10、做市策略回测框架：历史数据回测、蒙特卡洛模拟回测、情景分析与压力测试、回测绩效评估指标
做市策略写好了，能不能赚钱？
这个问题，光靠拍脑袋可不行。我见过太多团队，策略逻辑看着挺漂亮，一上实盘就亏得亲妈都不认识。为什么？因为没经过严格的回测。
回测，说白了就是给策略做「体检」。你得用历史数据、用随机模拟、用极端场景，把策略里里外外查一遍。今天我就把这套回测框架掰开揉碎讲清楚。
10.1 历史数据回测：最基础的验证手段
历史数据回测，是每个做市策略的「第一道坎」。你拿过去一段时间的行情数据，让策略模拟跑一遍，看看它表现如何。
核心要点：
- 数据质量第一：我踩过最大的坑，就是用了有幸存者偏差的数据。比如只收录了至今还存续的股票，那些退市的、暴跌的，全被剔除了。这会导致回测结果虚高。一定要用全量数据，包括退市、停牌、涨跌停的情况。
- 交易成本不能省：很多人回测时忽略手续费、滑点、冲击成本。结果实盘一跑，利润全被摩擦成本吃掉了。我个人习惯，至少按双边万三来算，高频策略甚至要算到万分之一级别。
- 过拟合是头号敌人：你调参数调得越精细，回测曲线越漂亮，实盘往往越惨。为什么？因为你把策略「训练」成了只认识历史数据的样子。我建议，参数不要超过3个，且一定要做样本外测试。
避坑指南：我曾经做过一个期权做市策略，历史回测年化收益30%，回撤不到5%。结果实盘第一周就亏了8%。后来复盘发现，回测时我用了「未来数据」——用当天的收盘价来模拟当天的交易决策。这是典型的回测作弊，大家千万注意。
历史数据回测的代码框架，我一般这样写：
# 伪代码示例：历史数据回测框架
def backtest(strategy, historical_data, params):
portfolio = init_portfolio(params)
for bar in historical_data:
# 1. 更新市场状态
market_state = update_market(bar)
# 2. 策略生成报价
bid, ask = strategy.generate_quotes(market_state)
# 3. 模拟成交（考虑排队概率）
trades = simulate_execution(bid, ask, bar)
# 4. 更新持仓和PnL
portfolio.update(trades, bar)
return portfolio.get_metrics()
10.2 蒙特卡洛模拟回测：应对不确定性
历史数据回测有个致命缺陷：它只验证了「一条路径」。但未来有无数种可能。蒙特卡洛模拟，就是用来解决这个问题的。
说白了，就是基于历史数据的统计特征（波动率、相关性、跳跃概率等），随机生成成千上万条未来行情路径，然后让策略在这些路径上跑一遍。
具体怎么做？
- 建模：先对标的资产的收益率分布建模。我常用的是带跳跃的随机波动率模型，因为纯几何布朗运动太理想化，无法捕捉「黑天鹅」。
- 模拟：生成10000条路径，每条路径长度对应回测周期。每条路径上，策略都重新跑一遍。
- 统计：看这10000次回测结果的分布。重点关注尾部风险——最差的5%场景下，策略亏多少？
我的经验：蒙特卡洛模拟特别适合验证期权做市策略。因为期权的非线性特征，历史数据回测往往无法覆盖所有波动率场景。我一般至少跑5000次模拟，才能对策略的稳健性有个底。
你想想看，如果策略在95%的模拟路径上都能盈利，那实盘赚钱的概率就大得多。反之，如果只有50%的路径赚钱，那基本就是抛硬币了。
10.3 情景分析与压力测试：极端行情下的生存能力
蒙特卡洛模拟虽然全面，但它基于历史统计特征。万一出现历史上从未发生过的情况呢？比如2020年3月的原油暴跌，或者2023年日本央行突然加息。
这时候就需要情景分析和压力测试了。
情景分析：人为设定一些「如果...会怎样」的场景。比如：
- 「如果标的价格瞬间暴跌20%」
- 「如果隐含波动率飙升50个点」
- 「如果流动性枯竭，买卖价差扩大10倍」
压力测试：更极端一些。我一般会设计三个级别：
| 压力级别 | 场景描述 | 预期损失上限 |
|---|---|---|
| 轻度 | 类似2015年股灾 | 日亏损不超过资本的5% |
| 中度 | 类似2008年金融危机 | 日亏损不超过资本的15% |
| 重度 | 类似1987年黑色星期一 | 日亏损不超过资本的30% |
注意：压力测试不是为了看策略能赚多少，而是看它会不会「死」。我见过一个策略，平时年化20%，但在压力测试中一天亏了80%。这种策略，你敢上实盘吗？
10.4 回测绩效评估指标：别只看夏普比率
很多人回测完，只看两个指标：总收益率和夏普比率。这远远不够。做市策略的评估，需要一套更全面的指标体系。
我常用的核心指标：
- 年化收益率：这个不用多说，但要注意是「净收益率」，扣除了所有成本。
- 最大回撤：策略从最高点到最低点的跌幅。做市策略一般要求最大回撤不超过10%。
- 夏普比率：衡量风险调整后收益。做市策略的夏普比率通常比趋势策略高，我见过优秀的能做到3以上。
- 卡玛比率：年化收益率除以最大回撤。这个指标比夏普更直观，反映了「每承担1%的回撤，能换来多少收益」。
- 胜率与盈亏比：做市策略的胜率通常很高（60%-80%），但盈亏比可能只有1:1。这很正常，因为做市赚的是微薄的价差，靠的是「薄利多销」。
- 资金利用率：做市策略需要占用大量保证金。资金利用率越高，说明同样的资本能撬动更大的交易量。
我的习惯：我会把回测结果做成一张「绩效仪表盘」，上面同时展示这6个指标。任何一个指标亮红灯，我都不会上实盘。尤其是最大回撤和卡玛比率，这两个是硬约束。
10.5 回测框架的核心逻辑
说了这么多，我把整个回测框架的逻辑画成了一张图，方便你理解：
这张图很直观：策略进来，先过三关——历史数据、蒙特卡洛、压力测试。三关都过了，再看绩效指标。指标全部达标，才考虑上实盘。少一步，都是在赌博。
最后说一句：回测做得再好，也只是「模拟考」。实盘才是「高考」。我见过太多回测漂亮的策略，实盘一跑就变形。所以，回测框架只是工具，真正的功夫在于你对市场的理解和对风险的敬畏。