12. 回测系统搭建（下）：绩效指标计算、过拟合检测与蒙特卡洛模拟
上一章我们把回测引擎的骨架搭好了，能跑出交易信号和资金曲线。但说实话，光有曲线远远不够——你得知道这条曲线到底好不好，靠不靠谱。
我见过太多人，看到回测曲线漂亮就兴奋得不行，结果实盘一跑就崩。为什么？因为没做绩效评估，更没做过拟合检测。
这一章，咱们就把剩下的三块硬骨头啃下来：绩效指标计算、过拟合检测、蒙特卡洛模拟评估。
12.1 绩效指标：别只看收益率
回测跑完了，第一件事就是算绩效。但很多人只盯着「总收益率」看，这其实是个大坑。你想想看，一个策略年化50%，但最大回撤40%，你敢实盘吗？
我个人习惯，每次回测完必看三个核心指标：夏普比率、最大回撤、胜率。这三个指标组合起来，基本能判断一个策略的「健康度」。
12.1.1 夏普比率
夏普比率衡量的是「每承担一单位风险，能获得多少超额收益」。公式很简单：
Sharpe = (策略年化收益率 - 无风险利率) / 年化波动率但这里有个细节——计算频率。如果你用日收益率算，年化时记得乘以 sqrt(252)。用周数据就乘以 sqrt(52)。
实战经验：我个人觉得，夏普比率大于1算及格，大于2算优秀。但要注意，夏普比率对尾部风险不敏感——两个策略夏普都是1.5，但一个可能偶尔爆亏20%，另一个回撤很平滑。所以不能只看夏普。
12.1.2 最大回撤
最大回撤，就是从净值最高点到最低点的最大跌幅。这个指标直接反映了策略的「抗压能力」。
我曾经见过一个策略，年化收益30%，夏普1.8，看起来很完美。但最大回撤是45%——这意味着如果你在最高点入场，得忍受账户腰斩的痛苦。实盘时，很少有人能扛住这种回撤。
计算代码很简单：
def max_drawdown(equity_curve):
peak = equity_curve.expanding().max()
drawdown = (equity_curve - peak) / peak
return drawdown.min()12.1.3 胜率
胜率就是盈利交易次数占总交易次数的比例。但这里有个陷阱——胜率高不代表赚钱。
举个例子：一个策略胜率80%，但每次赚1块钱就跑了；亏的时候一次亏10块钱。算下来还是亏的。所以胜率必须结合盈亏比一起看。
| 指标 | 计算公式 | 参考标准 |
|---|---|---|
| 夏普比率 | (年化收益 - 无风险利率) / 年化波动率 | >1.0 及格，>2.0 优秀 |
| 最大回撤 | max(峰值 - 谷值) / 峰值 | <20% 较好，<10% 优秀 |
| 胜率 | 盈利交易数 / 总交易数 | 结合盈亏比看，一般40%-60% |
| 盈亏比 | 平均盈利 / 平均亏损 | >1.5 较好，>2.0 优秀 |
小技巧：我习惯把夏普、回撤、胜率三个指标画成一个雷达图，一眼就能看出策略的短板在哪。比如回撤角缩进去了，说明风控需要加强。
12.2 过拟合检测：Walk-Forward 分析
好了，绩效指标算完了，看起来不错。但别高兴太早——你确定这个策略不是「过拟合」出来的？
说白了，过拟合就是你拿着历史数据反复调参，调出一个完美拟合过去走势的策略。但一到未来数据就失效。这就像考试前背答案，换一套题就懵了。
怎么检测？我推荐Walk-Forward 分析（滚动窗口测试）。
12.2.1 Walk-Forward 原理
Walk-Forward 的核心思想是：把数据分成多个时间段，每次用前一段数据训练（优化参数），用后一段数据测试（验证效果）。然后滚动窗口，重复这个过程。
举个例子：
- 第1次：用 2018-2019 数据训练，用 2020 数据测试
- 第2次：用 2019-2020 数据训练，用 2021 数据测试
- 第3次：用 2020-2021 数据训练，用 2022 数据测试
如果每次样本外测试的结果都还不错，说明策略有泛化能力。如果样本外一塌糊涂，那就是过拟合了。
注意：Walk-Forward 的窗口大小很关键。窗口太短，训练数据不够；窗口太长，又可能包含市场结构变化。我一般用 2 年训练 + 1 年测试，或者 3 年训练 + 半年测试，具体看数据量。
12.2.2 代码实现思路
def walk_forward_test(data, train_years=2, test_months=6):
results = []
start = data.index[0]
end = data.index[-1]
current = start + pd.DateOffset(years=train_years)
while current < end:
train_end = current
test_end = current + pd.DateOffset(months=test_months)
train_data = data[(data.index >= start) & (data.index < train_end)]
test_data = data[(data.index >= train_end) & (data.index < test_end)]
# 在训练集上优化参数
best_params = optimize_params(train_data)
# 在测试集上回测
perf = backtest(test_data, best_params)
results.append(perf)
current = test_end
return results跑完之后，看看每个测试窗口的夏普比率、最大回撤。如果大部分窗口的夏普都为正，且回撤可控，那这个策略就比较靠谱了。
12.3 蒙特卡洛模拟：给策略做「压力测试」
Walk-Forward 测的是时间维度上的稳定性。但还有一个问题：你的回测结果，有多少运气成分？
比如你回测了3年，年化收益20%。但如果把交易顺序打乱，或者随机去掉一些交易，结果会怎样？
这就是蒙特卡洛模拟要做的事。
12.3.1 核心思路
蒙特卡洛模拟，说白了就是「随机重采样」。我们把回测产生的交易记录（每笔交易的盈亏、持仓时间）拿出来，然后随机打乱顺序，重新组合成新的资金曲线。重复几千次，看看结果分布。
如果大部分随机路径都赚钱，说明策略本身有正期望。如果只有少数路径赚钱，那你的回测结果可能就是运气好。
12.3.2 具体步骤
- 提取交易记录：从回测结果中，提取每笔交易的盈亏百分比和持仓时间。
- 随机重采样：有放回地随机抽取 N 笔交易（N 等于原交易次数），组成一条新的交易序列。
- 生成资金曲线：按顺序执行这些交易，计算新的净值曲线。
- 重复：重复 1000 次或 5000 次，得到一组资金曲线。
- 统计分析：看这些曲线的最终收益分布、最大回撤分布。
我的经验：有一次我做一个期权波动率策略，回测夏普1.6，看起来很稳。但蒙特卡洛模拟一做，发现只有60%的路径是赚钱的——也就是说，有40%的概率会亏钱。后来我仔细检查，发现策略在特定市场环境下表现极差。这个发现帮我避免了一次实盘灾难。
12.3.3 结果解读
模拟完成后，你会得到一组数据：
- 收益分布：比如90%的路径年化收益在5%-25%之间。如果这个区间包含负数，说明策略有亏损风险。
- 回撤分布：比如95%的路径最大回撤不超过15%。如果有些路径回撤超过30%，那就要小心了。
- 夏普比率分布：看看夏普的稳定性。如果夏普波动很大，说明策略表现不稳定。
我一般会画一个直方图，把模拟结果和原始回测结果对比。如果原始结果落在分布的边缘（比如前5%），那基本可以断定——你的回测结果有运气成分。
建议：蒙特卡洛模拟的路径数量，至少1000条。太少的话统计意义不大。我习惯跑5000条，虽然慢一点，但结果更可靠。
12.4 本章小结
这一章我们干了三件事：
- 算了绩效指标——夏普、回撤、胜率，别只看收益率。
- 做了过拟合检测——Walk-Forward 分析，看看策略在样本外是否还管用。
- 跑了蒙特卡洛模拟——随机重采样，看看策略的运气成分有多大。
这三步走完，你对策略的「底细」基本就摸清了。下一章，我们会把这些模块整合起来，搭建一个完整的回测系统框架。到时候，你就能一键跑完回测、算指标、做检测，效率翻倍。
嗯，今天就到这儿。代码部分我建议你动手敲一遍，光看是学不会的。遇到问题随时来问我。
公众号:蓝海资料掘金营，微信deep3321