12、回测系统搭建：回测框架设计、历史数据回放、策略参数优化、绩效评估指标
做市交易这行，有个残酷的现实：你的策略在实盘里能活多久，取决于它在历史数据里死过多少次。
我见过太多人，策略写出来就急着上实盘。结果呢？三天亏掉一个月的利润。说白了，就是没做回测，或者回测做得太糙。
这一章，我们就来聊聊怎么搭一个靠谱的回测系统。不是那种花里胡哨的，而是能真正帮你发现问题的。
核心观点：回测不是为了证明策略赚钱，而是为了证明策略在哪些情况下会亏钱。搞清楚这个，你才算入门了。
回测框架设计：别想着一步到位
我个人习惯，回测框架分三层：
- 数据层：负责加载、清洗、对齐历史数据
- 引擎层：负责模拟撮合、订单管理、资金计算
- 策略层：你的做市逻辑，比如报价更新、库存管理
为什么要分层？因为你在调试策略时，最怕的是数据出问题，你却以为是策略写错了。分层之后，每一层可以独立测试。
举个例子，我早期做的一个回测框架，数据层和引擎层耦合在一起。结果有一次，数据里有个时间戳跳变，引擎直接崩溃了。我花了三天才定位到问题——原来是数据源的一个bug。从那以后，我坚持数据层必须独立，并且要有数据校验模块。
小技巧：回测框架的引擎层，不要追求完全模拟交易所。你只需要模拟「订单簿变化」和「成交逻辑」就够了。太复杂的引擎，反而容易引入bug。
历史数据回放：快进还是慢放？
历史数据回放，说白了就是让策略「穿越」回过去，重新跑一遍。
但这里有个坑：数据的时间粒度。
做市策略对时间敏感，通常需要 tick 级数据。但 tick 数据量巨大，一天可能几百万条。全量回放，速度慢得让人崩溃。
我的做法是：
- 快速回放：用于参数优化，只保留关键事件（如大单成交、价格跳变）
- 精细回放：用于策略验证，逐 tick 模拟，但只跑最近一周的数据
你想想看，如果你每次调参数都要跑三个月的数据，那优化效率得多低？
注意：快速回放会丢失一些细节，比如滑点、订单簿深度变化。所以，参数优化用快速回放，最终验证必须用精细回放。这个顺序不能乱。
策略参数优化：别掉进过拟合的坑
参数优化，是回测里最容易让人兴奋，也最容易让人翻车的地方。
我记得有一次，我优化一个做市策略的参数，在历史数据上跑出了年化 80% 的收益。当时那个激动啊，觉得要发财了。结果实盘一周，亏了 15%。
为什么？因为参数过拟合了。策略完美适配了历史数据里的噪声，但一到实盘，噪声变了，策略就失效了。
怎么避免？我总结了三条经验：
- 参数数量要少：一个策略超过 5 个可调参数，就要警惕了。参数越多，过拟合风险越大。
- 使用交叉验证：把历史数据分成三段，用前两段优化，第三段验证。如果三段结果差异很大，说明参数不稳定。
- 设置参数边界：比如报价频率，不能低于 100ms，否则交易所会拒绝。这些边界条件，必须在优化前就定好。
一句话总结：参数优化不是找「最优解」，而是找「稳健解」。一个在多种市场环境下都能赚钱的参数，才是好参数。
绩效评估指标：别只看收益率
做市策略的评估，和普通交易策略不一样。你不能只看收益率，还要看：
| 指标 | 说明 | 我的经验值 |
|---|---|---|
| 夏普比率 | 衡量风险调整后收益 | 做市策略通常 > 2 才算合格 |
| 最大回撤 | 账户从峰值跌落的幅度 | 做市策略应 < 5%，否则风险太高 |
| 胜率 | 盈利交易占比 | 做市策略胜率通常 > 60% |
| 盈亏比 | 平均盈利 / 平均亏损 | 做市策略盈亏比 > 1.5 比较健康 |
| 库存周转率 | 库存被清空的频率 | 越高越好，说明流动性好 |
嗯，这里要注意：夏普比率高不代表策略好。我见过一个策略，夏普比率 3.5，但最大回撤 20%。这种策略，你根本拿不住。
我个人习惯，先看最大回撤，再看夏普比率。回撤控制不住，收益再高也没用。
回测系统的核心逻辑
说了这么多，我画了一张图，帮你理清回测系统的整体结构：
这张图展示了回测系统的完整流程。数据层提供原料，引擎层负责烹饪，策略层决定口味。而回放模式切换，决定了你是「快餐」还是「米其林」。
一个简单的回测代码示例
说了这么多理论，来点实际的。下面是一个极简的回测引擎核心代码，只展示最关键的逻辑：
class BacktestEngine:
def __init__(self, data, initial_capital=100000):
self.data = data # 历史数据
self.capital = initial_capital
self.position = 0 # 当前持仓
self.trades = [] # 成交记录
def run(self, strategy):
"""运行回测"""
for tick in self.data:
# 1. 策略生成报价
bid, ask = strategy.generate_quotes(tick)
# 2. 模拟撮合
if tick.price <= bid: # 买单成交
self._execute_buy(bid, tick.volume)
elif tick.price >= ask: # 卖单成交
self._execute_sell(ask, tick.volume)
# 3. 更新策略状态
strategy.update(tick, self.position)
# 4. 计算绩效
return self._calculate_performance()
def _execute_buy(self, price, volume):
cost = price * volume
if cost <= self.capital:
self.capital -= cost
self.position += volume
self.trades.append(('buy', price, volume))
def _execute_sell(self, price, volume):
if self.position >= volume:
self.capital += price * volume
self.position -= volume
self.trades.append(('sell', price, volume))
def _calculate_performance(self):
# 这里计算夏普比率、最大回撤等指标
pass这段代码虽然简单，但包含了回测引擎的核心：数据循环、撮合逻辑、状态更新。你可以在此基础上，加入滑点、手续费、订单簿深度等细节。
我的建议：刚开始做回测，不要追求完美。先跑通一个最简单的版本，然后逐步加功能。我见过太多人，一开始就想做「通用回测框架」，结果半年过去了，连一个策略都没跑通。
避坑指南
最后，分享几个我踩过的坑：
- 前视偏差：回测时不小心用了未来的数据。比如，用当天的收盘价来生成当天的交易信号。这绝对是回测里最常见的错误。我曾经因为这个，白高兴了一个月。
- 忽略交易成本：做市策略对交易成本极其敏感。手续费、滑点、甚至网络延迟，都会吃掉你的利润。回测时一定要把这些算进去。
- 过度优化：前面说过了，参数优化要适可而止。记住，历史数据不会重演，但人性会。
最后一句忠告：回测通过，只是开始。实盘验证，才是真正的考验。永远给你的回测结果打个折扣——比如 50%。这样，当实盘表现不如预期时，你至少不会太失望。
交易系统化学习资料 微信Strategy888888