解读回测结果:所有指标的定量指南

#解读回测结果:所有指标的定量指南

回测报告是一张密密麻麻的数字表。总收益率、夏普比率、最大回撤、利润因子、胜率 — 每个指标回答关于策略的不同问题。读错了,您会部署一个在纸面上看起来很出色但在实盘市场中持续流血的策略。读对了,您可以在花掉一分钱之前过滤掉脆弱的设置。

本指南提供了公式、基准,以及 — 最重要的 — 用于区分真正稳健的回测与巧妙过拟合回测的判断框架。

如果您还没有运行过回测,请先从逐步回测指南开始,然后再阅读本文。

#包含公式的核心绩效指标

#总收益率 vs. CAGR

总收益率是最简单的指标:在整个回测期间投资组合赚取或损失的金额。

总收益率 = (结束价值 - 起始价值) / 起始价值 × 100

如果您从 $10,000 开始,以 $11,850 结束,总收益率为 18.5%。

总收益率的问题在于它忽略了时间。3 个月内 18.5% 的回报是惊人的。3 年内同样的 18.5% 则令人失望。CAGR(复合年增长率)通过将回报按年化标准化来纠正这一点:

CAGR = (结束价值 / 起始价值)^(365 / 天数) - 1

示例: 180 天内 $10,000 → $11,850:

CAGR = (11850 / 10000)^(365/180) - 1 = 1.185^2.028 - 1 = 0.4036 = 40.36%

730 天(2 年)内同样的 $10,000 → $11,850:

CAGR = (11850 / 10000)^(365/730) - 1 = 1.185^0.5 - 1 = 0.0887 = 8.87%

#夏普比率

夏普比率是风险调整后绩效的黄金标准。它回答的问题是:"对于我承受的每个波动单位,我获得了多少回报?"

夏普比率 = (Rp - Rf) / σp

其中:

• Rp = 年化投资组合回报
• Rf = 无风险利率(USD 通常为 4-5%,或仅比较加密货币时为 0%)
• σp = 投资组合回报的年化标准差

示例计算: 机器人以 18% 的标准差实现 42% 的年回报。无风险利率为 5%。

夏普 = (0.42 - 0.05) / 0.18 = 0.37 / 0.18 = 2.06

#索提诺比率

夏普比率对所有波动同等惩罚 — 但上行波动是好的。如果策略一天飙升 5%,夏普会把它当作 5% 下跌一样对待。索提诺比率通过只惩罚下行偏差来纠正这一点:

索提诺比率 = (Rp - Rf) / σd

其中 σd 是仅负回报的标准差。

为什么重要: 捕获大上行波动但限制损失的策略,其索提诺比率会显著高于夏普比率。这告诉您波动是"好的那种"。

示例: 同样的机器人,年回报 42%,无风险利率 5%,但下行偏差仅为 11%:

索提诺 = (0.42 - 0.05) / 0.11 = 3.36

将其与 2.06 的夏普进行比较。巨大的差距告诉您策略的大部分波动来自上行 — 这是一个理想的特征。

#最大回撤

最大回撤(MDD)衡量投资组合价值最大的峰谷下跌。它回答了交易中最个人化的问题:"我必须承受的最坏痛苦是什么?"

MDD = (谷值 - 峰值) / 峰值 × 100

示例: 投资组合从 $10,000 上升到 $13,200(峰值),然后下跌至 $10,890,之后才恢复:

MDD = (10890 - 13200) / 13200 × 100 = -17.5%

两个重要的子指标:

1. 回撤持续时间: 从峰值到谷值的天数。4 天内 -15% 的回撤在心理上比 2 个月内 -15% 更容易承受。
2. 恢复时间: 从谷值回到之前峰值的天数。快速恢复 = 稳健的策略。

#利润因子

利润因子残酷地简单且立即可执行:

利润因子 = 总利润 / 总损失

示例: 机器人在获胜交易中赚 $4,200,在亏损交易中输 $2,100:

利润因子 = 4200 / 2100 = 2.0

#胜率和期望值

胜率是以盈利结束的交易百分比:

胜率 = 获胜交易 / 总交易 × 100

胜率单独是危险的误导。90% 的胜率听起来令人难以置信 — 但如果平均赢 $10,平均输 $200,您就在亏钱。这就是期望值的用武之地:

期望值 = (胜率 × 平均赢) - (败率 × 平均输)

示例: 62% 胜率,平均赢 $85,平均输 $120:

期望值 = (0.62 × $85) - (0.38 × $120) = $52.70 - $45.60 = 每笔交易 $7.10

每笔交易具有 $7.10 的正期望值。在 100 笔交易中,您预计赚约 $710。

#胜率 vs. 风险回报:盈亏平衡表

这是交易中最重要的概念之一。胜率和风险回报比(RR)呈反比关系:如果赢利足够大于亏损,即使胜率较低也能盈利。

任何风险回报比的盈亏平衡胜率为:

盈亏平衡胜率 = 1 / (1 + 风险回报比)

实际示例: 40% 胜率、1:3 风险回报的 DCA 机器人:

• 100 笔交易中:40 赢 × $300 = $12,000 利润
• 60 输 × $100 = $6,000 损失
• 净利润 = $6,000(利润因子 = 2.0)

将其与 70% 胜率、1:0.5 风险回报的机器人比较:

• 70 赢 × $50 = $3,500 利润
• 30 输 × $100 = $3,000 损失
• 净利润 = $500(利润因子 = 1.17)

40% 胜率策略产生了 12 倍的净利润。胜率是虚荣,期望值才是理智。

#资金曲线分析

资金曲线绘制了投资组合价值随时间的变化。它是任何回测报告中信息密度最高的单一可视化。

#平滑阶梯(理想)

健康的资金曲线以一致的阶梯式增量上升。每个阶梯代表一笔已完成的交易。阶梯上升多于下降,阶梯之间的回撤浅而短。

它告诉您什么: 策略在各种市场条件下产生一致、可重复的优势。这是您可以信任真实资本的策略曲线。

#锯齿状(令人担忧)

急剧的上行波动后跟同样急剧的下行波动,形成 Z 字形模式。整体轨迹可能向上,但旅程是动荡的。

它告诉您什么: 回报方差高。最大回撤大,夏普比率可能低于 1.0,实盘交易会考验您的情绪极限。即使总回报为正,策略也是脆弱的。

#曲棍球棒(危险)

大部分时间持平或略微为负,然后突然飙升,几笔交易产生了大部分回报。

它告诉您什么: 策略依赖于特定市场事件(崩盘、暴涨或单一大蜡烛)。移除那几笔交易,策略就无利可图。这不是系统性优势 — 这是恰好与回测窗口对齐的运气。

#悬崖跌落(灾难性)

稳定上升后突然灾难性下跌,抹去大部分或全部利润。

它告诉您什么: 策略没有下行保护。通常由缺失止损、过度杠杆,或隐含做空波动率的策略(收集小额溢价直到尾部事件抹去一切)引起。

#检测过拟合

过拟合是回测策略的沉默杀手。曲线拟合的策略在回测中看起来很出色,但在实盘市场中失败,因为它们记忆了过去的噪音而不是捕捉真正的市场模式。

#过拟合的迹象

1. 在一个交易对上有效,在类似交易对上失败。 如果 BTC/USDT 策略回报 35% 但 ETH/USDT 上完全相同的设置回报 -5%,策略很可能拟合到 BTC 的特定价格历史。

2. 仅在一个时间段内有效。 在最近 6 个月内产生 28% 但在之前 6 个月产生 -3% 的策略记忆了一个特定的市场状态。

3. 太多优化参数。 每个额外参数都给优化器更多自由度来拟合噪音。如果策略有 8 个以上单独优化的参数,过拟合几乎是肯定的。

4. 不切实际的指标。 在 50 笔以上交易中,夏普 > 4、胜率 > 98%、零亏损交易或利润因子 > 5 — 都指向被折磨以拟合数据的策略。

5. 细微设置更改导致性能崩溃。 稳健策略在参数轻微调整时显示渐进的性能变化。过拟合策略在 RSI 从 27 移到 28、或止盈从 1.87% 移到 1.90% 时崩溃。

#样本内 vs. 样本外测试

检测过拟合的标准方法:

1. 分割数据。 取可用的总历史(例如 12 个月)并划分:前 8 个月 = 样本内(训练),最后 4 个月 = 样本外(验证)。

2. 仅在样本内优化。 仅使用前 8 个月找到最佳参数。

3. 在样本外不做任何更改地测试。 将完全相同的参数应用于最后 4 个月。不要调整任何东西。

4. 比较结果。 如果样本外表现在样本内表现的 30-40% 以内,策略可能有真正的优势。如果样本外表现为负或显著更差,策略就过拟合了。

示例:

• 样本内(1 月-8 月):24% 回报,夏普 1.8,67% 胜率
• 样本外(9 月-12 月):11% 回报,夏普 1.2,61% 胜率
• 结论: 表现下降但稳健地为正。这是一个合法策略。

将其与过拟合结果比较:

• 样本内(1 月-8 月):42% 回报,夏普 3.1,88% 胜率
• 样本外(9 月-12 月):-4% 回报,夏普 -0.3,43% 胜率
• 结论: 完全崩溃。策略记忆了训练数据。

#前向分析

比单一样本内/样本外分割更严格的方法:

1. 在 1-6 月优化,在第 7 月测试
2. 在 2-7 月优化,在第 8 月测试
3. 在 3-8 月优化,在第 9 月测试
4. 继续向前滚动

每个样本外期间都使用在不同窗口上优化的参数进行测试。如果策略在所有样本外期间都表现一致良好,则通过了最严格的可用过拟合测试。

#回测结果中的危险信号

回测报告中的某些模式应立即引发怀疑:

#真实示例:策略 A vs. 策略 B

让我们比较 BTC/USDT 上 6 个月(1 月-6 月)$10,000 起始资本的两个真实回测结果。

#策略 A:"高胜率"

#策略 B:"趋势捕获者"

#分析

策略 A 有着诱人的 95% 胜率,但它通过获取小额利润和持有亏损者来实现这一点。每次获胜平均 $18.40,每次损失平均 $142 — 风险回报比约为 1:0.13。4 笔糟糕交易可以抹去 31 笔获胜交易。1.38 的利润因子在实盘交易中几乎没有给滑点和手续费留下利润空间。低夏普(0.72)证实了弱风险调整后表现。

策略 B 只赢 55%,但赢家比输家大 2.3 倍。每笔交易期望值($40.42)几乎是策略 A($10.86)的 4 倍。1.64 的夏普和 2.48 的利润因子显示强劲的风险调整回报。更高的最大回撤(-11.3% vs -6.8%)是真正承担有意义仓位的策略的代价。

#在压力情景下会发生什么?

想象在回测期间发生突然的 12% BTC 崩盘:

• 策略 A: 崩盘同时触发 4 个止损(有许多未平仓微交易)。损失:4 × $142 = $568,抹去 31 笔获胜交易的 $570。一次崩盘事件抹去了一个月的利润。
• 策略 B: 崩盘触发 2 个止损。损失:2 × $48.50 = $97。2 笔获胜交易($224)覆盖损失且仍有结余。策略在结构上具有韧性。

#整合起来:评估框架

收到回测报告时,按以下顺序评估指标:

1. 期望值 — 是否为正?每笔交易多少?
2. 利润因子 — 是否高于 1.5?高于 2.0?
3. 最大回撤 — 您在心理和财务上能否承受这个数字的 1.5 倍?
4. 夏普比率 — 是否高于 1.0?如果高于 3.0,调查过拟合。
5. 资金曲线 — 是平滑阶梯还是锯齿状混乱?
6. 样本外表现 — 策略在未见过的数据上是否保持?
7. 胜率 — 仅在平均赢 vs 平均输的背景下相关。

通过所有 7 项检查的策略很少见 — 而且值得部署。在第 1-3 项失败的策略应被丢弃或根本性重新设计,无论其他指标看起来如何。

如需指导优化通过此框架的策略,请参阅机器人优化指南。

#常见问题

#加密货币交易机器人的良好夏普比率是多少?

对于加密货币策略,夏普比率在 1.0 到 2.0 之间被认为是良好的。加密市场比传统股票更具波动性,所以持续实现 2.0 以上的夏普确实困难。3.0 以上的值应检查是否过拟合。作为背景参考,许多成功的量化对冲基金的夏普比率目标在 1.5 到 2.5 之间。如果加密机器人在涵盖多个市场状态的回测中实现 1.5 的夏普,这是一个强劲的结果。

#当有多个未平仓时,如何计算最大回撤?

最大回撤应从总投资组合资产计算,而不是从单笔交易。在任何给定时点,投资组合价值等于现金 + 所有未平仓仓位的未实现盈亏。随时间跟踪这个综合价值,识别最高峰值和最低后续谷值,并计算百分比下降。许多交易者犯的错误是只看已实现盈亏,这忽略了未平仓的回撤风险。

#为什么策略会有良好的夏普但糟糕的利润因子?

当策略产生许多小盈利交易(以低波动性产生一致利润 → 高夏普)但少数亏损交易相对于个别获胜较大(拖低总利润 / 总损失比 → 低利润因子)时,可能会发生这种情况。这表明策略具有肥尾风险:大部分时间表现良好,但偶尔容易遭受大损失。收紧止损通常以较低胜率为代价修复利润因子。

#我应该使用夏普还是索提诺比率?

使用两者,但对于具有不对称回报特征的策略,更重视索提诺。如果策略在限制下行的同时捕获大上行波动,索提诺将显著高于夏普,反映上行波动是有益的事实。如果夏普和索提诺相似,则策略的波动大致对称 — 上下波动具有相似幅度。

#统计上可靠的指标需要多少笔交易?

至少 30 笔交易提供基本的统计可靠性。要使夏普比率和利润因子与随机噪音有意义地不同,首选 50 笔以上交易。要使胜率稳定在真实值的 ±5% 以内,通常需要 100 笔以上交易。如果您的回测仅显示 15 笔交易,将所有指标视为粗略估计而非可靠预测。延长回测期间或使用更高频策略来产生更多数据点。

#具有相同总收益率的两个策略质量可能差异很大吗?

绝对可以。策略 X 可能以 0.6 的夏普、-25% 的最大回撤和悬崖跌落资金曲线回报 20%。策略 Y 可能以 1.8 的夏普、-8% 的最大回撤和平滑阶梯曲线回报 20%。相同目的地,极其不同的旅程。策略 Y 在所有风险调整维度上都更优。总收益率是用于比较不同风险特征策略最不有用的指标。