第24章策略回测框架

第24章策略回测框架：构建波动率策略回测系统、绩效评估指标

做期权交易这么多年，我踩过最大的坑是什么？

不是方向看错，也不是波动率判断失误。而是——回测结果看着漂亮，实盘一跑就崩。

为什么会这样？说白了，期权策略的回测比股票、期货复杂得多。你想想看，光是合约的流动性、买卖价差、隐含波动率的变化，这些因素在回测里稍不注意，结果就会失真。今天这一章，我就把这些年积累的回测框架搭建经验，以及那些让我吃过亏的细节，一次性讲清楚。

24.1 回测系统的核心架构

我个人习惯把回测系统拆成四个模块：数据层、策略层、执行层、评估层。每个模块各司其职，缺一不可。

核心原则：回测系统越接近真实交易环境，结果越有参考价值。别为了好看而简化细节。

先看一张我常用的架构图，它基本概括了整个回测流程：

24.2 数据层：回测的基石

数据质量直接决定回测的可靠性。我在项目中遇到过最头疼的事，就是用了不干净的期权数据，结果回测出来的夏普比率高达3.0，实盘却亏得底朝天。

你需要准备的数据包括：

期权链数据：行权价、到期日、看涨/看跌、成交量、持仓量、买卖报价
标的资产数据：1分钟或5分钟K线，用于Delta对冲模拟
隐含波动率曲面：不同期限、不同行权价的IV数据
无风险利率：通常用SHIBOR或国债收益率
股息率：如果标的有分红，必须考虑

我的经验：期权数据最好用中间价（(买价+卖价)/2）而不是成交价。成交价往往有滞后性，中间价更能反映真实市场情绪。我曾经用成交价回测，结果滑点模型怎么调都对不上实盘。

24.3 策略层：信号与组合

策略层是回测系统的核心。这里我一般分两步走：

第一步：信号生成

根据波动率偏斜的形态，判断当前市场状态。比如：

偏斜陡峭 → 预期尾部风险加大
偏斜平坦 → 市场情绪平稳
偏斜反转 → 可能发生趋势转折

第二步：组合构建

根据信号构建期权组合。举个简单的例子——偏斜套利策略：

# 伪代码示例：偏斜套利信号生成
def skew_signal(option_chain):
    # 计算25-delta看涨和看跌的IV差值
    call_iv = get_iv_by_delta(option_chain, delta=0.25, option_type='call')
    put_iv = get_iv_by_delta(option_chain, delta=0.25, option_type='put')
    
    skew = put_iv - call_iv
    
    # 判断偏斜程度
    if skew > 0.03:  # 偏斜过大
        return 'short_skew'  # 卖出虚值看跌，买入虚值看涨
    elif skew < -0.02:  # 偏斜过小或倒挂
        return 'long_skew'   # 买入虚值看跌，卖出虚值看涨
    else:
        return 'neutral'     # 不交易

注意：Delta对冲的频率很关键。我见过有人用日频对冲，回测结果漂亮，但实盘波动一大，Gamma风险直接爆仓。建议至少用小时频甚至分钟频对冲。

24.4 执行层：让回测更真实

执行层是回测和实盘差距最大的地方。说白了，回测里你按中间价成交，实盘里你只能按对手盘的价格成交。

必须模拟的因素：

因素	回测处理方式	我的建议
买卖价差	按中间价成交	加上一半价差作为成本
滑点	固定滑点	根据流动性动态调整
手续费	固定费率	按交易所+券商实际费率
流动性限制	忽略	设置最大成交量和冲击成本

避坑指南：我曾经在回测中忽略了深度虚值期权的流动性问题。结果策略信号频繁交易这些合约，实盘根本成交不了。后来我加了一条规则：成交量低于100手的合约不交易，回测结果才变得靠谱。

24.5 评估层：绩效指标怎么选

评估层不只是看收益率。波动率策略的特性决定了我们需要一套专门的指标。

核心绩效指标：

年化收益率：这个不用多说，但要注意复利计算方式
夏普比率：波动率策略的夏普通常比方向性策略高，但别只看数字
最大回撤：期权策略的回撤往往来得又快又猛，这个指标必须盯紧
收益回撤比：我个人最看重的指标，至少要在2以上
胜率与盈亏比：波动率策略胜率高但单笔盈利小，这个组合要平衡

波动率策略专属指标：

指标	含义	计算方式
Vega暴露	策略对波动率变化的敏感度	组合Vega / 名义本金
Gamma暴露	策略对标的波动的敏感度	组合Gamma × 标的价格²
Theta消耗	时间价值衰减速度	每日Theta / 组合价值
偏斜暴露	策略对偏斜变化的敏感度	组合在不同行权价上的Vega分布

我的习惯：每次回测完，我都会做一次压力测试。比如假设波动率突然飙升20%，或者标的大幅跳空，看看策略能不能扛住。你想想看，如果回测里都扛不住，实盘就更别说了。

24.6 回测框架的代码骨架

最后，给一个简单的回测框架代码结构。嗯，这里只展示核心逻辑，完整代码太长了：

class VolatilityStrategyBacktest:
    def __init__(self, data, initial_capital=1_000_000):
        self.data = data
        self.capital = initial_capital
        self.positions = []
        self.trades = []
        
    def run(self):
        for date, market_data in self.data.iterrows():
            # 1. 生成信号
            signal = self.generate_signal(market_data)
            
            # 2. 构建/调整组合
            if signal != 'neutral':
                self.adjust_portfolio(signal, market_data)
            
            # 3. 执行Delta对冲
            self.delta_hedge(market_data)
            
            # 4. 记录持仓和PnL
            self.record_state(date, market_data)
    
    def generate_signal(self, data):
        # 偏斜信号逻辑
        pass
    
    def adjust_portfolio(self, signal, data):
        # 考虑滑点和手续费
        pass
    
    def delta_hedge(self, data):
        # 使用标的期货或ETF对冲
        pass
    
    def evaluate(self):
        # 计算绩效指标
        pass

再次提醒：回测框架搭建好之后，一定要做样本外测试。我见过太多人把样本内数据来回调参，结果样本外一塌糊涂。留出至少20%的数据做验证，这是底线。

好了，这一章的内容就到这里。回测框架是策略研究的基石，花时间把它搭扎实了，后面的工作才能事半功倍。记住：回测的目的是发现问题，而不是证明策略有效。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录