量化回测入门：从双均线策略到PTrade实战避坑指南

1. 从零开始理解量化回测：它到底在解决什么问题？

如果你刚接触量化交易，听到“回测”这个词，可能会觉得它很神秘，或者觉得它只是程序员和数学家的游戏。但说白了，回测就是用一个“历史模拟器”，去验证你的交易想法在过去是否行得通。它解决的核心问题是：避免你用真金白银去市场里“试错”。

很多人对量化回测有两个常见的误解：一是认为回测结果好，未来就一定能赚钱；二是觉得回测需要极其复杂的数学模型。其实不然。回测的首要价值是证伪，而不是证实。它能快速告诉你，一个看似美好的策略在过去的历史数据里，会因为滑点、手续费、停牌、涨跌停限制等现实因素而变得多么不堪一击。对于新手来说，这能帮你节省大量时间和潜在的亏损。

在 PTrade 这类券商提供的量化平台上做回测，最大的优势是环境贴近实盘。你不用自己搭建数据源、计算引擎和交易网关，平台已经集成了行情、账户、风控等模块。你的重点应该放在：理解回测的流程、设置合理的参数、以及最重要的是，学会解读回测报告，识别策略的潜在缺陷。

所以，这节课我们不谈高深的数学，就从最务实的角度出发：在 PTrade 里，如何一步步搭建并运行一个最简单的回测策略，以及如何避开那些新手最容易踩的坑。

2. 回测前必须搞清楚的三个核心概念

在动手写代码之前，如果对下面这三个概念理解不透，你的回测结果很可能毫无意义，甚至产生误导。

2.1 回测周期与数据频率：选对战场

回测周期就是你测试的时间段，比如“2020-01-01 到 2023-12-31”。数据频率是你是用日K线、分钟K线还是Tick数据。

• 新手建议：从日线数据开始，测试一个完整的牛熊周期（例如3-5年）。不要一上来就用分钟线回测好几年，数据量巨大，容易出错，且对硬件要求高。日线策略逻辑更清晰，回测速度快，适合验证策略的核心思想。
• 关键点：确保你的回测周期包含了多种市场环境（上涨、下跌、震荡）。一个只在牛市里有效的策略，风险极高。
• PTrade注意：平台通常有数据范围限制，确认你需要的股票、ETF或期货数据在所选周期内是可用的。

2.2 初始资金与手续费：算清成本

这是最容易被低估的部分。很多策略在忽略手续费和滑点后看起来利润惊人，一旦加上就变成亏损。

• 初始资金：根据策略类型设定。如果你是做A股，一手100股，假设目标股票价格在50元，那么一手就需要5000元。初始资金至少要能买得起一手，并留有余额。一般可以设为10万或100万这样的整数，方便计算收益率。
• 手续费：这是策略的“摩擦成本”，必须包含。主要包括：
  • 佣金：券商收取，通常按成交金额的万分之几计算（如万2.5）。
  • 印花税：卖出时收取，目前是成交金额的千分之一（0.1%）。
  • 过户费：沪市股票收取，比例很低。
• 滑点：指下单价格与实际成交价格的差异。在快速变动的市场中，尤其是用限价单时，可能无法成交；用市价单时，成交价可能比预期差。在回测中，我们通常用一个固定值来模拟，比如“买入时按当日收盘价上浮0.1%，卖出时下浮0.1%”。
• PTrade设置：在回测引擎的初始化部分，一定要显式地配置这些参数。不要使用平台可能存在的“默认零费率”设置，那会严重失真。

2.3 策略逻辑与买卖点：定义清晰的规则

你的策略必须是一套完全客观、可被计算机执行的规则，不能有“我觉得”、“可能”这类主观判断。

一个最简单的例子——双均线策略：

1. 计算指标：每日收盘后，计算股票的两个移动平均线，比如快线（MA5，5日均线）和慢线（MA20，20日均线）。
2. 买入信号：当快线从下方上穿慢线时（例如，今日MA5 > MA20 且 昨日MA5 <= MA20），在下一个交易日开盘时买入。
3. 卖出信号：当快线从上方下穿慢线时（例如，今日MA5 < MA20 且 昨日MA5 >= MA20），在下一个交易日开盘时卖出。
4. 仓位：每次信号全仓买入或卖出。

这个规则里，每一个动作（计算、比较、下单）都是明确的。在写代码时，你需要把这种文字逻辑精确地翻译成if...else...语句。

3. 在PTrade中实现一个双均线回测策略

下面我们以PTrade平台（其API通常基于Python）为例，拆解实现一个简单双均线策略的步骤。请注意，不同券商PTrade的具体API函数名可能有细微差别，但核心逻辑和流程是相通的。

3.1 环境准备与策略框架

首先，在PTrade的策略编辑器中，你会看到一个基本的策略结构。它通常包含几个必须的函数：

# -*- coding: utf-8 -*- import pandas as pd import numpy as np def initialize(context): """ 策略初始化函数，只在回测开始时运行一次。 在这里设置股票池、回测参数、初始化全局变量。 """ # 1. 设置回测参数 context.cash = 100000.0 # 初始资金10万元 set_commission(PerOrder(buy_cost=0.00025, sell_cost=0.00125)) # 买入万2.5，卖出万2.5+千1印花税 set_slippage(FixedSlippage(0.001)) # 固定滑点0.1% # 2. 设置股票池（这里以沪深300指数成分股为例，实际需根据数据支持调整） context.stock_pool = ['000001.SZ', '000002.SZ'] # 示例代码，实际应为一篮子股票 # 或者订阅一个指数，平台会自动管理成分股 subscribe(context.stock_pool, frequency='1d', count=21) # 订阅日线，获取至少21个数据用于计算MA20 # 3. 初始化策略状态变量 context.fast_period = 5 context.slow_period = 20 context.held = {} # 记录当前持仓 {股票代码: 持仓数量} def handle_data(context, data): """ 事件驱动函数，在每个K线周期（如每天）结束时被调用。 这里是策略逻辑的核心。 """ current_dt = data.current_dt # 当前时间 # 遍历股票池中的每一只股票 for stock in context.stock_pool: # 获取历史价格数据 hist = attribute_history(stock, count=context.slow_period+1, fields=['close']) if hist is None or len(hist) < context.slow_period+1: continue # 数据不足，跳过 close_prices = hist['close'].values # 计算均线 ma_fast = close_prices[-context.fast_period:].mean() ma_slow = close_prices[-context.slow_period:].mean() # 获取前一天的均线值用于判断金叉死叉（简化处理，更严谨需记录历史状态） ma_fast_yesterday = close_prices[-context.fast_period-1:-1].mean() ma_slow_yesterday = close_prices[-context.slow_period-1:-1].mean() # 获取当前持仓和可用资金 current_position = context.portfolio.positions[stock].amount if stock in context.portfolio.positions else 0 available_cash = context.portfolio.cash # 策略逻辑判断 # 金叉买入信号：快线上穿慢线，且当前无持仓 if ma_fast_yesterday <= ma_slow_yesterday and ma_fast > ma_slow and current_position == 0: # 计算可买数量（以一手为单位） price = data.current(stock, 'close') # 当前收盘价 if price is None or price == 0: continue # 假设全仓买入一只，实际中应做资金管理 amount = int(available_cash * 0.98 // (price * 100)) * 100 # 用98%资金，按手数取整 if amount >= 100: # 至少买一手 order(stock, amount) # 下单买入 print(f'{current_dt} 买入 {stock} {amount}股，价格{price:.2f}') # 死叉卖出信号：快线下穿慢线，且当前有持仓 elif ma_fast_yesterday >= ma_slow_yesterday and ma_fast < ma_slow and current_position > 0: order_target(stock, 0) # 平仓，卖出所有持仓 print(f'{current_dt} 卖出 {stock} {current_position}股') def before_trading_start(context): """ 每日开盘前运行，可用于数据预处理、股票池更新等 """ pass def after_trading_end(context): """ 每日收盘后运行，可用于日志记录、数据保存等 """ pass

3.2 关键代码逻辑拆解

1. initialize函数：这是你的“战前准备”。我建议把手续费和滑点的设置放在最前面，强迫自己不要忘记。subscribe函数告诉平台你需要哪些股票、什么频率、多少根K线的数据。count=21是因为我们要计算20日均线，需要至少20个收盘价，多取1个是为了计算前一天的均线值做比较。
2. handle_data函数：这是策略的“大脑”，每天收盘后运行一次。
   • attribute_history：获取历史数据。这里是核心，一定要检查返回的数据是否足够（if len(hist) < ...），否则计算指标会出错。
   • 均线计算：我们直接用numpy或pandas计算均值。注意切片[-context.slow_period:]取的是最近slow_period天的数据。
   • 信号判断：金叉死叉的判断需要比较“今天”和“昨天”的均线关系。这里用了一个简化的方法，实际更严谨的做法是在context中记录每只股票上一次的均线状态。
   • 下单函数：order(stock, amount)是按股数下单，order_target(stock, 0)是目标持仓下单（设为0即清仓）。注意：A股买入数量必须是100的整数倍（1手）。
   • 资金计算：available_cash * 0.98 // (price * 100)) * 100这个计算确保了买入数量是整手数，并且留有一点现金余地。

3.3 运行回测与查看报告

在PTrade界面中，设置好回测的起止日期（例如2020-01-01至2023-12-31），选择好数据，然后运行策略。

运行结束后，平台会生成一份详细的回测报告。作为新手，不要被密密麻麻的数据吓到，先盯住这几个核心指标：

注意：第一次跑出一个策略，即使收益率很高，也千万不要激动。这很可能只是过度拟合（Overfitting）——你的策略恰好完美匹配了那段历史数据，但无法适应未来。

4. 从回测到实盘：必须跨越的鸿沟与排查清单

回测通过只是第一步，离实盘盈利还差很远。很多策略回测“无敌”，实盘却亏钱，问题通常出在以下几个方面。

4.1 回测与实盘的四大差异

1. 未来函数：这是最致命的错误。指在回测中使用了当时无法获得的信息。例如，在handle_data中，你用到了当天的收盘价data.current(stock, 'close')来判断信号，然后立刻用这个价格下单。实际上，当天收盘后你才能知道收盘价，这个订单只能在下一个交易日执行。正确的做法是，用截至到昨天的数据计算信号，订单在下一个交易日开盘执行。上面的示例代码中，order函数是在信号判断后立即调用，这在一些平台的回测引擎中会自动处理为下一根K线开盘价成交，但你必须理解这个逻辑，并在代码注释中明确说明。
2. 流动性冲击：回测假设你的订单能立刻以指定价格全部成交。实盘中，如果你买卖的量很大（尤其是小盘股），你的订单本身就会推动价格变动（买入推高，卖出压低），导致实际成交均价变差。回测中设置的固定滑点只能部分模拟这种影响。
3. 数据质量：回测使用的历史数据是“干净”的，已经处理了除权除息。实盘接收的实时数据可能有错误、延迟或缺失。策略要对数据异常有容错能力（比如上面代码中的if price is None判断）。
4. 心理因素：回测是机器冷酷执行。实盘中，看到连续亏损或大幅回撤，你可能会怀疑策略、手动干预，从而破坏策略纪律。

4.2 实盘前的“压力测试”清单

在将策略投入实盘（哪怕是模拟盘）前，请按顺序完成以下检查：

1. 逻辑复查：
   • 逐行检查代码，确保没有未来函数。
   • 买卖信号的条件是否清晰、互斥？有没有可能同时产生买入和卖出信号？
   • 仓位计算是否正确？会不会出现可用资金为负（透支）的情况？
2. 参数敏感性分析：
   • 把快慢均线的周期（5, 20）稍微改动一下，比如改成（4, 19）或（6, 21），看看策略表现是否发生剧烈变化。如果变化很大，说明策略对参数过度敏感，稳健性差。
   • 在不同的市场阶段（牛市、熊市、震荡市）分段回测，看策略是否只在特定环境下有效。
3. 极端场景测试：
   • 大盘暴跌日：选择像2015年股灾、2016年熔断、2020年疫情初期的日期，看你的策略在那几天的最大回撤是多少，是否触发了风控或产生异常订单。
   • 个股停牌/涨跌停：如果你的策略在股票停牌复牌当天发出信号，或者股票涨跌停时发出信号，能否正确处理？（PTrade等平台通常有内置风控，但你的代码逻辑也应考虑）。
4. 模拟盘运行：
   • 必须进行！用实时的模拟交易环境运行至少1-3个月。
   • 对比模拟盘的交易记录、成交价格与回测结果是否大致吻合。
   • 观察策略日志，确认所有信号都按预期执行，没有漏单或错单。
   • 感受策略的换手率、持仓时间是否符合你的预期和心理承受能力。

4.3 当回测结果不理想时，从哪里入手排查？

如果你的策略回测结果很差（亏损或跑输指数），不要急着修改策略逻辑，先按以下顺序排查：

1. 检查基础设置：手续费和滑点设了吗？设对了吗？初始资金是否合理？这是最常见的问题。
2. 检查数据：股票池里的股票在回测期内是否都有交易数据？是否有长时间停牌的股票被包含在内？用print输出几天的历史数据看看是否正确。
3. 检查信号逻辑：在代码中加入详细的日志，打印出每天每只股票的均线值、信号判断结果。肉眼观察几天，看信号生成是否符合你的逻辑定义。
4. 检查订单执行：打印出每次下单的日期、股票、价格、数量。确认买入卖出动作与信号是否对应，成交价格是否在合理范围（例如，不会出现0元买入的情况）。
5. 简化策略：如果是一个复杂策略，先把它简化到极致。比如，把多因子选股简化成只用一个因子，把择时信号去掉只做买入持有。先让这个最简单的版本跑通，再逐步添加复杂模块，这样能快速定位问题模块。

我个人更建议，在PTrade上学习量化回测，不要一开始就追求复杂、高频的策略。从最简单的指数ETF定投策略开始回测和模拟盘，它能帮你彻底熟悉整个流程：从数据订阅、信号计算、订单发出到报告分析。把这条路走通、走稳，理解每一个环节的陷阱，远比一开始就折腾一个花哨但不稳定的策略要有价值得多。

量化交易是一个系统工程，回测是其中至关重要的“实验室”阶段。在这个阶段多花时间，严谨验证，深刻理解策略的盈利来源和风险暴露，才能为最终的实盘交易打下坚实的基础。记住，回测的目标不是找到一个“圣杯”，而是排除掉那些显然会失败的“坏主意”。