一、回测系统的 5 大核心模块

一个合格的回测系统必须包含以下模块：

模块 1：数据管理（Data Pipeline）

必须解决两个问题：

1. 数据时间点一致（Point-in-Time / PIT）

所有数据必须是当时“可获得”的，而不是未来回看过后整理过的数据。

例如：

• 财报 T+1 才能用于交易

• 回测中不能使用未来的收盘价

• 不能用未来才知道的指数成分股

2. 数据类型支持

至少支持：

• K 线（分钟级、日级）

• Level-2 盘口

• 财报数据

• 宏观数据

• 文本和情绪（新闻、社交媒体）

• 行业分类、因子数据

• 退市股票

如果缺退市股票 → 回测完全不可信。

模块 2：事件驱动框架（Event-Driven Engine）

专业回测系统都采用“事件驱动模型”：

Event (Bar / Signal / Order) → Handler → Portfolio → Execution → Update

流程：

1. 事件产生（Event）

   • 新的一根 K 线到来（BarEvent）

   • 策略产生交易信号（SignalEvent）

   • 订单提交（OrderEvent）

   • 成交回报（FillEvent）

2. 策略处理（Strategy Module）

   • 根据最新特征与模型输出交易信号

3. 投资组合管理（Portfolio）

   • 计算仓位变化

   • 风控（max weight、sector限制、风险敞口）

4. 执行系统（Execution Handler）

   • 模拟真实市场撮合（限价、滑点、深度）

5. 回测更新（Backtest Update）

   • 更新净值、统计指标、仓位、交易成本

模块 3：交易执行与成本模型（Execution & Cost Model）

真实交易成本至少包括：

• 手续费

• 买卖价差（bid-ask spread）

• 滑点（slippage）

• 市场冲击成本（impact cost）

• 深度限制（liquidity constraint）

• 交易拥挤度（crowding）

如果这些不考虑 → 回测可以虚假地好到离谱。

比如策略给你 300% 年化，但是：

• 实盘换仓太频繁

• 全靠“未来能看到的成交价”

• 完全没有考虑滑点

那实盘必炸。

模块 4：策略层（Strategy Layer）

策略层主要作用：

• 处理模型输出（预测涨跌、收益、分位数）

• 对特征做标准化（必须用训练集 fit）

• 产生交易信号（SignalGeneration）

三种主要方式：

方式 A：分类模型信号

预测明日涨跌（up/down）

方式 B：回归模型信号

预测未来 n 日收益

方式 C：排序与分位数模型（Cross-Sectional Ranking）

把股票按预测收益排序：

• Top 10%: 买入

• Bottom 10%: 做空

• 其余不动

这种方式最抗噪音，也是机构常用方法。

模块 5：组合与风控（Portfolio & Risk Engine）

必须支持：

• 目标权重（target weights）

• 行业中性（sector-neutral）

• 因子中性（beta-neutral）

• 最大仓位（max position）

• 目标杠杆（target leverage）

• 最大回撤限制

• 仓位平滑（position smoothing）

专业基金最重视 风控，而不是收益。

二、构建回测系统的黄金流程（专业级）

下面给出一套 “机构级标准流程”。

步骤 1：准备数据（PIT）

✔ 数据对齐
✔ 财报 T+1 生效
✔ 删除未来能看到的字段
✔ 保留退市股票
✔ 统一频率（如日频）

步骤 2：特征工程（Feature Engineering）

见上一篇文章（第 9 篇）：

• 技术特征

• 波动率特征

• 微观结构

• 文本情绪

• 宏观因子

• 自定义 alpha

• 特征交互

将特征写入 Feature Store。

步骤 3：建模（Model Training）

使用：

• LightGBM

• XGBoost

• Random Forest

• LSTM

• Transformer

• TabNet

• TabTransformer

注意：

• 训练集与验证集必须按时间分割（TimeSeriesSplit）

• scaling 只能 fit 在训练集

步骤 4：生成交易信号（Signal Generation）

信号类型包括：

• 二分类（买卖）

• 回归（收益预测）

• 排序（rank）

在真实量化中，rank 模型最稳定。

步骤 5：组合优化（Portfolio Construction）

采用常见方式：

• 等权（Equal Weight）

• 根据预测收益加权（Proportional Weight）

• 均值-方差优化（Markowitz）

• 风险预算（Risk Parity）

• 风险敞口约束优化（Quadratic Programming）

步骤 6：执行模拟（Execution Simulation）

需要模拟：

• 每次交易是否能成交？

• 会滑多少点？

• 市场深度是否足够？

• 撮合延迟？

• 成交后的均价？

如果深度不够：

• 只能成交部分

• 或无法成交（真实市场经常发生）

步骤 7：结果统计（Performance Metrics）

至少要输出：

收益类

• 年化收益

• 月收益

• 夏普比率

• Sortino ratio

• 信息比率（IR）

风险类

• 最大回撤

• 换手率

• 波动率

• 风险敞口（Beta、行业敞口）

交易类

• 成交量占比（Participation Rate）

• 每日换仓量

• 成本分析

• 胜率

稳健性类

• 不同时间段的表现

• 多市场测试

• Bootstrap 重采样

三、AI 量化回测系统架构（专业级示意图）

    ┌───────────────────┐
    │  Raw Data  │
    └────────┬──────────┘
      ▼
   ┌─────────────────────────────┐
   │   Feature Store  │
   └────────────────┬────────────┘
       ▼
   ┌─────────────────────────┐
   │  Model Training  │
   └────────────────┬────────┘
       ▼
    ┌───────────────────┐
    │ Signal Layer  │
    └────────┬──────────┘
      ▼
   ┌─────────────────────────────┐
   │ Portfolio Construction  │
   └────────────────┬────────────┘
       ▼
    ┌──────────────────────┐
    │ Execution Simulator │
    └─────────┬────────────┘
      ▼
   ┌──────────────────────────┐
   │  Backtest Engine  │
   └──────────────────────────┘

四、常见的回测错误（95% 新手会踩）

1. 用今天已知的财报做昨天的回测（未来函数）

例如：

PE 值使用的是当季财报，但财报实际在 2 周后才公布

这是最常见的数据泄漏。

2. 用未来的指数成分股

比如：用 2025 年的纳斯达克成分股回测 2015 年 → 直接炸。

3. 没有手续费、滑点、冲击成本

所有策略“回测超强”，实盘死得快。

4. 完全忽略交易深度

回测中 1 秒换 10% 的流通市值 → 完全不现实。

5. 每日满仓 / 每日空仓

没有仓位平滑 → 极度不稳定。

6. 回测与训练使用相同的数据分割

模型表现会非常虚假。

五、示例：如何从零搭建一个 Python 回测框架（伪代码）

以下架构是专业机构都会用到的简化版：

Step 1：事件定义

class BarEvent: def __init__(self, symbol, datetime, open, high, low, close, volume):
  ...

Step 2：策略模块

class Strategy: def on_bar(self, bar_event):
  signal = model.predict(features)  return SignalEvent(symbol, signal)

Step 3：组合模块

class Portfolio: def update_signal(self, signal_event):  # target weight
  # risk control
  # generate order

Step 4：执行模块

class ExecutionHandler: def execute_order(self, order_event):
  fill_price = simulate_slippage(order_event)  return FillEvent(...)

Step 5：回测循环

while data.has_next():
 bar = data.next_bar()
 strategy.on_bar(bar)
 portfolio.update()
 execution_handler.update()

这是一个极度简化的框架，但能表达完整逻辑。

六、构建一个专业回测系统需要多久？

如果由你自己从零实现：

• 初版：2–4 周

• 完整稳定版：3–6 个月

• 支持 AI 模型 + 多市场 + 高频：6–12 个月

• 支持机构级多策略：12–18 个月

专业级回测系统是量化核心资产，属于工程难度极高的赛道。

七、总结：一个好的回测系统必须做对三件事

1. 不使用未来数据（No Leakage）

2. 模拟真实交易成本（Realistic Execution）

3. 可复现、可扩展（Scalable & Reproducible）

做到这三点，你的策略才能真正从回测 → 仿真盘 → 实盘。