如何负责任地对随机范围进行回测？

定义机制和数据（在测试之前）

随机范围是一种基于区间的理念，使用随机振荡器的概念来评估价格在近期范围内的位置。负责任的回测始于书面明确你将测试的确切机制：随机指标的设置（例如 %K 周期长度和任何平滑处理）、“范围”是如何构建的（例如，哪个回看窗口定义了最小/最大值），以及规则如何将这些数值转化为交易信号。

接下来，指定你将使用的数据。决定你依赖的价格序列（例如，K线收盘价 vs. K线内近似值）、采样频率（分钟、小时、日线）以及时间戳对齐方式（以避免意外的前瞻偏差）。如果你使用更高时间框架来定义“范围”，请说明确切的映射方法。

由于目标是教育和独立验证，应将每次回测视为可复现的实验：列出输入、代码逻辑以及连接它们的假设。

包含成本和执行假设（kostensoorten 和可变因素）

回测常常因忽略成本而夸大结果。负责任的方法至少应建模以下 kostensoorten（成本类别）：

• 点差和佣金（将其转化为每笔交易或每轮回交易的明确扣除）
• 滑点（实际成交价格比回测假设差多少）
• K线内的时序/延迟（你的规则是否能在建模价格上真实触发）

执行是一个可变因素。对于与区间相关的逻辑，微小的时间差异可能改变条件是否在K线内满足。如果你的规则使用阈值（例如，随机指标水平），你必须说明是否假设：

• 委托在下一根K线开盘时成交、在K线收盘时成交，或在K线内某个建模价格成交
• 止损/止盈（如有）是每根K线评估一次，还是使用K线内近似值

由于你可能没有真实的逐笔数据，应明确说明这一限制，并在所有实验中保持模型一致性。

控制偏差（aannames、泄露和过度拟合）

当实验被过度调整以适应历史数据时，回测可能变得不可靠。常见的偏差控制包括：

参数冻结。 在查看结果之前选择随机指标设置和范围参数。如果你在看到表现后调整它们，你的估计将变得过于乐观。

避免数据泄露。 确保任何“近期最小/最大值”或范围计算仅使用决策时可用的信息。这在合并数据集或跨多个时间框架计算特征时尤为重要。

多个评估窗口。 在不同历史阶段（例如，不同的市场状态）进行测试，而不重新调整规则。如果表现仅存在于一个狭窄时期，应将其视为警告信号。

前向滚动或滚动样本外测试。 不要在一个连续的历史数据上训练，而是反复在某个窗口上训练（或设置参数），然后在下一个窗口上评估。关键是评估期不能影响规则定义。

使用样本外检查和稳健性测试

一个核心责任是区分回测解释了什么和预测了什么。历史关系不能确立未来结果。为了验证你方法的相关事实，请使用样本外检查：

• 样本外表现： 在未用于定义规则的数据上比较结果。
• 敏感性分析： 使用略有不同但预先指定的假设（例如，范围回看周期在小范围内变化，或几个滑点水平）重新运行，看结论是否依然成立。
• 指标稳定性： 检查结论在多个合理的评估指标下是否一致（而不仅仅依赖一个 headline 统计量）。

即使没有令人期待的准确性，这些步骤也能帮助你识别结果是来自底层机制，还是偶然拟合。

局限性和可能的失败模式

任何负责任的过程都应至少包含一个实质性局限性：

• 过度拟合风险： 与特定阈值相关的范围逻辑可能拟合过去行为，但在市场动态变化时失效。
• 成本敏感性： 如果结果在点差或滑点减少时显著改善，该策略的优势可能主要依赖于摩擦成本。
• K线时序不匹配： 基于K线的执行假设可能错误表示阈值实际被穿越的时机。
• 市场状态变化： 区间交易条件依赖于市场特征。当市场变得不那么“区间化”时，相同的信号可能表现不同。

在报告结果时一并说明这些局限性，以便独立读者理解结论保持有效所需的前提条件。