企业官网建设流程全解析

你打开回测报告的第一件事是什么？我以前肯定是先看收益曲线，直到上个月把“月末策略标的”重新拉出来做了一轮复盘，才发现自己之前的回测框架里埋了好几个雷。这次“再研究”不是简单换个参数再跑一遍，而是把整个回测链条——从数据清洗、复权处理、多股组合撮合到绩效归因——全部重构了一遍，用 backtrader 做了多股月末调仓的完整回测。如果你也在做类似的中低频策略，或者正准备从单标的回测跨到多标的组合回测，这篇内容大概率能帮你少踩几个坑。

先说结论：月末策略本身不复杂，复杂的是怎么把“每月最后一个交易日调仓”这件事在回测引擎里真实地表达出来，以及怎么让回测结果不被数据细节骗过去。下面我把这次回测再研究的完整思路拆开讲。

1. 为什么是月末，这次再研究到底想验证什么

1.1 月末调仓这种节奏的底层逻辑

很多人第一次听到“月末策略”会觉得有点玄，觉得调仓频率这么低，能有什么超额收益？但实际上，月末调仓在量化策略里有它非常实在的优势。核心逻辑有两个：一是规则清晰、可复现，二是天然避开了周内情绪波动。

从规则角度讲，每月最后一个交易日收盘后做调仓，是一个极其明确的触发条件。系统不会因为行情大涨大跌就临时改变计划，也不会因为“感觉今天该买”这种主观因素破坏纪律。对于程序化回测来说，这种确定性意味着信号生成、订单执行、绩效统计的每个环节都能严格对齐。

从市场微观结构的角度讲，A股或港美股市场都存在一定程度的“日历效应”，比如月初资金面相对宽松、月末流动性偏紧、财报披露期的窗口效应等。月末调仓实际上是在利用这些规律性波动的“价差窗口”，在月底锁定一批相对便宜的标的，持有到下一个月底。当然，这个逻辑在单个月度里不一定每次都对，但放到十几年、几十年的长周期里，统计优势会被慢慢放大。

这次“再研究”之所以叫“再”，是因为我之前做过一版简单的月末策略：每月末按某几个技术指标打分，取排名前10的股票等权买入。当时跑出来的年化有百分之二十几，回撤也能控制在15%以内，看起来挺美。但后来我逐步发现几个问题：一是数据没有做严格的停牌处理，有些标的在调仓日根本买不进；二是手续费和滑点设置得太乐观；三是打分因子里使用了未来数据。所以这次重构，我给自己定了三个核心验证目标。

1.2 这次回测要验证的三个问题

目标一：验证因子打分在月末这个特定时点上是否真的具备区分度。也就是说，按打分选出来的前10只股票，下个月的表现是否显著优于后10只或全市场平均。这个验证决定了策略是否真的有“选股能力”，而不只是beta在贡献收益。

目标二：验证调仓成本吃掉多少超额收益。月末调仓虽然频率低，但每次调仓涉及换手，如果持仓标的重合度不高，一次调仓可能换掉七八成仓位，双边手续费加滑点加冲击成本，一个月吃掉1%以上很正常。这个成本到底有多大，必须用真实的交易费用模型去测，而不是拍脑袋设个万二。

目标三：验证不同权重分配方式对结果的影响。等权、市值加权、按因子得分加权，三种方式在收益曲线、最大回撤和换手率上会有明显差异。这个问题我过去一直没细究，这次专门做了对比回测。

这三个问题本质上都是在回答：这个策略的超额收益到底从哪来，是靠选股、靠择时、还是靠运气。回测的意义不是让我们看到一个漂亮的数字，而是把收益来源拆解到可以理解的层面。

2. 回测框架选型：为什么还是 backtrader

2.1 backtrader 到底适合哪类回测

现在市面上的回测框架不少，有专门做事件驱动的，有偏向量化的，也有商业软件一键回测的。我这次仍然选择 backtrader，原因很简单：它在“多股组合+规则化调仓”这个场景下，是我用下来最顺手、也最不容易出错的工具。

先解释一下 backtrader 的定位。它是一个事件驱动的回测框架，核心思路是：数据源（Data Feed）驱动引擎向前推进，引擎在每个 bar 上通知策略（Strategy），策略根据当前状态发出订单（Order），订单经经纪商（Broker）撮合后产生成交，最后由分析器（Analyzer）统计绩效。这种设计非常贴合真实交易的流程，尤其是对月末调仓这种低频策略来说，多一个 bar 的偏移、多一个停牌日未成交，都会让结果产生偏差，事件驱动能把这些细节暴露出来，而不是藏在向量化计算的黑箱里。

相比之下，纯向量化回测的优点是速度快，几十行 pandas 就能算完十年数据，但缺点是对交易约束的表达很弱。比如涨跌停不能买入、停牌不能卖出、最小交易单位是100股、资金不足时订单部分成交等，这些在真实交易里都是硬约束，向量化回测里很难精细处理。而 backtrader 的 Broker 模块可以模拟这些约束，虽然速度慢一些，但结果更可信。

另外，backtrader 支持多数据源（多股票）同时加载，每个数据源可以有自己的时间轴、复权因子、交易状态标记。这个特性对多股回测太关键了。你不需要把多只股票的日线数据拼成一个宽表，也不需要自己处理股票停牌导致的日期错位，只要把每只股票作为独立的 Data Feed 塞给大脑（Cerebro），框架会自动按时间对齐事件。

我这次做的是月末多股调仓，10到20只股票，日线级别，周期大概十年。用 backtrader 跑一遍只需要几十秒，完全在可接受范围内。如果你做的标的数量更多，比如几百只股票的全市场筛选，那 backtrader 会有些吃力，建议先做一层预筛选，或者换用向量化框架做初筛再进 backtrader 做精细回测。

2.2 数据准备阶段最容易埋雷

说句实在话，多股回测里，框架选型只是第一步，真正决定回测结果可信度的，是数据准备。很多人一开始学会 backtrader 就急着写策略，结果跑出来的曲线漂亮得不像话，后来一查，数据里全是坑。这里我列几个必须注意的地方。

第一，复权方式要统一。股票的日线数据一般有前复权、后复权和不复权三种形态。回测里最常用的是前复权，因为它保证最后一根K线的价格是真实的市场价格，便于和当前行情对照。但前复权有个问题：随着每次分红除权，历史价格会被重新计算，导致你第二次跑回测时结果和第一次略有差异。如果要做严格的可重复研究，建议用后复权数据做计算，只在最后展示时换算成前复权价格。

第二，停牌处理需要显式标记。多股回测中，一只股票停牌意味着当天没有成交数据，backtrader 默认情况下会把数据视为缺失，而不会自动跳过。这在月末调仓时会很致命：如果你的选股池里有股票在调仓前停牌，数据会短缺，订单撮合也会出问题。我的做法是：在数据预处理阶段，把停牌日的 OHLCV 全部填充为前一个交易日的收盘价，同时加一个 status 字段标记“不可交易”。策略里在调仓时先检查 status，不能交易的标的一律跳过。

第三，上市时间不足导致的新股效应。如果选股池里有次新股，上市初期波动大、容易暴涨暴跌，这会给回测带来很大的噪音。更严重的是一些“借壳上市”的股票，复权后的价格会发生剧烈跳变，甚至出现负价格或极端值。我在数据清洗时设定了一个硬性过滤：上市不足 60 个交易日的股票不进入候选池。

第四，退市股不能直接丢弃。很多人下载历史行情时，习惯性把已经退市的股票删掉，这在多股回测里是非常严重的“幸存者偏差”。如果你只回测今天还活着的股票，等于默认自己在过去每次调仓时都准确避开了未来会退市的垃圾股，这当然会显著拉高回测收益率。正确做法是保留退市股，把它们纳入选股池，让策略在历史中的每一次调仓都面对完整的市场集合，哪怕它在某个时间点以后就再也买不到了。

2.3 手续费、滑点和涨跌停的现实约束

还有一块数据准备之外的关键工作，是把交易成本模型写对。很多网上教程里，手续费就写个 commission=0.0003 完事，这在单标的回测里还能凑合，多股组合回测里完全不够。

我这次把成本模型拆成了三部分：

• 佣金：按成交金额的比例收取，双边都要收，这里我设的是万二点五，最低 5 元。虽然现在很多券商线上佣金能谈到万一点五，但回测里留一点余量更稳妥。
• 印花税：这个只有在卖出时收取，不同市场的税率不一样，我按千分之一的卖出税率估算。
• 滑点与冲击成本：这部分最容易被忽视。月末调仓当天，如果你要买入一只市值偏小的股票，订单量占当日成交量的比例过高，你的实际成交价会明显偏移。backtrader 里我通过CommissionInfo类的perc参数来模拟这部分成本，比如设置额外 0.001 的冲击费用，相当于买卖双边各 10 个基点。对日内成交量小的标的，我会在选股打分阶段直接对“过去20日平均成交额”做限制，低于某个阈值的股票直接剔除。

涨跌停不仅影响能不能买进卖出，还会影响成交价。真实交易中，一字涨停的股票你是买不进去的，一字跌停的股票你是卖不出的。backtrader 的 Broker 默认不处理涨跌停，需要你在策略里自己判断：如果某只股票当天一字涨停且挂买单，撤单；一字跌停且挂卖单，撤单。我是在next方法里通过比较open == high == low这种条件来识别一字板，这个判断虽然粗略，但实践下来已经能过滤掉绝大多数无效成交。

3. 多股组合回测的核心实现细节

3.1 选股池和月末调仓信号的生成

这次回测我使用的是“动态股票池”，也就是每个调仓日之前重新筛选一次候选标的，而不是固定死 20 只股票从头跑到尾。这么做的好处是贴合真实投资逻辑，策略可以及时纳入次新股、剔除基本面恶化的标的，也能让回测结果反映策略真实的换手率。

数据准备阶段，我先把一个包含约 300 只样本股票的历史日线数据全部加载进来，每只股票保存成单独的 CSV 文件，字段包括日期、开盘、最高、最低、收盘、成交量、成交额、涨跌幅。加载到 backtrader 里时，我用bt.feeds.GenericCSVData逐只导入，然后通过data._name属性区分不同的标的。

月度信号的生成逻辑如下：在每一天的next回调中，先判断当前日期是否是本月最后一个交易日。判断方法很简单，比较下一个交易日的月份是否与当前月份不同：

def is_last_trading_day_of_month(self, dt): try: # 找到当前数据在时间轴上的下一个交易日 next_dt = self.data.datetime.date(0) # 此处为示意 return False except: return True

实际实现时，我不会在next里依赖单条数据流，而是用self.datas里所有数据源的最大共同交易日来做判断，确保任何一只股票的下一根K线都还没有到来。简单可靠的做法是：预先把交易日历生成好，用字典映射日期到“是否为月末”标志位。这样无论有多少只股票，信号判断都是 O(1) 的。

到了月末调仓日，我会遍历整个股票池，计算每只股票的打分因子，然后从高到低排序，取前 10 只作为目标持仓。打分因子这次用的是四个：动量（过去20日累计涨幅，剔除最近5日防止短期反转噪音）、波动率倒数、成交活跃度、基本面排雷（剔除账面市值比极端的标的）。每个因子先做百分位排名，再等权合成总分。

3.2 权重计算与订单管理

选好 10 只股票后，接下来要确定每只股票的买入数量。我做了两组对比回测：一组是等权买入，另一组是按因子得分加权。等权最简单，直接target_value = total_cash / 10，然后除以收盘价取整；加权就是先归一化因子得分，再按得分比例分配资金。

回测里有个非常现实的细节：资金分配必须处理“整手”约束。A股、港股的交易单位不同，我这次先以100股为单位取整。比如某只股票目标市值 10 万元，价格 20.35 元，那么理论上可买 4914 股，但实际下单时只能买 4900 股，多出来的几十股现金就留在账户里。这个取整逻辑不处理好，会让回测的资金利用率偏低或者下单数量不合规。

backtrader 里做组合调仓最方便的方法不是直接buy()，而是使用order_target_percent和order_target_value。这两个方法会自动计算当前持仓与目标之间的差额，并生成相应的订单。我会在调仓函数里循环所有目标股票：

for data in self.datas: name = data._name if name in target_positions: target_weight = target_positions[name] self.order_target_percent(data=data, target=target_weight) else: # 不在目标持仓中，清仓 self.order_target_percent(data=data, target=0.0)

要注意的是，order_target_percent参数里的target是相对当前总资产的比例，而不是初始本金。如果账户里已经有浮盈，它买入时使用的目标市值会自动放大，这点比较符合真实账户操作。不过它也带来一个副作用：当组合里出现暴亏、总资产缩小时，系统会自动把每个仓位的目标市值调低，产生额外的卖出。这意味着策略的调仓不只在月末发生，遇到单日大幅波动也会在第二天的next回调里被动调整仓位。为了解决这个问题，我会在每个非调仓日的next里直接return，只在月末调仓日才执行order_target_percent，这样就锁定了真实的调仓节奏。

订单提交后，不能撒手不管。我在策略里维护了一个pending_orders列表，在notify_order回调中跟踪订单状态：提交、已接受、部分成交、完全成交、已取消、已拒绝。月末调仓日的一批订单，理论上应该在当天收盘前全部成交，但如果遇到停牌或涨跌停，部分订单会无法成交。我的处理是：当检测到订单已取消或已拒绝时，把这只股票的调仓标记为“失败”，后续不再主动重试。因为月末调仓本身有一定容错性，个别股票买不进就放弃，把资金留在账户里，下个月初再重新分配，这比死磕一个买不进的标的要理智。

3.3 绩效统计与收益归因

回测跑完之后，不能只看一条光秃秃的收益曲线。我这次在 cerebro 里挂了一组分析器，包括：

• 收益率（AnnualReturn、TimeReturn）
• 最大回撤（DrawDown）
• 夏普比率（SharpeRatio，使用无风险利率 1.5% 计算）
• 交易记录与换手率统计

其中换手率是我特别关注的。换手率等于调仓时买卖金额之和除以月初总资产。如果策略的平均月度换手率是 80%，那么一年下来双边换手接近 10 倍，每 10 倍换手对应 1% 的交易成本，可能就是年化收益从 15% 掉到 12% 的差距。backtrader 自带的 Analyzer 不直接给出月度换手率，我是在策略里手动统计每笔成交的金额，累积到一个字典里，回测结束后再计算。

收益归因上，我做了两套对比基准：一是买入持有全市场等权指数，二是“每月末随机选 10 只股票”的随机策略。为什么要做随机基准？因为如果选股池整体就在走牛，那么任何选股方法都能赚钱，你无法判断收益来自策略还是来自市场。随机策略和真实策略用同一个股票池、同一个调仓频率、同一个成本模型，跑 100 次取平均收益，如果真实策略显著跑赢随机基准，才能说明选股因子确实有效。这个对比方法，是我这次“再研究”里最有价值的部分。

4. 回测结果里那些反直觉的东西

4.1 收益曲线好看，但要看回撤位置

第一版重构后的回测结果，年化收益和之前差不多，还是 20% 附近，但最大回撤从 15% 扩大到了 21%。原因很简单：之前省掉了涨跌停约束和停牌处理，最差的行情里，策略可以满仓杀进去，也可以顺利出逃，回撤自然好看。加入现实约束后，碰上连续跌停的月份，持仓出不来，回撤就被动放大了。

我的体会是：回测中最大回撤的绝对值只是参考，更要紧的是看最大回撤发生的时间点和持续时长。如果最大回撤集中在某一次股灾期间，并且在之后的半年内明显修复，那说明策略的恢复能力不错。如果回撤是均匀分布在每一年里的，回头看你的风控模型可能有系统性漏洞，比如行业过度集中、单只股票占比过高。

我这次在结果分析里给每一年单独列了一个收益和回撤的分布表，发现最差的年份不是市场整体下跌的年份，而是个股分化极其剧烈的年份。说明月末策略本身没有择时能力，它只能在市场风格相对稳定时跑出超额。这个结论很关键，它提醒我：如果要实际跑这个策略，不能全仓押注，必须预留一部分现金仓位做保护。

4.2 空仓期其实是超额收益的重要来源

回测里另一个反直觉的发现是：策略的空仓期（手上现金超过 20% 的时间段）不是劣势，反而对最终收益贡献很大。原因在于，月末调仓策略本质上是一个高换手的组合，在市场下跌阶段，调仓买入的标的往往会继续下跌，如果满仓操作，回撤会被不断放大。而我的策略里因为整手取整、涨跌停限购等原因，自然会产生一部分未被使用的现金，这些现金在下跌行情里起到了缓冲垫的作用。

这不是我最初设计的目标，但回测数据让我意识到，一个真实的账户在运行月末策略时，完全没必要强行满仓。保留 5% 到 10% 的现金冗余，既不影响长期收益，还能显著降低尾部回撤。在资金管理上，我会在回测之后再做一个“现金比例敏感性分析”，分别测试 0%、5%、10%、20% 的现金预留对收益回撤的影响，最终选择一个在风险收益比上最舒服的比例。

当然，现金比例太高也会拖累收益。在牛市中段，10% 的现金预留可能会让年化收益降低 1 到 2 个百分点。完全没仓位管理的人容易走极端，要么满仓，要么空仓。正确的做法是通过回测找到“最大回撤容忍度”和“收益目标”之间的平衡点，然后把现金仓位固定下来，不要随意变动。

4.3 换手率和交易成本之间的敏感关系

这次回测我特意做了不同交易费用档位的对比：无费用模型、低费用模型（双边万五）、高费用模型（双边千二）。结果不出意料，费用越高，策略的超额收益越薄，但有趣的是，策略的排序稳定性并没有因为费用模型改变而大幅变化。也就是说，如果一只股票在无费用模型下排第一，那么在千三费用下它大概率仍然是靠前的标的。

不过，换手率高的月份对费用极其敏感。某些月份因为市场风格切换，选股池和上月几乎完全重叠，换手率只有 30%，这时候费用影响微乎其微；但在另一类月份，选股池几乎全部换了一遍，换手率到了 150%，双边费用直接吃掉 1.5% 的收益。如果不控制这种极端月份的发生频率，策略的年度收益方差会很大。

我的应对方法是引入一个“换手率惩罚项”：当新选出的股票和当前持仓重叠度低于 40% 时，打分会乘以一个 0.95 的折扣，尽量让系统在调仓时保持一定的持仓连续性。这个思路在实盘中很常见，基金经理换仓时也会考虑交易成本，不会把组合一锅端。

5. 常见问题与避坑实录

5.1 回测中隐蔽的“未来函数”陷阱

我在这次回测里排查出一个特别隐蔽的未来函数，来源是打分因子的计算。我的动量因子定义是“过去 20 日累计涨幅”，但如果用close(-1)和close(-21)来算，在月末那根K线还没走完时，close(-1)实际上已经包含了收盘价，而信号生成发生在当天盘中或开盘前，这就引入了未来数据。正确的做法是使用close(-2)作为信号基准，或者确保回测引擎只在每根K线收盘后才触发调仓信号。

backtrader 在数据处理顺序上非常严格，正常情况下next是在当前 bar 收盘后调用的，所以直接使用self.data.close[0]作为信号是安全的。但如果你在自定义的 Data Feed 或 Analyzer 里引用了未来数据，比如用self.data.close[1]去计算当前信号，就很容易踩雷。我的排查方法是：把回测中的每个调仓日的信号标的和复盘时的真实行情对照，如果出现“计算因子需要收盘价但信号生成的日期当日已经涨停”这种情况，就说明可能在数据的时序上有偏差。

一个更系统的做法是在回测引擎之外写一个独立的“信号复核”脚本，从历史数据里按规则重新计算每个调仓日的选股结果，再和 backtrader 输出的交易记录做差分对比。如果差异超过 1% 的交易笔数，就说明信号链路中存在未察觉的时间错位。

5.2 复权数据使用不当带来的假信号

复权数据是多股回测中另一个大坑。我举个最简单的例子：某只股票在 6 月 30 日实施了 10 送 10，除权后股价从 50 元变成 25 元。如果你用不复权数据做动量排名，6 月 30 日的累计涨幅会出现一个巨大的假跌幅，该股票直接进入“超跌”区间，可能会被策略选中买入。但真实情况是，只是股本变大了，每股净资产没变，这并不构成买入信号。

应对这件事，最稳妥的办法是在因子计算时使用后复权价格。后复权价格把所有历史分红和拆股都累加到最新价格上，保证历史价格之间的可比性。但后复权数据也有问题：最新价格和真实市场价格偏差很大，不适合用来计算账户市值和下单数量。我的做法是“双轨制”：因子计算用后复权价格，订单的下单价格和账户结算用前复权价格，在策略内部通过一个价格转换函数做换算。

这个细节烦琐，但非常重要。如果图省事全部用前复权，那么每次分红除权后，前复权历史价格都会被整体重算，奖金因子序列也会被“重写”，导致几个月后重新回测时结果对不上。如果你希望自己的回测结论可复现、可跟踪，这关必须过。

5.3 多标的并行时的数据对齐、停牌与最小交易单位

最后一个常见问题是多股票数据源的日期对齐。不同股票可能有不同的节假日停牌日期，比如有些股票因为临时股东大会停牌半天，有些股票因为异动停牌一天，它们的交易日期并不完全重合。在 backtrader 里，所有 Data Feed 的时间轴需要对齐到同一个“交易日历”上，否则引擎会在某只股票数据缺失的日期上直接跳过，导致信号判断错位。

我用的办法是：在数据加载前，先构造一个全市场交易日历作为主时间轴，然后把每只股票的数据 reindex 到这个主时间轴上，缺失的日期填充为NaN或者前值。在next循环里，我始终用主时间轴的日期做信号判断，然后再检查个别股票当前 bar 是否有效。

最后，提醒一下最小交易单位的问题。我这次策略里，100 股的取整逻辑在 backtrader 里并不是默认行为。order_target_percent默认按最大可用资金计算股数，但不一定按整手约束。如果你回测的市场有整手限制，必须在broker的order方法里自己算好size，或者写一个自定义的Order类去强制取整。动作虽小，相差甚远，忽略它会导致回测结果和实盘差异很大，尤其是在小市值股票上。

写在最后的一点建议

如果你准备在自己的策略里引入多股回测，我的建议是：不要一上来就追求复杂的组合优化和机器学习模型，先把最基础的月末等权调仓做扎实，把数据、成本、约束都处理清楚，拿到一个可信的基准结果，再逐步叠加因子和风控逻辑。

回测的本质是帮助我们理解策略在什么环境下有效、什么环境下失效，而不是寻找一个永远赚钱的圣杯。我这次月末策略的重构，最大的收获不是年化提高了多少，而是终于把回测中那些藏在数字背后的假设一个个挖了出来。以后你在看任何一份回测报告时，都可以多问一句：它的数据里有幸存者偏差吗？它的成本模型现实吗？它的信号里有没有未来函数？带着这些问题去审查，你自己做回测的水平会提升一大截。