关键要点

一个可靠的回测交易策略在接触历史数据之前就要定义明确的进场、出场和仓位规模规则，以减少事后诸葛偏差。
使用至少三个样本外分段的滚动前向测试（walk-forward testing）来检查 AI 回测结果在不同市场状态下是否能持续。
始终包括费用、点差和现实的滑点（例如每笔交易 0.05%–0.20%），否则你的优势会被高估。
结合期望值、最大回撤和利润因子来评估表现，因为单一的高胜率可能掩盖脆弱的风险特征。
通过仅从过去的K线生成特征并按时间顺序分离训练、验证和测试区间，避免数据泄露。

回测是策略获得用真金白银交易资格的地方。AI 可以加速策略测试，但如果你不控制流程，它也能更快地帮你自欺欺人。

什么是 AI 回测以及它不是

AI 回测是使用机器学习或规则发现工具在历史交易数据集上创建、改进或评估交易规则。目标与任何回测相同：估计策略在扣除成本和考虑风险后是否有可重复的优势。

AI 回测适合做的事：

大规模参数搜索：测试成千上万种组合（例如 RSI 长度 7–21、ATR 止损 1.5–3.5），无需手动反复试错。
特征发现：识别你可能不会主动测试的关系（例如波动率状态 + 趋势过滤）。
鲁棒性检查：快速在像 BTC、ETH、AAPL 和 EUR/USD 等多个品种上重跑测试。

如果不加以约束，AI 回测不适合的事：

以干净、平稳的方式“从过去预测未来”（市场会变化）。
用你无法进行风险管理的黑盒替代交易逻辑。
保证实盘结果——即使回测完美，执行不同也会导致失败。

实用提示： 如果你的 AI 给出一个“很棒”的策略，强制它把逻辑以清单形式表达：趋势过滤 → 进场触发 → 止损 → 止盈 → 时间止损。如果它做不到，你就无法负责任地交易它。

第 1 步在接触数据前构建策略规范

大多数回测失败是因为策略没有被完全指定。回测交易策略必须像代码一样被写明——即使你以后要自动化它。

最小规范（写下来）：

市场与时间框架：BTC 的 4H、AAPL 的 1D、EUR/USD 的 15m 等。
进场条件：明确无歧义，不用“看起来强势”这类描述。
出场条件：止损、止盈、移动止损、基于时间的出场。
仓位规模：固定百分比、基于波动率（ATR）或固定美元风险。
风险限制：最大持仓、每日最大亏损、最大杠杆。
成本模型：手续费、点差、滑点假设。

对 ETH 4H 的示例规范（简单但可测试）：

趋势过滤：200 EMA 向上（收盘价 > EMA200）。
进场：RSI(14) 向上突破 50 且收盘价 > 前高。
止损：入场价下方 2.0 × ATR(14)。
止盈：入场价上方 3.0 × ATR(14) 或 RSI(14) 向下突破 50。
风险：每笔交易账户权益的 0.75%。
成本：每边 0.08% 手续费 + 每边 0.03% 滑点。

实用提示： 如果你无法把一条规则转换为布尔语句（真/假），它就不适合策略测试。

第 2 步获取合适的历史数据并清洗

AI 模型对数据质量敏感。垃圾数据不仅会产生噪音——还会制造虚假的优势。

按资产类别的数据要求

加密（BTC、ETH）：使用交易所级别的 OHLCV 并保持时间戳一致；检查停服期间是否缺失 K线。
外汇（EUR/USD）：注意经纪商数据源；点差随时段变化；考虑使用中间价并加上点差模型。
股票（AAPL）：使用日线时需调整拆股和分红；确保公司行为不会扭曲收益。

清洗清单（不可妥协）

删除或标记重复的 K 线。
小心填补缺失时间戳（对盘中数据通常更倾向于删除而非前向填充）。
规范化时区（UTC 最简单）。
验证 OHLC 逻辑：High ≥ max(Open, Close) 且 Low ≤ min(Open, Close)。
对齐指标，使其只使用过去的数据（无前视）。

实用提示： 先运行一次“合理性回测”：买入并持有以及随机进场策略。如果随机进场在扣除成本后看起来盈利，你的数据或成本模型有问题。

第 3 步选择与策略匹配的 AI 工作流

“AI 回测”可以有非常不同的含义。根据你的目标选择工作流。

工作流 A：带 AI 参数搜索的规则化

你提供规则；AI 在参数空间中搜索。

最适合：RSI/EMA/ATR 系统、突破系统、带过滤器的均值回归。
优势：可解释；更容易进行风险控制。
风险：通过尝试过多组合导致过拟合。

实际示例： 对 AAPL 日线，你可以搜索：

快速 EMA：10–30
慢速 EMA：100–250
ATR 止损：1.5–4.0 然后评估样本外表现，而不是仅看样本内的最好一次运行。

实用提示： 限制总组合数量。如果你测试了 50,000 个变体，把排名前 10 的当作“走运”直到被证明稳健。

工作流 B：模型预测收益然后按规则交易

模型预测下一根 K 线的回报概率；仅在置信度高时交易。

最适合：有严格数据纪律的系统化交易者。
优势：可以纳入多个特征（趋势、波动、成交量、季节性）。
风险：泄露与信号不稳定。

实用提示： 把预测转换为可交易规则：“仅当预测回报 > 0.15% 且波动过滤通过时做多”，而不是“模型说涨”。

工作流 C：模式发现与聚类

AI 将市场状态分组（趋势、震荡、高波动），你在不同状态下执行不同规则。

最适合：知道策略只在特定情况下有效的交易者（例如突破在低波动时失效）。
优势：提高选择性。
风险：状态标签会移动；你需要简单的执行规则。

实用提示： 在实盘中保持状态过滤简单：例如“只有当 ATR(14) 高于其 60 日中位数时才交易突破”。

第 4 步正确划分数据以避免泄露

让模型“看到”未来是伪造表现的最快方法。正确的划分应按时间顺序而非随机。

策略测试的推荐划分：

训练（样本内）：60%
验证：20%
测试（样本外）：20%

例如对 2019–2026 的 BTC 4H：

训练：2019–2023
验证：2024
测试：2025–2026 年中

然后加入滚动前向测试（walk-forward）：

训练 2019–2021 → 测试 2022
训练 2019–2022 → 测试 2023
训练 2019–2023 → 测试 2024 这可以检查绩效是否在不同市场状态（牛市、熊市、震荡）下存活。

实用提示： 如果最佳设置在每个滚动窗口之间变化剧烈，你的优势很可能不稳定。

第 5 步定义现实的执行与成本假设

散户回测常假设成交完全理想。实盘交易不是这样。

需要建模的成本

费用：加密的 maker/taker；股票的佣金；外汇的点差。
点差：在展期和重要新闻期间对 EUR/USD 尤其重要。
滑点：市场单、低流动性、以及波动大 K 线会恶化滑点。
融资/借贷：永续合约的资金费；保证金借贷成本。

经验范围（但应自行校准）：

流动性良好的加密（BTC/ETH）：每边 0.02%–0.10% 手续费 + 每边 0.01%–0.05% 滑点
大盘股（AAPL）：通常 $0 佣金，但仍有 0.01%–0.03% 的滑点
外汇（EUR/USD）：零售常见点差为 0.5–1.5 个点；新闻期间滑点会激增

实用提示： 将成本翻倍进行压力测试。如果成本翻倍就杀死了盈利性，说明策略过于薄弱，不适合交易。

第 6 步选择真正重要的指标

一个策略在某个指标上看起来很棒，但仍可能无法交易。

核心绩效指标

期望值（每笔交易）：扣除成本后的平均每笔盈利。正的期望值是基础。
利润因子：总盈利 / 总亏损。许多可持续系统位于 1.2–1.8；非常高的值可能意味着过拟合。
最大回撤（MDD）：痛苦程度。45% 回撤与 12% 回撤是不同的策略。
夏普或索提诺：风险调整后收益；对偏态策略索提诺通常更合适。
交易次数：30 笔不足以证明；300 笔更可信，取决于时间框架。

常被忽视的交易质量指标

平均盈利 / 平均亏损
按状态划分的胜率：趋势期 vs 区间期
在市时间
曝露度与杠杆

实用提示： 跟踪按年（或按季度）的期望值。如果期望值只在某一年为正，你很可能是针对该时期进行了曲线拟合。

第 7 步使用 AI 提升鲁棒性而不仅仅是回报

AI 在回测中最好的用途不是“找到最高的 CAGR”，而是“找到在现实到来时仍然盈利的东西”。

AI 可以自动化的鲁棒性检查

参数稳定性图：在网格上查看性能（例如 RSI 长度 vs 止损大小）。你希望看到一个“平台区”，而不是单个尖锐的峰值。
蒙特卡洛重排：随机化交易顺序以估计回撤范围和破产风险。
噪声测试：向价格添加小幅噪声（例如 ±0.05%）以查看优势是否消失。
成本敏感性：用更高的手续费/点差/滑点重跑。
市场轮换测试：在 BTC、ETH 以及一些大市值山寨上测试；在股票上对 AAPL、MSFT、SPY 测试。

实际示例： 如果 BTC 突破策略只在使用 1.9× ATR 止损时奏效，但在 1.8× 或 2.0× 时失败，则很可能不鲁棒。

实用提示： 设定一条规则：“仅交易在最优邻域内至少 70% 测试参数组合中仍保持盈利的策略。”

第 8 步一个你可以遵循的实用 AI 回测工作流

下面是一个可重复的工作流，不论你用 Trading AI 还是自建堆栈都适用。

1 从一个你能解释的基线策略开始

选择一个市场和时间框架：

BTC 4H 趋势跟随
ETH 1H 均值回归
AAPL 日线：趋势过滤 + 回撤
EUR/USD 15m：时段突破

写下规范（见第 1 步）。不容例外。

实用提示： 从一个你愿意手动交易一周的策略开始。如果你不愿意，就别自动化它。

2 用保守成本运行“纯”回测

在 AI 优化前，先衡量基线：

利润因子
最大回撤
每月交易数
表现最差的月份

如果基线已经不错，AI 可以帮助改进；如果基线很糟，AI 优化通常只是曲线拟合。

实用提示： 要求样本内至少 100 笔交易，才允许 AI 在盘中系统上优化参数。

3 让 AI 搜索，但要约束它

约束可以减少过拟合：

限制参数数量（最初 2–4 个已足够）。
使用有交易意义的范围（例如 ATR 止损 0.5–10 是无意义的）。
惩罚复杂性（规则越少 > 规则越多）。

实用提示： 优先选择更少的过滤条件。每增加一个过滤条件都会减少交易次数并增加回测只是巧合的可能性。

4 在样本外和滚动前向中验证

从样本内挑出前 20 名候选，按以下重新排序：

样本外期望值
回撤控制
参数稳定性

然后运行滚动前向。拒绝只在单一状态下有效的策略。

实用提示： 如果样本外在成本后利润因子降到 1.05 以下，除非交易次数非常多，否则把它当作噪声处理。

5 用接近实盘执行假设的模拟交易

回测不包含你的真实成交。纸面交易（paper trade）能部分体现这一点。

使用你在实盘会用的委托类型（市价 vs 限价）。
在你会实盘交易的时间进行交易。
跟踪实际滑点与回测假设的差异。

实用提示： 如果在 50 笔以上交易中，纸面交易表现比回测差超过 30%，说明你的执行模型过于乐观。

第 9 步会毁掉 AI 回测的常见错误

这些陷阱会让 AI 回测看起来很神奇，但到实盘就失败。

错误 1：通过特征引入数据泄露

示例：

使用当天收盘价来决定“在当天开盘”交易。
用全样本均值/方差进行归一化（含有未来信息）。
用会提前查看未来的指标来标注状态。

修复： 仅使用过去的K线来构建特征，并且只在训练数据上拟合归一化器。

错误 2：在单一市场上过度优化

仅在 BTC 2020–2021 上有效的策略可能只是一次性事件。

修复： 在多个品种和多个状态上测试。对加密策略，包含熊市（例如 2022 年）和高波动期。

错误 3：忽视流动性和委托类型

假设在 K 线收盘以限价成交的回测对于快节奏市场是幻想。

修复： 使用次棒执行假设、包括滑点，并在必要时模拟部分成交。

错误 4：把胜率当作主要目标

78% 的胜率策略仍可能亏损，如果亏损是盈利的 4 倍。

修复： 先优化期望值和回撤，再考虑胜率。

实用提示： 添加硬性过滤：“平均盈利必须至少是平均亏损的 0.8×”，除非你明确在交易一个高胜率的均值回归系统并有严格的风险上限。

常见问题解答

如何用 AI 回测交易策略？

在开始前先定义精确的进场、出场和风险规则，然后在按时间顺序划分的数据上运行 AI 回测，并使用现实的手续费和滑点。使用样本外和滚动前向测试来确认优势在不同状态下是否持续。只有在更高成本压力测试下仍盈利的策略才予以晋级。

用 AI 回测最好的历史数据是什么？

最合适的历史数据集应匹配你的执行场所，包含准确时间戳、公司行为（股票）和一致的 OHLCV。加密应使用交易所特定数据；外汇应使用包含现实点差模型的行情源。始终验证缺失 K 线并在相关情况下调整拆股/分红。

在策略测试时如何避免过拟合？

通过限制参数、使用滚动前向测试，并偏好宽广的性能平台而非尖锐最优来避免过拟合。保留一个严格的样本外测试集，绝不用于调参。加入噪声测试和成本翻倍等鲁棒性检查。

在 AI 回测中哪些指标最重要？

期望值、最大回撤和利润因子最重要，因为它们将收益与风险和交易质量联系起来。还要跟踪交易次数、平均盈亏比以及按年或按状态的表现。高夏普有帮助，但不应凌驾于回撤和成本敏感性之上。

参考文献

Chan, Ernest P. Quantitative Trading: How to Build Your Own Algorithmic Trading Business.
López de Prado, Marcos. Advances in Financial Machine Learning.
CME Group and exchange contract specifications (for tick size, session rules, and costs assumptions).

外部链接

Backtesting a Trading Strategy in Python With AI Generated Code GitHub - tradingstrategy-ai/getting-started: Start developing and backtesting your own automated trading strategies · GitHub Features | AI Trading Strategy Backtesting Tool Features Trading Strategy Backtesting Software | TrendSpider AI Backtesting Assistant | LuxAlgo

关键要点

什么是 AI 回测以及它不是

第 1 步 在接触数据前构建策略规范

第 2 步 获取合适的历史数据并清洗