量化选股回测中必须注意的陷阱，核心在于回测结果高估真实收益，而策略实盘后大幅失效。常见的陷阱包括过拟合、前视偏差、幸存者偏差以及交易成本低估，每一个都会让回测数据变成“纸上富贵”。
四大常见陷阱详解
过拟合是最隐蔽的陷阱。当策略参数过多或规则过于复杂时，它会“记住”历史行情中的随机噪声，而不是真正的规律。结果是在样本内表现完美，但样本外（或实盘）迅速崩溃。避免过拟合的关键是保持策略简洁，并使用交叉验证（如滚动窗口回测）来检验稳定性。
前视偏差指策略在回测中无意使用了未来数据。例如，用当天的收盘价作为买入信号，而当天收盘前无法知道收盘价。常见场景包括：财务报表公布前使用修正后的数据，或除权除息后未调整价格。解决方案是严格按时间顺序回测，只使用信号产生时已公开的数据。
幸存者偏差源于只回测当前存活的股票，而忽略了已退市或暴跌的股票。例如，回测“买入所有A股”时，如果只用了当前成分股，会高估收益，因为退市股的历史表现已被剔除。正确做法是使用全样本数据库，包含历史上所有曾上市交易的股票。
交易成本与滑点低估同样致命。回测中假设按收盘价成交，但实盘可能因流动性不足产生滑点，加上佣金、印花税后，高频策略的收益可能被吞噬。建议在回测中至少按双边千分之三估算成本，并对小市值股票额外增加滑点。
提高回测可信度的关键方法
使用交叉验证是核心手段。将历史数据分为训练集和测试集，在训练集上开发策略，在测试集上验证。更严格的方案是滚动窗口回测：每次用过去3-5年数据训练，预测未来1年，逐年滚动，模拟实盘环境。
避免过拟合的具体操作：限制参数数量（通常不超过3个），并对策略进行随机化检验——将价格序列随机打乱后回测，如果策略仍能盈利，说明它只是拟合了随机噪声。
市场环境变化是终极风险。策略在牛市有效，在熊市或震荡市可能失效。回测应包含不同市场阶段（单边涨、单边跌、横盘震荡），并评估策略在每种环境下的表现。
总结：量化回测的可靠性取决于能否避开过拟合、前视偏差、幸存者偏差和成本低估。通过交叉验证、限制参数、使用全样本数据并模拟真实交易成本，才能让回测结果更贴近实盘。
常见问题
如何判断回测策略是否过拟合？
一个简单方法是样本外测试：将历史数据前70%用于训练，后30%用于测试。如果训练集和测试集收益差距超过30%（例如训练集年化20%，测试集低于14%），则过拟合风险较高。更严谨的做法是进行蒙特卡洛模拟，验证策略的稳定性。
回测中如何处理退市股票的数据？
必须使用包含退市股的完整数据库。常见的免费数据源（如部分开源库）可能已剔除退市股票，导致幸存者偏差。付费金融数据终端（如Wind、Tushare Pro）通常提供全样本历史数据。如果无法获取，至少应在回测中明确标注“仅含当前存续股票”。
滑点成本应该如何估算？
滑点取决于股票流动性和交易频率。对于日均成交额低于1亿元的股票，建议每笔交易额外增加0.1%-0.5%的滑点成本；对于大盘蓝筹股，0.01%-0.05%即可。最稳妥的方法是使用“成交时间加权”回测，即模拟在真实时段内按实际成交价（而非收盘价）执行交易。