回测框架常见的统计陷阱

回测框架是量化研究中用于检验交易策略历史表现的一套流程，通常包括数据获取、信号生成、仓位模拟、成本扣除与绩效统计等步骤。其核心逻辑是：假设过去某段时期内按既定规则交易，观察资金曲线的变化。然而，历史数据本身并不自动等于可靠证据，若框架设计或数据使用不当，结果可能被系统性扭曲。以下三类统计陷阱在公开讨论中较为常见。

（1）样本偏差。回测所使用的历史样本若不能代表策略未来可能面对的市场状态，结论便缺乏外推基础。例如，仅选取单边上涨阶段测试趋势策略，或仅用低波动时期测试套利策略，都会高估策略的适应性。避免方法包括：明确策略适用的市场状态假设，在多个不同波动率、不同趋势方向的时间段分别测试，并检查策略在极端行情（如流动性骤降、连续涨跌停）中的表现。若数据覆盖不足，应如实说明样本局限，而非将局部结果推广为一般规律。

（2）时间窗口选择。回测的起止日期、调仓频率、信号计算周期等参数，会显著影响统计结果。常见问题包括：刻意选取对策略有利的起始点（即“起点偏差”），或使用过短窗口导致统计量不稳定。此外，若在同一个窗口内反复调整参数直至曲线平滑，便产生了“过拟合”，即策略过度迎合历史噪声。避免方法：事先固定回测窗口与参数规则，避免根据结果反向修改；采用滚动窗口或样本外测试，即留出一段未参与参数优化的数据作为验证；报告结果时同时给出不同窗口下的绩效分布，而非仅展示最优区间。

（3）幸存者问题。当回测涉及股票池或基金池时，若只使用当前仍存续的标的，便会遗漏已退市、被并购或清盘的样本，从而高估整体收益。例如，测试“买入并持有”策略时，若股票池仅包含现存上市公司，历史平均收益通常会被向上偏移，因为表现差的公司已退出。避免方法：使用包含退市与已终止标的的历史成分股数据，或采用“时点成分股”方法，即每个调仓日只使用当时实际可交易的标的列表。对于基金回测，同样应纳入已清盘产品。若数据源无法提供完整退市信息，应在报告中明确说明该局限。

除上述三点外，回测中还应注意交易成本、滑点、停牌与涨跌停限制等现实摩擦。忽略这些因素，会使理论收益与可执行收益之间产生差距。总之，回测是检验策略逻辑的工具，而非预测未来的证据。理解其统计陷阱，并采用样本外验证、完整历史成分与固定规则，有助于得到更稳健的参考结论。具体数据口径与规则以官方披露为准。