add: 新增聚宽社区文章爬取分析（姜维）

joinquant_articles/article_03.txt

@@ -0,0 +1,179 @@
+标题: 量化回测中的常见陷阱及规避方法
+链接: https://www.joinquant.com/view/community/detail/3
+分类: 回测
+================================================================================
+
+# 量化回测中的常见陷阱及规避方法
+
+## 一、过拟合陷阱
+
+### 1.1 什么是过拟合
+
+过拟合是指策略在历史数据上表现优异，但在实盘或样本外数据上表现糟糕的现象。
+
+**表现特征**：
+- 历史回测收益率很高，但样本外测试急剧下降
+- 参数微调对结果影响巨大
+- 交易次数过多，过度优化
+
+### 1.2 规避方法
+
+**方法1：样本外验证**
+
+```
+三段式回测验证：
+- 训练集：60%数据（用于策略开发和参数优化）
+- 验证集：20%数据（用于参数验证和策略选择）
+- 测试集：20%数据（最终验证，只能用一次）
+```
+
+**方法2：参数敏感性分析**
+
+不要只看最优参数，要分析参数周围的表现：
+
+```python
+# 参数敏感性测试
+for param in range(5, 30, 5):
+    # 测试不同参数下的策略表现
+    result = backtest(strategy, param=param)
+    print(f'参数{param}: 收益率{result['return']}, 夏普比率{result['sharpe']}')
+```
+
+**方法3：简化策略逻辑**
+
+- 避免过多的条件判断
+- 减少参数数量
+- 策略逻辑应该有经济学或行为金融学解释
+
+## 二、幸存者偏差
+
+### 2.1 什么是幸存者偏差
+
+幸存者偏差是指回测时只使用了当前还在上市的股票，而忽略了已经退市的股票，导致回测结果过于乐观。
+
+**影响**：
+- 高估策略收益率
+- 低估策略风险
+- 实盘表现远不如回测
+
+### 2.2 规避方法
+
+**在聚宽平台上的正确做法**：
+
+```python
+# 使用包含退市股票的完整数据集
+from jqdata import *
+
+def get_stock_pool(date):
+    # 获取指定日期的指数成分股（包含当时的成分股，而不是当前的）
+    return get_index_stocks('000300.XSHG', date=date)
+
+# 或者使用all_securities获取所有股票（包含退市的）
+all_stocks = list(all_securities)
+```
+
+**注意事项**：
+- 不要使用当前的股票池回测历史数据
+- 使用`get_index_stocks`时要指定日期参数
+- 考虑ST股票、停牌股票的处理
+
+## 三、未来函数陷阱
+
+### 3.1 什么是未来函数
+
+未来函数是指在策略中使用了当时还无法获得的数据。
+
+**常见类型**：
+1. 使用未来的财务数据
+2. 知道未来的最高价、最低价进行交易
+3. 使用停牌后的数据
+
+### 3.2 规避方法
+
+**检查清单**：
+
+```
+1. 数据获取日期检查
+   - 确保使用的数据在交易决策时间点之前
+
+2. 避免"先知先觉"
+   - 不要使用未来才能知道的信息
+
+3. 模拟真实决策流程
+   - 按照实际交易时的信息获取顺序编写策略
+```
+
+**示例对比**：
+
+```python
+# 错误示例（使用未来数据）
+def handle_data(context, data):
+    for stock in g.stock_pool:
+        # 获取未来一天的数据（这在实际交易中是不可能的）
+        future_price = get_price(stock, count=1, end_date=context.current_date + timedelta(days=1))
+        if future_price > data[stock].close:
+            order(stock, 100)
+
+# 正确示例
+def handle_data(context, data):
+    for stock in g.stock_pool:
+        # 只使用当前及之前的数据
+        hist = history(20, '1d', 'close', [stock])
+        current_price = data[stock].close
+        ma20 = hist.mean()
+        if current_price > ma20:
+            order(stock, 100)
+```
+
+## 四、交易成本低估
+
+### 4.1 常见问题
+
+- 忽略交易手续费
+- 低估滑点影响
+- 不考虑市场冲击成本
+
+### 4.2 规避方法
+
+**合理设置交易成本**：
+
+```python
+def initialize(context):
+    # 设置手续费
+    set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
+    # 设置滑点
+    set_slippage(FixedSlippage(0.002))  # 0.2%的固定滑点
+```
+
+**成本参考**：
+- 买入佣金：万分之三
+- 卖出佣金：万分之三 + 千分之一印花税
+- 滑点：0.1% - 0.5%（根据股票流动性调整）
+
+## 五、实践案例
+
+某投资者的教训：
+
+**回测表现**：
+- 年化收益率：60%
+- 最大回撤：15%
+- 夏普比率：2.5
+
+**实盘表现**（3个月）：
+- 实际收益率：-5%
+- 最大回撤：20%
+
+**问题诊断**：
+1. 过拟合：参数过度优化，只在特定历史时期表现好
+2. 幸存者偏差：回测时只用了当前股票，没考虑退市股票
+3. 交易成本低估：回测时设置的成本过低
+
+**改进措施**：
+1. 采用三段式回测验证
+2. 使用包含退市股票的完整数据集
+3. 提高交易成本设置
+4. 简化策略逻辑，减少参数
+
+---
+
+**总结**：回测陷阱是量化交易中最常见的问题，需要从数据质量、策略逻辑、回测设置等多方面进行严格把关。记住："回测表现只是起点，实盘验证才是关键"。