
- 每次计算的假设 即使不进行实盘交易，也应模拟执行的实际环节。需明确以下假设：
- 交易成本模型：手续费和佣金，以及点差（或买卖价差处理）的估算。
- 订单执行规则：假设在K线收盘价成交、平均价格成交，或包含固定滑点。
- 仓位管理：固定仓位与比例仓位，因其会影响风险暴露。
- 将成本纳入模型，而非事后补充 许多指标回测在计入成本前表现良好。负责任的方法是从一开始就将成本建模，然后检查其敏感性（例如，提高假设滑点或手续费，观察结果是否显著变化）。这并不能预测未来，但能降低将“纸面表现”误认为可实施表现的风险。
通过严格的参数处理和样本外检查控制偏差
指标回测中的主要失败模式是“过拟合”：通过调整指标参数和规则阈值，使历史表现看起来良好，却无法保证其泛化能力。
应使用以下偏差控制方法：
- 固定参数集：仅使用训练段数据选择平滑周期和阈值，并将其锁定。
- 样本外验证：在未用于调参的后续数据上进行评估。
- 前向滚动测试（Walk-forward testing）：在滚动窗口上重复训练，并在下一阶段测试，仅更新流程允许的部分。
还需考虑多重检验效应。若尝试多种策略版本并仅报告最佳结果，结果可能成为人为产物。负责任的报告应限制测试变体数量，或说明已评估的变体总数。
通过可复现性和压力测试提供证据
由于无法保证实盘表现，“证据”在负责任的回测中主要体现为他人能否复现你的逻辑，以及结果是否能经受合理压力条件的考验。
实际的证据步骤包括：
- 可复现的规范说明：列出指标公式选择、规则逻辑、成本和滑点假设，以及精确的数据时段处理方式。
- 对市场机制敏感性的透明说明：通过使用不同时段的分段数据，测试不同市场环境（趋势、震荡、高/低波动）下的表现。
- 稳健性检查：在合理范围内变动非关键建模假设（例如，轻微调整滑点假设），并观察结论是否改变。
不要声称具有预测能力。当市场微观结构、波动模式或流动性状况变化时，历史关系可能失效。
需注意的局限性和常见失败模式
至少应指出一项实质性局限性：
- 非平稳性：历史上有效的关联关系可能因市场机制转变而失效。
- 执行偏差：基于K线的假设可能与实际成交存在差异，尤其是在点差和流动性变化时。
- 前瞻偏差和数据泄露：即使微小的时间戳对齐错误也可能夸大结果。
- 参数不稳定性：平滑周期或阈值的微小变化可能导致结果大幅波动。
正因存在这些局限性，回测应被视为假设检验，而非证明。