设想你是一位想开餐厅的大厨。你手里有一本菜谱——比如“周一到周三主打麻辣，周四周五主打清淡”。你不确定这本菜谱能不能赚钱，于是翻出过去一年的顾客点单记录和食材价格账本，在自家厨房里一遍遍模拟：每道菜该卖多少钱、食材进货价是多少、每天客流多大。一番演练后，你终于能判断哪本菜谱更赚钱。这就是“量化交易回测”——只不过菜谱换成了交易策略，点单记录换成了行情数据，厨房换成了回测引擎。本文将带你从零搭建这样一间“试菜厨房”：用事件驱动模型组织流程、清洗历史数据、模拟真实成交、把滑点和手续费算清楚，最后用绩效指标鉴别策略好坏，并警惕“只为熟客定制口味”的过拟合陷阱。

岗位关联

掌握回测平台架构，是量化从业者从“会写策略”到“能验证策略”的分水岭，也是金融工程师搭建策略验证环境的必备能力。

目录
  1. 可视化演示
  2. 回测基础：先弄明白“试菜”是什么
  3. 事件驱动模型：后厨的流水线节奏
  4. 数据清洗：把食材挑拣干净
  5. 撮合模拟：如何模拟顾客下单
  6. 成本建模：漏油的后厨要算清楚
  7. 绩效指标：月底盘账见真章
  8. 过拟合控制：别只为熟客做菜
  9. 架构实践：把后厨盖成放心厨房
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

回测基础：先弄明白“试菜”是什么

开餐厅之前，总得先弄清楚“试菜”到底在做什么。所谓试菜，不是凭感觉尝一口，而是把菜谱放进过去一年真实发生的点单场景里，让数据告诉你答案。回测平台做的事情，本质上就是把交易策略放进历史行情中，看它在过去那些日子里能不能赚钱。

放到量化领域，需要解决的问题其实很固定：你能拿到哪些历史数据？策略在哪个时点发出什么信号？这个信号如果当时真下了单，能成交吗？成交之后账户变成什么样？最后用哪些指标判断“这本菜谱到底行不行”？回测平台就是把这一连串问题固化成可重复运行的流程。一个高保真的回测，要求每一步都尽量贴近真实市场，而不是理想化的纸面推演。

回测的第一步是理解收益率——回测里几乎所有绩效指标都从它推导而来。最简单的收益率定义是相邻两个时点的价格变化相对基准值的比例：

你看，只要知道“昨日价格”和“今日价格”，就能算出这盘菜一天带来几成收益。回测平台后续所有复杂的账本和指标，都从这一小步层层搭建——就像大厨试菜，得先尝出每道菜的基本味型，才能谈调整配方。

Rt=Pt−Pt−1Pt−1\displaystyle R_t = \frac{P_t - P_{t-1}}{P_{t-1}}
收益率衡量“今天比昨天涨跌了多少”，它是累计净值、夏普比率、最大回撤等一切绩效指标的源头。
  1. P_t（今日价格）当前时点 t 的资产价格，可以理解为今天这盘菜的售价。
    PtP_t
  2. P_{t-1}（昨日价格）上一个时点 t-1 的价格，是计算变化的基准。
    Pt−1P_{t-1}
  3. P_t - P_{t-1}（绝对价差）今天比昨天贵或便宜了多少，体现价格变动的方向和幅度。
    Pt−Pt−1P_t - P_{t-1}
  4. 除以 P_{t-1}（相对比例）把绝对变化转化为相对昨日价格的百分比，消除不同价格量级的影响，得到可与任何资产比较的收益率。
    Pt−Pt−1Pt−1\frac{P_t - P_{t-1}}{P_{t-1}}

事件驱动模型：后厨的流水线节奏

试菜厨房里最怕乱套。顾客点单的消息、食材变质的提醒、大厨出菜的信号，如果全挤在一起，后厨必然崩溃。聪明的办法是给每件事贴上时间标签，排成一条按时间先后处理的队列——这就是事件驱动模型的思想。

在回测平台中，这条队列被称作事件队列，队列里装着四类主要事件：市场事件（行情数据到达）、信号事件（策略指标产生交易意图）、订单事件（系统发出买卖委托）、账户事件（成交后资金与仓位变动）。回测引擎每处理完一个事件，再取下一个，按严格的时间顺序推进。

事件驱动模型的核心，是每一轮循环都从队列中取出时间最早的事件处理，保证整个回测不跳步、不穿越：

把事件按时间排好，后厨就永远知道下一道菜该做给谁。回测引擎也一样：行情到了先更新价格，策略觉察到价格变化再决定是否发信号，订单产生后再模拟撮合，撮合完成再更新账户——每一步都踩准节拍，不会“先上菜后点单”。

t∗=min⁡e∈Qe.timestamp\displaystyle t^* = \min_{e \in Q} e.\text{timestamp}
回测引擎每次只处理最“急”的那件事——最早到达的行情、最早触发的信号，确保模拟过程与现实时间线一致。
  1. Q（事件队列）装着所有待处理事件的集合，可以想象成后厨的待办清单。
    QQ
  2. e（队列中的事件）任意一条待处理的记录，它自带类型标记和时间戳。
    e∈Qe \in Q
  3. e.timestamp（事件时间戳）该事件发生的模拟时间，决定它在流水线上的先后顺序。
    e.timestampe.\text{timestamp}
  4. min（取最小时刻）在所有待处理事件中挑出时间戳最小的那一个优先执行；引擎每处理完一个事件，再取下一个，如此循环往复，就完成了一天又一天的模拟。
    t∗=min⁡e∈Qe.timestampt^* = \min_{e \in Q} e.\text{timestamp}

数据清洗：把食材挑拣干净

做菜的第一步不是开火，而是挑食材。从菜市场买来的肉可能有淤血，从账本上抄来的价格可能有错漏——回测平台面对的历史数据同样如此。拿脏数据回测，就像用发臭的食材做菜，再好的菜谱也救不回来。

数据清洗要完成四件事：接入多源数据（交易所、第三方供应商）、剔除错误和重复记录、对缺失值做插值或剔除、把不同时区不同频率的数据对齐到同一时间轴。清洗规则看起来琐碎，却是高保真回测的地基。清洗后的数据会按统一格式落盘存储，供后续撮合和绩效模块反复读取。

清洗中常用对数收益率来检测异常跳变，因为它相比简单收益率具有可加性，连续几天的累计收益可以直接相加：

食材挑拣干净，后厨才能放心下锅。回测平台把清洗后的数据按统一格式存储，后续千百次策略迭代都能直接读取，省下的时间会在反复试菜中成倍回报。

rt=ln⁡(Pt)−ln⁡(Pt−1)\displaystyle r_t = \ln(P_t) - \ln(P_{t-1})
对数收益率将乘法关系转化为加法，便于跨时间累加，也更容易识别数据中的异常跳空。
  1. P_t（今日价格）今天的收盘价或成交价。
    PtP_t
  2. ln（自然对数）以 e 为底的对数变换，将涨跌幅映射为可累加的量。
    ln⁡(Pt)\ln(P_t)
  3. ln(P_{t-1})（昨日价格的对数）对前一天价格做同样的变换，形成差值基准。
    ln⁡(Pt−1)\ln(P_{t-1})
  4. 两者相减（对数收益率）若相邻两天价格连续，对数收益率会在正常范围内波动；若出现极端值，往往意味着数据错误、停牌复牌跳空或流动性缺失，需要被标记出来人工核对。
    ln⁡(Pt)−ln⁡(Pt−1)\ln(P_t) - \ln(P_{t-1})

撮合模拟：如何模拟顾客下单

顾客说要十份宫保鸡丁，后厨不能假装食材无限、转眼就端上十份。真实世界里，食材有库存，交易市场也有“深度”——买一档挂了多少单、卖一档挂了多少钱，决定了你的订单能完成多少。

撮合模拟负责模拟订单与对手盘的交手过程。成交判定的原则是“价匹配、量优先”：买入单要和卖一价撮合，卖出单要和买一价撮合；当挂单数量不足时，订单只能部分成交。成交之后，撮合模块立即更新仓位记录和资金账户：买入增加持仓、扣减现金，卖出减少持仓、增加现金，并同步更新保证金占用。撮合算法的核心，就是成交数量取策略需求量与对手盘深度两者中的较小值：

撮合模拟让回测不至于“纸上谈兵”。等你真正在回测报告中看到“想买 100 股只买到 65 股”，你才会明白市场的流动性像后厨库存一样有限——真实感，就是这么一分一毫抠出来的。

Vfill=min⁡(Vsignal, Vdepth)\displaystyle V_{\text{fill}} = \min\left(V_{\text{signal}},\ V_{\text{depth}}\right)
成交量的上限由市场流动性决定：你想要的量再大，也填不满市场的“锅”。
  1. V_signal（策略期望成交量）策略根据信号计算出想要买入或卖出的数量，比如大厨想进的十份食材。
    VsignalV_{\text{signal}}
  2. V_depth（对手盘深度）在当前价位上市场愿意接走的数量，相当于后厨此刻的可用库存。
    VdepthV_{\text{depth}}
  3. min（取最小值）当期望量超出深度时，多出的部分只能挂单等待或放弃，成交数量被深度牢牢钳制。
    min⁡(Vsignal, Vdepth)\min\left(V_{\text{signal}},\ V_{\text{depth}}\right)

成本建模：漏油的后厨要算清楚

做菜过程中总会漏油、溅水、烂食材。放在交易里，这些“损耗”就是滑点、手续费、冲击成本——如果试菜时忽略它们，开张后会被真实账单打得措手不及。

滑点是指实际成交价与期望价之间的偏差：大单快速买入会把价格推高，卖出又会压低价格。手续费则由交易所佣金、印花税、过户费等构成，每一笔成交都要扣除。保证金占用还会影响资金利用率，冲击成本则在大单交易时格外显著。建模时常用如下公式描述滑点：

把滑点和手续费算进回测，利润表才不会虚胖。现实是：一个在纸面回测中年化 30% 的策略，扣掉成本和损耗后可能只剩 15%——账算得越细，留下来的策略才越皮实。

Pfill=Pmarket+k×σ×sign(Q)\displaystyle P_{\text{fill}} = P_{\text{market}} + k \times \sigma \times \text{sign}(Q)
滑点与市场波动率成正比，波动越大、订单越急，成交价格偏离市价越多。
  1. P_market（当前市价）下单那一刻的市场最优报价。
    PmarketP_{\text{market}}
  2. σ（波动率）市场价格在单位时间内的波动剧烈程度，可以理解为后厨里的“火候”，火越大溅油越多。
    σ\sigma
  3. k（滑点系数）刻画订单大小和流动性的调节系数，体现“你这一勺下去溅出多少油”。
    kk
  4. sign(Q)（交易方向符号）买入取 +1，卖出取 -1，表示滑点总是往不利于自己的方向偏移。
    sign(Q)\text{sign}(Q)

绩效指标：月底盘账见真章

月底大厨要盘账：这个月赚了多少、翻台率如何、有没有哪几天的流水跌得让人睡不着觉。回测里的绩效指标就是交易的“账本”，其中最让交易员揪心的就是最大回撤。

最大回撤衡量的是净值从历史最高点回落的最大幅度。它告诉你：就算策略整体赚钱，过程中也可能经历让人肉疼的深坑。公式定义为：

除了最大回撤，账本上还有收益率、夏普比率（单位风险的超额回报）、胜率和盈亏比。这些指标放在一起，相当于一张完整的体检单：能赚多少钱是进攻，扛多大回撤是防守，攻守兼备才是好策略。

MDD=max⁡t(1−NAVtmax⁡s≤tNAVs)\displaystyle \text{MDD} = \max_{t}\left(1 - \frac{\text{NAV}_t}{\max_{s \le t}\text{NAV}_s}\right)
最大回撤是风险的核心度量之一：它回答“用这个策略，最多可能亏多少”。回撤越大，策略持有过程越煎熬，越可能在黎明前割肉离场。
  1. NAV_t（第 t 日净值）账户在第 t 天的总资产价值，按初始资金归一化。
    NAVt\text{NAV}_t
  2. max_{s≤t} NAV_s（历史峰值）从开始到第 t 天为止的净值最高点，是回撤的比较基准。
    max⁡s≤tNAVs\max_{s \le t} \text{NAV}_s
  3. 1 - NAV_t / 峰值（当日回撤比例）当前净值相对历史高点的跌幅，衡量“从山顶摔下来多少”。
    1−NAVtmax⁡s≤tNAVs1 - \frac{\text{NAV}_t}{\max_{s \le t} \text{NAV}_s}
  4. 取全局最大回撤在所有时点中取最大跌幅，即整个回测区间最惨烈的那次下跌。
    max⁡t(1−NAVtmax⁡s≤tNAVs)\max_{t}\left(1 - \frac{\text{NAV}_t}{\max_{s \le t}\text{NAV}_s}\right)

过拟合控制：别只为熟客做菜

如果你把菜谱调整到完美匹配过去一年的每一位老顾客，换一批新客人可能立刻无人问津。回测中最危险的陷阱就是过拟合：策略在样本内收益惊人，一出样本外就变吃土。

过拟合的成因是策略参数过多而数据窗口太短，或是在回测中反复用同一段数据调参。控制方法首推样本外测试——把数据分成训练段和验证段，训练段上开发策略，验证段上检验策略。两者收益差距越大，往往说明过拟合越严重：

避开过拟合没有银弹，只有纪律：样本外测试、参数敏感性分析、多市场多周期的稳健性评估。就像大厨不能只招待熟客，好策略必须经得起陌生市场的考验。

Roos=λ×Ris+ε\displaystyle R_{\text{oos}} = \lambda \times R_{\text{is}} + \varepsilon
λ 值越接近 1，说明样本内的优秀表现越能延续到样本外；λ 显著小于 1，策略很可能是在“背题”。
  1. R_is（样本内收益）策略在训练数据上取得的收益，俗称“考场上背过的题”。
    RisR_{\text{is}}
  2. R_oos（样本外收益）策略在未参与调参的数据上实现的收益，是“没见过的考题”。
    RoosR_{\text{oos}}
  3. λ（泛化系数）刻画样本内表现向样本外迁移的比例，λ 越接近 1，策略越稳健。
    λ\lambda
  4. ε（噪声项）无法被解释的随机误差，提醒我们短期表现永远包含运气成分。
    ε\varepsilon

架构实践：把后厨盖成放心厨房

试菜厨房光有好菜谱不够，还得有合理的动线：冰箱、案板、灶台如何摆放，决定了大厨忙起来顺不顺手。回测平台同样讲究架构分层，模块之间各司其职，互不纠缠。

一个可维护的回测平台通常划分为数据层、策略层、撮合层、风控层和绩效层。数据层负责读取与清洗历史行情；策略层根据行情产生交易信号；撮合层把信号变成成交；风控层做仓位和资金约束；绩效层最终输出指标报告。各层通过事件总线通信，替换策略或换数据源都只需改动局部，每层还可以独立做单元测试和回归测试。

性能是平台的另一条腿。回测要处理海量事件，常用吞吐量衡量处理速度：

架构好坏的检验标准是“改起来快不快、跑起来快不快、查错快不快”。像一间布局合理的后厨，哪怕来了几百道新菜单，也能有条不紊地转起来。

S=NeventsTwall\displaystyle S = \frac{N_{\text{events}}}{T_{\text{wall}}}
吞吐量越高，单次回测耗时越短，策略迭代创新越快。百万级事件在高效引擎中只需毫秒级即可跑完。
  1. N_events（事件总数）回测过程中产生的所有行情、信号、订单事件的数量。
    NeventsN_{\text{events}}
  2. T_wall（墙钟耗时）从回测开始到结束真实经过的时间，用秒表测量。
    TwallT_{\text{wall}}
  3. 两者相除（吞吐量）单位时间处理的事件数。吞吐量越高，平台跑得越快，也意味着可以承载更密集的模拟和更多的策略试验。
    NeventsTwall\frac{N_{\text{events}}}{T_{\text{wall}}}

AI 应用场景

量化对冲基金策略研发验证平台

阶段：数据准备与模型验证阶段

解决的问题：过去研究员用 Excel 手工验证策略，效率低且容易引入前视偏差。回测平台将数据清洗、信号生成、撮合、绩效一体化，研究员在统一事件流水线上迭代策略，从“想一个跑一个”变为“批量并行验证”，让“试菜”过程又快又准。

具体案例：某私募基金用事件驱动回测平台验证中证 500 指数增强策略，在 10 年日线数据上同时测试 200 组参数组合，借助样本外测试淘汰了 70% 的过拟合策略，最终上线策略的样本外夏普比率比样本内仅衰减 0.3。

券商风控团队极端行情压力测试

阶段：模型风险评估阶段

解决的问题：新策略上线前，风控部门需要知道它在极端行情（如 2020 年疫情暴跌）中会亏多少。回测平台的事件驱动特性可以精确复现历史极端时刻的逐笔成交，评估产品最大回撤和尾部风险，像试菜时要特意测试“最挑剔的客人会不会砸场子”。

具体案例：某券商场外衍生品部门对做市策略进行压力回测，在 2015 年股灾数据上加入手续费和滑点模型后，发现原策略最大回撤从 8% 上升到 21%，因此触发风控阈值调整，降低了实盘仓位。

量化 SaaS 平台的在线回测服务

阶段：数据服务与模型验证阶段

解决的问题：互联网量化平台面向个人开发者提供在线回测能力，需要在多租户环境下高效调度计算资源。平台把回测引擎做成事件驱动的微服务，行情数据列式存储、按需加载，让每个用户都能拥有一间“随时开放的试菜厨房”。

具体案例：某量化云平台将回测引擎打包为容器化服务，用户在网页上编辑策略参数，提交后平均 3 秒完成一次 10 年日线回测，并通过绩效指标报表和过拟合检测报告辅助用户判断策略质量。

Python 演示

python59 行
import random def generate_prices(n=200, start=100.0, vol=0.01):    prices = [start]    for _ in range(n - 1):        prices.append(prices[-1] * (1 + random.uniform(-vol, vol)))    return prices def moving_average(data, window):    result = []    s = 0.0    for i, v in enumerate(data):        s += v        if i >= window:            s -= data[i - window]        result.append(s / min(i + 1, window))    return result def backtest(prices, fast_win=5, slow_win=10, fee_rate=0.0005, slippage=0.0001):    fast = moving_average(prices, fast_win)    slow = moving_average(prices, slow_win)    cash = 100000.0    shares = 0    trades = []    equity_curve = []    for i in range(1, len(prices)):        if fast[i] > slow[i] and fast[i - 1] <= slow[i - 1] and shares == 0:            price = prices[i] * (1 + slippage)            shares = int(cash / price / 100) * 100            cash -= shares * price * (1 + fee_rate)            trades.append((i, 'buy', price, shares))        elif fast[i] < slow[i] and fast[i - 1] >= slow[i - 1] and shares > 0:            price = prices[i] * (1 - slippage)            cash += shares * price * (1 - fee_rate)            trades.append((i, 'sell', price, shares))            shares = 0        equity_curve.append(cash + shares * prices[i])    return equity_curve, trades, equity_curve[-1] - 100000.0 def compute_sharpe(equity_curve):    returns = []    for i in range(1, len(equity_curve)):        prev = equity_curve[i - 1]        if prev > 0:            returns.append(equity_curve[i] / prev - 1)    if not returns:        return 0.0    avg = sum(returns) / len(returns)    var = sum((r - avg) ** 2 for r in returns) / len(returns)    return avg / (var ** 0.5) if var > 0 else 0.0 if __name__ == '__main__':    random.seed(42)    prices = generate_prices()    equity, trades, profit = backtest(prices)    sr = compute_sharpe(equity)    print('trade count:', len(trades))    print('net profit: %.2f' % profit)    print('sharpe: %.3f' % sr)
目的：实现一个带滑点和手续费的迷你双均线回测引擎，跑完 200 天模拟行情后输出成交次数、净利润和夏普比率。
  1. prices.append(prices[-1] * (1 + random.uniform(-vol, vol)))用随机游走生成模拟行情，相当于先“编造”一份历史点单记录。
  2. cash -= shares * price * (1 + fee_rate)买入时按成交价加手续费扣减现金，把交易成本真实计入账本。
  3. shares = int(cash / price / 100) * 100以整手（100 股）为单位买入，模拟 A 股最小交易单位约束。
  4. equity_curve.append(cash + shares * prices[i])每日收盘后按“现金 + 持仓市值”计算账户净值，画出资金曲线。
  5. avg / (var ** 0.5) if var > 0 else 0.0用平均收益除以波动率计算夏普比率，衡量每单位风险的回报。

常见误区

误区我写的策略在回测里年化 50%，最大回撤只有 10%，这肯定是稳赚的印钞机，直接实盘！

正解回测高收益可能来自过拟合、前视偏差或被忽略的交易成本。回测忠实模拟的是“过去某个特定的市场环境”，而未来市场永远在变。就像你用老顾客的喜好定制了一桌菜，他们吃得很开心，可新顾客进门却觉得口味太怪。真正好策略要在样本外、多周期、多市场上经得住考验。

为何常见：人总是喜欢看到高收益数据，而选择性忽略回测中的隐藏假设，这是“幸存者偏差”的思维惯性。

误区回测嘛，信号在收盘后产生，按收盘价成交不是最合理的吗？何必搞得那么复杂？

正解收盘价往往只是理论价，真实成交会受流动性、涨跌停、停牌影响。用收盘价撮合等于默认买卖盘永远有无限量，自然会高估收益。要像后厨核对库存一样核对每档挂单量，按撮合算法模拟实际成交。

为何常见：初学者往往先接触按收盘价成交的简单回测框架，形成了先入为主的简化观念。

误区交易所的数据是权威的，直接拿来跑不就行了吗？为什么还要花时间清洗？

正解历史数据存在复权缺口、停牌记录、异常跳变、时区错位等问题。如果直接把未复权价格用于计算收益，除权日那天的收益率会莫名其妙地暴跌。数据清洗是回测平台的地基，地基不牢，金碧辉煌的回测结果也是空中楼阁。

为何常见：清洗过程枯燥且不产生直接的“故事点”，容易被忽略，但它的价值在出现问题后才显现。

误区回测只是看策略方向对不对，把手续费设成零能节省计算，等真上实盘再算手续费不迟。

正解对于高频策略而言，即便万分之一的手续费也会在数千次交易中吞噬全部超额收益；滑点在流动性差的市场上可能让每笔交易多付出 0.5% 的代价。零成本回测相当于试菜时不计算燃气费和食材损耗，账目必然失真。

为何常见：默认参数往往基于“先跑通再完善”的开发节奏，成本模块常在最后才补上，久而久之被忽略。

误区我在训练段上开发策略，在验证段上测试，样本外收益也很高，这说明策略稳健，可以放心实盘。

正解一次样本外测试还不够，因为验证段仍只代表一段特定历史行情。需要通过分段滚动测试、参数敏感性分析和多市场数据验证，确认策略不是恰好拟合了验证段。就像试菜合格不代表每天客人都买账，还需要在小范围试营业中持续观察。

为何常见：样本外测试远比“纯回测”显得严谨，让人觉得有了护身符，但其实它的统计效力有限。

面试题

Q1. 回测平台的核心目标是什么？

单选题 · easy

  • A.用历史数据验证策略的可行性与稳健性← 正确答案
  • B.预测未来市场价格的精确走势
  • C.在真实实盘环境中完成自动交易
  • D.统计策略在过去所有交易次数

答案：A。回测本质是“用历史数据验策略”，就像试菜厨房。B 是预测问题，不是回测；C 是实盘交易系统；D 只是统计游戏，都不是核心目标。

Q2. 事件驱动模型中，引擎每轮循环应当优先处理哪类事件？

单选题 · mid

  • A.最新生成的信号事件
  • B.时间戳最早的那一个事件← 正确答案
  • C.资金量最大的订单事件
  • D.系统随机选择的事件

答案：B。事件队列按时间戳排序，最早的事件最先处理，保证模拟与现实时间线一致。信号事件和订单事件只是事件类型，不决定优先级；随机选择会破坏时间顺序。

Q3. 数据清洗环节通常需要处理哪些问题？

多选题 · mid

  • A.处理除权除息导致的复权缺口← 正确答案
  • B.补齐停牌期间的缺失数据← 正确答案
  • C.对齐不同时区的交易时间← 正确答案
  • D.调整策略过拟合的参数

答案：ABC。ABC 都是数据层的典型问题：复权、缺失值、时区对齐直接决定收益率计算的正确性。D 是策略模型层面的过拟合问题，不属于数据清洗范畴。

Q4. 关于最大回撤，下列哪项描述是正确的？

单选题 · hard

  • A.净值从历史峰值到谷值的最大跌幅← 正确答案
  • B.衡量策略累计总收益的指标
  • C.所有亏损交易金额的加总
  • D.平均每笔交易的亏损金额

答案：A。最大回撤刻画净值从历史峰值回落到最低点的最大幅度，公式为 MDD = max(1 - NAV_t/峰值)。B 描述的是累计收益，C 是总亏损，D 是平均亏损，都不对。

Q5. 滑点产生的主要原因是什么？

单选题 · mid

  • A.交易员输入订单发生误操作
  • B.市场波动与订单冲击导致偏离← 正确答案
  • C.交易所通信网络出现延迟
  • D.策略计算信号程序错误

答案：B。滑点源于市场波动和自身订单对价格的冲击，可用 P_fill = P_market + k×σ×sign(Q) 建模。A 是操作风险，C 是技术延迟，D 是模型错误，都不是滑点本质。

Q6. 以下哪些方法可以有效降低策略过拟合风险？

多选题 · hard

  • A.将策略放在样本外数据上测试← 正确答案
  • B.对关键参数做敏感性分析← 正确答案
  • C.在不同市场与时段做稳健性评估← 正确答案
  • D.增加策略可调参数的数量

答案：ABC。ABC 是经典过拟合控制手段：样本外测试检验泛化能力，参数敏感性检查结果是否依赖特定取值，稳健性评估验证跨市场适用性。D 恰好相反，参数越多越容易过拟合。

Q7. 夏普比率衡量的是什么？

单选题 · easy

  • A.策略在回测中的总收益规模
  • B.每承担一单位风险获得的超额回报← 正确答案
  • C.策略在历史中的交易次数
  • D.策略最大回撤的百分比值

答案：B。夏普比率 = （组合收益 - 无风险收益） / 收益波动率，是“每冒一分险换几分超额回报”的风险调整后收益指标。A 是绝对收益，C 是交易频率，D 是风险指标，都不全面。

Q8. 回测撮合中，成交数量通常如何确定？

单选题 · mid

  • A.期望量与对手盘深度的较小值← 正确答案
  • B.策略期望成交量的两倍
  • C.对手盘挂单深度的一半
  • D.系统随机生成的整数值

答案：A。V_fill = min(V_signal, V_depth)，成交数量由策略期望量和市场深度共同决定。市场流动性有限，期望再大也只能按深度成交，就像后厨库存不足只能部分出菜。

Q9. 以下属于回测绩效指标的有？

多选题 · easy

  • A.累计收益率指标← 正确答案
  • B.最大回撤指标← 正确答案
  • C.胜率与盈亏比指标← 正确答案
  • D.数据库连接数指标

答案：ABC。ABC 都是常见绩效维度：累计收益看进攻，最大回撤看防守，胜率与盈亏比看交易质量。D 是系统运行指标，与策略绩效无关。

Q10. 假设某策略样本内年化收益 40%，样本外年化收益 5%，最可能的原因是什么？

单选题 · extreme

  • A.市场风格切换导致策略逻辑暂时失效
  • B.策略过拟合使样本内表现无法推广← 正确答案
  • C.历史数据清洗环节出现了严重错误
  • D.回测中设置了过高的交易手续费

答案：B。样本内高样本外低是过拟合的典型信号（R_oos = λ×R_is + ε，λ 显著小于 1）。A 是市场变化，但最直接的诊断结论是过拟合；C、D 是工程问题，不会系统性表现为样本内外收益的悬殊差距。