回测偏差（优化 / 前视 / 幸存者 / 心理承受）

一句话

回测偏差 = 四类系统性把回测结果吹高的机制：优化偏差（调参调到好看）、前视偏差（未来数据混进过去）、幸存者偏差（只测活到今天的标的）、心理承受偏差（实盘扛不住回撤中途放弃）。偏差几乎不可能消除，只能尽量压低；所以回测表现只该当「理想上界」看待。

当前理解

优化偏差（optimisation bias / curve fitting / data-snooping）

• 机制：为让策略在回测数据集上好看而不断调参、加参数；实盘换了一批数据就现形。
• 参数指什么：进出场标准、回看期、均线平滑期、波动率测量频率等。
• 缓解：参数个数压到最少；样本量加大（但老样本可能属于旧 regime，不再适用）；对每个参数做灵敏度分析——绩效「曲面」平滑才可信，跳变多是测试数据的人工产物。
• 在本库的对应物：聚宽多回测与参数网格（多回测与参数网格分析（分位回测、超额评估））就是用「一批参数组合 + 超额评估」代替手调，本质是在对冲这种偏差；指标效果统计（指标效果的历史频率统计（赢平输频次与最佳区间））用「赢平输频次 + 样本量门槛」避免拍脑袋定阈值。

前视偏差（look-ahead bias）

• 机制：模拟走到时刻 N，却混进了 N+k（k>0）、当时实际拿不到的数据。三个常见来源：索引错位的技术 bug；用全样本（含未来）算线性回归系数再回溯应用；用当期才知道的高/低价（OHLC 极值）做当期决策——高/低价至少要滞后一期。
• 作者点明：它常是「实盘明显跑输回测」的头号原因。
• 在本库的对应物：任何用到「当日最高/最低价突破」信号的策略（如海龟的唐奇安通道）都要警惕极值只在收盘后确定——回测引擎若用当日盘中极值撮合当日信号，就引入了它。

幸存者偏差（survivorship bias）

• 机制：数据集只含「活到今天」的标的，把已退市的排除了。在 2001 年崩盘前后测科技股，只测挺过来的那批，等于预先知道谁成功。
• 它是前视偏差的一个特例：未来信息（谁活下来）被放进过去分析。
• 缓解：买含退市实体的无偏数据集（贵，机构用）；别默认 Yahoo Finance 干净（零售常用，但它有幸存者偏差）；用更近的数据 + 从当下自建无偏集，3–4 年见成效；或做不太沾该偏差的资产（部分商品期货）。
• 在本库的对应物：A 股因子/小市值回测（因子选股（排名 / 打分 / 阈值筛选）、回测评价三指标（收益 / 最大回撤 / 交易次数））依赖的历史成分与退市处理——聚宽历史快照能否还原「当时可选的全集」直接决定回测真假。

心理承受偏差（psychological tolerance bias）

• 机制：回测 5 年以上，整体向上的曲线让人以为能承受回撤。典型例：动量策略最大回撤 25%、最长回撤期 4 个月——回测里觉得能忍，实盘极难熬，策略常在长回撤中被停掉，于是实盘远差于回测。
• 它不算统计偏差，是行为偏差：算法再自动化，决定「停不停」的仍是人。
• 缓解：回测出现某百分比/时长的回撤，就按「实盘会重现」做预案；准备好坚持到重新盈利。

成本与数据层面的「隐性偏差」

• QuantStart Part II 补充两类回测比实盘好看的非统计来源：交易成本被低估（滑点与市场冲击是分水岭，动量策略滑点尤其大）与数据不干净（免费合成 OHLC 报价带异常极值与 tick 错误，策略用 OHLC 极值信号会失真）。详见 交易成本（佣金、规费、过户费与印花税）。
• 含义：回测要贴近实盘，除了压统计偏差，还要建模成本、选对数据、正确撮合市价/限价单。

来源

• 回测是什么：影响回测的四大偏差与软件选型（QuantStart） — 四大偏差的完整定义、例子与缓解（QuantStart Part I）
• 交易成本建模与回测引擎的实现细节（QuantStart） — 成本模型谱系、订单类型与 OHLC 数据问题（QuantStart Part II）
• raw 路径：原始出处（已归档）、02-….md
• 关联：回测评价三指标（收益 / 最大回撤 / 交易次数）（「回测三指标」回答赚不赚/稳不稳/信不信，偏差回答「信不信」的深层问题）、多回测与参数网格分析（分位回测、超额评估）（优化偏差的对冲工具）、交易成本（佣金、规费、过户费与印花税）（成本层面的隐性偏差）、QuantStart 算法交易回测方法论（Part I–II）（系列总览）

常见混淆

• 优化偏差 ≠ 只是「过拟合」：过拟合指模型吃掉噪音，优化偏差指为回测好看而调参——是同一家族的不同名字（曲线拟合、数据窥探都是别名），别当三种独立问题。
• 幸存者偏差 ≠ 独立新偏差：它本质是前视偏差的特例——「谁活到今天」是未来信息。作者明确点出这层关系。
• 前视偏差 ≠ 只来自代码 bug：参数用全样本回归、当期用 OHLC 极值都是隐蔽来源，别只查索引。
• 心理承受偏差 ≠ 统计偏差：它发生在「人要不要继续跑策略」的决策层，统计上回测没错，错在实盘执行被情绪中断。
• 回测差 ≠ 策略差（未必）：偏差主要是「吹高」，但反过来也有策略回测保守、实盘更好的情况——不能把「回测差所以策略差」当成铁律。
• 别把「回测 = 上界」理解成回测一定虚高固定比例：偏差大小随策略、数据、频率而变，没有统一折扣系数。

开放问题

• A 股语境下四类偏差分别有多重：退市股历史数据可得性、指数成分快照是否含已退市者、涨跌停对回测撮合的影响——本站现有素材未量化 [需要验证]。
• QuantStart 只讲「尽量压低」，没给系统化的样本外/前推（walk-forward）验证流程；那套做法在本库暂无专页，后续可收。
• 「灵敏度曲面平滑才可信」是经验法则，怎样算「平滑」没有判据；参数网格（多回测与参数网格分析（分位回测、超额评估））的分位回测是它的一种可操作化，但判据仍待讨论。