回测系统 python_该如何学习系统回测，从哪里入手？python？还是怎么样？

第一，历史回测的期间必须足够长。

一般来讲，对于国内的股票、商品，应该回测5年以上的数据，对于新上市的品种，至少也要回测3年。对于上市较早的品种或国际市场的黄金、美元指数等商品，则应至少回测一个牛熊周期，一般应该在10年–15年以上。回测的期间足够长久，回测的成绩才足够可靠。对于不能满足这个要求的品种，则应在开仓时将R值适当加权处理，主动降低风险暴露。

第二，分析回测成绩，应予以“断代”处理。

一个稳定、可靠的交易系统，在一定期间范围内，成绩应该相对稳定。仅靠一两波大行情拉高整体回测成绩的，会使使用者高估系统的价值。例如，回测上证指数时，如果仅仅将2005年–2007年的大牛市纳入总成绩，而没有逐年的回测数据，很可能会因为一次牛市而高估了一个本来绩效一般的系统。我的经验是，按年予以断代，分析各年的回测绩效。完全平均的回测成绩是不可能的，一个优秀的系统应该满足两个条件：单一年度不出现巨大亏损；各年整体稳定盈利，偶尔出现超额获利。

第三，回测系统后应该防止“过度优化”，尽量减少参数变量，防止“参数孤岛”。

过度优化(Curve Fitting，也可称为“曲线拟合”)是交易系统回测的最大敌人。一个交易系统应以简洁为上，少用参数变量。对于采取了变量参数的系统，最优参数附近的参数也应具备不错的绩效，形成“参数高原”。应防止过度优化后的“参数孤岛”。

第四，交易系统应经历多品种回测检验

一个可靠的交易系统应该具备普适性，不能仅仅适用于个别交易品种。只能用于一个品种的交易系统，往往是过度优化的产物。需要特别说明的是，不同品种间可以结合品种特性进行一些针对单一品种的微调。比如结合不同品种的ATR情况，根据日K线的振幅过滤一些非常态下的开仓信号等。这种根据具体品种采取的个性化调整不属于过度优化