DataWhale—量化金融（task5： 策略回测）

📈 策略回测专题

目录

1. 什么是回测
2. 回测的核心指标
3. 回测的陷阱
4. 兆易创新双均线策略回测
5. NVDA策略vs大盘
6. 1年vs5年最大回撤对比
7. 什么是胜率
8. 作业解答
9. 本期学习总结与个人感悟
10. 完整代码附录

---

一、什么是回测

回测（Backtesting）是指：用历史数据模拟交易策略在过去的表现，评估策略的有效性、稳健性和风险特征的过程。

通俗地说：

"假设我在2024年1月1日就开始用这个策略交易，到今天我会赚多少钱？中间最多亏过多少？胜率是多少？"

回测是连接"理论策略"与"实盘交易"的桥梁。

不做回测的风险	做回测的好处
策略可能只是运气	验证策略是否真的有"优势"
不知道最大亏损	了解最坏情况下会亏多少
参数选择凭感觉	科学优化参数，避免过拟合
心理没底，拿不住	增强信心，知道策略的"性格"
真金白银做实验	用历史数据做实验，零成本

---

二、回测的核心指标

收益率类

• 总收益率（Total Return）：策略整个周期的盈亏比例
• 年化收益率（Annualized Return）：换算成年化后的收益率
• 超额收益（Alpha）：策略收益 - 基准收益

风险类

• 最大回撤（Max Drawdown） ：从峰值到谷底的最大亏损幅度
  • 公式：MDD = max(Peak - Trough) / Peak
• 波动率（Volatility）：收益率的标准差
• 夏普比率（Sharpe Ratio）：(策略收益 - 无风险收益) / 波动率

交易质量类

• 胜率（Win Rate）：盈利交易次数 / 总交易次数
• 盈亏比（Profit/Loss Ratio）：平均盈利 / 平均亏损
• 交易次数（Trade Count）：策略触发的买卖次数

---

三、回测的陷阱

过拟合（Overfitting）

策略在历史数据上表现极好，但未来失效。原因：参数调得太多，恰好适应了历史数据的噪声。防范：样本外测试、交叉验证、简化策略。

未来函数（Look-ahead Bias）

用"未来的信息"做"现在的决策"。例子：用当天的收盘价决定当天的买卖。防范：严格按时间顺序，只用已知信息。

幸存者偏差（Survivorship Bias）

只测试现在还活着的股票，忽略了已经退市的。结果：策略表现被人为高估。

交易成本忽略

回测时没算手续费、滑点、印花税。结果：实盘收益远低于回测。

---

四、兆易创新双均线策略回测

4.1 回测设置

参数	数值
初始资金	¥100,000
策略	MA5/MA20 双均线
手续费	万3
滑点	0.1%

4.2 回测结果

指标	数值
最终资产	¥165,264.78
策略总收益率	+65.26%
买入持有收益率	+69.03%
超额收益(Alpha)	-3.77%
最大回撤	-28.16%
交易次数	2次
完成交易对	1对
胜率	100%

4.3 交易明细

日期	类型	价格	说明
2026-05-18	买入	¥400.40	金叉▲买入
2026-07-09	卖出	¥662.83	死叉▼卖出

4.4 回测可视化

上图：策略净值（绿色）vs 买入持有（蓝色虚线），红色区域=策略跑输，绿色区域=策略跑赢

中图：回撤对比，策略最大回撤-28.2%，大盘最大回撤-44.9%

下图：日收益率分布，策略日收益更集中在0附近（空仓期无波动）

---

五、NVDA策略vs大盘

5.1 回测结果

指标	数值
策略最终净值	$164,053.92
大盘最终净值	$153,993.86
策略收益率	+64.05%
大盘收益率	+53.99%
超额收益	+10.06%
策略最大回撤	-8.55%
大盘最大回撤	-36.0%
交易次数	4次
胜率	100%

5.2 策略vs大盘净值图

上图：绿色=策略净值，蓝色虚线=买入持有净值。绿色填充=策略跑赢区域，红色填充=策略跑输区域

下图：回撤对比，策略最大回撤仅-8.5%，而大盘回撤-36%，策略有效控制了风险

---

六、1年vs5年最大回撤对比

对比维度	1年	5年
最大回撤	-63.8%	-65.4%
包含周期	仅高位震荡回调	完整牛熊周期
信息完整性	局部视角	全局视角

结论：5年最大回撤更深，因为包含了2022年的大熊市和2025年的高位回调。我更能接受5年视角，虽然回撤深，但了解完整周期有助于坚持策略。

---

七、什么是胜率

胜率（Win Rate）= 盈利交易次数 / 总交易次数 × 100%

胜率反映的是策略"猜对方向"的概率，但高胜率不等于高收益：

场景	胜率	结果
高频小额盈利，低频大额亏损	90%	可能最终亏损
低频大额盈利，高频小额亏损	40%	可能最终盈利

关键公式：

期望收益 = 胜率 × 平均盈利 - (1-胜率) × 平均亏损

索普的启示：51%的胜率，配合1:1的盈亏比，长期就能盈利。胜率不是越高越好，关键是期望收益为正。

---

八、作业解答

作业1：NVDA策略跑赢还是跑输？

答案：策略跑赢大盘10.06个百分点！

策略收益率+64.05%，大盘收益率+53.99%。MA5/MA20策略在NVDA上产生了正超额收益，且最大回撤远小于大盘（-8.5% vs -36%）。

作业2：1年vs5年最大回撤哪个更深？

答案：5年最大回撤更深（-65.4% vs -63.8%）。

5年包含了完整的牛熊周期，2022年大熊市和2025年高位回调都被纳入。我更能接受5年视角，因为它展示了策略在极端情况下的表现，有助于建立合理预期。

作业3：三句话解释回测

回测就是用历史数据"彩排"你的交易策略，看看如果早几年用这个策略，能赚多少钱、最多亏多少，避免用真金白银去试错的笨办法。

---

九、本期学习总结与个人感悟

9.1 本期核心内容回顾

主题	关键收获
回测定义	用历史数据验证策略，零成本实验
核心指标	收益率、最大回撤、夏普比率、胜率
回测陷阱	过拟合、未来函数、幸存者偏差、交易成本
兆易创新回测	策略+65%，但跑输买入持有-3.77%
NVDA回测	策略+64%，跑赢大盘+10%，回撤仅-8.5%
1年vs5年	长期视角回撤更深但更真实

9.2 个人感悟

1. 回测不是万能的，但没有回测是万万不能的。回测不能保证未来收益，但能排除明显糟糕的策略。

2. 胜率只是故事的一半。100%胜率听起来很美，但如果只交易了1次，样本量太小毫无意义。关键是期望收益为正。

3. 回撤比收益更重要。NVDA策略收益+64%，但最大回撤仅-8.5%，这意味着我可以安心睡觉。相比之下，大盘-36%的回撤足以让人割肉离场。

4. 参数周期影响巨大。MA5/MA20在兆易创新上跑输大盘，但在NVDA上跑赢。没有放之四海而皆准的参数，必须针对具体标的优化。

5. 5年视角让我清醒。看到-65%的最大回撤，我明白了为什么量化投资需要严格的风险管理。这不是游戏，是真金白银。

---

十、完整代码附录

10.1 回测引擎核心代码

def backtest_ma_strategy(df, short_window, long_window, initial_capital=100000, 
                         commission_rate=0.0003, slippage=0.001):
    data = df.copy()
    data['short_ma'] = data['收盘'].rolling(window=short_window).mean()
    data['long_ma'] = data['收盘'].rolling(window=long_window).mean()

    data['signal'] = 0
    data.loc[data.index[long_window:], 'signal'] = np.where(
        data['short_ma'].iloc[long_window:] > data['long_ma'].iloc[long_window:], 1, 0
    )
    data['position_change'] = data['signal'].diff()

    capital = initial_capital
    position = 0
    trades = []
    daily_values = []

    for i in range(len(data)):
        row = data.iloc[i]
        price = row['收盘']
        signal_change = row['position_change']

        if signal_change == 1 and position == 0:
            buy_price = price * (1 + slippage)
            max_shares = int(capital * (1 - commission_rate) / buy_price)
            if max_shares > 0:
                cost = max_shares * buy_price * (1 + commission_rate)
                capital -= cost
                position = max_shares
                trades.append({'date': row['日期'], 'type': '买入', 
                              'price': buy_price, 'shares': max_shares})

        elif signal_change == -1 and position > 0:
            sell_price = price * (1 - slippage)
            revenue = position * sell_price * (1 - commission_rate)
            capital += revenue
            trades.append({'date': row['日期'], 'type': '卖出',
                          'price': sell_price, 'shares': position})
            position = 0

        stock_value = position * price
        daily_values.append({
            'date': row['日期'], 'total_value': capital + stock_value,
            'position': position
        })

    values_df = pd.DataFrame(daily_values)
    total_return = (values_df['total_value'].iloc[-1] / initial_capital - 1) * 100

    peak = values_df['total_value'].cummax()
    drawdown = (values_df['total_value'] - peak) / peak * 100
    max_drawdown = drawdown.min()

    return {
        'total_return': total_return,
        'max_drawdown': max_drawdown,
        'trades_df': pd.DataFrame(trades),
        'values_df': values_df
    }

---