从数据到报告的完整研究笔记本项目，附针对前视偏差和过度拟合的代码审查清单

你将学到什么

• 一种文件夹和笔记本的布局，让六个月后的你或任何其他人都能复现这项研究。
• 工作顺序：数据、清洗、特征、信号、回测、绩效指标、样本外检验、报告。
• 一份逐行检查前视偏差、幸存者偏差和过度拟合的代码审查清单。
• 如何诚实地撰写结果，包括尝试过但没有奏效的内容。

讲解

样本外测试、参数平台以及大量试验的代价已在课程《系统化交易与回测》（第 6 课和第 7 课）中讲过。本课关注的是让这些理念真正落地的工程实践：项目结构、固定的工作流程，以及一次他人可以重复的审查。

项目布局

• project/
• data/raw/ # 下载的数据，从不手动编辑
• data/clean/ # 由 01_data.ipynb 生成的 parquet 文件
• notebooks/ # 01_data, 02_features, 03_backtest, 04_report
• src/ # indicators.py, engine.py, metrics.py（第 6、8、9 课）
• tests/ # test_metrics.py, test_engine.py
• config.yaml # 代码、日期、参数、成本假设
• requirements.txt # 锁定的版本：pandas==2.x, numpy==…

复用的代码放在 src/ 中；笔记本只负责调用函数和展示结果。锁定软件包版本，因为一次 pandas 更新就可能改变某个默认设置（频率字符串、重采样标签），从而改变你的数字。为所有随机过程设定种子，并在报告中记录数据的下载日期。

按顺序进行的工作流程

1. 先提出假设。在接触数据之前，先写下一句经济学逻辑和确切的规则（课程《系统化交易与回测》，第 2 课）。现在就确定样本内 / 样本外的划分，并在第 7 步之前不要打开样本外文件。
2. 数据。下载、保存原始数据，记录数据来源和复权方法（第 4 课）。用一份“今天的指数成分股”名单回测过去十年，就是幸存者偏差。
3. 清洗与验证。缺口、重复、零价格、时区；保存到 data/clean/。
4. 特征与信号使用 src/ 中经过测试的函数；第 t 根 K 线上的每个特征只使用截至 t 的数据。
5. 回测使用第 8 课的引擎，并包含成本模型（课程《系统化交易与回测》，第 8 课）。
6. 绩效指标与图表（第 9 课和第 10 课），在样本内期间上计算，使用一个小型参数网格，而不是去搜索最好的那一格。
7. 样本外只运行一次，参数保持冻结。无论结果如何都要记录下来。
8. 报告：假设、数据、规则、成本、两张结果表、图表、尝试过的变体数量、决策。

代码审查清单

把你的笔记本当作别人的来审查；每一行都是一个“是或否”的问题。

关于显著性的经验法则：年化夏普比率的 t 统计量大约等于 夏普比率 × √年数。四年期间 0.8 的夏普比率得出 1.6，低于通常约为 2 的门槛，而这还没有考虑尝试过的变体数量；在二十次试验中，最好的那一次预计仅凭运气就会显得不错。

实例演算

假设示例，所有数字均为编造。一位交易者在 30 只大盘股上测试“在 100 日突破时买入，以 3 × ATR 移动止损离场”，期间为 2014–2025 年，每个方向成本 0.1%。

1. 划分。样本内为 2014–2021 年（8 年），样本外为 2022–2025 年（4 年），在第一次运行之前就已确定。
2. 网格。突破长度 50、100、150 × ATR 倍数 2、3、4 = 9 个变体，均有记录。样本内夏普比率介于 0.6 到 1.1 之间，最好的一格为 (100, 3) = 1.1；其相邻格为 0.9 和 1.0，形成一个平台，因此保留这一选择。
3. 审查。清单检查发现，ATR 列使用了 rolling(14).mean()，并基于当天的真实波幅来设定当天的止损。引擎随之改为使用前一根 K 线的 ATR（第 8 课）。样本内夏普比率从 1.1 降至 1.0；最大回撤保持 −22% 不变。
4. 样本外。运行一次：夏普比率 0.6，CAGR 7.2%，最大回撤 −19%，118 笔交易。显著性：0.6 × √4 = 1.2；样本内数值为 1.0 × √8 = 2.8。样本外结果为正，但单独来看在统计上较弱。
5. 报告中的决策。“该规则在样本外保留了约 60% 的样本内夏普比率（0.6 / 1.0），处于一个平台上，共尝试 9 个变体，修复了一个前视偏差错误。证据有限；下一步是使用第 12 课的脚本进行六个月的模拟交易，而不是投入真实资金。”已对手续费建模；不计税费和融资成本。

常见错误

练习活动

在纸上完成：审查下面这段笔记本代码以及随后的结果。

• df['z'] = (df.close - df.close.mean()) / df.close.std()
• df['signal'] = df.z < -1.5
• df['pos'] = df.signal.astype(int)
• df['ret'] = df.close.pct_change() * df.pos

6 年样本内夏普比率为 2.4；2 年样本外夏普比率为 −0.3。(a) 找出代码中的两个前视偏差问题。(b) 计算样本内和样本外夏普比率的近似 t 统计量。(c) 改写这四行代码，使其不存在前视偏差（如果你更喜欢用文字，也可以描述改动）。

要点回顾

• 把可复用的代码连同测试放在 src/ 中，锁定版本，并让“全部运行”能够复现报告。
• 在第一次回测之前确定假设、规则以及样本内 / 样本外的划分；样本外只运行一次。
• 用清单审查时序、数据、成交、成本和试验次数；记录你尝试过的每一个变体。
• 以 夏普比率 × √年数 粗略报告显著性，同时报告变体数量和决策，包括“证据不足”。

下一步

至此，课程《面向交易者与投资者的 Python》全部结束；下一门课程《自营交易公司、资助账户与作为一门生意的交易》将探讨考核规则、回撤类型，以及把交易作为一门生意时的实务问题和德国税务问题，而像你在这里构建的这样一套经过测试、脚本化的流程，正是其起点。