量化选股策略回测时，核心注意事项包括：避免过拟合、幸存者偏差和忽略交易成本。回测是用历史数据模拟策略表现的过程，目的是验证策略的有效性，但历史不会简单重复，必须警惕数据“骗局”。
常见回测陷阱
过拟合是回测中最常见的问题。指策略过度优化历史数据中的噪声，导致在样本外表现极差。表现为策略在回测中收益曲线过于完美，参数微调后结果剧烈波动。避免方法：使用样本外数据验证（如将数据按时间分为训练集和测试集），并限制参数数量，优先选择逻辑清晰的简单策略。
幸存者偏差指回测时只使用当前仍在交易的股票池，忽略了历史上已退市或暴跌的股票。这会导致回测收益被高估。解决方案：使用包含历史全样本的数据库（如包含已退市公司），或采用“拼接数据”方式模拟真实市场环境。
回测周期与交易成本
回测周期应覆盖至少一个完整的牛熊周期（通常5年以上），并包含不同市场风格（如成长、价值、震荡市）。单一上涨或下跌周期的回测结果缺乏说服力。
滑点和交易成本是回测中容易被低估的因素。滑点指实际成交价与预期价之间的偏差，尤其在流动性差的股票中更明显。估算方法：通常设置单边千分之一到千分之二（0.1%-0.2%）的滑点成本，加上佣金和印花税。对于高频策略，滑点成本可能更高，需按策略类型调整。
简短总结
构建可靠回测的关键是：用足够长的历史数据、避免过度优化、考虑真实交易成本。回测结果只能作为参考，最终需结合实盘模拟或小资金验证。
常见问题
回测收益率很高，但实盘亏损，可能是什么原因？
最常见的原因是过拟合或忽略了交易成本。策略在历史数据中找到了噪声规律，或者实际滑点比回测假设的高很多。建议检查策略参数数量，并在回测中加入更保守的成本假设。
如何判断回测是否存在过拟合？
观察样本外表现是否显著低于样本内。如果策略在测试集上的收益波动远大于训练集，或参数微调后结果剧变，就存在过拟合。一个简单方法：随机打乱数据时间顺序，如果策略仍能盈利，则说明过拟合严重。
回测中应该使用什么时间周期？
至少5年以上，并包含不同市场环境。例如，A股策略建议覆盖2015年牛熊转换、2018年单边下跌和2020-2021年的结构性行情。周期过短（如1-2年）的结果不可靠，可能只适应特定市场风格。