阶段6回测基础●●●●●

奥卡姆剃刀：少规则少参数的回测实践

我的掌握程度：

q-509精讲

先掌握这个答案

复杂度预算：经验法则——每增加一个自由参数，需要约增加一倍的数据量来维持同样的统计可信度（参数化地狱的量化版）；参数≤3的朴素策略与参数>10的精细系统在同一份十年数据上，后者的可信度天然低一档。简化三刀：①砍条件（"避开周四""三连阴后"——每砍一个条件问：它有机制故事吗？没有就砍）；②并参数（窗口参数归并到标准档5/10/20/60——不选"最优的17天"而选"高原的20天"，q-466）；③删例外（止损后的特殊处理、特定行业的绕行规则——例外是过拟合的最爱）。接受平淡：简化后的回测常常"变难看"（年化降2个点、夏普降0.3）——但这正是挤水分：样本外的你大概率感谢现在的自己。

先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。

从理解到使用

每一笔收益都要有可执行时间线

打印数据截止时间、信号时间、订单时间、成交时间和持仓收益区间。收盘信号不能乘当天完整收益；次日开盘成交也不能无条件拿到整个close-to-close收益。用原始价格判断可成交性，并纳入停牌与涨跌停。

本阶段实战方法 · 回测先过时序、成交与成本三道关

把信号变成策略收益时，每笔收益必须能追溯到当时能下出的订单。

画出时间线：数据可得→算信号→下单→成交→持仓收益；收盘信号不能倒用当天完整收益。
明确交易价格、T+1可卖数量、停牌涨跌停、仓位上限和实际成交量约束。
同时报告毛/净收益、换手、最大回撤、基准和样本外结果；对滑点与费率做压力测试。

使用边界

简单shift(1)只解决部分时序问题；次日开盘成交还要区分隔夜和日内收益。
成本应按成交金额与买卖方向计提；0.15%是教学情景，不是统一市场费率。

不懂的术语：过拟合（Overfitting）回测（Backtest）

背景 · 从一个困惑说起

对抗数据挖掘_bias 的第一原则朴素得古老：如无必要，勿增实体。一个3参数的均线策略存活十年，一个14参数的多条件系统样本外暴毙——复杂度的每一分都要用样本外收益来支付，而预算很少够用。

由此产生的问题

回测的"复杂度预算"怎么算（参数数/条件数/自由度）？简化三刀（砍条件/并参数/删例外）的实操？"简单策略的平淡"怎么接受？

核心概念

为什么需要它

①复杂度是负债不是资产：每个参数都是对历史的又一笔拟合借款，样本外要连本带息还——剃刀是财务纪律；②可维护性的红利：简单策略可解释、可归因、失效时可诊断——复杂策略死了都不知道怎么死的；③与ML的关系：阶段8的正则化（q-715）是同一原则的算法化——先在规则层学会剃刀，再到参数层用它。

实际应用场景

执行模板：给现有策略列"自由度清单"（每个参数/条件/例外一行）→逐行三问（机制？敏感性？能不能砍？）→砍到不能再砍→重跑对照（变丑的幅度=挤出的水分）。

与之前知识的联系

q-507（噪声西装）的第一处方；q-466/513（参数敏感性）是它的检验工具；q-715（正则化）的规则版前身；与q-600协议的"参数冻结"条款互补。

⚠ 常见误解

市场复杂所以策略要复杂：复杂的市场不奖励复杂的模型（噪声不因你的复杂而变得可学）——奖励的是对稳健规律的简单暴露
简化后收益降了说明砍错了：区分"水分"（样本外会蒸发）与"真信号"（机制+敏感性双重支持）——后者的参数砍了会心痛且有据，前者砍了只剩数字变丑
参数少=规则可以随意：自由度也藏在规则文本里（"大盘弱时空仓"的"弱"是个隐藏参数）——清单要数到这类暗参数

🤖 AI导师

导师会先检查你的前置知识（过拟合机制、参数敏感性），再用案例、公式和代码帮助理解。此功能需要先启用服务。