第十五章：心理偏差在回测中的体现

做量化交易的朋友，或多或少都经历过这样的场景：回测曲线漂亮得不像话，实盘却亏得怀疑人生。问题出在哪？很多时候不是策略本身不行，而是我们的大脑在回测过程中悄悄动了手脚。

我做了这么多年量化，踩过的坑比吃过的饭还多。今天咱们就聊聊回测中最常见的三种心理偏差——过度自信、确认偏误、损失厌恶。说白了，就是你的大脑在跟你玩把戏。

16.1 过度自信：回测曲线越漂亮，越要警惕

过度自信，是量化新手最容易犯的毛病。回测跑出一个年化50%的策略，心里就开始盘算着财务自由了。嗯，我当年也这样。

为什么会这样？因为回测给了你一个完美的历史数据。你看到的是所有信号都精准捕捉，所有止损都刚好避开。但现实世界不会这么配合。

过度自信的典型表现： - 回测参数优化后，觉得找到了"圣杯" - 忽略样本外测试，直接上实盘 - 把运气当能力，把偶然当必然

我在项目中遇到过一位朋友，他开发了一个趋势跟踪策略，回测三年年化80%。他兴奋地跟我说这次稳了。我问他做过蒙特卡洛模拟吗？他说没有。结果实盘三个月亏了30%。

过度自信的本质，是我们把回测中的"历史拟合"当成了"预测能力"。你想想看，如果回测能保证未来收益，那量化交易也太简单了。

我的建议： 每次回测跑出好结果，先问自己三个问题： 1. 这个策略在样本外表现如何？ 2. 参数稍微偏移一点，结果还稳定吗？ 3. 如果未来市场风格变了，策略还能赚钱吗？

16.2 确认偏误：你只看到你想看到的

确认偏误，说白了就是选择性失明。你心里已经认定某个策略有效，就会不自觉地寻找支持它的证据，忽略反对它的信号。

我有个习惯，每次回测前会先写下策略的潜在缺陷。这样做的好处是，能强迫自己客观看待结果。但大多数人不会这么做。

确认偏误在回测中的表现：

• 只关注盈利的交易，忽略亏损的交易
• 对回测中的异常收益视而不见（比如某次极端行情带来的暴利）
• 不断调整参数，直到回测结果符合预期

我曾经犯过一个错误：开发一个均值回归策略，回测结果很好。但仔细一看，大部分收益来自一次黑天鹅事件。我当时想，这正好说明策略能抓住极端行情啊！后来才意识到，这就是典型的确认偏误——我在为策略找理由，而不是让数据说话。

避坑指南： 我曾经用自动化回测流程解决了这个问题。具体做法是： - 回测前固定参数，不允许手动调整 - 设置严格的样本内外测试规则 - 用程序自动生成回测报告，避免人工解读

16.3 损失厌恶：亏一笔钱比赚一笔钱更难受

行为金融学告诉我们，损失带来的痛苦大约是同等收益带来快乐的两倍。这在回测中会怎么体现？你会不自觉地修改策略，试图避免那些"看起来很难受"的亏损。

举个例子：回测中有一笔连续亏损5次的记录。你看着这个回撤曲线，心里很不舒服。于是你加了一个过滤条件，把这5次亏损过滤掉了。结果呢？策略的胜率提高了，但整体收益反而下降了。

损失厌恶导致的常见问题：

• 过度优化止损参数，导致频繁止损
• 加入太多过滤条件，错过真正的趋势
• 因为害怕回撤，放弃高收益策略

我个人的经验是，回测中的亏损是策略的一部分。你不能因为看着不舒服就去改它。真正重要的是理解亏损的原因：是策略逻辑有问题，还是市场环境变化了？

如何用自动化流程减少人为干预： 我开发了一套自动化回测流程，核心思想就是"减少人的参与"。具体包括： 1. 参数固定化： 回测参数在开始前就确定，不允许中途修改 2. 报告自动化： 回测结果由程序生成，不给人解读的空间 3. 决策流程化： 只有通过所有测试的策略才能进入实盘

16.4 自动化回测流程的设计思路

说了这么多问题，那怎么解决呢？我的答案是：用流程对抗人性。

自动化回测流程

flowchart LR
    A[策略定义<br/>参数固定] --> B[回测执行<br/>自动化运行]
    B --> C[报告生成<br/>标准化输出]
    C --> D{决策判断<br/>通过/不通过}
    D -->|通过| E[实盘部署<br/>自动执行]
    E -->|反馈优化| A
    D -->|不通过| A

这个流程的核心，就是把人的角色从"决策者"变成"监督者"。你不需要在回测过程中做任何判断，只需要在流程结束后检查结果。

具体实现步骤： 1. 编写策略代码： 把策略逻辑写成函数，参数作为输入 2. 设置参数范围： 在回测开始前确定参数组合 3. 批量回测： 用循环或并行计算跑所有参数组合 4. 自动筛选： 根据预设指标（夏普比率、最大回撤等）筛选最优参数 5. 样本外测试： 用未参与优化的数据验证策略

16.5 代码示例：自动化回测框架

下面是一个简单的自动化回测框架示例。我习惯用Python写，因为生态比较完善。

import pandas as pd
import numpy as np
from backtesting import Backtest, Strategy

class MyStrategy(Strategy):
    # 参数固定，不可在回测中修改
    fast_ma = 10
    slow_ma = 30

    def init(self):
        self.fast = self.I(lambda x: pd.Series(x).rolling(self.fast_ma).mean(), self.data.Close)
        self.slow = self.I(lambda x: pd.Series(x).rolling(self.slow_ma).mean(), self.data.Close)

    def next(self):
        if self.fast[-1] > self.slow[-1] and self.fast[-2] <= self.slow[-2]:
            self.buy()
        elif self.fast[-1] < self.slow[-1] and self.fast[-2] >= self.slow[-2]:
            self.sell()

# 自动化回测流程
def auto_backtest(data, strategy_class, param_grid):
    results = []
    for params in param_grid:
        bt = Backtest(data, strategy_class, cash=10000, commission=.002)
        stats = bt.run(**params)
        results.append({
            'params': params,
            'return': stats['Return [%]'],
            'sharpe': stats['Sharpe Ratio'],
            'max_drawdown': stats['Max. Drawdown [%]']
        })
    return pd.DataFrame(results)

# 使用示例
param_grid = [
    {'fast_ma': 10, 'slow_ma': 30},
    {'fast_ma': 20, 'slow_ma': 50},
    {'fast_ma': 5, 'slow_ma': 20}
]
results = auto_backtest(data, MyStrategy, param_grid)
print(results.sort_values('sharpe', ascending=False))

这段代码的核心思想是：参数在回测开始前就固定好了，你不需要在过程中做任何调整。回测结果由程序自动生成，你只需要看最终的排名。

16.6 总结：用流程对抗人性

心理偏差是人性的一部分，你不可能完全消除它。但你可以通过设计合理的流程，减少它对你决策的影响。

心理偏差	表现	自动化解决方案
过度自信	高估策略的预测能力	强制样本外测试，蒙特卡洛模拟
确认偏误	选择性关注有利证据	自动化报告，标准化评估指标
损失厌恶	过度优化避免亏损	固定参数，禁止中途修改

我个人的经验是，自动化回测流程最大的好处不是提高收益，而是让你更客观地看待策略。当你不再被情绪左右，你才能做出更理性的决策。

最后说一句： 量化交易的本质是用规则代替直觉。如果你在回测过程中频繁地"我觉得"、"我认为"，那说明你的流程还不够自动化。把决策权交给程序，把监督权留给自己——这才是量化交易的正确打开方式。

---