第 21 章 · 回测方法
掌握把期权策略从想法推进到可验证结论的方法，而不是被漂亮回测欺骗
建立完整的期权回测方法学：识别 survivorship、look-ahead、selection bias 等偏差；把 spread、滑点、冲击成本与借券成本纳入交易成本建模；理解为什么历史期权链数据天然稀疏且容易出错；能独立判断一个策略回测结果是否可信。
- 已掌握第 10 章执行与交易成本的现实约束
- 已掌握第 11 章归因框架
- 已掌握第 19 章组合管理
- 已掌握第 20 章波动率结构的真实风险来源
漂亮的回测图并不等于可信结论，期权研究最容易输给的是数据缺陷、成本低估与路径假设。真正有用的研究流程，必须先证明结论经得住现实约束，而不是只经得住绘图软件。
0. 为什么期权回测特别难
与股票不同，期权回测面对的是天然稀疏的数据：不同执行价、不同到期、不同时间点的链并不连续，很多历史 quote 还带着缺失、错价或根本无法成交的问题。再加上路径依赖与 roll 处理，回测难度会比线性资产高一个层级。
所以期权回测最先该问的，往往不是收益高不高，而是你手里的历史链到底能不能支撑这个结论。
1. 三大偏差
三大偏差不是统计术语，而是回测幻觉的主要来源。survivorship bias 会让你只看见活下来的样本，look-ahead bias 会让未来信息偷偷漏进当前决策，而 selection bias 则会让你只展示最漂亮的切片。
一旦这些偏差同时出现，回测输出就不再是在描述策略，而是在描述你筛选数据与设计实验的方式。
2. 交易成本完整建模
期权策略最容易被低估的现实摩擦，就是交易成本。spread、slippage、impact 与 borrow / carry costs 不是附加项，它们往往就是决定策略还能不能活下去的主变量。
成本不是一个统一折扣，而是四个会随着流动性、持仓规模与持有周期变化的动态变量。忽略其中任何一项，净收益都可能被系统性高估。
如果你的净收益只在忽略成本时成立，那么它不是 edge，只是对摩擦的视而不见。
3. 参数搜索与过拟合
当参数越来越多、筛选次数越来越多时，样本内表现几乎注定会越来越好；但这通常不是策略更强了，而是你更会把噪声拟合成信号。期权策略尤其危险，因为参数空间本来就天然更高维。
所以你真正该警惕的，不是回测不够漂亮，而是它为什么会漂亮得过头。
4. 从单笔到组合的回测
单笔层面的回测常常最容易写，也最容易显得干净；但真实交易从来不是一个个孤立的信号，而是带着换月、资金约束、Greek 限额与相关性暴露一起运行的组合过程。
一套只能在单笔世界里成立、却无法搬进组合框架的策略，研究价值通常是被高估的。
5. 研究流程模板
最后，你需要的不是一个万能模型，而是一套能重复使用的研究流程：先写假设，再验数据，再扣成本，再加风控，最后才看样本外表现。顺序一旦倒过来，研究就会逐渐滑向结果导向的自我证明。
先写假设，不先跑图
先验链质量与缺失点
把 spread / slippage / impact 带进去
加入 roll / 止损 / 组合约束
最后才讨论是否可信
研究流程越清楚，你越能分辨：到底是策略有 edge，还是你只是把历史数据整理得很会说话。
总结
这一章真正想建立的，不是某个回测框架的工具使用方法，而是对「可信结论」的标准。可信的回测必须能穿过数据质量、偏差识别、成本建模、过拟合约束与组合级现实约束这几层过滤。
只有当策略在这些现实摩擦下仍然保留足够解释力时，它才值得进入下一步的纸面交易、灰度验证或真实资金部署。