每月最后一个交易日收盘后，把持仓清理一遍，按既定的几个因子重新筛出一篮子股票，等权买进去，然后整整一个月不动。这套听起来特别“笨”的月末策略标的，我前前后后做了两轮回测。第一轮结果漂亮得不像话：年化25%以上，最大回撤还不到10%，我当时差点真信了自己找到了圣杯。等冷静下来把代码一行一行拆开看，才发现至少四个致命问题全踩中了。这篇就写写这次“月末策略标的回测再研究”的完整过程：为什么第一轮结果不可信、backtrader多股回测的数据和代码怎么搭、月末调仓信号怎么设计才不吃未来函数，以及回测报表里哪些数字能信、哪些是骗你的。
1. 为什么做这次“再研究”：第一轮回测里的四个可疑点
1.1 第一轮到底是怎么测的
先说第一轮策略长什么样。股票池用沪深300成分股，每个月最后一个交易日收盘后，按两个因子筛：股息率（越高越好）和过去20日日收益率标准差（越低越好），两个因子等权合成总分，取前10只股票，等权买入，持有到下月末。回测区间是2018年1月到2023年12月，初始资金100万。框架用的backtrader，数据来自某免费数据接口，前复权日线。这个方案不算复杂，逻辑也很常见，很多个人投资者做“低波红利增强”都是这个路子。
第一轮跑出来的结果确实好看：六年累计收益大约200%，年化接近20%，最大回撤只有11%左右，夏普1.4以上。我第一反应是这策略能直接用。但第二反应是“凭什么”——红利低波风格在2018到2023年确实不错，但绝对没有强到这个程度。凡是长这样漂亮曲线的回测，基本都要回头审代码。
1.2 让我坐不住的四个疑点
第一，信号生成和成交时间完全重叠。我在月末最后一个交易日收盘后算因子，然后同一根bar里就以收盘价买入。可实际上因子值是用这根bar的收盘价算出来的，收盘价都没出来，怎么可能按收盘价成交？这就是教科书级的未来函数。
第二，成本被严重低估。佣金只按万2.5算，没有卖出印花税，没有滑点，也没有冲击成本。回测里每次调仓等于“想买就能买、想卖就能卖”，实盘绝无可能。
第三，停牌和涨跌停完全没处理。持仓里如果有一半股票正在停牌，回测里照样能一键卖出再买入；买入标的当天一字涨停，回测里照样能挂单成交。数据只告诉我价格，不告诉我“根本买不到”。
第四，复权方式影响了所有因子和历史收益。当时图省事直接用了前复权数据，前复权价会随最新分红除权不断变化，拿它算历史收益率和波动率，短期没大问题，但时间拉长后因子排名会失真，收益会被系统性抬高。
这四个疑点叠加起来，第一轮回测的结论基本没法用。所以就有了这次“再研究”。
2. backtrader多股回测环境与数据预处理
2.1 框架选型：为什么还是backtrader
个人做多股策略回测，可选路子其实就三条：在线平台、自研模拟撮合、backtrader。在线平台优点是省心，数据、财务指标都给你备好了，但缺点也很明显——策略逻辑和平台绑定，迁移成本高，很多平台对自定义滑点、多周期支持不够灵活。自研撮合能力强，可要处理好复权、停牌、涨跌停和资金冻结，工作量足够写个毕业论文。backtrader是本地开源、纯Python、社区用户多，多股回测虽然有些细节要自己绕，但胜在每一步都透明可控，参数怎么设我心里有数。
“月末调仓”这类低频策略，对撮合引擎性能要求不高，重点是数据对、逻辑对、成本模型对，backtrader完全够用。另外它对target百分比订单支持比较好，order_target_percent可以直接按目标权重调仓，多头仓位管理写起来很顺手。
2.2 数据获取与复权处理
这次数据我换了方式。先用akshare或baostock批量拉沪深300成分股的日线，字段包含date、open、high、low、close、volume、amount，另外单独拉上市日期、退市日期和ST状态。因子计算统一用后复权价格，因为后复权价自始至终以某个基准日为锚，不会因为后来分红而变化，历史收益和波动率算出来是连续一致的。
注意，前复权适合看图表，后复权适合算因子，两者混用是回测最常见的隐性错误。比如一个标的历史上大比例分红，前复权会把若干年前的close整体拉低，用这个价格算波动率、算动量排名，结论很容易被扭曲。我这次统一用后复权价格做因子计算，同时用后复权价格参与撮合，保证整个计算链路口径一致。
2.3 多股数据喂入backtrader的完整姿势
backtrader的多股回测很简单：每只股票一个PandasData，cerebro.adddata逐个加进去，再通过data name区分。核心代码如下：
import backtrader as bt import pandas as pd class PandasData(bt.feeds.PandasData): params = ( ('datetime', None), ('open', 'open'), ('high', 'high'), ('low', 'low'), ('close', 'close'), ('volume', 'volume'), ('openinterest', None), ) def load_data(stock_data, start_date, end_date): cerebro = bt.Cerebro() for code, df in stock_data.items(): df = df[(df.index >= start_date) & (df.index <= end_date)] data = PandasData(dataname=df) cerebro.adddata(data, name=code) return cerebro这里有个很容易忽略的坑：多只股票的交易日必须对齐。如果一只股票因为停牌少了几天，backtrader会按NaN处理，但strategy里遍历self.datas时，某根bar可能只有部分data有值。做因子排名时，必须用pandas在策略外统一对齐日期，把停牌日填充为NaN，而不是让backtrader自行拼接。推荐的做法是先在外部统一交易日历，用reindex把所有股票的DataFrame对齐后再喂给cerebro。
2.4 清洗清单：先给数据“排雷”
取完数据不能直接进回测，我每次都会跑一遍清洗，顺序很重要。第一步剔除上市不满60个交易日的次新股，避免新股初期走势扰动因子。第二步剔除ST、*ST，策略文档里最好写清楚怎么识别，我是直接拉了个状态表。第三步剔除月度成交额低于5000万的标的，这类票流动性太差，实盘滑点会吃掉利润。第四步统一索引并检查日期重复、缺失、异常值，特别是复牌当天价格跳空大的，要人工看一眼有没有送股分红拆并导致的价格断层。
清洗完数据后，我习惯再跑一个“可用股票数曲线”，看看每个月份股票池还剩多少只。如果某些月份不足30只，说明清洗太狠，选出来的组合代表性就弱；如果仍有200只以上，说明清洗太松。这个平衡点要根据策略本身调节。
3. 月末调仓策略的核心实现：信号、交易与成本
3.1 精确识别月末交易日，别让调仓日差一天
识别月末交易日听起来简单，实际很容易错。比如“每个月最后一个交易日”不等于“日历上月底最后一天”，遇到法定节假日要顺延。更麻烦的是，A股每个月的交易日不是固定周期的，不能用日期等于月末这种粗暴判断。
我的做法是直接用交易日历。在策略外把所有样本股票的日期做并集，生成统一交易日序列，再用pandas按月份groupby取每个月的min和max，得到两个数组：month_end_dates（每月最后交易日）和month_start_dates（每月第一个交易日）。这样无论是春节、国庆还是临时休市，都不会错位。
all_dates = sorted(set().union(*[set(df.index) for df in stock_data.values()])) cal = pd.Series(all_dates) month_end_dates = cal.groupby(cal.dt.to_period('M')).max().tolist() month_start_dates = cal.groupby(cal.dt.to_period('M')).min().tolist()3.2 因子的时序对齐：未来函数的彻底清除
这是整篇最重要的一节。月末策略的正确时序应该是：T月最后一个交易日收盘后，用收盘数据计算因子、选出下个月持仓；T+1月第一个交易日开盘，以开盘价执行买入卖出。也就是说“信号在前、成交在后”，中间隔了一个晚上的信息真空。
实现时，我先在策略外按月度生成一张factor_table，把每月月末选出的股票代码提前算好：
factor_table = [] for end_date in month_end_dates: snapshot = factor_data.loc[end_date] # 用月末收盘后的截面数据 ranked = snapshot.sort_values(by='score', ascending=False).head(self.top_n) factor_table.append({ 'end_date': end_date, 'start_date': 下月第一个交易日, 'stocks': ranked.index.tolist() }) factor_df = pd.DataFrame(factor_table).set_index('end_date')然后在backtrader策略里这样处理：当bar日期出现在factor_df的end_date时，只把目标股票列表存下来，不下单；当bar日期等于该条记录的start_date时，才执行调仓。因为backtrader默认市价单会在下一根bar成交，我建议开启broker.set_coo(True)，让市价单在当根bar开盘价成交，正好模拟“开盘即调仓”。
class MonthEndRebalanceStrategy(bt.Strategy): def __init__(self): self.target_stocks = None def next(self): dt = self.datetime.date() if dt in factor_df.index: self.target_stocks = factor_df.loc[dt, 'stocks'] if dt in factor_df['start_date'].values: self.rebalance()这套设计直接从机制上杜绝了未来函数——信号日不交易，交易日用开盘价，因子再也不会“偷看”当天的收盘结果。我第一版代码图省事把两步写在一起，回测收益凭空多出5到8个点，这就是代价。
3.3 等权调仓的执行代码与停牌股处理
调仓的核心思路很朴素：先清掉不在目标池里的持仓，再把目标池里没买够的仓位按等权补上。backtrader里直接order_target_percent是最稳的，它会自动处理资金的可用余额和持仓调整。
def rebalance(self): target = self.target_stocks for data in self.datas: pos = self.getposition(data).size if data._name in target: weight = 1.0 / len(target) self.order_target_percent(data=data, target=weight) elif pos > 0: self.order_target_percent(data=data, target=0.0)买入时过滤掉不可交易标的。我用两个硬条件：当日开盘价相对昨收涨幅超过9.5%视为一字板/秒板，排除；当日成交量为0视为停牌，排除。这两个条件虽然会漏掉一些盘中开板的真实交易机会，但回测宁可漏掉、不能虚增，否则收益一定是被高估的。
卖出端也一样，如果持仓股停牌，order_target_percent调到0是成交不了的。我的处理是回测里碰到停牌股就跳过卖出，等它复牌后的下个月调仓再卖，用代码强制“卖不出就是卖不出”。这一步对月末策略影响不小，因为月末调仓频率低，一个停牌股可能占用两三个月的仓位，资金利用率会下降，实盘反而更接近真实。
3.4 交易成本模型与滑点参数设置
成本模型我这次做了三档对比：理想档只算佣金，标准档加佣金、印花税和固定滑点，保守档再增加冲击成本。A股实际成本至少包括：买入佣金万2.5（最低5元）、卖出佣金万2.5、卖出印花税千1、过户费十万分之一。回测里我用万2.5佣金加千1卖出印花税，再加千1的固定滑点，基本能覆盖大多数小资金账户的真实摩擦：
cerebro.broker.setcash(1000000) cerebro.broker.setcommission( commission=0.00025, commtype=bt.CommInfoBase.COMM_PERC, ) cerebro.broker.set_slippage_perc(perc=0.001, slip_open=True, slip_match=True)滑点参数开得越大，回测越保守，但更接近实盘。我建议先按标准档跑出结果，再切保守档看差异，如果两个结果差距超过20%，说明策略本身对交易成本太敏感，这种策略实盘要谨慎。
4. 结果诊断：回测数据好到失真怎么办
4.1 这些指标先看哪几个
跑完回测先别急着看曲线。我固定看五张表：年化收益率、最大回撤、夏普比率、卡玛比率（年化收益除以最大回撤）、月胜率。月度回撤比总回撤更适合低频策略，因为月末调仓策略往往是“平时小幅波动，月末集中换仓”的状态，只看年度最大回撤容易低估止损风险。backtrader默认输出没有这么全，我是把每周的资金曲线导出后自己算。
第二版修正后的结果：年化15.8%，最大回撤-19.6%，夏普1.05，卡玛0.81，月胜率58.3%。比第一版难看不少，但这次我反而敢拿去讨论——因为每个环节都有据可查，成本、停牌、涨跌停全都体现在数字里了。
4.2 超额收益与基准的选择
月末策略必须和基准比才有意义。我当时同时对比了沪深300指数和中证红利全收益指数。为什么选中证红利全收益？因为这个策略本来就是低波红利风格，如果连红利指数都跑不赢，那还不如直接买指数基金，没必要折腾选股。跑下来，我的策略相对红利全收益的超额并不大，主要贡献反而来自2018、2022两个熊市年份的低回撤。这说明策略本质是“红利风格加低波控制”，而不是绝对alpha。
这里还有一个容易踩的坑：基准也要用全收益，不能用价格指数。分红会漏掉，尤其是红利类策略，分红贡献经常占三成以上，对比价格指数等于自欺欺人。
4.3 常见回测Bug速查表
回测出问题的时候，问题往往不在策略逻辑，而在数据或框架细节。我整理了最常遇到的几个：
| 现象 | 大概率原因 | 排查方法 |
|---|---|---|
| 收益高得离谱 | 未来函数、复权混用 | 检查信号日与成交日是否同bar |
| 单月收益特别突出 | 分红/复权跳空被当成交易收益 | 拉出该月的个股价格日志看是否有异常跳空 |
| 某只股票仓位一直是0 | 日期索引不一致或股票名拼错 | 打印data._name与df索引 |
| 回测中资金出现负数 | 未冻结可用资金，下多笔超过资产 | 检查order_target_percent的调用时机 |
| 调仓日差一天 | 交易日历没对齐自然月 | 打印调仓日期与前几个交易日关系 |
| 停牌股卖出后仍持有 | backtrader无法感知停牌 | 检查成交量等于0的行是否被过滤 |
这份表我每次跑新策略都会重看一遍。多数“神奇策略”最后都能在这里找到归处。
4.4 这次回测踩过的三个真实坑
第一，复权切换导致因子排名震荡。第一版用了前复权，后来切后复权时没同步更新因子缓存，导致同一只股票在切换日前后排名不连续，选出的组合面目全非。解决方法是把因子的“复权口径”写死在配置环境变量里，切换时强制清空缓存重算。
第二，开盘价成交设错了时机。用市价单跑月末调仓，默认会延迟一根bar成交，结果变成了T+1开盘下单、T+1收盘成交，收益又虚高了一截。开了set_coo(True)以后才真正变成“开盘成交”。这个细节不跑到资金曲线对比根本发现不了。
第三，抽出了“空壳组合”。做因子回看时发现，策略第一年选的股票和预期完全不符，后来一查是因子DataFrame尾部有NaN没处理，排序时空值全部排到了最后，系统以为这些股票“非常差”，于是一开头就买了一批因数据缺失被误判的股票。清洗数据时漏了dropna这一步，教训很深刻。
5. 从回测到下一轮研究：几个方向与收尾体会
5.1 样本外验证与参数敏感性
回测做完还要验证，否则只是拟合历史。我把2018到2021设为样本内，2022到2025设为样本外，重新跑了一遍。结果不出所料，样本内年化18%以上，样本外年化只剩10%左右，超额收益缩水一半。这很正常，策略因子的有效性会衰减，尤其是低波这种已经被写烂了的因子。
接着做参数敏感性：top_n从5变成15、回看窗口从20天变成40天、因子权重从五五开到三七开，各跑一遍。如果结果在参数小幅扰动下剧烈波动，策略就不稳健。我这个策略top_n从10改成15之后年化掉了4个点，说明选股数量对结果影响很大，后续需要增加分组测试，而不是在这里过度调参。
5.2 下一轮可以做的几个优化方向
第一，行业中性化。现在因子选股很容易某个月份全压在银行或煤炭，行业暴露太大，回测曲线会和板块行情高度相关。可以加一道约束：按申万一级行业分组，每组最多选2只。
第二，引入风险平价权重。等权简单但并不是最优，换个思路，用波动率倒数做权重，让低波股票占更大仓位，可能平滑回撤。
第三，把调仓频率从月度改成季度或双月研究一下。频率越低成本和冲击越小，但因子衰减也会更明显。用同一套回测框架改几个参数就能对比，这种对照实验很有价值。
5.3 一点个人体会
这两轮回测折腾下来，我最大的体会是：回测软件不会骗人，骗人的永远是代码里的理想化假设。做策略回测，尤其是多股、低频、月末调仓这种看似简单的玩法，最该花时间的不是调参，而是把数据、信号、成交、成本四个环节挨个打磨到“真实”为止。结果难看一点没关系，至少你知道这个数字背后发生了什么。
最后分享一个小习惯：每次跑完回测，我会强制自己写一段200字以内的“回测结论”，里面必须写清三个东西——什么假设、什么成本、什么限制。写不出来就说明还没研究透，继续回去查代码。这次“月末策略标的回测再研究”，我就是按这个流程又走了一遍，虽然最终收益不如第一版惊艳，但至少每一分收益我都能说出它从哪来。
