14、信号回测框架：回测引擎搭建、交易成本模拟、绩效评估指标
做量化交易，最怕什么？
怕策略在历史数据上跑得漂亮，一上实盘就翻车。我见过太多人，拿着一个回测年化50%的曲线，兴冲冲地杀进去，结果三个月亏掉裤衩。为什么？因为回测框架没搭好，成本没算对，绩效指标只看夏普比率。
这一章，我就把回测框架的底裤扒干净。从引擎搭建到成本模拟，再到绩效评估，咱们一步步来。
14.1 回测引擎的核心架构
回测引擎说白了，就是一个时间机器。你把历史数据喂进去，它模拟你的策略在过去会怎么交易，最后告诉你赚了还是亏了。
我个人习惯把引擎拆成四个模块：
- 数据模块：负责喂数据。包括行情数据（OHLCV）、期权链数据、波动率曲面数据等。
- 策略模块：你的交易逻辑。比如“当隐含波动率高于历史波动率20%时，卖出跨式期权”。
- 风控模块：检查交易是否合规。比如仓位限制、保证金是否充足、是否触及止损线。
- 执行模块：模拟订单成交。包括滑点、手续费、冲击成本等。
嗯，这里要注意：数据模块和策略模块必须解耦。我在项目中遇到过，有人把数据清洗逻辑直接写在策略里，结果换了个数据源，整个策略都得重写。血的教训。
核心原则：回测引擎应该像乐高积木，每个模块独立，可以随时替换。数据源换了？换数据模块就行。交易品种变了？换执行模块就行。
14.2 交易成本模拟——别让成本吃掉你的利润
很多新手回测时，只算手续费。但实际交易中，成本远不止这些。
我列一下期权交易中常见的成本项：
| 成本类型 | 说明 | 典型值（期权） |
|---|---|---|
| 手续费 | 交易所和券商收取的固定费用 | 每张1-5元 |
| 滑点 | 实际成交价与信号价之间的偏差 | 0.5-2个tick |
| 冲击成本 | 大单交易导致价格向不利方向移动 | 视流动性而定 |
| 保证金占用成本 | 卖出期权需要缴纳保证金，这部分资金的机会成本 | 年化3-5% |
| 展期成本 | 期权到期后，需要滚动到下一个合约 | 视期限结构而定 |
我曾经犯过一个错：回测时只算了手续费，没算滑点。结果策略在实盘里，每笔交易都比回测多亏了2个tick。一个月下来，回测赚了5%，实盘亏了2%。你说冤不冤？
我的建议：回测时至少模拟三种成本场景——乐观（低滑点、低手续费）、中性（中等滑点、中等手续费）、悲观（高滑点、高手续费）。如果你的策略在悲观场景下还能赚钱，那实盘才有戏。
14.3 绩效评估指标——别只看夏普比率
回测跑完了，一堆数字摆在你面前。怎么看？
很多人只看两个指标：总收益率和夏普比率。但说实话，这两个指标很容易骗人。我见过一个策略，夏普比率2.5，但最大回撤40%。你敢用吗？
我个人习惯用下面这套指标体系：
- 收益类：年化收益率、累计收益率、超额收益率（相对基准）
- 风险类：最大回撤、年化波动率、VaR（在险价值）
- 风险调整收益类：夏普比率、索提诺比率（只考虑下行波动）、卡玛比率（年化收益/最大回撤）
- 交易特征类：胜率、盈亏比、平均持仓周期、交易频率
你想想看，如果一个策略胜率只有30%，但盈亏比是5:1，那它可能比一个胜率70%、盈亏比1:1的策略更赚钱。为什么？因为前者亏的时候亏小钱，赚的时候赚大钱。这就是期权策略的典型特征。
避坑指南：我曾经被一个策略的夏普比率骗过。回测显示夏普2.0，但仔细一看，它的收益集中在最后一个月，前面11个月都在亏。这种“尾部风险”策略，夏普比率完全失效。所以，一定要看收益的分布是否均匀。
14.4 回测框架的SVG流程图
下面这张图，是我做回测框架时的核心逻辑。你可以把它当作一个检查清单：
14.5 代码示例：一个简单的回测引擎骨架
光说不练假把式。下面是一个极简的回测引擎代码，你可以把它当作模板：
class BacktestEngine:
def __init__(self, data, strategy, cost_model):
self.data = data # 数据模块
self.strategy = strategy # 策略模块
self.cost_model = cost_model # 成本模型
self.portfolio = Portfolio() # 投资组合
def run(self):
for timestamp, market_data in self.data.iterrows():
# 1. 策略生成信号
signal = self.strategy.generate_signal(market_data)
# 2. 风控检查
if not self.risk_check(signal):
continue
# 3. 执行交易（含成本）
trade = self.execute(signal, market_data)
# 4. 更新投资组合
self.portfolio.update(trade)
# 5. 绩效评估
return self.evaluate_performance()
def execute(self, signal, market_data):
# 模拟滑点
fill_price = market_data['price'] * (1 + signal.direction * self.cost_model.slippage)
# 计算手续费
commission = self.cost_model.commission * signal.quantity
return Trade(signal, fill_price, commission)
def evaluate_performance(self):
# 计算各项指标
return {
'total_return': self.portfolio.total_return,
'sharpe_ratio': self.portfolio.sharpe_ratio,
'max_drawdown': self.portfolio.max_drawdown,
'win_rate': self.portfolio.win_rate
}这段代码虽然简单，但骨架是完整的。你可以在策略模块里塞进任何期权策略——跨式、宽跨式、蝶式、日历价差，都行。
一个小技巧：回测时，我习惯把每一笔交易的明细都记录下来，包括开仓时间、平仓时间、盈亏、成本等。这样事后分析时，可以快速定位问题。比如，发现某个月亏了很多，一查，原来是那段时间滑点特别大。
14.6 绩效评估的实战要点
最后，聊几个实战中容易踩的坑：
- 幸存者偏差：回测时只用了存活下来的期权合约，忽略了那些退市的。结果回测收益虚高。解决办法：用全量数据，包括已退市的。
- 前视偏差：回测时用了未来数据。比如，用当天的收盘价来生成当天的交易信号。这相当于作弊。解决办法：确保信号生成时，只用历史数据。
- 过拟合：策略参数太多，专门拟合历史数据。结果一到未来就失效。解决办法：用样本外测试，或者做交叉验证。
嗯，说到过拟合，我想起一个案例。有个朋友，花了三个月优化一个期权策略，回测曲线完美得像教科书。结果实盘一个月，亏了20%。为什么？因为他把参数调到了极致，专门拟合了过去三年的数据。但市场风格一变，策略就废了。
所以，我的原则是：参数越少越好，逻辑越简单越好。复杂的策略不一定赚钱，但一定容易过拟合。
公众号:蓝海资料掘金营，微信deep3321