回测

什么是加密货币回测？

回测是指在使用真实资金之前，利用历史市场数据测试交易策略、投资组合规则、交易机器人或风险模型。

在加密货币领域，回测可帮助交易者研究某项策略在过去不同市场环境中的表现，例如牛市、熊市、横盘市场、流动性骤降、资金费率飙升和波动事件。

加密货币回测可用于现货交易、期货类策略、套利模型、投资组合再平衡、DeFi 收益策略、强平风险模型、质押分配规则或做市系统。

基本思路很简单。

交易者先制定规则，再将规则应用于历史数据，并衡量模拟结果。

例如，某项策略可能会在移动平均线转为向上时买入 Bitcoin，并在波动性超过特定水平时卖出。

回测会将这条规则应用于过去的价格数据，观察策略当时会如何表现。

回测无法证明策略未来一定有效。

它只能反映策略在测试所采用的假设、数据、成本和市场条件下的表现。

CFTC 关于 AI 交易机器人的提示指出，AI、算法和交易机器人无法预测未来或突发的市场变化。

这一提醒很重要，因为许多加密骗局会利用看似亮眼的回测结果，让策略显得比实际更安全。

回测为何对加密货币很重要

回测很重要，因为加密市场节奏快、波动大、全球化且全天候开放。

某项策略理论上看似合理，但纳入手续费、滑点、资金费率、Gas 成本和流动性限制后，可能就会失效。

跳过回测的交易者可能不了解策略亏损的频率、回撤可能有多深，或策略对市场状态变化有多敏感。

未经回测就上线交易机器人的开发者，可能要等到真实资金亏损后才发现错误。

未经测试就追逐收益的 DeFi 用户，可能低估智能合约风险、退出流动性的难度、无常损失或强平风险。

回测有助于将交易想法转化为可衡量的假设。

它要求交易者明确定义入场规则、退出规则、仓位规模、手续费、再平衡规则和风险限额。

这很有价值，因为模糊的交易想法容易让人信服，却难以评估。

回测还会在实盘交易开始前，记录策略预期表现。

如果实盘策略与回测表现差异很大，交易者就能意识到情况发生了变化，或模型存在错误。

因此，回测既是研究工具，也是风险管理和纪律管理工具。

回测如何运作

加密货币回测从制定策略规则开始。

规则必须足够明确，以便计算机或分析人员无需猜测即可执行。

下一步是收集历史数据。

数据可能包括价格 K 线、订单簿数据、成交记录、资金费率、未平仓量、钱包资金流、Gas 费、质押奖励、强平事件、代币解锁或 DeFi 池储备。

接下来是清理数据。

清理工作可能包括删除重复项、检查缺失的时间戳、处理交易代码变更、谨慎排除已下架资产以及核实时区。

随后是模拟交易。

模拟应在适用时纳入手续费、滑点、延迟、订单规模、资金费用、借贷成本、Gas 成本和执行失败。

最后一步是衡量结果。

有用的结果指标包括总回报、年化回报、波动性、Sharpe ratio、Sortino ratio、最大回撤、胜率、亏损率、换手率、平均单笔交易、盈利因子、市场敞口和尾部亏损。

好的回测不仅说明策略赚了多少，还要说明它如何盈利或亏损。

薄弱的回测只展示平滑的权益曲线，却不解释风险。

回测与前向测试

回测使用已有的历史数据。

前向测试则使用策略制定后产生的新市场数据。

前向测试可以通过模拟盘交易、Demo Trading、影子交易或极小规模实盘交易进行。

两者的区别很重要，因为回测可能会不慎利用事后信息。

策略可能被调整得过度贴合过去的价格走势。

前向测试有助于检查策略在开发时未使用的数据上是否仍表现良好。

严谨的加密货币交易者不应只依赖回测。

更好的流程是先回测，再进行样本外测试，然后前向测试、小额实盘，最后才考虑扩大规模。

这种分阶段的方法可降低直接从漂亮的历史图表跳入实盘亏损的可能性。

前向测试比回测慢，但往往更能反映真实情况。

回测与模拟盘交易

回测会将策略应用于历史数据。

模拟盘交易则是在实时或当前市场条件下运行策略，但不承担真实资金风险。

回测可以快速研究多年的市场历史。

模拟盘交易可揭示实时问题，例如信号遗漏、执行延迟、订单路由错误、API 错误、数据过时和情绪化决策。

策略可能通过回测，却在模拟盘交易中失败，因为实盘执行比历史模拟更复杂。

模拟盘交易也能检验交易者是否真正遵守规则。

这一点很重要：如果价格快速波动时用户总是擅自更改策略，那么策略就没有意义。

回测和模拟盘交易应结合使用。

回测研究长期历史表现，模拟盘交易则检验当前的实际运行情况。

回测与实盘交易

实盘交易使用真实资金并进行真实执行。

因此，它与回测有很大不同。

回测可能假设订单按 K 线收盘价成交。

实盘交易的成交价可能更差，也可能完全无法成交。

回测可能假设流动性始终充足。

实盘交易中，大额订单可能推动市场价格变化。

回测可能假设交易机器人始终在线运行。

实盘交易可能受到服务器宕机、钱包错误、RPC 故障、API 限制和交易失败的影响。

回测可能忽略情绪。

实盘交易则会带来恐惧、贪婪、后悔和压力。

回测的目的不是取代实盘交易的现实情况。

它旨在帮助交易者积累更多认知、减少盲点，为实盘交易做好准备。

历史数据

历史数据是任何回测的基础。

如果数据有误，即使代码完美，回测结果也可能错误。

加密货币历史数据可能包括价格、K 线、成交记录、订单簿、资金费率、代币供应量、交易手续费、Gas 价格、流动性池状态、借贷利率、预言机价格、验证者奖励和区块链事件。

不同数据源可能存在差异，原因包括时区选择、K 线构建方法、缺失成交、交易代码变化、流动性差异或数据采集系统不佳。

加密数据还分散在不同区块链、钱包、协议和交易场所中。

因此，加密数据质量比许多传统市场更难保证。

优质回测应记录数据源、时间范围、频率、缺失数据处理规则和清理步骤。

如果回测没有说明数据来源，交易者就应保持怀疑。

历史数据不只是一张表格。

它是整个模拟过程的证据基础。

数据质量

数据质量是指数据准确、完整、一致，并适用于所测试的策略。

低质量数据可能制造虚假盈利，或掩盖真实亏损。

缺失的 K 线可能会让回测漏掉亏损。

错误的价格尖峰可能触发虚假信号。

幸存者偏差可能会从数据集中剔除失败代币，让历史结果显得过于理想。

错误的时间戳可能让策略使用交易当时实际无法获得的信息。

未调整的代币迁移可能造成虚假的盈利或亏损。

对于低频投资组合策略，使用日线 K 线回测可能足够。

但对于依赖订单簿行为的高频策略，日线数据可能毫无用处。

数据必须符合策略的交易方式。

更好的数据不能保证策略盈利，但糟糕的数据会让研究失去意义。

前视偏差

前视偏差是指回测使用了模拟交易当时尚不可获得的信息。

这是回测中最危险的错误之一。

例如，策略可能在当天开盘时买入某代币，却把当日收盘价当作当时已经知道的价格。

另一个例子是利用未来的代币上线情况、未来的指数成分或未来的市值排名，决定策略过去会持有哪些资产。

前视偏差会让策略看起来极其盈利，因为它暗中“看到了未来”。

在加密领域，前视偏差可能来自链上数据时间戳、延迟的预言机数据、代币解锁日历，或包含未来分类信息的清理后数据集。

要避免前视偏差，每个数据点都必须在模拟决策时点之前已经可用。

信号只能使用过去和当前的信息计算。

应在信号产生后执行交易，而不是提前执行。

存在前视偏差的回测不是研究，而是意外“穿越时间”。

幸存者偏差

幸存者偏差是指回测只纳入存续到测试期末的资产。

这在加密市场尤为严重，因为许多代币会消失、失去流动性、迁移、被放弃或在上线后崩盘。

如果回测只测试今天仍然成功的代币，就可能忽略真实交易者过去可能买入的失败代币。

这会让策略回报看起来远好于现实。

例如，如果某项针对往年小市值山寨币的回测只纳入今天仍活跃交易的代币，结果就可能显得很强。

真实的回测应纳入各历史时点曾经存在的资产，包括后来失败或流动性枯竭的资产。

这很难做到，因为历史代币范围复杂混乱。

但忽略这一问题会造成虚假的信心。

幸存者偏差对动量、行业轮动和市值排名策略尤其危险。

优质的加密货币回测应说明每个时点的资产范围是如何构建的。

过拟合

过拟合是指策略过度贴合历史数据，导致在新数据上表现不佳。

交易者可能测试大量指标、时间周期、止损、筛选条件和参数，直到某个组合看起来异常出色。

问题在于，结果可能只是历史随机噪声，而非真实优势。

《联邦公报》2024 年一项关于 FINRA 沟通规则的命令指出，回测表现可能误导投资者，因为假设性决策可以借助事后信息进行优化。

学术研究《统计过拟合与回测表现》也提醒，反复测试可能产生亮眼但不可靠的结果。

加密策略尤其容易过拟合，因为交易者可以测试大量代币、指标、时间周期和市场状态。

带有大量可调参数的策略可能完美贴合历史数据，却在实盘中立即失效。

减少过拟合的一种方法是保持策略规则简单。

另一种方法是采用样本外测试和滚动前向分析。

最稳妥的心态是：在证实稳健之前，先对过于完美的回测保持怀疑。

样本内与样本外测试

样本内测试使用策略开发和调参所用的数据时段。

样本外测试则使用未用于构建策略的独立数据时段。

这种区分有助于检验策略发现的是真实模式，还是只记住了某段历史。

例如，交易者可以用 2019 至 2022 年的数据开发策略，再用 2023 至 2025 年的数据测试。

如果策略在样本内表现良好、样本外却失败，就可能存在过拟合。

如果策略在两个时段都表现尚可，稳健性可能更高。

样本外测试成功仍不代表未来一定成功。

它只是比单靠样本内表现提供了更有力的证据。

加密市场结构变化迅速，因此条件允许时，样本外时段也应涵盖不同市场状态。

好的策略不应依赖某个完美的历史窗口。

滚动前向测试

滚动前向测试是一种反复在一个时段训练或调整策略，再在下一个时段测试的方法。

这种方法更贴近真实交易，因为交易者做出未来决策时只能掌握过去的数据。

例如，模型可以使用 6 个月的数据训练，然后交易下一个月。

随后测试窗口向前移动，并重复这一流程。

近期一项 2026 年关于计入交易成本的机器学习 Bitcoin 交易研究采用滚动前向方案，发现交易成本可能使基于朴素预测的策略从纸面盈利转为扣除成本后亏损。

这对加密市场尤其重要，因为交易成本和换手率可能主导结果。

滚动前向测试有助于研究策略如何适应不断变化的市场状态。

它也能揭示模型是否需要频繁调参才能维持效果。

只有不断调整参数才有效的策略可能很脆弱。

滚动前向分析并不完美，但比用单一优化模型测试一个漫长历史时段更贴近现实。

交易成本

交易成本是加密货币回测在实盘中失效的主要原因之一。

成本可能包括交易手续费、价差、滑点、资金费用、借贷利率、Gas 费、跨链桥费用、验证者费用、提现手续费和交易失败成本。

频繁交易的策略在扣除成本前可能盈利，扣除成本后却可能亏损。

这在高频、套利、剥头皮和做市回测中尤为常见。

应根据每种资产和每个时期对成本进行现实建模。

流动性稀薄的小市值代币不应采用与高流动性主流资产相同的成本假设。

DeFi 兑换应纳入价格影响和 Gas 成本。

期货类策略应纳入资金费用和强平风险机制。

上文链接的 2026 年滚动前向研究说明了在加密策略设计中，考虑成本的交易筛选为何至关重要。

扣除成本前盈利的回测只是起点；真正重要的是扣除成本后的回测。

滑点

滑点是预期交易价格与实际成交价格之间的差异。

市场变动、流动性不足，或订单规模相对于可用深度过大时，都可能产生滑点。

加密市场在波动飙升、新闻事件、强平、流动性较低的时段以及 DeFi 池失衡时，滑点可能很大。

假设每笔交易都按 K 线收盘价成交的回测，可能完全忽略滑点。

这会让策略显得远比实际优秀。

滑点模型应考虑订单规模、价差、交易量、订单簿深度、流动性池深度和市场波动性。

小额散户交易的回测和大型基金规模交易的回测可以采用不同假设。

滑点不是无关紧要的细节。

对于高换手率的加密策略，滑点可能决定最终是盈利还是亏损。

严谨的回测都应展示计入和未计入滑点假设时的结果。

手续费和 Gas 成本

手续费是交易、转账、跨链、质押、借款、放贷或与智能合约交互时直接支付的成本。

在中心化订单簿交易中，手续费可能包括 Maker 和 Taker 手续费。

在 DeFi 中，手续费可能包括兑换费、流动性提供者费用、Gas 费、跨链桥费用和交易优先级成本。

Gas 成本对链上策略尤为重要。

忽略 Gas 的 DeFi 回测，可能会让小额交易或频繁再平衡看起来盈利，实际却并非如此。

Gas 费也会随市场状况大幅变化。

低费率时期有效的策略，在网络拥堵时可能失效。

依赖链上执行的策略应在回测中纳入可变 Gas 成本假设。

对于 Ethereum 类网络和其他智能合约链，执行成本本身就是策略的一部分。

如果预期利润低于交易成本，策略就无法在实盘中交易。

资金费率

资金费率是永续掉期市场中多空交易者之间的定期支付。

忽略资金费率的衍生品策略可能得出误导性结果。

例如，某个多仓看似从价格变动中获利，但资金费用可能侵蚀大部分回报。

空仓可能从资金费用中获益，却在价格变动上亏损。

由于交易者持仓方向变化很快，加密市场的资金费率可能大幅波动。

涉及永续合约的回测应尽可能纳入历史资金费率。

如果缺少历史资金费率数据，回测应明确说明所采用的假设。

资金费用还应按正确时间戳计入。

资金费率处理错误会扭曲回报，尤其是持仓数日或数周的策略。

在加密衍生品回测中，资金费率数据不可或缺。

流动性

流动性衡量策略在不大幅影响价格的情况下进出仓位的难易程度。

如果回测假设可以始终按历史价格、以任意数量成交，低流动性代币也可能显示出很高回报。

现实中，买卖有意义规模的资产可能会遇到困难，并产生较大滑点。

流动性对小市值山寨币、NFT 相关资产、DeFi 治理代币、新代币发行和跨链资产尤其重要。

真实的回测应根据历史交易量、订单簿深度或资金池流动性限制订单规模。

还应考虑压力时期流动性是否消失。

只有在交易极小数量时才有效的策略，可能无法扩大规模。

这不代表策略毫无用处，但会限制其资金容量。

资金容量是指在策略表现恶化之前能够投入的资金规模。

优质回测应估算资金容量，而不只是回报。

市场状态

市场状态是指具有鲜明市场特征的一段时期。

加密市场状态可能包括牛市、熊市、横盘市场、高波动崩盘、低波动积累、流动性扩张、流动性收缩和减半后的周期。

在一种市场状态中表现良好的策略，可能在另一种状态中失效。

趋势跟随策略可能适用于强方向性行情，却难以应对震荡市场。

均值回归策略可能适用于区间行情，却在突破时失效。

套利策略可能在市场分割时有效，但随着市场效率提高而机会减少。

条件允许时，回测应按市场状态拆分结果。

这样交易者就能了解策略预计何时有效、何时可能遭遇困难。

单一回报数字会掩盖太多信息。

市场状态分析有助于将回测转化为风险认知。

风险指标

风险指标有助于揭示策略回报背后的风险。

仅看总回报并不足够。

一项策略即使让资金翻倍，但过程中曾亏损 80%，对多数用户来说也可能无法接受。

常用风险指标包括最大回撤、波动性、下行偏差、Sharpe ratio、Sortino ratio、Calmar ratio、风险价值、预期短缺、胜率、亏损率、平均亏损、尾部亏损和水下时间。

最大回撤显示测试期间从峰值到谷值的最大跌幅。

水下时间显示策略低于此前高点持续了多久。

Sharpe ratio 用回报与波动性进行比较，但如果回报不服从正态分布，该指标可能具有误导性。

Sortino ratio 更侧重下行波动性。

对加密市场而言，尾部风险很重要，因为市场可能突然大幅下跌。

好的回测应同时展示回报和代价。

回撤

回撤是投资组合从某个高点跌至之后低点的幅度。

这是最重要的回测指标之一，因为它显示交易者必须承受多大的亏损。

高回报伴随高回撤的策略，在心理上可能难以坚持。

例如，回测可能显示长期盈利强劲，却包含 70% 的回撤。

许多用户可能在策略恢复前就放弃了。

回撤对杠杆策略也很重要，因为大幅亏损可能触发强制平仓。

在 DeFi 中，回撤可能导致抵押品被强制清算或需要紧急提现。

回测应展示最大回撤、平均回撤、回撤持续时间和恢复时间。

回报最高的策略不一定最好。

通常，更好的策略是用户实际能够承受其回报波动的策略。

Sharpe ratio

Sharpe ratio 是常见的风险调整后回报指标。

它比较超额回报与波动性。

Sharpe ratio 越高，通常意味着策略每承担一单位波动性所获得的回报越高。

但 Sharpe ratio 在加密市场也有局限。

加密回报可能呈偏态、厚尾，并受市场状态影响。

策略在平静时期可能有不错的 Sharpe ratio，却仍会遭遇罕见的大额亏损。

过拟合，或只赚取小额收益却掩盖尾部风险的策略，也可能抬高 Sharpe ratio。

例如，某项策略每天赚取少量利润，却偶尔遭遇巨额亏损，在崩盘出现前可能看起来很稳定。

Sharpe ratio 应与回撤、尾部风险和压力测试指标结合使用。

没有任何单一指标能够完整解释加密策略。

压力测试

压力测试用于检查策略在困难或极端情况下的表现。

加密货币压力测试可以模拟价格突然崩盘、流动性缺口、链上拥堵、稳定币脱锚、资金费率飙升、预言机延迟、跨链桥延误或交易所停机。

压力测试不同于常规回测，因为它着重关注可能出错的情况。

历史压力测试使用过去真实发生的事件。

合成压力测试则构建可能尚未发生的假设场景。

两者都有用。

历史测试展示策略面对已知危机时的表现。

合成测试则检验策略能否承受历史样本之外的情况。

SEC 关于加密资产的投资者提示指出，加密资产投资可能具有极高的波动性和投机性。

压力测试是在承担资金风险之前认真对待这种波动性的一种方法。

情景分析

情景分析研究策略在特定市场情境下的表现。

例如，交易者可以测试 Bitcoin 单日下跌 25%、山寨币流动性下降且 Gas 费上升时会发生什么。

另一个情景可以测试稳定币脱锚、借贷利率飙升且 DeFi 提现变慢时的情况。

还可以测试趋势信号不断失效的长期横盘市场。

情景分析有助于交易者思考平均情形之外的情况。

它可以揭示常规回测遗漏的隐藏依赖关系。

例如，某项策略表面上是山寨币策略，实际上却依赖稳定币流动性。

某项策略的主要信号可能是价格动量，但仍可能依赖低廉的 Gas 费。

情景分析对加密市场尤其有用，因为市场结构风险可能突然出现。

好的回测会询问市场表现恶劣时会发生什么，而不只关注正常情况。

DeFi 回测

DeFi 回测是指使用历史智能合约、流动性和市场数据测试链上策略。

示例包括提供流动性、借贷、收益耕作、流动性质押、金库策略和自动再平衡。

DeFi 回测比简单的价格回测更困难，因为智能合约状态会不断变化。

流动性池策略需要历史储备、手续费、代币价格、流动性提供者份额和无常损失计算。

借贷策略需要历史利率、抵押品价值、强平阈值、预言机行为和资金利用率。

金库策略需要存入规则、提现规则、绩效费用、智能合约风险和再平衡逻辑。

还必须计入 Gas 成本，因为链上策略可能需要执行多笔交易。

忽略交易失败、MEV、预言机延迟和退出流动性的 DeFi 回测可能不切实际。

DeFi 回测很有价值，但需要比基础现货交易测试更深入的数据建模。

策略的质量取决于其链上假设的可靠性。

MEV 与回测

MEV 是最大可提取价值（maximal extractable value）的缩写，指通过对区块链交易进行排序、插入或排除而获得的价值。

依赖链上执行的策略进行回测时，MEV 可能造成影响。

DeFi 套利回测可能假设交易者能够捕捉价格差异。

但在实盘市场中，其他搜索者可能会先一步捕捉机会。

兑换交易可能遭遇三明治攻击，或以比预期更差的价格执行。

强平策略可能被速度更快的机器人抢先。

忽略交易排序的回测可能高估盈利能力。

对于链上策略，执行优先级、区块收录、Gas 竞价、私有交易路由和竞争都很重要。

MEV 让加密回测更像基础设施竞争，而非简单的信号测试。

如果回测假设链上机会总能完美执行，就应谨慎看待结果。

套利回测

套利回测用于测试试图从不同市场或区块链之间的价格差异中获利的策略。

加密套利可能涉及现货市场、永续合约、资金费率、流动性池、跨链桥或预言机差异。

套利回测很容易被做得看似盈利，却很难做得真实可靠。

模拟必须纳入手续费、延迟、转账延误、资金费用、借贷成本、未成交订单、库存限制、区块链最终性、跨链桥延迟和资金占用。

历史 K 线上出现的价差，实时交易时未必能够捕捉。

其他交易者或机器人可能已先行抓住机会。

网络拥堵可能阻止结算。

跨链桥可能需要很长时间才能转移资金。

套利回测应使用带有高质量时间戳的数据和保守的执行假设。

只在扣除成本和延迟之前盈利的策略，通常不是真正的套利优势。

交易机器人回测

交易机器人回测是在连接真实账户或钱包之前，测试自动化策略。

机器人回测应使用与实盘机器人完全相同的规则。

如果实盘机器人设有订单规模限制，回测也应纳入这些限制。

如果实盘机器人会在高波动时期暂停，回测也应模拟这项规则。

如果实盘机器人使用止损，回测应根据现实的价格路径计算止损。

机器人回测还应纳入执行失败、API 速率限制、数据过时、部分成交和重新连接延迟等运行问题。

CFTC 警告称，骗子会推广交易机器人和加密资产交易方案，并宣称可获得不合理的高回报或保证回报。

如果某款机器人只展示完美回测截图，用户就应保持怀疑。

真正的机器人应提供透明的假设、风险限额和实盘表现跟踪。

回测是开发机器人的必要环节，但不能证明机器人安全。

机器学习回测

机器学习回测用于测试利用数据生成交易信号或投资组合决策的模型。

机器学习可以分析多种特征，包括价格动量、波动性、订单流、链上活动、市场情绪、资金费率和宏观变量。

但机器学习也会增加过拟合风险。

特征众多的模型可能发现纯属偶然的模式。

加密数据集噪声大、非平稳，且受不断变化的市场结构影响。

这意味着某个时期有效的模型，可能在另一时期失效。

机器学习回测应采用适用于时间序列的验证、样本外测试、滚动前向测试、特征泄漏检查和交易成本建模。

上文链接的 2026 年 Bitcoin 滚动前向研究发现，如果预测结果被转化为过多且成本高昂的交易，仅有预测准确率并不足够。

这一经验同样适用于广泛的加密机器学习领域。

模型不仅要有统计意义，还必须在扣除成本后仍可交易。

实施风险

实施风险是指策略的编码或模拟方式导致回测结果发生变化的风险。

即使测试同一策略，不同回测引擎也可能因手续费、订单时点、缺失数据、仓位规模或四舍五入处理方式不同而得出不同结果。

近期一项关于投资组合回测实施风险的 2026 年研究探讨了不同引擎可能因实施细节而产生可衡量的差异，尤其是在纳入交易成本时。

这对加密市场很重要，因为细节可能造成重大影响。

在 K 线收盘时入场的机器人，与在下一根 K 线开盘时入场的机器人并不相同。

每天复利盈利的策略，与采用固定仓位规模的策略也不同。

代币数量取整错误的 DeFi 回测可能扭曲回报。

在错误时间计入资金费率的回测可能产生虚假结果。

通过代码审查、单元测试、独立复现和清晰文档，可以降低实施风险。

回测应具备可复现性，之后才值得信任。

执行假设

执行假设定义了回测中的交易方式。

其中包括订单类型、成交价格、成交概率、价差、滑点、延迟、部分成交、最小订单规模和交易失败情况。

一种常见的错误假设是，每个信号都能以最佳可见价格、无限数量成交。

这在加密市场中很少符合现实。

更真实的回测可以假设市价单会跨越价差、限价单可能无法成交，而大额订单会产生更多滑点。

执行假设应符合策略实际采用的交易方式。

长期的每月再平衡策略，无需像高频套利机器人那样进行同等细致的建模。

DeFi 兑换策略必须模拟资金池价格影响和 Gas 成本。

采用止损的策略应模拟日内价格路径，而不只是每日收盘价。

许多吸引人的回测，只有在考虑执行假设后才会变得真实，也不再那么亮眼。

仓位规模

仓位规模决定每笔交易投入多少资金。

即使信号很好，仓位规模过于激进也可能导致亏损。

如果回测在幸运时期采用不切实际的复利方式，弱信号也可能显得盈利。

加密仓位规模应考虑波动性、流动性、最大回撤、相关性、杠杆和强平风险。

固定规模仓位更容易理解。

按权益比例设置仓位会让收益和亏损复利累积。

波动率目标仓位会在波动上升时降低敞口。

风险平价仓位会平衡不同资产的敞口，但压力时期相关性上升时可能失效。

回测应明确说明仓位规模的确定方法。

策略表现往往与仓位规模同样取决于入场信号。

再平衡规则

再平衡规则规定投资组合何时恢复到目标权重。

加密投资组合回测可以每日、每周、每月、每季度再平衡，或在资产配置偏离指定区间时再平衡。

频繁再平衡可能改善风险控制，但也会增加交易成本和税费。

在 DeFi 中，频繁再平衡还可能增加 Gas 成本和智能合约敞口。

回测应采用交易者实际能够执行的再平衡频率。

还应纳入每次再平衡时现实的交易规模和成本。

使用免费每日再平衡时表现良好的策略，在真实手续费和滑点下可能失效。

再平衡规则应足够简单，以便在市场承压时也能遵循。

优质的再平衡回测会解释风险控制与成本之间的取舍。

再平衡是一项投资组合规则，不是创造回报的魔法。

基准

基准是用于判断策略是否创造价值的参照标准。

在加密市场，基准可以是持有 Bitcoin、持有按市值加权的主流资产组合、持有稳定币、使用简单移动平均线规则，或采用基础的买入并持有投资组合。

策略应与公平的基准进行比较。

如果策略承担较高的山寨币风险，只与现金比较可能产生误导。

如果策略使用杠杆，基准应考虑风险水平。

如果策略频繁交易，基准也应纳入现实成本。

基准有助于回答一个重要问题。

策略是否创造了价值，还是只是受益于上涨市场中的市场敞口？

许多加密策略在牛市中看起来表现良好，因为几乎所有资产都在上涨。

好的基准能显示策略在考虑风险和成本后，是否优于更简单的替代方案。

回测报告

回测报告应说明策略、数据、假设、结果和风险。

报告应包括测试时段、资产、数据源、手续费、滑点、订单假设、仓位规模和再平衡规则。

报告应展示扣除成本后的净结果。

报告应展示回撤，而不只是回报。

报告应按年份或市场状态展示表现。

报告应展示交易笔数和换手率。

报告应展示结果对关键参数的敏感度。

报告应说明已知弱点。

只展示权益曲线上涨的报告并不完整。

严谨的报告应让人更容易发现问题，而不是更难发现。

回测与监管

从监管和营销角度看，回测表现可能涉及敏感问题。

向客户或投资者展示回测结果时，视司法管辖区和具体事实而定，结果可能被视为假设性表现或广告。

SEC 营销合规常见问题说明，投资顾问广告若包含业绩结果，必须满足特定要求。

《联邦公报》关于 FINRA 沟通规则的命令指出，回测表现可能更容易误导投资者，因为事后信息可能被用于优化假设性的投资决策。

这一点对加密市场很重要，因为交易机器人、信号销售者、网红和策略供应商经常宣传历史表现。

用于私人研究的回测，与用于公开募资或销售策略的回测并不相同。

任何宣传加密货币回测表现的人，都应了解适用法律并避免夸大宣传。

如果卖家没有清楚披露假设和风险，用户就应谨慎看待其回测宣传。

回测表现不等于经过审计的实盘表现。

绝不能将过去的模拟表现宣传成有保证的未来回报。

回测骗局

回测骗局利用历史图表，让交易系统看起来安全、自动化且有利可图。

骗子可能展示没有回撤的完美权益曲线。

骗子可能隐瞒手续费、滑点、交易失败和亏损时段。

骗子可能只选择表现最好的历史窗口。

骗子可能意外或故意使用未来数据。

骗子可能声称 AI 机器人经过回测，因此不可能亏损。

CFTC 提示称，AI 生成的算法、交易信号、加密套利算法或机器人宣称可获得高额或保证回报，是常见的欺诈警示信号。

用户应要求提供经过验证的实盘结果、完整方法、风险指标、代码审查和明确的成本假设。

用户还应避免将私钥或账户的完全控制权交给机器人卖家。

回测可以支持研究，但脱离背景展示时，也可能被用来欺骗。

常见回测错误

常见错误之一是忽略交易成本。

另一个错误是忽略滑点。

第三个错误是不慎使用未来数据。

第四个错误是只测试存续下来的资产。

第五个错误是优化过多参数。

第六个错误是只按总回报评判策略。

第七个错误是忽略回撤和尾部亏损。

第八个错误是假设流动性无限。

第九个错误是忽略税费和再平衡成本。

第十个错误是从回测直接转向大额实盘资金。

这些错误很常见，因为回测工具会让策略测试显得很简单。

难点不在于生成图表。

难点在于让图表符合现实。

加密货币回测最佳实践

使用可靠来源提供的干净数据。

记录数据来源、时间范围和清理规则。

使用特定时点的数据，避免前视偏差。

测试资产筛选策略时，纳入已下架或失败的资产。

在适用时纳入交易手续费、滑点、价差、资金费率、Gas 成本和执行失败。

进行样本外测试和滚动前向测试。

保持策略规则简单易懂。

对关键参数进行敏感性测试。

将策略与公平的基准进行比较。

研究回撤，而不只是回报。

在投入大量实盘资金前进行前向测试。

绝不要把回测当作未来盈利的承诺。

回测的好处

回测的第一个好处是培养纪律。

它迫使交易者制定明确规则，而不是凭情绪交易。

第二个好处是提高风险意识。

回测可以展示回撤、连败、波动性和尾部事件。

第三个好处是分析成本。

回测可以显示手续费、滑点、资金费用和 Gas 成本是否会侵蚀预期利润。

第四个好处是比较策略。

交易者可以在相同假设下比较多种方法。

第五个好处是为实际运行做准备。

开发者可以在实盘部署前发现编码和执行问题。

第六个好处是在有限范围内建立信心。

现实的回测可以帮助用户遵循计划，但绝不能让用户盲目自信。

回测的局限

第一个局限是未来可能与过去不同。

第二个局限是历史数据可能不完整或有误。

第三个局限是成本和流动性可能发生变化。

第四个局限是实盘执行比模拟更困难。

第五个局限是策略规则可能过拟合。

第六个局限是回测可能忽略运行故障。

第七个局限是加密监管、代币经济学和市场结构可能迅速变化。

第八个局限是回测无法完整模拟恐慌、贪婪或用户行为。

第九个局限是价格数据可能无法体现智能合约和跨链桥风险。

第十个局限是吸引人的历史回报也可能只是随机运气。

只有理解回测的局限，它才有用。

相关加密术语

交易机器人是根据规则或信号自动下单的软件。

滑点是预期交易价格与实际成交价格之间的差异。

资金费率是永续市场中多空交易者之间的定期支付。

回撤是投资组合从高点跌至之后低点的幅度。

过拟合是指策略过度贴合历史数据，导致在新数据上失效。

前向测试是指使用新的实时市场数据测试策略，而不只依赖历史数据。

模拟盘交易是指不使用真实资金进行模拟实盘交易。

Sharpe ratio 是一种风险调整后回报指标，用于比较超额回报与波动性。

流动性是指资产在不产生较大价格影响的情况下进行交易的难易程度。

DeFi 是使用智能合约构建的去中心化金融应用。

常见问题

加密货币中的回测是什么意思？

加密货币回测是指在使用真实资金之前，利用加密市场历史数据测试交易策略、机器人或投资组合规则。

盈利的回测能保证未来盈利吗？

不能。市场、成本、流动性和交易行为都可能变化，因此盈利的回测无法保证未来盈利。

为什么加密回测在实盘中会失败？

加密回测经常因忽略手续费、滑点、资金费率、Gas 成本、流动性限制、过拟合和执行问题而在实盘中失败。

什么是前视偏差？

前视偏差是指回测使用了模拟交易当时尚不可获得的信息。

回测中的过拟合是什么？

过拟合是指策略过度贴合历史数据，导致在新数据上表现不佳。

什么是样本外测试？

样本外测试是指使用未用于构建或调整策略的数据测试策略。

什么是滚动前向测试？

滚动前向测试是指反复在一个历史时段训练或调整策略，再在下一个时段测试。

回测应纳入滑点吗？

应当纳入，因为实际成交价格可能差于历史信号价格。

DeFi 策略是否需要采用不同的回测方式？

需要。DeFi 策略需要考虑链上数据、Gas 成本、流动性池行为、智能合约假设、预言机行为和交易失败建模。

什么是好的回测指标？

没有单一指标足够全面，因此用户应查看回报、回撤、波动性、Sharpe ratio、换手率、胜率、尾部亏损和不同市场状态下的表现。

经过回测的 AI 交易机器人值得信任吗？

不能仅凭回测就信任。AI 机器人仍需具备透明的假设、实盘验证和风险控制；对于保证回报的宣传，用户应高度警惕。

使用回测最稳妥的方法是什么？

最稳妥的方法是把回测作为研究步骤之一，然后进行样本外测试、前向测试、小额实盘部署和持续监控。

结语

回测是加密货币交易者、交易机器人开发者、投资组合经理和 DeFi 策略构建者最重要的工具之一。

它允许用户在承担真实资金风险之前，利用历史数据测试策略规则。

优质回测可以揭示回撤、连败、成本敏感性、流动性限制和市场状态方面的弱点。

它还能帮助用户比较策略并避免情绪化交易。

但回测并不能证明未来表现。

加密市场波动大、碎片化且不断变化。

历史数据可能不完整，成本可能被低估，流动性可能消失，实盘执行也可能失败。

回测中最大的危险包括前视偏差、幸存者偏差、过拟合、不现实的执行假设和忽略交易成本。

这些问题可能让薄弱策略显得强大。

现实的加密货币回测应纳入手续费、滑点、资金费率、Gas 成本、流动性限制、仓位规模、回撤和样本外验证。

对于 DeFi 策略，适用时还应纳入智能合约状态、资金池流动性、Gas、MEV、预言机行为和交易失败。

对于机器学习策略，应进行滚动前向测试并严格控制数据泄漏。

对于交易机器人，应纳入 API 故障、数据过时和部分成交等运行问题。

如果回测让人更难轻信策略，而不是更容易推销策略，它才最有用。

强有力的回测应在市场暴露问题之前，先挑战假设并揭示弱点。

加密用户应牢记：回测是准备工具，不是预测机器。

它可以改善决策，但不能消除风险。

最佳做法是谨慎回测、进行前向测试、从小额开始、监控实盘结果，并绝不相信任何承诺保证回报的策略。