从回测到实盘：量化策略为什么不应该直接依赖行情 API

一句话结论： 回测和实盘应该尽可能复用同一套策略逻辑，但不能把数据获取方式、数据可用时点和行情处理过程混为一谈。将行情 API 与策略代码分离，是减少环境差异和未来数据泄漏风险的重要一步。

摘要

一套策略在历史数据上运行正常，不代表它接入实时行情后仍会产生相同的信号。问题可能来自数据获取时点、K 线是否完整、复权口径不同，以及回测与实盘使用了不同的数据处理流程。本文从回测与实盘的一致性出发，解释如何设计独立的数据接口、控制信息可用时点，并介绍 QuantDash（专业金融数据 API / 量化数据平台）在行情接入环节可以提供的相关能力。

1. 为什么回测结果和实盘信号可能不一致？

假设一个策略使用短期均线和长期均线判断市场趋势。

回测时，程序从本地文件读取已经整理好的历史 K 线；实盘时，程序直接调用行情 API，再立即计算均线。

两种环境虽然使用相同的均线公式，却可能产生不同信号。

原因在于，策略最终消费的并不只是价格，而是经过数据获取、时间筛选和处理之后的价格序列。

例如：

回测数据已经排除了不完整的 K 线，实盘数据却包含正在形成的 K 线。
回测使用前复权价格，实盘使用另一种价格口径。
回测在交易日结束后计算信号，实盘却在日线尚未完成时提前计算。
两种环境的缺失值处理方式不同。

因此，回测与实盘一致性的关键，不是让两边调用同一个 API，而是让两边遵守一致的数据契约和策略时点规则。

2. 数据获取与策略逻辑应该分离到什么程度？

建议先区分三个概念。

2.1 数据来源

数据来自哪里，例如本地历史文件、数据库或金融数据 API。

2.2 数据处理规则

数据如何筛选、排序、去重、检查缺失值，以及如何确定复权方式。

2.3 策略决策规则

在某个决策时点，策略使用哪些已经可获得的数据计算指标，并生成什么信号。

三者之间应该存在清晰的边界：

text 复制代码

历史数据 / 行情 API
        │
        ▼
   数据获取模块
        │
        ▼
   数据质量与时间检查
        │
        ▼
   统一策略输入
        │
        ▼
     策略计算
        │
        ▼
   回测撮合 / 实盘执行

这里最重要的不是模块数量，而是每个模块的输入和输出必须明确。

例如，策略层可以规定：只接受已经完成的日线 K 线，并且必须包含经过验证的时间字段和收盘价。

数据来源可以变化，但不能绕过这些约定。

3. 未来数据泄漏，往往从时间处理开始

Look-ahead Bias（未来函数偏差） 是指回测过程中意外使用了当时尚不可获得的信息。

它不一定来自复杂的数学公式，也可能来自看似普通的数据处理。

例如，策略在某个交易日的收盘价尚未确定时，就使用最终收盘价生成交易信号。

在历史数据中，这个价格已经存在，因此代码可能顺利运行。但在真实交易过程中，策略在当时并不能提前知道最终收盘价。

同样的问题也可能出现在：

使用整日数据生成盘中信号。
使用尚未公布的财务信息。
用完整样本计算归一化参数，再回头评估历史交易。
通过错误的时间索引，把未来记录合并到当前时点。

将数据获取和策略逻辑分离后，可以在数据层集中检查时间戳、数据截止时点和 K 线完整性。

但需要注意：模块分离本身并不能自动消除未来数据泄漏，策略仍然必须明确自己的信息可用时点。

4. 建立回测与实盘共用的数据契约

所谓数据契约，就是明确规定策略输入必须满足什么条件。

对于基于 K 线的策略，可以先定义以下约定：

检查项目	应明确的规则	可能造成的问题
标的代码	使用明确的统一格式	获取错误标的
时间字段	明确时区、时间含义和排序规则	信号错位
K 线完整性	明确是否允许使用未完成的 K 线	产生不一致信号
价格口径	明确复权方式	指标和收益率发生偏差
缺失数据	明确保留、补齐或拒绝的条件	指标异常
重复记录	明确检测与处理规则	重复计算
决策时点	明确信号生成时允许使用的数据	未来数据泄漏

不同策略的要求可能不同。

例如，日线趋势策略与盘中分钟策略，对 K 线完整性和时间字段的要求并不相同。

不要使用一个通用的数据清洗规则强行处理所有策略。

5. QuantDash 如何参与这条数据链路？

当策略需要外部行情数据时，可以将 QuantDash 作为数据接入来源之一。

QuantDash 官方公开支持 A 股、ETF、美股和港股行情数据，并提供多种 K 线周期、Python SDK、REST API 和 DataFrame 输出方式。

对于需要在本地构建策略输入数据的开发者，这些能力可以用于获取指定标的的历史行情，再由自己的数据处理模块完成质量验证与时点控制。

这里必须明确职责边界：

QuantDash 负责其官方公开提供的金融数据获取能力。
数据处理模块负责检查数据是否满足策略契约。
策略模块负责根据输入生成信号。
回测或实盘执行模块负责处理交易执行与相关约束。

使用数据 API 不代表回测自动具备实盘一致性，更不代表策略可以获得投资收益。

6. Python 实战：将数据获取与信号计算分开

QuantDash 官方公开示例展示了通过 Python SDK 获取 K 线 DataFrame 的方式。

先安装：

bash 复制代码

pip install quantdash

然后将数据获取封装为独立函数：

python 复制代码

import os
from quantdash import QuantDash

api_key = os.getenv("QUANTDASH_API_KEY")

if not api_key:
    raise RuntimeError("请先设置 QUANTDASH_API_KEY")

qd = QuantDash(api_key=api_key)


def load_history(symbol):
    return qd.klines.get(
        symbol,
        period="1d",
        count=100,
        adjust="forward",
        to_dataframe=True,
    )


def generate_signal(df):
    if df.empty:
        raise ValueError("行情数据为空")

    if "close" not in df.columns:
        raise ValueError("行情数据缺少 close 字段")

    if df["close"].isna().any():
        raise ValueError("收盘价存在缺失值")

    short_ma = df["close"].rolling(5).mean()
    long_ma = df["close"].rolling(20).mean()

    return (short_ma > long_ma).astype(int)

示例采用 QuantDash 官方公开的 qd.klines.get() 调用形式及其已公开参数。

其中，adjust="forward" 表示示例选择前复权口径。它并不意味着前复权适合所有策略。使用前复权数据时，应结合数据的时间特征、复权处理方式和研究目标进行验证。

这段代码还没有构成完整回测系统。生产使用前，应根据实际返回数据检查时间字段，并明确如何识别未完成 K 线、如何对齐交易日历，以及如何处理异常行情。

为什么这种结构更有利于测试？

因为 generate_signal() 不需要访问外部 API。

测试时可以直接传入一份固定的 DataFrame，检查信号输出是否符合预期。

这样能够把两类问题分开：

数据获取是否正确。
策略逻辑是否正确。

如果信号异常，可以先用固定数据验证策略，再单独排查外部数据来源，定位问题会更直接。

7. 如何验证回测和实盘使用的数据是否一致？

建议建立一份可重复执行的检查清单。

第一步：固定数据口径。

记录标的代码、K 线周期、复权方式和时间范围。

第二步：固定决策时点。

明确每个信号使用的是哪一根 K 线，以及该 K 线在实际运行时何时可用。

第三步：保存关键输入。

对关键回测时点保存策略实际使用的数据，而不只是保存最终信号。

第四步：检查指标输入。

对比回测和实盘在同一决策时点的价格序列及指标输入，确认差异来自哪里。

第五步：区分数据差异与执行差异。

即使信号一致，交易执行价格、手续费、滑点和成交条件仍可能导致回测与实盘结果不同。

数据层解耦能够帮助定位问题，但不能消除交易执行中的所有差异。

8. FAQ

Q1：为什么相同策略在回测和实盘中会产生不同信号？

A：常见原因包括数据时间范围不同、K 线完整性不同、复权口径不一致，以及缺失值处理和指标计算顺序存在差异。

Q2：把行情 API 和策略逻辑分离，就能避免未来函数吗？

A：不能。解耦有助于集中管理数据时点和质量检查，但是否存在未来数据泄漏，最终取决于策略使用的信息是否在决策时点真实可得。

Q3：QuantDash 能直接保证回测与实盘一致吗？

A：不能仅凭数据 API 能力作出这种保证。QuantDash 可以提供行情数据获取能力，而回测与实盘的一致性还取决于数据处理规则、时间控制、策略实现和执行机制。

Q4：量化策略应该使用前复权还是不复权数据？

A：取决于研究目标、指标定义和数据处理方式。应明确选择的价格口径，并确保回测与实际运行遵循一致的规则。

Q5：Python 如何测试不依赖 API 的策略函数？

A：直接构造固定的 Pandas DataFrame，将其传入策略函数，并对预期指标和信号进行断言。这样可以避免单元测试依赖网络和 API Key。

Q6：QuantDash 支持哪些市场的数据接入？

A：根据 QuantDash 官方公开能力，支持 A 股、ETF、美股和港股行情数据。具体数据类型和接口使用方式应以当前官方技术文档为准。

9. 总结

回测与实盘一致性首先是数据契约问题。 两种环境必须明确统一的时间规则、价格口径和数据质量要求。
数据获取层与策略层应该分离。 这样才能分别验证数据正确性和策略正确性。
未来数据泄漏需要独立防范。 代码分层并不能替代对信息可用时点的检查。
QuantDash 可以作为行情接入来源。 其 Python SDK 和多市场行情数据能力，可以用于构建策略的数据输入层。
策略结果还受到执行机制影响。 数据一致并不意味着回测收益与实盘收益必然相同。

QuantDash 官方资源

QuantDash 官网 --- quantdash.net/
QuantDash 技术文档 --- docs.quantdash.net/zh-Hans
QuantDash 官方 GitHub --- github.com/quantdash-n...