cfdaily
180 lines
4.8 KiB
Plaintext
180 lines
4.8 KiB
Plaintext
标题: 量化回测中的常见陷阱及规避方法
|
||
链接: https://www.joinquant.com/view/community/detail/3
|
||
分类: 回测
|
||
================================================================================
|
||
|
||
# 量化回测中的常见陷阱及规避方法
|
||
|
||
## 一、过拟合陷阱
|
||
|
||
### 1.1 什么是过拟合
|
||
|
||
过拟合是指策略在历史数据上表现优异，但在实盘或样本外数据上表现糟糕的现象。
|
||
|
||
**表现特征**：
|
||
- 历史回测收益率很高，但样本外测试急剧下降
|
||
- 参数微调对结果影响巨大
|
||
- 交易次数过多，过度优化
|
||
|
||
### 1.2 规避方法
|
||
|
||
**方法1：样本外验证**
|
||
|
||
```
|
||
三段式回测验证：
|
||
- 训练集：60%数据（用于策略开发和参数优化）
|
||
- 验证集：20%数据（用于参数验证和策略选择）
|
||
- 测试集：20%数据（最终验证，只能用一次）
|
||
```
|
||
|
||
**方法2：参数敏感性分析**
|
||
|
||
不要只看最优参数，要分析参数周围的表现：
|
||
|
||
```python
|
||
# 参数敏感性测试
|
||
for param in range(5, 30, 5):
|
||
# 测试不同参数下的策略表现
|
||
result = backtest(strategy, param=param)
|
||
print(f'参数{param}: 收益率{result['return']}, 夏普比率{result['sharpe']}')
|
||
```
|
||
|
||
**方法3：简化策略逻辑**
|
||
|
||
- 避免过多的条件判断
|
||
- 减少参数数量
|
||
- 策略逻辑应该有经济学或行为金融学解释
|
||
|
||
## 二、幸存者偏差
|
||
|
||
### 2.1 什么是幸存者偏差
|
||
|
||
幸存者偏差是指回测时只使用了当前还在上市的股票，而忽略了已经退市的股票，导致回测结果过于乐观。
|
||
|
||
**影响**：
|
||
- 高估策略收益率
|
||
- 低估策略风险
|
||
- 实盘表现远不如回测
|
||
|
||
### 2.2 规避方法
|
||
|
||
**在聚宽平台上的正确做法**：
|
||
|
||
```python
|
||
# 使用包含退市股票的完整数据集
|
||
from jqdata import *
|
||
|
||
def get_stock_pool(date):
|
||
# 获取指定日期的指数成分股（包含当时的成分股，而不是当前的）
|
||
return get_index_stocks('000300.XSHG', date=date)
|
||
|
||
# 或者使用all_securities获取所有股票（包含退市的）
|
||
all_stocks = list(all_securities)
|
||
```
|
||
|
||
**注意事项**：
|
||
- 不要使用当前的股票池回测历史数据
|
||
- 使用`get_index_stocks`时要指定日期参数
|
||
- 考虑ST股票、停牌股票的处理
|
||
|
||
## 三、未来函数陷阱
|
||
|
||
### 3.1 什么是未来函数
|
||
|
||
未来函数是指在策略中使用了当时还无法获得的数据。
|
||
|
||
**常见类型**：
|
||
1. 使用未来的财务数据
|
||
2. 知道未来的最高价、最低价进行交易
|
||
3. 使用停牌后的数据
|
||
|
||
### 3.2 规避方法
|
||
|
||
**检查清单**：
|
||
|
||
```
|
||
1. 数据获取日期检查
|
||
- 确保使用的数据在交易决策时间点之前
|
||
|
||
2. 避免"先知先觉"
|
||
- 不要使用未来才能知道的信息
|
||
|
||
3. 模拟真实决策流程
|
||
- 按照实际交易时的信息获取顺序编写策略
|
||
```
|
||
|
||
**示例对比**：
|
||
|
||
```python
|
||
# 错误示例（使用未来数据）
|
||
def handle_data(context, data):
|
||
for stock in g.stock_pool:
|
||
# 获取未来一天的数据（这在实际交易中是不可能的）
|
||
future_price = get_price(stock, count=1, end_date=context.current_date + timedelta(days=1))
|
||
if future_price > data[stock].close:
|
||
order(stock, 100)
|
||
|
||
# 正确示例
|
||
def handle_data(context, data):
|
||
for stock in g.stock_pool:
|
||
# 只使用当前及之前的数据
|
||
hist = history(20, '1d', 'close', [stock])
|
||
current_price = data[stock].close
|
||
ma20 = hist.mean()
|
||
if current_price > ma20:
|
||
order(stock, 100)
|
||
```
|
||
|
||
## 四、交易成本低估
|
||
|
||
### 4.1 常见问题
|
||
|
||
- 忽略交易手续费
|
||
- 低估滑点影响
|
||
- 不考虑市场冲击成本
|
||
|
||
### 4.2 规避方法
|
||
|
||
**合理设置交易成本**：
|
||
|
||
```python
|
||
def initialize(context):
|
||
# 设置手续费
|
||
set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
|
||
# 设置滑点
|
||
set_slippage(FixedSlippage(0.002)) # 0.2%的固定滑点
|
||
```
|
||
|
||
**成本参考**：
|
||
- 买入佣金：万分之三
|
||
- 卖出佣金：万分之三 + 千分之一印花税
|
||
- 滑点：0.1% - 0.5%（根据股票流动性调整）
|
||
|
||
## 五、实践案例
|
||
|
||
某投资者的教训：
|
||
|
||
**回测表现**：
|
||
- 年化收益率：60%
|
||
- 最大回撤：15%
|
||
- 夏普比率：2.5
|
||
|
||
**实盘表现**（3个月）：
|
||
- 实际收益率：-5%
|
||
- 最大回撤：20%
|
||
|
||
**问题诊断**：
|
||
1. 过拟合：参数过度优化，只在特定历史时期表现好
|
||
2. 幸存者偏差：回测时只用了当前股票，没考虑退市股票
|
||
3. 交易成本低估：回测时设置的成本过低
|
||
|
||
**改进措施**：
|
||
1. 采用三段式回测验证
|
||
2. 使用包含退市股票的完整数据集
|
||
3. 提高交易成本设置
|
||
4. 简化策略逻辑，减少参数
|
||
|
||
---
|
||
|
||
**总结**：回测陷阱是量化交易中最常见的问题，需要从数据质量、策略逻辑、回测设置等多方面进行严格把关。记住："回测表现只是起点，实盘验证才是关键"。
|