Qlib 量化选股面板

回测在验证什么？

回测（Backtesting）是用历史行情与规则，重放策略若在那时交易会怎样——得到净值曲线、收益、夏普、最大回撤、IC 等统计量。它是研究阶段最主要的证据链，但不能代替实盘：成交、冲击成本、停牌、涨跌停等都可能让真实结果偏离仿真。

可把回测理解成三句话：

1. 可重复：同一数据、同一规则，应得到同一结果（便于 debug 与对比实验）。
2. 有边界：只覆盖已发生的历史；外推「未来也会这样」需要额外逻辑（样本外、滚动、压力情景）。
3. 对表不对路：曲线好看不等于可交易，还要看换手、容量、规则是否与真实制度一致。

更完整的学习顺序见《学习目标与学习路径》；因子与特征层面见《因子投资入门》《Alpha 因子体系》。

---

典型流水线（与 Qlib / 本面板）

一条常见的 训练 + 评价 + 组合模拟 流水线大致为：

数据与标签 → 特征（如 Alpha158）→ 模型训练 → 预测分数
    → 信号分析（IC / Rank IC）→ 组合生成（如 TopK）→ 回测绩效

• 信号层：关心预测与未来收益是否对齐（IC）。
• 组合层：关心排序怎么变成持仓、换手与约束（如 TopK-Dropout）。
• 绩效层：关心净值、风险指标与成本假设是否可信。

本面板侧重把这条链「拧在一块」：运行策略、历史记录、敏感性分析、滚动回测 等 Tab 对应你在不同阶段要答的问题。

---

常见陷阱与对策

陷阱	表现	可操作的缓解
过拟合	训练段极好，测试段崩塌；对参数极度敏感	简化模型与特征、交叉验证、时间切分（绝不用未来训过去）、在 敏感性分析 里看指标是否「好得不自然」
前视偏差	用到当时尚未发布或不可得的数据、或标签与特征时间对齐错误	严格按「时点 t 只能看到 ≤t」构造特征；核对标签定义（如 Qlib 默认 label 与持有期）
幸存者偏差	股票池只有「活下来的」，退市/长期停牌被抹掉	使用包含退市样本的完备 universe，或用指数成分的历史快照做股票池
成本低估	回测收益偏高、换手一上来实盘亏	显式设佣金、滑点、最小价差；高换手策略对成本更敏感
看似可成交	小市值、涨停无量仍按收盘价「成交」	检查涨跌停、流动性、成交量过滤是否与假设一致

---

时间与样本切分（最重要习惯）

严谨研究几乎总是：训练 / 验证 / 测试 在时间轴上切开，且测试集只评一次、不回头调参。进阶做法包括：

• 滚动 / 扩展窗口：每隔一段时期重训，用下一小段做样本外（与面板 滚动回测 叙事一致）。
• 不同 regime：牛熊切换时策略失效很常见；单一时段亮眼可能只是风格运气好。

---

读结果时在问什么

• 收益：总收益 与 年化 是否在同口径、同区间可比？
• 风险：最大回撤 与 卡玛 是否匹配你能承受的路径？
• 预测质量：IC 是否稳定，还是只靠少数日期「撞大运」？
• 可实现性：换手、持股数、集中度与 仓位、回撤控制 是否一致？

---

小结

回测是在历史里做受控实验：要把数据与规则的时点对齐、把偏差和成本摊在阳光下，再用时间切分与样本外检验防过拟合。它和因子研究、组合规则、风险管理 是一条绳上的不同阶段，不要孤立地看某一条净值曲线。