量化交易策略如何通过回测验证有效性

企业微信

数据准备与清洗

回测验证的第一步是获取高质量历史数据。股票策略需包含开盘价、最高价、最低价、收盘价、成交量等基础行情数据，期货策略还需考虑主力合约切换时的连续价格处理。数据清洗需重点解决：

异常值处理：剔除因系统错误导致的零值或极端值
停牌数据处理：保留停牌日数据点避免时间序列错位
复权处理：股票需进行前复权或后复权调整，消除分红配股影响
幸存者偏差防范：使用包含已退市股票的全样本数据库


# 期货主力合约连续处理示例

def generate_continuous_contract(df_original, rollover_dates):

    df = df_original.copy()

    df['contract'] = 1

    for date in rollover_dates:

        df.loc[df.index >= date, 'contract'] += 1

    return df.groupby('contract').apply(lambda x: x.iloc[:-5])  # 剔除交割日前5日数据

策略代码实现

将交易逻辑转化为可执行代码时需注意：

避免未来函数：严格使用历史时点可用数据
交易成本建模：包含佣金（如股票万2.5）、印花税（卖出0.1%）、滑点（按波动率动态设置）
仓位控制：实现金字塔加仓/倒金字塔减仓等风险管理模块


# 均线策略核心代码示例

def ma_strategy(data, fast_period=5, slow_period=20):

    data['fast_ma'] = data['close'].rolling(fast_period).mean()

    data['slow_ma'] = data['close'].rolling(slow_period).mean()

    data['signal'] = np.where(data['fast_ma'] > data['slow_ma'], 1, -1)

    # 加入交易成本影响

    data['position'] = data['signal'].shift() * (1 - 0.00025)  # 扣除佣金

    return data[['position']]