🕳️ 回测偏差大全：五大自欺与防线

每一个回测偏差都是一种「自欺」：它让你的策略在你看到的世界里完美运行。本篇按危害与出现频率列出五大偏差，每个都给出机理、定量影响的量级感、以及可落地的防线——最后合成一张自检清单（模板化版本见回测报告模板 ）。

偏差一：前视偏差（Look-ahead Bias）

机理：决策用到了决策时点不可能知道的信息。三种形态（数据/参数/流程，见数据清洗 ）。

量级感：数据前视（财报用报告期对齐）对基本面因子的 IC 平均虚增 30%–80%——不是「略有高估」，是直接改写结论；用当日收盘价决策并成交的日频策略，年化收益虚增可达 10–20 个点（高频场景里「同步成交」等于永动机）。

防线：统一时间协议（T 信号 → T+1 成交）并写进引擎铁律（见回测框架设计 ）；PIT 数据接口；「前视注入测试」（故意加未来函数，结果必须改变）。

偏差二：幸存者偏差（Survivorship Bias）

机理：股票池只含「活到今天」的标的。退市股（往往跌得最惨）、长期 ST、被吸收合并者全部缺席。

量级感：对全市场策略影响中等（A 股早年退市少，2020 年后剧增）；对小市值与低价股策略影响致命——不含退市股的小市值回测年化可虚增 5–10 个点，因为它恰好是「专买将死之股」的策略形态（见数据清洗 的定量讨论）。基金研究的同款：只统计现存基金高估行业均值 1–2 个点/年。

防线：动态「当时在市」股票池；退市股数据完整性作为数据商采购的验收项；自查方法——取一只知名退市股查历史数据可得性。

偏差三：过拟合与数据窥探（Overfitting & Data Snooping）

机理：参数与规则被调到「恰好适应历史噪声」。广义地包含：参数精修、规则挖掘（试了 30 个止损规则挑最好的）、样本选择（回测区间从策略表现好的年份开始）、以及研究流程层面的 p-hacking（见Alpha 研究流程 ）。

量级感：经验法则——样本外绩效普遍衰减 30%–50%；7+ 个自由参数的策略在 10 年日频数据上几乎必然「回测出夏普 2」（白噪声也能）。数据窥探的隐蔽形态：「先看到 2019–2021 芯片大涨，再写一个『芯片动量策略』的回测」——假设从数据里来又回到同一批数据验证。

防线：样本外分层与封存（训练/验证/测试三区，见Walk-Forward ）；Walk-Forward 滚动验证；参数邻域平坦性检查（好策略的绩效面对参数是「高原」不是「尖峰」）；尝试次数记账与多重检验校正（见统计推断 ）；以及最朴素的自由度预算——每 10 年数据最多容纳 2–3 个待估参数。

偏差四：交易成本低估

机理：成本模型残缺——只算佣金印花税、漏 half-spread、无冲击成本、或用「固定单边 0.1%」一刀切。

量级感：日频高换手策略，真实成本常在年化 5%–15% 区间——「不扣成本夏普 2.5、扣完成本夏普 0.3」的案例遍地都是。A 股的费用清单：佣金（万 1–万 3 双边）+ 印花税（卖出 0.05%）+ 过户费 + half-spread（流动性差的票 5–20bp）+ 冲击（资金越大越大，见交易成本分解 ）。

防线：分项成本模型（而不是一个总百分比）；冲击成本随成交量非线性（大单必须走执行算法，见执行算法 ）；成本 ×2 的压力测试作为上线门槛；以及把成本当作策略设计的输入——衰减快的信号在成本面前自动出局，这是好事。

偏差五：流动性忽略

机理：假设任何数量都能以收盘价成交。具体形态：小盘股策略按收盘价全额成交（现实中成交额的 10% 已是极限）；回测里的「开盘瞬间换仓 200 只股票」；停牌/涨跌停照常成交。

量级感：对中大盘策略影响小（这就是很多回测「看起来没毛病」的原因）；对小盘、高换手、大资金场景是决定性的——容量估算的本质就是流动性的另一面（见因子检验 的容量三层次）。

防线：成交额参与率上限（单票单日 ≤ ADV 的 5%–10%）；不可成交状态显式建模（跌停/停牌，见回测框架设计 ）；实盘前用仿真盘校准「回测成交价 vs 实际成交价」的差距（TCA 的回测对照，见TCA ）。

自检清单（回测报告必附）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

□ 时间协议：信号数据时点 vs 成交时点，逐字段可追溯
□ 股票池：含退市/ST，按「当时在市」动态构建
□ 成本模型：佣金/印花税/价差/冲击 分项，参数有出处
□ 不可成交：停牌、涨跌停的处理有显式代码路径
□ 样本划分：训练/验证/测试三区，测试区封存
□ 参数自由度：参数个数 vs 样本量比，邻域敏感性已做
□ 尝试次数：本策略共迭代 N 版，最终版之外的尝试已记录
□ 成本压力：成本×2 后夏普仍 > 1（或明确说明衰减）
□ 容量声明：本回测结论有效的资金规模上限
□ 基准对照：与合理基准同口径对比（见[基准选择](/quant/benchmark-selection/)）

一张冷静的对照表：偏差被清除后，「回测年化 30%」通常变成「回测年化 15% + 实盘预期 8%–10%」。这不是悲观，这是把预期校准到可实现区间——量化老兵与新手回测同一策略，老兵的数字永远更低，也永远更真。

关联阅读：偏差的工程对策回测框架设计 ；统计层的过拟合理论多重检验 ；上线前的最后一关样本内外与 Walk-Forward 。