选股公式从回测到实战，并非一条直线，而是一个包含策略构建、历史回测、参数优化和实盘验证的迭代闭环。完整流程的核心在于：用历史数据验证逻辑，用样本外数据检验稳定性，再用小资金实盘确认可行性，最终形成可持续迭代的系统，而非追求一次性的完美结果。
选股公式的完整开发流程
第一步：构建策略假设
任何选股公式都源于一个可被验证的逻辑假设，例如“低市盈率股票长期跑赢大盘”或“放量突破年线的股票短期有超额收益”。这一阶段的关键是明确策略的适用市场环境与持有周期，并将模糊想法转化为具体的、可量化的规则（如选股指标、筛选阈值、调仓频率）。没有清晰逻辑支撑的公式，在后续优化中极易沦为数据挖掘的产物。
第二步：历史回测与数据清洗
回测是检验策略假设的实验室，但结果的可信度完全取决于数据质量。回测前需处理三类问题：前视偏差（使用了当时无法获得的未来数据）、幸存者偏差（只统计现存股票而忽略已退市标的）以及复权价格的处理。建议使用至少跨越一个完整牛熊周期的数据，并预留一段最近时期的数据作为“样本外数据”，在最终优化完成前绝不触碰，用于检验策略的真实泛化能力。
第三步：参数优化与过拟合防范
参数优化是调整公式中的阈值（如市盈率低于多少、均线周期设为多少）以获取更高回测收益的过程，也是过拟合风险最集中的环节。过拟合是指策略在历史数据上表现完美，但在未来数据上失效，本质上是记住了历史噪音而非市场规律。 防范方法包括：限制参数搜索范围、减少参数数量、使用样本外数据验证，以及进行敏感性分析——观察参数在合理区间内小幅变动时，策略表现是否剧烈波动。若表现对参数极其敏感，则该策略的稳健性存疑。
第四步：从回测到实盘的差距修正
回测与实盘之间存在天然鸿沟，主要体现在：交易成本与滑点（回测中常被低估）、涨跌停无法成交、流动性不足导致冲击成本，以及策略容量限制。因此，实盘初期应使用小资金运行，并将回测预期收益打折（常见的做法是假设打七折或八折，但具体折扣因策略而异）。此阶段的目标不是盈利，而是验证公式在真实市场环境下的可执行性。
第五步：实盘跟踪与持续迭代
实盘运行后，需建立持续跟踪机制，记录策略每日的信号、成交与净值。策略失效往往早于账户亏损被察觉，因此应关注超额收益的持续回撤而非绝对收益。 若策略逻辑未变但表现持续偏离预期，需检查市场风格是否切换；若逻辑本身被证伪，则应果断停止并复盘。建议按季度或半年为周期进行正式复盘，区分“策略退化”与“正常波动”，再决定是微调参数还是重构逻辑。
常见问题
回测收益达到多少才能实盘？
不存在普适的收益门槛， 关键看策略的风险调整后收益（如夏普比率）与最大回撤是否匹配你的风险承受能力。一个年化收益20%但最大回撤40%的策略，未必比年化10%、回撤5%的策略更适合实盘。同时，收益预期应结合实盘中的交易成本、滑点损耗以及资金规模对策略容量的限制来综合评估。
如何判断一个选股公式是否过拟合？
最直接的检验方法是样本外数据测试——用未参与优化的历史数据验证策略表现。若样本外表现远逊于样本内，则过拟合风险高。此外，可进行参数敏感性分析：若参数微调即导致收益剧烈波动，说明策略在“记住”特定行情而非捕捉规律。参数数量越多、搜索范围越广，过拟合的概率越大。
实盘表现与回测差距多大算不正常？
没有固定的偏差阈值， 需结合策略类型与市场环境判断。若实盘持续跑输回测，且超额收益曲线呈单边下行趋势，而非围绕预期波动，则可能意味着策略逻辑在当前市场已失效。建议先检查交易成本、滑点等执行层面的损耗是否被低估，再评估市场风格是否发生根本性切换，最后才考虑调整或终止策略。