回测是验证逻辑严谨性的过程，需还原真实交易约束、滚动窗口优化参数、分层嵌入风控，并经模拟盘、行情快照、人工盯盘三步迁移验证。
回测不是跑个结果，而是验证逻辑的严谨过程
很多初学者把回测当成“输入数据→输出收益曲线”的黑箱操作，结果一实盘就失效。真正有效的回测必须还原交易的真实约束：滑点、手续费、成交延迟、仓位限制、涨跌停无法成交等。比如A股T+1机制下，当天买入不能卖出，策略若未显式建模该规则，回测信号会虚增胜率。建议用Backtrader或VectorBT这类支持订单生命周期建模的框架，而非仅靠pandas手动计算。
参数优化别陷入“过拟合陷阱”，用滚动窗口+样本外检验
固定周期全量优化（如2015–2022年一起调参）极易过拟合。正确做法是：划分滚动训练/测试窗口（如每3个月重优化一次，训练期12个月，测试期3个月），每次只用训练期内数据找最优参数，并立即在后续测试期验证。关键细节：参数空间要离散化（如均线周期只试10/20/30/60，不搜15.7）、目标函数避开单一指标（不用纯年化收益，改用夏普比率+最大回撤加权组合），并强制要求所有参数组合在至少80%的滚动窗口中保持正收益。
风控不是加个止损线，而是分层嵌入策略生命周期
典型三层风控结构：
• 事前控制：单票仓位≤2%，行业暴露偏离基准±5%，杠杆倍数硬限1.2；
• 事中监控：每分钟检查组合波动率是否突破20日均值1.5倍，触发则自动暂停新信号；
• 事后熔断：单日回撤超3%暂停当日交易，连续两日回撤超2%启动参数重校准。
实操中，这些规则需写进回测引擎的notify_order和notify_trade钩子函数，而非事后分析时补加。
从回测到实盘的关键三步迁移验证
再完美的回测也不能跳过实盘前的过渡验证：
• 模拟盘对接券商API（如恒生UFT、盈透IBKR），跑1个月，比对挂单价格、成交时间与回测假设差异；
• 用真实行情快照重跑回测（非复权行情+逐笔委托簿数据），检验信号触发时是否有足够流动性；
• 人工盯盘首周，记录所有“策略想做但系统没执行”或“执行了但结果异常”的案例，反向修正风控阈值（如原设滑点0.1%，实测发现小市值股常达0.3%，需动态调整）。
