这是一个非常经典且普遍的量化交易问题。你遇到的情况通常被称为**“过拟合”（Overfitting）或“幸存者偏差”**。在量化领域，回测表现极其优秀但实盘亏损的现象非常常见。

以下是导致这种现象的核心原因分析，以及在 QMT 平台中避免这些问题的具体建议。

核心原因分析：为什么回测好但实盘差？

1. 过度拟合 (Overfitting)

这是最常见的原因。当你测试了大量策略或参数组合，并从中选出“效果最好”的一个时，你实际上是在筛选运气，而不是筛选逻辑。

• 现象：策略逻辑专门为了迎合过去某段特定的历史行情而设计。
• 本质：策略记住了历史数据的“噪声”，而不是市场的“规律”。
• 比喻：就像你为了通过一场已知的考试，背下了所有答案，但并没有学会解题方法。一旦题目（市场）稍微变化，你就无法应对。

2. 未来函数 (Look-ahead Bias)

在编写策略代码时，无意中使用了当时那个时间点无法获取的数据。

• 常见错误：
  • 在日线回测中，使用当天的收盘价（Close）去决定当天的开盘买入。
  • 使用了财务数据，但未考虑财报的公告日期（Announce Date），而是使用了报告期（Report Date）。例如，在1月1日使用了直到4月才发布的年报数据进行交易。
• QMT 特性：在 QMT 中，如果使用 ContextInfo.get_financial_data 时未正确设置 report_type 或时间参数，容易引入此类偏差。

3. 交易成本与滑点低估

回测环境通常过于理想化，忽略了实际交易中的摩擦成本。

• 滑点：回测通常假设你能以当前 K 线的收盘价或开盘价完美成交。但在实盘中，买入价可能比你看到的更高，卖出价更低，尤其是在资金量大或流动性差的标的上。
• 手续费：忽略了印花税、佣金或最低收费标准。
• 冲击成本：你的买卖行为本身会推高或拉低股价，回测无法体现这一点。

4. 市场风格切换 (Regime Change)

• 现象：你的策略可能在过去两年的牛市或震荡市中表现很好，但实盘时市场进入了单边下跌或极度低波动环境。
• 本质：策略缺乏普适性，只适应特定市场风格。

解决方案与建议：如何在 QMT 中避免？

1. 样本外测试 (Out-of-Sample Testing)

不要用所有历史数据来优化参数。

• 做法：将数据分为“训练集”和“测试集”。例如，用 2018-2021 年的数据来研发策略和调整参数，然后用 2022-2023 年的数据进行验证。
• 原则：如果在测试集（从未见过的数据）上表现大幅下降，说明策略过拟合，必须放弃。

2. 参数敏感性分析 (Parameter Sensitivity)

检查策略对参数变化的敏感程度。

• 做法：如果你的策略在 MA(20) 时表现极好，但在 MA(19) 或 MA(21) 时表现极差，说明该策略是“孤岛”策略，不可靠。
• 目标：优秀的策略应该在参数小幅波动时，绩效保持相对稳定（“参数高原”）。

3. 在 QMT 中设置真实的费率与滑点

在 QMT 的策略编辑器或代码中，必须设置严格的费率和滑点。

• 代码设置示例：

  def init(ContextInfo):
      # 设置滑点：例如设置为 0.02 元，或者按比例设置
      # 1：固定值，2：比例
      ContextInfo.set_slippage(1, 0.02) 
      
      # 设置佣金：例如万分之三，最低5元
      # [买入印花税, 卖出印花税, 开仓佣金, 平仓佣金, 平今佣金, 最低佣金]
      # 注意：股票卖出有印花税(目前0.05%)，买入无
      ContextInfo.set_commission(0, [0, 0.0005, 0.0003, 0.0003, 0, 5])
  

4. 严格检查未来函数

• 财务数据：在 QMT 中获取财务数据时，务必注意 report_type 参数。
  • 错误做法：默认或不注意时间点。
  • 正确做法：确保使用 announce_time（公告日）作为基准，或者在回测逻辑中加入时间滞后。
• 信号触发：
  • 如果是日线策略，尽量使用 ContextInfo.do_order() 在次日开盘成交，或者在代码逻辑中确保使用的是上一根 K 线的数据来计算信号，并在当前 K 线（或次日）执行。
  • 使用 ContextInfo.get_market_data_ex 获取历史数据时，注意 end_time 不要包含未来数据。

5. 模拟盘验证 (Paper Trading)

在实盘投入资金前，先在 QMT 的模拟交易模式下运行一段时间（例如 1-3 个月）。

• 目的：观察实盘信号是否与回测逻辑一致，检查是否有未预料到的撤单、废单或数据延迟问题。

6. 逻辑简化 (Occam's Razor)

• 原则：越复杂的策略（规则越多、参数越多），过拟合的概率越大。
• 建议：尽量减少过滤条件。一个依靠 10 个条件才盈利的策略，远不如一个依靠 2 个核心逻辑盈利的策略稳健。

Q&A

Q: 如何判断我的策略是否使用了未来函数？
A: 最简单的方法是查看成交明细。如果你的策略在日线回测中，能够以当天的最低价买入，或者在最高价卖出，或者在涨停板打开前买入，这通常意味着使用了未来函数。另外，检查代码中是否使用了类似 close (当根K线收盘价) 来决定当根K线的交易。

Q: QMT回测时，撮合机制是怎样的？
A: QMT 回测通常基于 K 线撮合。如果是日线回测，默认是在信号触发的次日开盘撮合（除非使用了 quickTrade 参数）。如果设置为收盘价成交，而你的信号依赖于收盘价，这就构成了逻辑闭环的未来函数。建议设置为“次日开盘价”撮合，这更符合实际。

Q: 为什么我的策略在小市值股票上回测很好，实盘买不进去？
A: 这是流动性陷阱。回测假设你可以无限量成交。对于小市值或低流动性股票，实盘中你的买单可能会推高价格（冲击成本），或者根本没有足够的卖单（流动性枯竭）。建议在策略中加入流动性过滤，例如剔除日成交额小于 2000 万的股票。

Q: 什么是“参数高原”？
A: 参数高原是指在参数的一定范围内，策略的绩效表现都比较好且稳定。例如，均线策略在 18日、19日、20日、21日、22日均线都能盈利，这就形成了一个高原。如果只有 20日盈利，其他都亏损，那就是“参数尖峰”，这种策略实盘极易失效。