量化回测入门：为什么回测赚钱、实盘却亏钱？

回测赚钱、实盘亏钱，最常见的原因有四个：回测没算够手续费和滑点，不小心用了当时还看不到的未来数据，参数被调得恰好贴合历史，以及只拿今天还活着的币做测试。把这几个偏差逐一排除后，回测结果通常会大幅缩水，而这才更接近实盘的样子。下面用 CCXT 拉取币安 BTC/USDT 的真实日线，写一个极简的均线回测并实际运行，把每种偏差的影响用数字展示出来。

量化回测是什么？能回答什么、不能回答什么？

回测是把一套事先写清楚的买卖规则放到历史行情里逐根 K 线模拟执行，统计假如当时这样做，结果会怎样。它能帮你回答：

• 这套规则在过去的牛市、熊市、震荡市里分别是什么表现？
• 最坏的时候从高点回撤了多少？你能不能扛住？
• 交易频率有多高？手续费会吃掉多少？

它不能回答的是：这套规则未来会不会赚钱。历史只出现过一次，未来的行情不会照着重演。回测更大的价值在于排除：一套规则如果连在历史上、算足成本之后都表现很差，就没必要拿真钱去试。

第一步：怎么用 CCXT 拉取真实 K 线数据？

先安装依赖：pip install ccxt pandas。拉取公开行情不需要 API Key。CCXT 的入门用法见 CCXT Python 入门。

import time
import ccxt
import pandas as pd

exchange = ccxt.binance()                      # 公开行情，不需要 API Key
symbol, timeframe = "BTC/USDT", "1d"
since = exchange.parse8601("2021-01-01T00:00:00Z")
end = exchange.parse8601("2026-10-01T00:00:00Z")

rows = []
while since < end:
    batch = exchange.fetch_ohlcv(symbol, timeframe, since=since, limit=1000)
    if not batch:
        break
    rows += batch
    since = batch[-1][0] + 1                    # 从最后一根 K 线之后继续拉
    time.sleep(exchange.rateLimit / 1000)       # 主动放慢，避免触发频率限制

df = pd.DataFrame(rows, columns=["ts", "open", "high", "low", "close", "volume"])
df = df.drop_duplicates("ts")
df = df[df["ts"] < end]
df["date"] = pd.to_datetime(df["ts"], unit="ms").dt.date
df.to_csv("btc_usdt_1d.csv", index=False)
print(len(df), "根日线", df["date"].iloc[0], "→", df["date"].iloc[-1])
print(df[["date", "open", "high", "low", "close"]].tail(3).to_string(index=False))

运行时的真实输出：

2099 根日线 2021-01-01 → 2026-09-30
      date     open     high      low    close
2026-09-28 84472.01 84999.00 82563.00 83500.01
2026-09-29 83500.01 84563.99 82775.94 83663.66
2026-09-30 83663.66 85649.95 82956.11 83623.60

几个要点：

• fetch_ohlcv 每根 K 线返回 6 个值：开盘时间（毫秒时间戳）、开、高、低、收、成交量。
• 币安现货 K 线接口单次最多返回 1000 根，所以要用 since 分页循环。欧易 K 线接口单次上限更小，循环写法相同。
• 币安日线默认按 UTC 0 点切分。对比不同来源的数据时，要先确认时区一致。
• 截止时间设为过去的某一天，避免把还没走完的当天 K 线也算进来。最后一根未收盘的 K 线价格还在变，混进回测会带来错误。

第二步：怎么写一个最简单的均线回测？

规则只有一句：短期均线在长期均线上方时持有 BTC，否则持有 USDT。代码里刻意把成本和成交时机写成参数，方便后面演示它们的影响。

import pandas as pd

df = pd.read_csv("btc_usdt_1d.csv", parse_dates=["date"])

def backtest(df, fast, slow, cost=0.0015, lookahead=False, start=None, end=None):
    """极简均线回测（教学用）：快线在慢线上方就持有，否则空仓。
    cost = 单边手续费 0.1% + 滑点 0.05%，每次买入或卖出各扣一次。
    start/end 只截取统计区间，均线仍用完整数据计算，避免区间开头没有均线。"""
    d = df.copy()
    d["fast"] = d["close"].rolling(fast).mean()
    d["slow"] = d["close"].rolling(slow).mean()
    d["signal"] = (d["fast"] > d["slow"]).astype(int)
    if lookahead:
        # 错误示范：用当天收盘价算出的信号，去吃当天的涨跌（未来函数）
        d["pos"] = d["signal"]
        d["ret"] = d["close"].pct_change()
    else:
        # 正确做法：今天收盘出信号，明天开盘才成交；收益按“开盘到下一个开盘”计算
        d["pos"] = d["signal"].shift(1)
        d["ret"] = d["open"].shift(-1) / d["open"] - 1
    d = d.dropna(subset=["slow", "ret"])
    if start:
        d = d[d["date"] >= start]
    if end:
        d = d[d["date"] < end]
    trades = d["pos"].diff().abs().fillna(d["pos"])   # 仓位变化一次 = 成交一次
    strat = d["pos"] * d["ret"] - trades * cost
    equity = (1 + strat).cumprod()
    years = len(d) / 365
    return {
        "总收益": float(round((equity.iloc[-1] - 1) * 100, 1)),
        "年化": float(round((equity.iloc[-1] ** (1 / years) - 1) * 100, 1)),
        "最大回撤": float(round((equity / equity.cummax() - 1).min() * 100, 1)),
        "成交次数": int(trades.sum()),
    }

def buy_and_hold(df, start=None, end=None):
    d = df
    if start:
        d = d[d["date"] >= start]
    if end:
        d = d[d["date"] < end]
    equity = d["close"] / d["close"].iloc[0]
    return {"总收益": float(round((equity.iloc[-1] - 1) * 100, 1)),
            "最大回撤": float(round((equity / equity.cummax() - 1).min() * 100, 1))}

if __name__ == "__main__":
    s = "2021-07-01"   # 留出前 180 天给均线“预热”
    print("统计区间", s, "→", df["date"].iloc[-1].date(), "（单位：%）")
    print("一直持有         ", buy_and_hold(df, start=s))
    print("MA20/60 不计成本 ", backtest(df, 20, 60, cost=0, start=s))
    print("MA20/60 计入成本 ", backtest(df, 20, 60, start=s))
    print("MA20/60 未来函数 ", backtest(df, 20, 60, lookahead=True, start=s))
    print("MA5/20  不计成本 ", backtest(df, 5, 20, cost=0, start=s))
    print("MA5/20  计入成本 ", backtest(df, 5, 20, start=s))

把它保存为 backtest.py，运行时的真实输出：

统计区间 2021-07-01 → 2026-09-30 （单位：%）
一直持有          {'总收益': 149.6, '最大回撤': -76.6}
MA20/60 不计成本  {'总收益': 135.9, '年化': 17.7, '最大回撤': -48.1, '成交次数': 41}
MA20/60 计入成本  {'总收益': 121.8, '年化': 16.4, '最大回撤': -48.9, '成交次数': 41}
MA20/60 未来函数  {'总收益': 167.6, '年化': 20.6, '最大回撤': -44.3, '成交次数': 41}
MA5/20  不计成本  {'总收益': 93.5, '年化': 13.4, '最大回撤': -62.3, '成交次数': 113}
MA5/20  计入成本  {'总收益': 63.3, '年化': 9.8, '最大回撤': -63.5, '成交次数': 113}

先看清楚这些数字说明了什么、没说明什么：两组均线规则在这段区间里的总收益都低于一直持有，回撤更小是因为一部分时间空仓。这只是一段特定历史的结果，换一个起点、换一个币，结论都可能反过来。下面几节逐一拆解输出里的差异。

手续费和滑点会吃掉多少回测收益？

手续费是每次成交按金额收取的费用。截至 2026 年 10 月，币安和欧易普通用户现货单边费率在 0.1% 左右，具体以账户内显示为准，规则见 交易手续费怎么算。

滑点是你预期的成交价和实际成交价之间的差距。回测里假设按开盘价成交，但真实下单时，市价单会吃掉订单簿上的多档挂单，行情剧烈波动时成交价会更差；交易对越冷门、单笔金额越大，滑点越明显。限价单可以控制价格，代价是可能不成交，见 限价单和市价单的区别。

示例里把两者合计按每次成交 0.15% 扣除。对照输出：

• MA20/60 五年多成交 41 次，计入成本后总收益从 135.9% 降到 121.8%。
• MA5/20 成交 113 次，同样的成本让总收益从 93.5% 降到 63.3%，差了 30 个百分点。

成本的影响和成交次数成正比。很多回测里看起来很漂亮的高频规则，一旦把手续费和滑点算进去，收益就所剩无几甚至转为亏损。所以回测时成本只能往高估，不能往低估。可以用 手续费计算器 先估一下自己的实际费率。

什么是未来函数？为什么它会让回测虚高？

未来函数是指回测在某个时间点用到了当时还不可能知道的信息。示例里 lookahead=True 的写法就是一个典型错误：

• 均线用的是当天收盘价，收盘那一刻才算得出信号；
• 但代码让这个信号去吃当天从开盘到收盘的涨跌，等于开盘时就已经知道了收盘价。

同样的 MA20/60 参数，同样计入成本，正确写法总收益 121.8%，带未来函数的写法变成 167.6%，凭空多出约 46 个百分点。真实交易中这部分收益根本不存在。

常见的未来函数还有：

• 用当根 K 线的最高价或最低价判断「是否触发」，又按更有利的价格成交；
• 用全部数据计算的均值、标准差去做标准化，等于提前知道了未来的分布；
• 使用事后被修正过的数据，例如事后才确定的指数成分或已经调整过的历史价格。

检查方法很简单：对每一笔模拟成交，问自己「在这个时刻，我真的能拿到计算信号所用的全部数据吗？」示例里的正确写法是用 shift(1) 把信号推迟一根 K 线，今天收盘出信号，明天开盘成交。

什么是过拟合？样本外检验怎么做？

过拟合是指你不断调整参数，直到它们恰好贴合这段历史，记住的是过去的偶然波动，而不是能延续的规律。参数越多、试的组合越多，越容易找到一组「历史上很好看」的参数。

检验办法是样本外检验：把数据切成两段，只用前一段（样本内）挑参数，参数定死后，再在后一段（样本外）跑一次。下面把 2021 年 7 月到 2024 年底作为样本内，2025 年以后作为样本外，测试 19 组均线参数：

from backtest import df, backtest, buy_and_hold

IN_S, IN_E = "2021-07-01", "2025-01-01"     # 样本内：只用这段挑参数
OUT_S = "2025-01-01"                        # 样本外：参数定死之后才看

rows = []
for fast in [5, 10, 20, 30]:
    for slow in [30, 50, 100, 150, 200]:
        if fast < slow:
            ins = backtest(df, fast, slow, start=IN_S, end=IN_E)
            out = backtest(df, fast, slow, start=OUT_S)
            rows.append((f"MA{fast}/{slow}", ins["总收益"], out["总收益"]))

by_in = sorted(rows, key=lambda r: r[1], reverse=True)
by_out = sorted(rows, key=lambda r: r[2], reverse=True)
print(f"共测试 {len(rows)} 组参数")
for name, i, o in by_in[:3]:
    print(f"{name:9s} 样本内 {i:+7.1f}%  样本外 {o:+6.1f}%  样本外排名 {by_out.index((name, i, o)) + 1}")
print("样本内(2021-07~2024)一直持有", buy_and_hold(df, start=IN_S, end=IN_E))
print("样本外(2025~2026-09)一直持有", buy_and_hold(df, start=OUT_S))

运行时的真实输出：

共测试 19 组参数
MA5/150   样本内  +242.6%  样本外   -1.7%  样本外排名 8
MA5/100   样本内  +210.6%  样本外  +12.4%  样本外排名 3
MA10/150  样本内  +180.7%  样本外   +1.0%  样本外排名 6
样本内(2021-07~2024)一直持有 {'总收益': 179.3, '最大回撤': -76.6}
样本外(2025~2026-09)一直持有 {'总收益': -11.6, '最大回撤': -53.0}

样本内排第一、收益 242.6% 的 MA5/150，到样本外变成了 -1.7%，在 19 组里只排第 8。如果你只看样本内结果就拿它去实盘，期望和现实会差得很远。另外注意，样本外这段 BTC 一直持有是亏损的，市场环境已经和样本内完全不同。

做样本外检验时要守住几条规矩：

• 样本外只能看一次。 看了样本外结果再回去改参数，样本外就变成了样本内，检验失去意义。
• 参数越少越好。 两个参数的规则已经能试出 19 种组合，再加上止损、仓位、过滤条件，组合数量会成倍增加，过拟合的机会也随之增加。
• 看参数附近是否稳定。 好的参数附近的组合也应该表现接近；如果只有某一个数字特别好、旁边的都很差，多半是巧合。
• 可以滚动检验。 把时间切成多段，依次用前一段挑参数、后一段检验，看结果是否持续稳定。

什么是幸存者偏差？为什么回测要算上已下架的币？

幸存者偏差是指你只用今天还存在、还活跃的币做回测，那些中途暴跌、下架的币天然被排除在外，结果就会整体偏乐观。比如「回测过去三年市值前 20 的币」，如果用的是今天的前 20 名名单，就等于提前知道了三年后谁会留下来。

交易所的交易对列表本身就在不断变化。下面这段代码统计币安当前列出的现货 USDT 交易对状态：

import ccxt

binance = ccxt.binance()
markets = binance.load_markets()
usdt_spot = [m for m in markets.values() if m["spot"] and m["quote"] == "USDT"]
inactive = [m for m in usdt_spot if not m["active"]]
print("币安现货 USDT 交易对", len(usdt_spot), "个，其中当前不可交易", len(inactive), "个")

币安现货 USDT 交易对 770 个，其中当前不可交易 254 个

截至 2026 年 10 月实测，这 254 个交易对的状态都是 BREAK，币安文档对它的定义是交易对当前不可交易。下架、迁移等情况都会让交易对停在这种状态，而很多行情网站和排行榜根本不会显示它们。做多币种回测时，选币规则要用当时就能知道的信息，比如按每个时间点的历史成交额筛选，而不是按今天的排名。

一份回测结果至少要检查哪些项目？

把上面的内容整理成一张清单。看自己或别人的回测时，逐项核对：

最后一项是回测永远模拟不完的部分：实盘中程序可能因为网络或时间戳报错漏掉一次成交，限价单可能挂着不成交，极端行情里交易所可能暂停交易。这些都要靠在币安现货测试网或欧易模拟交易里长期运行来发现，常见报错的处理方法见 交易所 API 常见报错怎么解决。

如果你只是想按固定节奏买入，不一定需要自己写回测和程序，交易所自带的定投和网格工具也许就够用，两者的取舍见 交易所机器人和自己写程序怎么选。更多 API 与量化教程见 识途量化专栏。

本文仅供学习参考，不构成投资建议。交易所的费率、活动与功能可能随时调整，请以官方页面为准。文中部分链接为推广链接，详见推广披露。