开发或验证交易策略回测时：用 point-in-time…

在开发交易算法、验证策略或搭建回测基础设施时，构建可靠回测并规避前视、幸存者、过拟合、选择与交易成本偏差。

适用场景

解决思路

1. 针对 look-ahead bias，使用 point-in-time 数据，避免使用未来信息。
2. 针对 survivorship bias，纳入已退市证券，而不是只测试存活下来的证券。
3. 针对 overfitting，进行 out-of-sample 测试，避免对历史数据曲线拟合。
4. 针对 selection bias，采用 pre-registration，避免事后挑选策略。
5. 针对 transaction bias，使用现实成本模型，计入交易成本。
6. 将历史数据按顺序划分为训练集（策略开发与优化）、验证集（参数选择，不得偷看）、测试集（最终性能评估）。
7. 使用 walk-forward analysis：用滚动前移窗口反复执行 [Train][Test]，而不是只做一次训练/测试划分。
8. 当上方导航摘要不足时，阅读 references/details.md 获取详细实现示例和模式。
9. 应做：使用 point-in-time 数据，避免 look-ahead bias。
10. 应做：包含交易成本，使用现实估计。
11. 应做：做 out-of-sample 测试，始终保留数据。
12. 应做：使用 walk-forward，而不仅是 train/test。
13. 应做：进行 Monte Carlo analysis，以理解不确定性。
14. 不应做：不要过拟合，限制参数数量。
15. 不应做：不要忽略 survivorship bias，纳入退市证券。
16. 不应做：不要粗心使用 adjusted data，要理解数据调整方式。
17. 不应做：不要在全历史数据上优化，保留测试集。
18. 不应做：不要忽略容量，市场冲击很重要。

适用边界 · 注意事项

• 不适用于没有足够历史数据、无法获取 point-in-time 数据或退市证券数据的场景。
• 不适用于无法建模交易成本、市场冲击或容量的场景。
• 不适用于只做实时交易执行，而非历史回测与策略验证的场景。