发布 2026-10-14 · 更新 2026-10-25

验证一条交易规则，而不骗自己

回测是评估规则的标准方法 —— 也是骗自己的标准方法。三个检查把「结果」和「截图」分开：前视偏差防护、成本、幸存者偏差。

本页目录

这篇讲什么

第一篇教程把循环闭上了：Agent 拉数、代码计算、模型解释。这一篇讲下一步 —— 你有了规则，怎么知道它行不行？

多数回测的问题不是统计问题，是三个具体的错误，而且三个都能在几分钟内查。

任何一条不达标的回测，都不是结果，是一张截图。

检查一 —— 前视偏差防护

前视偏差，指规则用了在当时那个时点根本不可能拿到的信息。 这是“漂亮回测经不起实盘”最常见的原因。

AI 让它更严重，不是更轻。 一个在历史数据上训练过的模型，等于已经见过未来。

常见形态：

形态 长什么样
训练数据泄漏 让大模型「分析」一段它训练时见过的时期
重述财报 用后来修正过的数字，而不是首次披露的
指数成分 用今天的成分股做测试 —— 里面已经剔掉了失败的
同一根 K 线成交 用收盘价做决策，又在同一个收盘价成交

怎么查：对规则用到的每一个输入，问一句 —— 在这个决策作出的那一刻，这个数字真的拿得到吗？ 如果你给不出来源，这个结果就不是结果。

检查二 —— 成本

一条频繁交易的规则，看起来免费时其实不免费。

失败模式几乎永远一样：回测假设了很薄的成本 —— 比如 0.1% 滑点 —— 而实盘在你最需要流动性的时刻给你 3%。

查法是把假设写出来：

# 任何结果都必须声明它的成本模型。
COST = {
    "commission": 0.0003,   # 单边
    "slippage": 0.0010,     # 假设值，单边
    "note": "滑点是假设 —— 写出来，别藏起来",
}

回测里没有成本，那它测的不是规则，是「交易免费」时的规则。

上面这个模型还藏了一件事：A 股印花税只在卖出时收。所以一个对称的 commission 数字本身就已经错了 —— 每一次出场都比入场贵。

检查三 —— 幸存者偏差

幸存者偏差，指数据集里只剩下了「活下来」的东西。

放到市场上：退市的公司从历史里消失了。 一个跑在「全部股票」上、却悄悄排除了那些归零股票的回测，测的是一个从没存在过的市场。

怎么查：问这个数据集包不包含退市标的。如果答案是「不含」，或者根本没人问过，那结果就带着一个没被量化的向上偏差 —— 而失败者恰恰是关键。

合起来看

一条规则值得被认真对待，是当这三条你都能说清：

问题 通过的标准
前视 每个输入在决策时刻都拿得到，且你能说出出处
成本 成本模型写明了，包括把滑点作为假设
幸存者 股票池包含了那些失败的标的

三条都不达标，不等于规则是错的。它等于你还不知道它对不对 —— 这是两个非常不同的状态。

数据从哪来

这三个检查都要求：你能带着写明的参数（窗口、股票池、复权口径）重新查一次数据。

如果你无法重跑取数、拿到同一条序列，你就做不了这三个检查中的任何一个。 这就是为什么实际中要用一个有稳定、有文档的结构的数据源，而不是抓来的网页。

# 可复现的取数：同一个请求，任何时候都拿到同一条序列。
curl "https://api.ashareapi.com/v1/kline?code=sh600519&period=day&count=250"

下一步

出处