聚宽策略出现多年数百倍收益？教你如何排查未来函数、滑点并设计样本外验证

在聚宽（JoinQuant）平台上开发复杂策略（如 ETF 轮动、多因子选股）时，回测出现“多年数百倍”的超高收益往往令人兴奋，但资深交易员的第一反应通常是质疑。这种异常高收益大概率是由**未来函数、不切实际的交易摩擦设置、过拟合（Overfitting）**导致的。

以下是系统性排查策略漏洞、识别过拟合风险并设计至少半年样本外验证的完整指南：

一、 核心漏洞排查清单

1. 未来函数（Future Data）排查

未来函数是回测高收益的“头号杀手”，即在历史回测的 T 日使用了 T 日收盘后甚至 T+N 日才已知的数据。

• 排查方法：
  • 在 initialize 中开启避免未来数据模式：

    set_option("avoid_future_data", True)
    

    开启后，若策略尝试获取未来数据，系统会抛出 FutureDataError。
  • 检查数据获取 API：使用 get_price、get_bars 时，确保 end_date 或 end_dt 不超过当前逻辑时间 context.current_dt。在日级策略中，使用 history 或 attribute_history 获取天数据时，默认是不包含当天的，这能有效避免未来函数。
  • 财务数据排查：使用 get_fundamentals 时，若传入 statDate（如指定季度），可能会引入未来函数（因为财报披露有滞后性）。建议使用 date 参数查询，系统会自动寻找该日期前已披露的最新财报。

2. 交易摩擦（手续费与滑点）检查

默认的摩擦设置可能过于宽松，导致高频调仓的 ETF 轮动策略在回测中几乎没有成本。

• 手续费设置：ETF 基金不征收印花税，但有佣金。必须显式设置：

  # 设置场内基金（ETF）的手续费：买入万三，卖出万三，无印花税，最低5元
  set_order_cost(OrderCost(open_tax=0, close_tax=0, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='fund')
  

• 滑点设置：真实市场中，大额订单或流动性不足的 ETF 会产生明显滑点。默认的 PriceRelatedSlippage(0.00246) 可能不够。建议针对 ETF 设置更严格的滑点：

  # 设置基金类滑点为 0.2%（双边）
  set_slippage(PriceRelatedSlippage(0.002), type='fund')
  

3. 真实价格（动态复权）模式

• 必须开启：在 initialize 中调用 set_option('use_real_price', True)。如果不开启，回测使用的是静态前复权价格，买入数量和持仓计算会与历史真实情况产生偏差，甚至引入未来复权因子导致的未来函数。

二、 如何识别过拟合（Overfitting）风险

过拟合是指策略过度拟合了历史回测时段的噪音，导致在历史表现极佳，但实盘（或样本外）迅速失效。

1. 参数敏感性分析（Parameter Sweep）：
   • 如果你的 ETF 轮动策略依赖于“过去 20 天动量”，尝试将参数调整为 15、18、22、25。如果只有 20 天能产生数百倍收益，而 18 天或 22 天收益暴跌甚至亏损，说明该参数是孤立的极值点，存在严重过拟合。
   • 黄金法则：优秀的策略在参数宽幅变动时，收益应当呈现平缓的钟形曲线分布，而非陡峭的孤峰。
2. 策略复杂度评估：
   • 检查策略中过滤条件和参数的数量。如果策略包含“均线 + MACD + 波动率过滤 + 行业暴露限制 + 5个自定义阈值”，参数超过 5 个，过拟合风险将指数级上升。

三、 样本外验证（Out-of-Sample Validation）设计

为了客观评估策略的真实盈利能力，必须将历史数据严格划分为训练集（样本内）和测试集（样本外）。

1. 数据划分方案

假设我们有 2018 年至 2024 年的数据：

• 样本内（In-of-Sample, 80%）：2018-01-01 至 2023-06-30。在此区间内进行策略开发、参数调优和规则设计。
• 样本外（Out-of-Sample, 20%）：2023-07-01 至 2024-12-31（共 1.5 年，远超半年要求）。在此区间内，绝对不允许修改任何代码和参数，直接运行回测。

2. 滚动交叉验证（Walk-Forward Analysis）

对于复杂的轮动策略，推荐使用滚动窗口进行验证：

• 用 2020-2021 年数据训练参数 -> 验证 2022 年上半年样本外。
• 用 2021-2022 年数据训练参数 -> 验证 2023 年上半年样本外。

四、 聚宽排查与验证模板源码

以下是一个标准的聚宽 ETF 轮动策略模板，内置了严格的摩擦成本、防未来函数设置，并展示了如何编写规范的初始化结构：

import jqdata
import pandas as pd
import numpy as np

def initialize(context):
    # 1. 开启真实价格模式（防未来函数核心）
    set_option('use_real_price', True)
    
    # 2. 开启避免未来数据模式
    set_option("avoid_future_data", True)
    
    # 3. 设置基准
    set_benchmark('000300.XSHG')
    
    # 4. 严格的交易税费设置（针对场内基金/ETF）
    # 买入万三，卖出万三，无印花税，最低5元
    set_order_cost(OrderCost(
        open_tax=0, 
        close_tax=0, 
        open_commission=0.0003, 
        close_commission=0.0003, 
        min_commission=5
    ), type='fund')
    
    # 5. 严格的滑点设置（设置 0.2% 的价格滑点，模拟真实冲击成本）
    set_slippage(PriceRelatedSlippage(0.002), type='fund')
    
    # 策略参数（样本内调优确定的参数，在样本外测试时切勿修改）
    g.momentum_window = 20  # 动量观测窗口
    g.etf_pool = [
        '510300.XSHG',  # 沪深300ETF
        '510500.XSHG',  # 中证500ETF
        '159915.XSHE',  # 创业板ETF
        '511880.XSHG'   # 银华日利（避险货币基金）
    ]
    
    # 定时运行：每周第一个交易日开盘运行
    run_weekly(handle_etf_rotation, weekday=1, time='09:30')

def handle_etf_rotation(context):
    # 获取历史数据，确保不包含当天，防止未来函数
    # 结束时间设为前一交易日
    prev_date = context.previous_date
    
    scores = {}
    for etf in g.etf_pool:
        if etf == '511880.XSHG':
            continue
        # 获取过去 N 天的收盘价
        hist = attribute_history(etf, g.momentum_window, '1d', ['close'], df=False, fq='pre')
        if len(hist['close']) < g.momentum_window:
            continue
        # 计算动量得分：(当前价 - N天前价) / N天前价
        score = (hist['close'][-1] - hist['close'][0]) / hist['close'][0]
        scores[etf] = score
        
    if not scores:
        return
        
    # 找出动量最强的 ETF
    best_etf = max(scores, key=scores.get)
    
    # 如果最强 ETF 的动量为正，则买入；否则买入货币基金避险
    target_etf = best_etf if scores[best_etf] > 0 else '511880.XSHG'
    
    # 调仓执行
    current_positions = context.portfolio.long_positions.keys()
    for position in current_positions:
        if position != target_etf:
            order_target(position, 0)
            log.info(f"卖出避险或调仓: {position}")
            
    if target_etf not in current_positions:
        cash = context.portfolio.available_cash
        if cash > 0:
            order_value(target_etf, cash)
            log.info(f"买入强势标的: {target_etf}")

五、 总结

当你在聚宽上看到令人难以置信的业绩时，请遵循以下三步：

1. 脱水：加入万分之三佣金与单边千分之一点五的滑点，重新运行。
2. 脱毒：开启 avoid_future_data，检查是否有代码在盘中获取了当日收盘价。
3. 体检：将回测时间切换至从未运行过的最近半年或一年（样本外），如果曲线依然稳健，恭喜你，这才是真正具有实盘价值的量化策略。