6.1 回测的本质
用历史数据模拟真实交易。核心难点：不让未来信息泄露到过去的决策中。
6.2 样本内 vs 样本外
全部历史: |-----IS-----|----OOS----|
样本内(训练) 样本外(验证)
- 样本内（In-Sample）：用来"发现"策略参数
- 样本外（Out-of-Sample, OOS）：用来"验证"策略
6.3 前视偏差（Look-Ahead Bias）
在 t 时刻使用了 t+1 时刻才知道的信息。最常见的形式：
- 用年报数据时，用了公告日之前的数据（财务数据应在公告日后才能用）
- 用全样本做标准化时，均值和标准差包含了未来数据
防范：横截面处理（每个时间点独立标准化），PIT（Point-in-Time）对齐。
6.4 幸存者偏差（Survivorship Bias）
回测时只用了"现在还活着"的股票，排除了已经退市的股票。这会让回测结果看起来比实际好（因为退市的往往是表现差的）。
防范：使用 as-of 截面数据，包含当时所有可交易的股票。
6.5 过拟合
策略记住了历史的噪声，而非学到了真实的规律。
检测方法：
- IS/OOS 衰减率：OOS 夏普远低于 IS → 过拟合
- 参数敏感性：只有某一个精确参数好 → 过拟合（好的策略应该是"高原"，不是"孤岛"）
- 随机对照：用随机标签训练 → 如果仍然有信号 → 过拟合
数据挖掘偏差（Data Snooping）：尝试的参数组合越多，最好的结果越可能来自运气。Bonferroni 校正：如果 k 组参数，使用 p < 0.05/k 作为显著性阈值。
6.6 提高鲁棒性的方法
| 方法 | 原理 |
|---|---|
| 减少参数 | 参数越少，搜索空间越小 |
| 样本外验证 | 必须用未参与调参的数据验证 |
| 交叉验证 | 滚动窗口 + 多段验证 |
| 简单模型优先 | 2 参数策略比 10 参数策略更容易在样本外存活 |
6.7 滚动窗口回测（Walk-Forward）
窗口1: [训练2000-2002] → 最优参数P1 → [验证2003]
窗口2: [训练2001-2003] → 最优参数P2 → [验证2004]
窗口3: [训练2002-2004] → 最优参数P3 → [验证2005]
每个窗口只使用此前数据选择参数，OOS 收益 = 所有验证窗口拼接。这是专业量化中最严谨的参数选择方法。
6.8 Purged Walk-Forward
在标准 Walk-Forward 基础上，训练集和测试集之间留出空窗（Purge），防止信息泄露（同一只股票同时出现在训练和测试中）。
6.9 紧缩夏普比率（Deflated Sharpe Ratio, DSR）
扣除"多次试验后最优看起来很好"的运气成分。DSR > 0.95 才算可信。