私有量化平台：策略开发与回测

在自建私有量化交易平台中，策略开发与回测是承上启下的核心环节：

• 向上承接数据系统（行情、指标、特征）

• 向下决定是否值得进入实盘执行

一个成熟的平台，并不是“策略跑得快”，而是策略逻辑清晰、可复现、可验证、可淘汰。

1. 策略开发

1.1 用编程语言实现交易逻辑

私有量化平台的策略开发，本质是把交易思想工程化。

常见技术选型：

• Python：主流选择，生态完整（pandas / numpy / ta-lib / backtrader 等）

• R：偏统计建模与学术研究

• C++ / Java：高频或低延迟系统中使用

在平台设计上，策略通常以以下形式存在：

• 单独策略模块 / 插件

• 统一接口（如 on_bar、on_tick、generate_signal）

• 与回测引擎、实盘引擎共用一套策略代码（强烈推荐）

示例逻辑结构（抽象）：

输入：行情数据 + 指标数据
↓
信号生成（买 / 卖 / 空仓）
↓
仓位管理（开仓、加仓、减仓、平仓）
↓
风控约束（最大仓位、止损、止盈）
↓
输出：标准化交易指令

关键原则：
策略代码 ≠ 一次性脚本
策略代码 = 可长期维护、可回测、可实盘复用的模块

1.2 确保规则可量化、可复现

这是策略是否“合格”的分水岭。

合格策略必须满足：

• 所有条件都可被代码明确表达

• 不依赖主观判断（如“感觉”“大概”“明显”）

• 给定同样的数据，任何时间回测结果一致

❌ 不可量化示例：

• “股价处于相对低位”

• “成交量明显放大”

• “趋势已经走坏”

✅ 可量化示例：

• close < MA20 * 0.95

• volume > MA(volume, 20) * 1.5

• MA5 < MA20 且 MA20 斜率为负

在自建平台中，策略是否标准化，直接决定平台能否规模化运行。

2. 回测设计

回测不是为了证明策略“很厉害”，而是为了尽早发现策略的致命缺陷。

2.1 历史数据覆盖市场不同周期

回测数据必须覆盖：

• 牛市

• 熊市

• 震荡市

• 极端行情（暴涨、暴跌）

否则回测结论毫无意义。

建议做法：

• 至少 5–10 年历史数据

• 包含不同宏观环境

• 如果是 A 股，尽量覆盖：

  • 大牛市（如 2014–2015）

  • 长熊阶段

  • 最近几年结构性行情

原则：
在“难赚的钱阶段”还能活下来的策略，才值得进入实盘。

2.2 考虑交易成本与滑点

这是很多回测“看起来很美”的根源问题。

必须纳入：

• 手续费（双边）

• 印花税（若适用）

• 滑点（固定 or 按成交额比例）

建议：

• 手续费略高于实际（保守）

• 滑点不要设为 0

• 高频策略要特别严格

如果一个策略：

• 在不计成本时赚钱

• 一加成本立刻变亏

👉 那说明策略本身没有统计优势。

2.3 避免未来数据泄露（极其重要）

未来数据泄露（Look-Ahead Bias）是回测中的“隐形杀手”。

常见错误：

• 使用当日收盘价生成当日交易信号并成交

• 使用未来财报数据回测历史策略

• 技术指标计算时不注意窗口对齐

正确做法：

• 信号生成只能使用“已知数据”

• T 日收盘生成信号 → T+1 日成交

• 所有指标严格向后对齐

一句话：
回测中只允许你“当时能知道的东西”

3. 指标评估

回测结果不是看一条收益曲线，而是看一组指标的整体质量。

3.1 年化收益率

衡量策略的赚钱能力，但绝不能单独看。

• 高收益 + 高风险 = 未必可用

• 稳定中等收益，往往更具实盘价值

3.2 最大回撤

量化交易中最重要的指标之一。

• 描述资金曲线最大“痛苦程度”

• 决定你能否在实盘中坚持执行

经验参考：

• 回撤 > 40%：多数人无法长期承受

• 回撤可控，才有长期复利可能

3.3 夏普比率、盈亏比

• 夏普比率：单位风险下的收益

• 盈亏比：赚一次 vs 亏一次的比例

注意：

• 高胜率 ≠ 好策略

• 低胜率 + 高盈亏比，反而可能更稳健

3.4 策略稳定性

这是自建平台特别要关注的一点。

常见验证方式：

• 不同时间段回测

• 不同参数组合

• 不同市场环境

如果策略：

• 只在某一年有效

• 对参数极度敏感

👉 大概率是过拟合。

4. 回测的真正目的

回测不是为了证明策略完美，而是为了暴露问题。

成熟的量化平台，回测阶段通常用于：

• 发现逻辑漏洞

• 验证风险是否可控

• 淘汰不可实盘化的策略

一句非常重要的话：

“能通过回测的策略不一定能赚钱，但通不过回测的策略一定不能进实盘。”