回测最常见的错误之一,是拿今天还在交易的品种去测试五年前的策略。那些当年存在、后来退市、清盘、被合并的品种,从样本里消失了。策略在“幸存者”身上表现良好,在“死者”身上可能一塌糊涂。这个偏差不会因为代码写得漂亮而消失,它藏在数据源和样本构建的环节里。
偏差从哪里来:样本是“结果”而非“起点”
幸存者偏差的本质,是用结果反推起点。你打开行情软件,看到的品种列表是当前存续的。用这个列表回溯历史,等于默认“当年只有这些品种”,而事实上当年还有一批后来消失的品种。它们可能是因为亏损退市、规模太小清盘、被并购换代码,也可能是因为交易所规则调整而停止交易。
这些消失的品种往往表现较差。把它们排除在外,回测收益会被系统性高估,回撤被低估。更隐蔽的是,偏差不只影响收益均值,还会影响策略信号的统计显著性:样本变少、变“好”,容易让偶然的规律看起来像稳定的优势。
需要区分两种情形。一是品种彻底消失,数据难以获取;二是品种换了代码或交易所,历史数据仍在但需要拼接。前者造成样本缺失,后者造成数据断裂。两者都会扭曲回测,但处理方式不同。
构建品种池:按“当时可知”而非“事后已知”
正确的做法是时点回看:在回测的每一个历史日期,只使用当天真实存在且可交易的品种。这要求数据源包含品种的上市日、退市日、清盘日或停止交易日,以及代码变更记录。
具体操作可以分三步:
- 获取全量历史名录。向数据商确认是否提供“已退市/已清盘”品种列表。如果没有,至少要有品种的生命周期字段(起始日、终止日、终止原因)。
- 按日期切片。对每个调仓日,筛选出上市日不晚于该日、终止日不早于该日的品种,构成当日可交易池。不要用整个回测期都存在作为筛选条件。
- 处理代码变更。合并、换所、改代码的品种,需要建立映射表,把同一经济实体的历史序列拼接起来,避免被当成两个独立样本。
如果数据源确实缺少退市品种,退而求其次的做法是:明确记录样本存活率,即回测期末存续品种数除以期初品种数。存活率明显低于1时,结果需要打折看待。这个数字回答不了偏差有多大,但能提示你偏差可能存在。
数据缺失与敏感性分析
即使拿到退市品种列表,历史数据也常常残缺:流动性差、报价稀疏、停牌频繁。直接删除这些样本,等于再次引入偏差。更稳妥的做法是保留样本,但对缺失值做保守处理,并测试结果对处理方式的敏感度。
可以设计几组对照:
| 处理方式 | 对回测的影响 | 用途 |
|---|---|---|
| 缺失日不交易 | 降低交易频率,可能低估收益 | 保守基准 |
| 用前值填充 | 制造虚假平稳,可能高估信号 | 乐观对照 |
| 整段剔除 | 重新引入幸存者偏差 | 不推荐,仅作参照 |
如果三种处理下策略表现差异巨大,说明结果对数据质量高度敏感,不宜采信。差异小,才说明结论相对稳健。
回测之外:模拟与实盘的落差
幸存者偏差只是回测失真的一种来源。CFTC 对网络销售交易系统的提示指出,模拟、回测和真实执行的条件不同,宣传的历史结果不能视为未来保证。回测中假设的成交价、滑点、流动性,在真实市场中可能完全不同。退市品种往往流动性差,回测里按收盘价成交的假设,实盘中可能根本无法实现。
因此,防止幸存者偏差不是终点。回测结果需要与以下检查配合:成交假设是否保守、成本是否计入、样本外测试是否独立。任何一项缺失,都可能让“防住了偏差”的回测仍然不可靠。
一个可执行的检查清单
在信任一份回测之前,逐项核对:
- 数据源是否包含已退市、已清盘、已停止交易的品种?
- 品种池是否按历史日期动态构建,而非用当前列表回溯?
- 代码变更、合并、换所是否有映射处理?
- 缺失数据是否保留在样本中,并做了敏感性测试?
- 是否报告了样本存活率和退市品种占比?
- 成交价、滑点、保证金规则是否按保守情形设定?
- 样本外测试是否使用了独立时间段,且同样包含退市品种?
这些问题的答案不能保证回测正确,但能暴露最明显的偏差来源。回测的价值不在于给出一个精确收益数字,而在于帮助理解策略在不利条件下的表现。把消失的品种放回样本,是让这个理解更接近真实的第一步。
本文为知识与方法说明,不是当天行情播报。文中假设案例不代表真实交易结果,不构成个性化投资建议。
