15、策略回测框架：回测引擎设计、订单流数据回放、滑点与手续费模型、回测结果评估指标

回测，说白了就是让策略在历史数据上跑一遍。我见过太多人，策略回测曲线漂亮得像艺术品，一上实盘就崩。为什么？因为回测框架没搭好，忽略了太多细节。今天我就把这块硬骨头啃下来。

15.1 回测引擎的核心设计

回测引擎是整个框架的心脏。我个人习惯把它拆成三个模块：数据层、策略层、执行层。

• 数据层：负责喂数据，包括订单流数据、Tick级数据、K线数据。要支持时间戳对齐，不然回测结果就是错的。
• 策略层：接收数据，生成买卖信号。这里要保证信号生成逻辑和实盘完全一致。
• 执行层：模拟撮合、计算滑点、扣手续费。这是最容易出bug的地方。

我曾经犯过一个低级错误——回测时用了未来数据。策略在T时刻看到了T+1的成交量，结果回测收益翻倍，实盘亏成狗。嗯，从那以后我强制要求所有数据必须按时间顺序逐笔推送。

15.2 订单流数据回放

订单流数据回放，说白了就是模拟交易所的撮合过程。每一笔挂单、撤单、成交都要按时间戳重演。

你想想看，如果只用K线回测，你根本不知道价格是怎么从A点走到B点的。中间可能经历了大单砸盘、流动性枯竭，这些细节K线全丢了。订单流回放能让你看到真实的买卖博弈。

// 伪代码：订单流回放核心
while (dataStream.hasNext()) {
    Event event = dataStream.next();
    if (event.type == TRADE) {
        // 外部成交，更新订单簿
        orderBook.applyTrade(event.price, event.volume);
        // 检查策略挂单是否被成交
        checkPendingOrders(event.price);
    } else if (event.type == ORDER) {
        // 外部挂单/撤单
        orderBook.applyOrder(event);
    }
    // 推送数据给策略
    strategy.onEvent(event);
}

这里有个坑：回放速度。如果逐笔回放，一天的数据可能要跑几分钟。我建议加一个「加速模式」，跳过无成交的闲时阶段，只保留关键事件。但要注意，加速不能改变事件顺序。

15.3 滑点与手续费模型

滑点和手续费是回测和实盘差距的最大来源。我见过有人回测时设0滑点、0手续费，结果实盘手续费吃掉一半利润。

滑点模型

滑点说白了就是你下单的价格和实际成交价格之间的差价。原因很多：流动性不足、网络延迟、大单冲击。

我个人常用的三种滑点模型：

• 固定滑点：比如每笔交易固定加1个tick。简单粗暴，适合快速验证。
• 比例滑点：按成交金额的千分之几计算。更接近真实情况。
• 基于订单簿的滑点：根据当前盘口的挂单量，模拟你的订单吃掉了多少档位。这个最准，但计算量大。

手续费模型

手续费各家交易所不一样。有的按成交金额收，有的按成交量收，还有的给VIP折扣。回测时一定要精确模拟。

交易所	Taker费率	Maker费率	备注
Binance	0.1%	0.075%	VIP等级有折扣
OKX	0.08%	0.05%	挂单返佣
Bybit	0.075%	0.025%	合约费率不同

注意：有些交易所对Maker单是负费率（倒贴你钱）。如果你策略是挂单型，这部分收入不能忽略。

15.4 回测结果评估指标

回测跑完了，一堆数字摆在你面前。怎么判断策略好不好？光看收益率是远远不够的。

夏普比率

夏普比率衡量的是「每承担一单位风险，能获得多少超额收益」。公式很简单：

夏普比率 = (策略收益率 - 无风险利率) / 收益率标准差

一般来说，夏普比率大于1算及格，大于2算优秀，大于3就是顶级策略了。但我得提醒你，夏普比率对高频策略不太适用——高频策略的收益率分布往往不是正态的，用标准差衡量风险会失真。

最大回撤

最大回撤就是你从最高点跌到最低点的幅度。这个指标直接反映了策略的「抗揍能力」。

举个例子：你策略从100万涨到200万，然后跌到120万，再涨到300万。最大回撤就是 (200-120)/200 = 40%。

其他重要指标

• 胜率：盈利交易次数 / 总交易次数。胜率高不代表赚钱，还要看盈亏比。
• 盈亏比：平均盈利 / 平均亏损。一般盈亏比大于2才算健康。
• 卡玛比率：年化收益率 / 最大回撤。比夏普更直观，我比较喜欢用这个。
• 索提诺比率：类似夏普，但只考虑下行风险。适合非正态分布的策略。

15.5 回测框架的整体结构

说了这么多，我画一张图帮你理清思路。

这张图把回测框架的四个核心模块串起来了。数据层喂数据给回放引擎，回放引擎驱动策略层，策略层生成信号交给执行层，最后所有结果汇总到评估层。

15.6 避坑指南

最后，我总结几个回测中容易踩的坑：

• 未来函数：回测时用了未来数据。比如用当天的收盘价计算当天的信号。检查方法：把回测日志打印出来，看信号时间戳是否在数据时间戳之后。
• 幸存者偏差：只回测了现在还活着的股票/币种。退市的、归零的都被忽略了。结果回测曲线好看，实盘一买就跌。
• 过拟合：参数调得太精细，完美拟合了历史数据。换个时间段就失效。解决办法：做样本外测试，或者用交叉验证。
• 忽略交易成本：滑点和手续费设得太低。我建议回测时把滑点设成实盘的2倍，给自己留点安全边际。

回测框架搭建好了，你的策略才算有了「试金石」。别急着上实盘，先在历史数据里把策略「揍」一遍。扛得住回测的，才有资格面对真实市场。

---