第十七章：基差交易的回测框架

回测框架这东西，说白了就是你的交易策略的「时光机」。我刚开始做基差交易那会儿，总觉得回测就是跑跑历史数据，看看赚不赚钱。后来被市场狠狠教育了几次，才明白——回测框架搭不好，实盘就是送钱。

这一章，我把自己踩过的坑、积累的经验，全部分享给你。从平台搭建到过拟合检验，咱们一步步来。

一、回测平台搭建：地基要稳

我个人习惯用 Python + Pandas + NumPy 搭回测框架。为什么？因为灵活。你想想看，基差交易涉及期货、现货两个市场，数据对齐、价差计算、保证金管理，这些逻辑用现成的回测软件很难完全适配。

嗯，这里要注意：数据对齐是最大的坑。期货有到期日，现货有分红除权，时间戳必须精确到秒。我曾经因为数据没对齐，回测年化收益多算了8个点，实盘直接打脸。

# 一个简单的回测框架骨架
class BasisTradingBacktest:
    def __init__(self, futures_data, spot_data):
        self.futures = futures_data
        self.spot = spot_data
        self.basis = self.calc_basis()
        
    def calc_basis(self):
        # 基差 = 期货价格 - 现货价格
        return self.futures['close'] - self.spot['close']
    
    def run(self, strategy_params):
        # 策略逻辑在这里
        pass

二、历史数据回测：别被幸存者偏差骗了

回测最怕什么？幸存者偏差。你只看到活下来的品种，那些退市、换月的品种呢？

我建议做三件事：

1. 全品种覆盖：不要只选几个好做的品种，把能交易的都跑一遍
2. 多周期验证：牛市、熊市、震荡市，每个阶段至少跑3年
3. 交易成本实算：滑点、手续费、冲击成本，往大了估

三、参数优化：过犹不及

参数优化这事儿，我踩过最大的坑就是「网格搜索」。把参数空间划得密密麻麻，找到一组完美拟合历史数据的参数，结果实盘一跑就崩。

为什么会这样？因为参数优化本质上是在「记忆」历史数据，而不是「学习」市场规律。

我的优化原则：

• 参数不超过3个：越多越容易过拟合
• 步长要粗：比如移动平均线周期，用10、20、30，别用11、12、13
• 稳定性优先：参数微调时，绩效不能剧烈波动

# 参数稳定性检验示例
def stability_test(strategy, param_range):
    results = []
    for param in param_range:
        perf = strategy.run(param=param)
        results.append(perf['sharpe'])
    # 计算相邻参数绩效的波动率
    volatility = np.std(np.diff(results))
    return volatility  # 越小越稳定

四、过拟合检验：最后的防线

过拟合检验，说白了就是看你的策略是不是「看图说话」。我常用的方法有四种：

检验方法	怎么做	我的标准
样本外测试	留出最后20%数据不参与优化	样本外夏普比率不低于样本内的70%
蒙特卡洛模拟	随机打乱交易信号，重复1000次	真实绩效位于前5%分位
滚动窗口测试	每12个月重新优化一次参数	参数变化不超过20%
压力测试	用极端行情数据（如2015年股灾）	最大回撤不超过30%

五、回测框架的核心逻辑图

下面这张图，是我自己总结的回测框架全流程。每次搭新策略，我都会对着这张图走一遍，确保没有遗漏。

这张图里，我最想强调的是「反馈回路」。很多新手做完回测就完事了，其实应该把实盘数据再喂回回测框架，看看策略有没有失效。我每个月都会做一次这样的「回测-实盘对比」，及时发现问题。

---