我们怎么帮客户避开外汇回测“历史长度”的坑

最近很多做量化交易的朋友都在问同一个问题：“为什么回测时夏普比率很高，实盘一跑就腰斩？”
作为券商投顾，我们的团队也曾深陷这个困境。今天想借这篇手记，从一线服务客户的角度，分享一下我们怎么定位并解决“数据历史长度不足”带来的回测偏差。

客户需求：他们要的是稳定，不是漂亮的曲线

我们面对的客户，通常已经具备一定交易经验，他们找我们，是希望用外汇量化策略获得更稳定的收益，而不是看几条好看的净值曲线。
在最初的接洽中，客户往往带着自己初步验证过的策略过来，回测报告非常亮眼。但我们接手评估后，常常发现一个共性：数据只拉了一两年。这种短周期数据，很可能恰好处于某种低波动或趋势顺畅的行情中，策略表现自然优越。客户的需求是真金白银的稳定，但数据基础却并不牢靠。

我们曾经忽视的痛点

早些年，我们自己也走过弯路。只要拿到K线接口，就急着跑策略，看到收益曲线平滑向上就认为策略可靠。结果换一个数据源，或者把历史拉长，曲线就开始大幅变形。那种落差感，不仅让我们自己受打击，更重要的是辜负了客户的信任。
问题根源就在于，我们忽略了外汇API数据在历史回溯长度上的巨大差异。有的API只保留近3年分钟数据，有的能拉到10年以上日线，还有的对Tick数据只做滚动窗口存储。表面看都是历史行情，底层的完整度天差地别。

数据支撑：用分段回测暴露真实绩效

为了不再被短历史迷惑，我们形成了一套验证习惯：对同一策略，使用不同时间长度的数据进行分段回测。比如，分别用1年、3年、5年的历史窗口去跑，再对比胜率、最大回撤、收益结构等指标。如果差异过大，这个策略就可能只是在拟合某一段特殊行情。
在实际操作中，我们会借助一些能提供长历史Tick数据的数据服务（例如ALLTICK API），把实时推流的数据落地成历史序列，再做多窗口切片。下面是我们使用的核心代码逻辑，供大家参考：

import websocket
import json
import pandas as pd

data = []

def on_message(ws, message):
    msg = json.loads(message)
    data.append({
        "time": msg["ts"],
        "price": msg["price"],
        "volume": msg["volume"]
    })

ws = websocket.WebSocketApp(
    "wss://stream.alltick.co/ws",
    on_message=on_message
)
ws.run_forever()

df = pd.DataFrame(data)

# 按不同时间窗口切片回测
df_1y = df[df["time"] > "2026-06-01"]
df_3y = df[df["time"] > "2024-06-01"]

利用这种切片方式，我们曾经发现某个策略在1年窗口下胜率达到70%，但拉长到5年就只剩51%，最大回撤也接近翻倍。这种比较，比单独看一条收益曲线更具说服力。

服务升级：从“求快”转向“求全”

现在我们为客户筛选数据源时，关注的重点已经从“响应速度有多快”转变为“历史覆盖有多完整”。短历史只能告诉你策略在特定阶段是否成立，而长历史才能暴露策略在极端环境下的真实表现。
如果某个策略只能在有限年份里保持优秀，那它大概率只是在拟合行情片段，而不是真正适应市场。这个判断标准，已经成为我们投顾团队为客户把关的第一道门槛。