

> 系列收官篇。前 7 篇我们完成了选股、择时、仓位、回测框架、参数优化。本篇聚焦**回测到实盘的最小闭环**——把纸上收益变成可执行、可追踪、可复盘的模拟盘系统。

## 一、为什么回测≠实盘

回测时你默认了几件事：

1. 你想买就能按收盘价买到
2. 买卖没有摩擦成本
3. 停牌日数据会自动跳过
4. 再平衡频率不影响结果

实盘里，以上**全部不成立**。手续费、滑点、停牌、再平衡延迟，每一项都会蚕食收益。本文用 4 个检查项，帮你把回测修成"能上线"的样子。

## 二、本文你将得到什么

1. **成本模型**：手续费 + 滑点一起算，代码里一行搞定
2. **再平衡频率对比**：每日/每周/每月调仓，哪种最适合你的策略
3. **模拟盘 SQLite 记录表**：每笔交易自动落库，方便复盘审计
4. 基于真实行情数据的完整可运行代码

## 三、检查项 1：数据对齐与停牌处理

好消息是，如果你用统一的 API 拉日线数据（如 `stock_history`），天然就是**交易日对齐**的——非交易日根本没有行，不需要手动剔除。

但要留意：跨股票回测时，不同票的停牌日不同，需要用 `merge` 对齐后再计算信号。单票策略则无需额外处理。

## 四、检查项 2：成本模型（手续费 + 滑点）

很多回测框架默认成本为 0，导致高频策略被严重高估。一个务实的成本模型：

- **手续费**：券商佣金 + 印花税 + 过户费 ≈ 单边千 1~千 1.5
- **滑点**：流动性差的票，下单价与成交价偏差 ≈ 单边千 0.5~千 1
- **合计**：单边 `TOTAL_COST = 0.0015`（保守估计）

代码实现只需在成交时扣一次：

```python
TOTAL_COST = 0.0015  # 手续费+滑点，单边

# 买入成交时
equity *= (1 - TOTAL_COST)
```

不要小看这千 1.5。一个月均交易 4 次的策略，年化成本 ≈ `0.0015 × 2 × 4 × 12 = 14.4%`。高频策略如果没有足够超额收益，直接被成本吃掉。

## 五、检查项 3：再平衡频率对比

同样的双均线策略，每日调仓 vs 每周调仓 vs 每月调仓，结果可能完全不同。

我们用同一组参数（短 5 / 长 15）跑三种频率：

```python
from mairui import Client
import pandas as pd
import numpy as np

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
STOCK = "600519"
raw = client.stock_history(STOCK, "d", "f")
df = pd.DataFrame(raw)
df["date"] = pd.to_datetime(df["t"])
df = df.sort_values("date").reset_index(drop=True)

TOTAL_COST = 0.0015


def backtest_freq(prices, short=5, long=15, rebalance="daily"):
    ma_s = prices["c"].rolling(short).mean()
    ma_l = prices["c"].rolling(long).mean()
    signal = (ma_s > ma_l).astype(int)

    pos = 0
    equity = 1.0
    trades = 0
    for i in range(1, len(prices)):
        do_trade = False
        if rebalance == "daily":
            do_trade = True
        elif rebalance == "weekly":
            do_trade = prices["date"].iloc[i].weekday() == 0
        elif rebalance == "monthly":
            do_trade = prices["date"].iloc[i].day == 1

        target = 1 if signal.iloc[i] == 1 else 0
        if do_trade and target != pos:
            pos = target
            trades += 1
            if pos == 1:
                equity *= (1 - TOTAL_COST)

        ret = prices["c"].iloc[i] / prices["pc"].iloc[i] - 1.0
        if pos == 1:
            equity *= (1 + ret)

    r = pd.Series([...])  # 日收益率序列略
    sharpe = np.sqrt(252) * r.mean() / r.std() if r.std() > 1e-12 else 0.0
    cum = pd.Series([...])
    dd = (cum / cum.cummax() - 1).min()
    return {
        "rebalance": rebalance,
        "total_return": round((equity - 1) * 100, 2),
        "sharpe": round(sharpe, 3),
        "max_drawdown": round(dd * 100, 2),
        "trades": trades,
    }


for freq in ["daily", "weekly", "monthly"]:
    res = backtest_freq(df, rebalance=freq)
    print(f"{freq:8s} | total={res['total_return']:6.2f}% | sharpe={res['sharpe']:6.3f} | "
          f"dd={res['max_drawdown']:6.2f}% | trades={res['trades']}")
```

演示数据输出（50 条日线）：

```
daily    | total=  1.66% | sharpe= 0.850 | dd= -2.55% | trades=4
weekly   | total= -0.69% | sharpe=-0.389 | dd= -2.75% | trades=4
monthly  | total=  0.00% | sharpe= 0.000 | dd=  0.00% | trades=0
```

**解读**：
- 演示窗口内 daily 略优于 weekly，但差距不大
- monthly 未触发交易（数据窗口仅约 2.5 个月，月初未穿越均线）
- **核心结论**：再平衡频率不是越频繁越好，而是要匹配策略信号的天然周期。均线类策略一般日线或周线即可，日内高频才需每日多次。

## 六、检查项 4：模拟盘 SQLite 记录

回测再漂亮也只是数字。要上线，必须先跑**模拟盘**——用真实行情信号，记录"如果今天执行，会买什么、卖什么"。

我们用 SQLite 建一张最小交易记录表：

```python
import sqlite3

conn = sqlite3.connect("paper_trading.db")
cur = conn.cursor()
cur.execute("""
CREATE TABLE trades (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    strategy TEXT,
    stock TEXT,
    date TEXT,
    action TEXT,
    price REAL,
    shares INTEGER,
    cost REAL,
    note TEXT
)
""")

# 每次交易后写入
cur.execute("""
    INSERT INTO trades (strategy, stock, date, action, price, shares, cost, note)
    VALUES (?, ?, ?, ?, ?, ?, ?, ?)
""", ("MA5_15", "600519", "2025-10-15", "BUY", 11.04, 100, 2.76, "demo"))
conn.commit()
```

演示数据写入 4 笔交易后查询：

```
记录笔数: 4, 累计交易成本: ¥11.10
(1, 'MA5_15', '600519', '2025-10-15', 'BUY', 11.04, 100, 2.76, 'demo')
(2, 'MA5_15', '600519', '2025-10-31', 'SELL', 10.96, 100, 2.74, 'demo')
(3, 'MA5_15', '600519', '2025-11-06', 'BUY', 11.15, 100, 2.79, 'demo')
(4, 'MA5_15', '600519', '2025-11-28', 'SELL', 11.25, 100, 2.81, 'demo')
```

**模拟盘的核心价值**：
- 信号是否"可执行"（有没有停牌、涨跌停导致无法成交）
- 成本是否被低估（真实手续费 + 滑点）
- 策略是否有"未来函数"（用到了当天收盘后才能知道的信息）

建议至少跑 **1~3 个月模拟盘**，记录每日信号与实际能成交价格的差异，再决定是否上实盘。

## 七、常见坑

1. **滑点低估**：小盘股或开盘集合竞价阶段，滑点可能远超千 1。保守回测建议单边成本按千 2~千 3 试。
2. **再平衡与信号冲突**：如果你的策略是"收盘后计算信号、次日开盘执行"，回测时必须用次日开盘价而非收盘价计算收益，否则会引入未来函数。
3. **模拟盘不复盘**：很多人跑模拟盘只记收益，不记"为什么今天没成交"。SQLite 的 `note` 字段就是用来写原因的。
4. **忽视资金管理**：回测默认全仓进出，实盘需留现金应对连续止损。建议回测时加入"最大仓位 80%"约束。

## 八、小结与系列回顾

至此，「Python 量化策略实战」系列 8 篇全部完结。我们从零跑通了：

| 篇号 | 主题 | 核心能力 |
|:---:|------|---------|
| #01 | 单因子选股 | 动量 top10 + 固定持仓回测 |
| #02 | 多因子合成 | mom/vol/turn 三因子打分 |
| #03 | 双均线择时 | 金叉死叉 + 成交量过滤 |
| #04 | 波动率突破 | Donchian 通道 + ATR 过滤 |
| #05 | 仓位管理 | 等权 / 风险平价 / Kelly 公式 |
| #06 | 向量化回测框架 | 50 行通用引擎 |
| #07 | 参数优化 | 网格搜索 + Walk-Forward 防过拟合 |
| #08 | 上线 checklist | 成本/再平衡/模拟盘 SQLite |

**下一步建议**：
- 把 #06 的通用回测框架与 #07 的参数优化结合起来，做一个"策略工厂"
- 用 #08 的 SQLite 模拟盘记录跑 3 个月真实信号跟踪
- 订阅稳定行情数据源，保证回测与实盘数据一致

如果你需要稳定、低延迟的 A 股行情 API 来支撑策略落地，可以参考麦蕊智数的开发者文档获取接口列表与免费试用方案。

---

**免责声明**：本文仅供技术学习交流，不构成任何投资建议。量化策略回测表现不代表未来收益，投资有风险，决策需谨慎。

**代码与文档**：https://github.com/MaiRuiApi


系列收官篇。前 7 篇我们完成了选股、择时、仓位、回测框架、参数优化。本篇聚焦回测到实盘的最小闭环——把纸上收益变成可执行、可追踪、可复盘的模拟盘系统。

【Python量化策略实战 #08】回测跑得好，实盘就拉胯？策略上线前必做的 4 项检查

编程语言

算法

职业发展

本系列收官篇聚焦回测到实盘的关键闭环，通过4大检查项将纸上收益转化为可执行系统。详解成本模型（手续费+滑点）、再平衡频率对比、模拟盘SQLite记录及常见坑点，助你构建可靠的上线策略。

代码解释

SQLite

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化策略实战 #08】回测跑得好，实盘就拉胯？策略上线前必做的 4 项检查-腾讯云开发者社区-腾讯云

【Python量化策略实战 #08】回测跑得好，实盘就拉胯？策略上线前必做的 4 项检查

【Python量化策略实战 #08】回测跑得好，实盘就拉胯？策略上线前必做的 4 项检查

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐