第28章 模型评估与回测：联动模型的回测框架、夏普比率、最大回撤等评估指标

模型做完了，参数调好了，接下来呢？

说实话，很多人在这一步就急着上线实盘了。我见过太多这样的案例——回测没跑明白，直接扔进实盘，结果一个月亏掉半年的利润。嗯，咱们今天就把回测这件事聊透。

回测框架：你得有个靠谱的“时光机”

回测说白了，就是用历史数据模拟交易。但这里有个坑：你模拟的越真实，结果越可信。我个人习惯把回测框架分成三层：

• 数据层：处理原始行情、宏观数据、波动率曲面数据
• 策略层：执行交易逻辑，生成信号
• 评估层：计算绩效指标，生成报告

我曾经犯过一个低级错误——回测时用了未来数据。当时波动率曲面数据里混入了第二天的隐含波动率，结果回测夏普高达3.5，实盘直接翻车。从那以后，我每次回测前都会做一次数据泄露检查。

下面是一个简单的回测框架伪代码，我习惯用Python实现：

class BacktestEngine:
    def __init__(self, data, strategy, initial_capital=1_000_000):
        self.data = data  # 包含波动率曲面、宏观指标
        self.strategy = strategy
        self.capital = initial_capital
        self.positions = []
        self.trades = []
    
    def run(self):
        for i in range(len(self.data)):
            # 获取当前时刻的数据
            current_data = self.data.iloc[:i+1]
            # 生成交易信号
            signal = self.strategy.generate_signal(current_data)
            # 执行交易
            self.execute_trade(signal, current_data.iloc[-1])
        # 计算绩效
        return self.evaluate_performance()

你想想看，这个框架最核心的是什么？是current_data = self.data.iloc[:i+1]这一行。它保证了每次决策时，只能看到截止到当前时刻的数据。很多新手会写成self.data.iloc[:i+2]，多取了一行，结果就变成了“预知未来”。

夏普比率：最熟悉的陌生人

夏普比率，量化圈没人不知道。但你真的理解它吗？

公式很简单：Sharpe = (Rp - Rf) / σp

其中Rp是策略收益率，Rf是无风险利率，σp是收益率标准差。

我个人习惯用年化夏普，这样不同策略之间才好比较。但这里有个细节：计算标准差时，用日收益率还是周收益率？

我在项目中遇到过这样的情况：一个高频策略，日收益率夏普2.0，但换成周收益率夏普只有0.8。为什么？因为高频策略的日收益率波动大，但周收益率波动更大——持仓周期和计算周期不匹配。

还有一个坑：夏普比率对异常值极其敏感。我记得有一次回测，某天因为数据错误产生了+50%的收益，夏普直接飙到5.0。后来修复数据后，夏普掉到1.2。所以，回测前一定要做数据清洗。

夏普比率范围	评价	我的经验
< 0.5	较差	基本不值得实盘
0.5 - 1.0	一般	需要结合其他指标看
1.0 - 2.0	良好	可以考虑实盘
2.0 - 3.0	优秀	但小心过拟合
> 3.0	可疑	大概率是数据泄露或过拟合

最大回撤：你的心脏能承受多少？

最大回撤，就是策略从最高点到最低点的最大跌幅。说白了，就是最惨的时候亏了多少。

公式：Max Drawdown = max(1 - 当前净值 / 历史最高净值)

嗯，这里要注意：最大回撤只看绝对值，不看时间跨度。一个策略可能回撤20%用了3个月，另一个策略回撤20%用了3天。虽然最大回撤一样，但体验天差地别。

我个人习惯用回撤恢复时间作为辅助指标。如果一个策略回撤后需要2年以上才能恢复，那它的实际风险远大于最大回撤本身。

其他关键指标：别只看夏普和回撤

光看夏普和最大回撤，就像只看一个人的身高和体重——太片面了。我一般还会看这几个：

• 卡玛比率：年化收益率 / 最大回撤。我个人觉得这个比夏普更直观，直接告诉你每承担1%的回撤能换来多少收益。
• 胜率：盈利交易次数 / 总交易次数。但别迷信高胜率，我见过胜率70%但亏钱的策略——因为亏一次就把前面赚的全吐回去了。
• 盈亏比：平均盈利 / 平均亏损。这个和胜率要一起看。胜率30%但盈亏比5:1的策略，长期来看比胜率70%但盈亏比1:1的策略更赚钱。
• 索提诺比率：和夏普类似，但只考虑下行波动。对于波动率曲面策略来说，这个指标更合理——因为我们只关心亏损的波动，不关心盈利的波动。

联动模型的特殊评估：宏观数据的影响

咱们做的是波动率曲面与宏观数据的联动模型，所以评估时还要多考虑一层：宏观因子对策略表现的解释力。

我习惯做这样一个分析：把回测期间的宏观数据（比如利率、通胀、PMI）作为自变量，策略每日收益作为因变量，跑一个回归。如果R²很高，说明策略收益很大程度上被宏观因素驱动。这本身不是坏事，但你要问自己：如果宏观环境变了，策略还能赚钱吗？

举个例子，我记得2022年美联储加息期间，很多依赖低利率环境的波动率策略都崩了。回测时这些策略表现很好，但实盘时宏观环境一变，直接失效。

回测的终极问题：过拟合

说实话，回测最大的敌人不是数据质量，不是计算效率，而是过拟合。

你想想看，一个策略有10个参数，每个参数试5个值，那就是5¹⁰ ≈ 976万种组合。总有一种组合在回测里表现完美。但实盘呢？大概率翻车。

我常用的防过拟合方法：

• 交叉验证：把数据分成多段，轮流做训练集和测试集。别只用一段数据来回测。
• 参数稳定性测试：最优参数附近微调，看策略表现是否剧烈变化。如果参数稍微一变就崩，那说明过拟合了。
• 样本外测试：留出最后20%的数据完全不参与调参，只在最后做一次验证。如果样本外表现和样本内差距很大，那就要重新审视策略了。

回测报告：让结果说话

最后，所有指标都要汇总成一份报告。我一般会包含以下内容：

1. 策略基本信息（名称、时间范围、交易频率）
2. 绩效指标表（夏普、最大回撤、卡玛、胜率、盈亏比等）
3. 净值曲线图（标注最大回撤区间）
4. 月度收益率热力图
5. 宏观情景分析结果
6. 参数敏感性分析
7. 样本外测试结果

嗯，到这里，回测框架和评估指标就讲完了。记住一句话：回测的目的是发现策略的弱点，而不是证明策略的完美。如果你回测结果完美无瑕，那大概率是哪里出了问题。