让 AI 代理回测交易规则前，必须先说清楚哪些事？

回测是什么

回测是把交易规则原样套用到过去行情上的做法。事先定好什么时候买、什么时候卖，然后一天一天地推过去几个月或几年，算出照此买卖如今账户会是多少。它是在真金白银入场之前，确认规则是否说得通的一道程序。

之所以值得做，是因为凭感觉立下的规则大多在数字面前站不住。脑子里听着合理的规则，一放到真实行情上，信号要么太慢，要么太频繁，要么在关键区间反向而动。回测让你在付出学费之前就知道这件事。

同时回测并不是预测未来的工具。过去有效并不保证将来有效。回测真正筛掉的是明显糟糕的规则，剩下的也只是当时不糟糕的规则而已。一开始不接受这个区别，就会过度依赖那些数字。

从前要做这件事，得先把行情数据弄到手、整理成表，再自己写循环。现在两样东西就够了：一个提供行情的 API，以及一个在自己电脑上写代码并运行的 AI 代理。

先取数据 — 用 K 线接口拿日线 OHLC

先说清一个词。K 线把一天（或一分钟）的价格波动压缩成四个数字：开盘价、最高价、最低价、收盘价，取首字母叫 OHLC。一根 K 线代表一天就是日线，一串日线正是回测所需的最少原料。

Toss 证券 Open API 通过 K 线接口提供这份数据。有上一篇里拿到的访问令牌就够，不需要账户请求头，因为行情是对所有用户一视同仁的客观数据。

实际使用时会卡住的地方有两处。第一，单次调用最多返回 200 根。一年的日线约 250 根，一次取不完，要拿着响应里附带的游标往更早的方向续接。第二，必须取复权价。有过分红或拆股的标的若用原始价格，拆股当天价格会腰斩，回测会把那天误当成暴跌。

取回的 K 线按日期升序排好，重复日期合并成一条。分页续接时边界上常会重复同一天，放着不管这天就被算两次，收益率会被悄悄抬高。

TOKEN=eyJ...

curl -s 'https://openapi.tossinvest.com/api/v1/candles?symbol=KORU&interval=1d&count=200&adjusted=true' \
  -H "Authorization: Bearer $TOKEN"

# 响应（节选）
# {"result":{
#   "candles":[{"timestamp":"2026-07-27T00:00:00",
#               "openPrice":18.02,"highPrice":18.9,
#               "lowPrice":17.71,"closePrice":18.45,"volume":...}],
#   "nextBefore":"..."}}

import os, requests

BASE = "https://openapi.tossinvest.com/api/v1/candles"
H = {"Authorization": f"Bearer {os.environ['TOSS_TOKEN']}"}

def daily_ohlc(symbol, need=400):
    rows, before = {}, None
    while len(rows) < need:
        p = {"symbol": symbol, "interval": "1d",
             "count": 200, "adjusted": "true"}
        if before:
            p["before"] = before
        r = requests.get(BASE, params=p, headers=H, timeout=10).json()["result"]
        if not r.get("candles"):
            break
        for c in r["candles"]:                 # 用日期作键去重
            d = c["timestamp"][:10]
            rows[d] = {"d": d, "o": float(c["openPrice"]),
                       "h": float(c["highPrice"]), "l": float(c["lowPrice"]),
                       "c": float(c["closePrice"])}
        before = r.get("nextBefore")
        if not before:
            break
    return [rows[d] for d in sorted(rows)]     # 由旧到新

把规则交给代理时必须钉死的四件事

这才是本文的核心。把规则一讲，脚本几分钟就出来了。问题在于一句话的规则里总留着空白，而代理不会就此反问。它会用看起来最像样的值悄悄填上，然后给你一张非常像样的收益表。

空白通常有四处。把这四项和规则一起写下来，结果的摆动幅度会大幅收窄。

第一是判定时点。一天当中什么时候检查条件？按收盘价判定，和盘中价格一碰到就触发，是两套完全不同的策略。尤其买入信号若按盘中判定，那些收盘时早已站不住的假突破也会被全部买进。

第二是成交价格。条件满足后，按什么价格算作买卖成交？当天收盘价、条件线本身，还是次日开盘价？后面会看到，这一行对结果的影响最大。

第三是交易成本。手续费、税费以及买卖价差造成的损耗，按往返百分之几计入。若设为 0，频繁交易的策略会比实际好看得多。

第四是数据区间。用哪一段时间？仅仅挪动起始日，排名反转的情况很常见。所以只在一个区间里胜出，还不能算结论。

请用这份 K 线数据写一个回测以下规则的 Python 脚本。

[规则]
- 区间开始时以满仓持有状态起步
- 持有期间自最高点回撤 20% 即全部卖出（最高点按盘中最高价更新）
- 空仓期间收盘价突破此前 20 个交易日新高即全部买入
- 持有期间 RSI(14, Wilder) 超过 80 即全部卖出

[假设 — 必须照此执行]
- 买入与 RSI 按收盘价判定，移动止盈按盘中触碰判定
- 移动止盈成交价 = 最高点 x 0.8；开盘跳空更低时按开盘价成交
- 每笔交易扣除往返 0.1% 交易成本
- 区间分别输出最近 1 年 / 3 年 / 全区间

[输出]
- 成交明细（日期、方向、成交价、原因）
- 各区间收益率、最大回撤、与单纯持有的对比

同一套规则为何分出 +15% 与 +95%

光靠说不够直观，于是我实际跑了一遍。标的是 KORU，一只以三倍跟踪韩国市场的美国上市杠杆 ETF。规则就是上面那套：自最高点回撤 20% 全部卖出、收盘突破 20 日新高全部买入、RSI 超过 80 时过热止盈。区间为 2026 年 2 月 26 日至 7 月 22 日，约五个月。

同样的规则、同样的 K 线，跑了两遍。改动只有一处：平仓成交假设。第一遍按条件满足当天的收盘价成交，第二遍按价格触碰条件线那一刻的价格成交。

收盘成交为 15%，触碰成交为 95%。同期若只是持有则是负 33%。规则一个字都没改，结果却拉开了八十个百分点。

差距只来自一天。六月初见顶之后，这只基金几天之内腰斩。若按触碰条件线成交，是在 49 美元附近离场；若等到当天收盘才卖，则是 30 美元离场。因为是三倍产品，单日跌幅巨大，于是这一项假设支配了整个结果。

哪一边正确，取决于自己的系统实际如何运作。把条件单挂在券商服务器上，价格触及监视线的瞬间就会下单，接近触碰成交；反之，每天看一次收盘价由人判断、次日再下单，则比收盘成交还要吃亏。所以这不是口味问题，而是要照搬自己实际操作方式的一个取值。

而且无论取哪一边，真实成交都更差。急跌之中未必能按想要的价格全部卖出，市价单还会随着价差扩大而进一步滑点。这正是不能把回测数字直接当作预期收益来读的原因。

# A. 收盘成交 - 按收盘价确认条件，并按该收盘价计为卖出
if close[i] <= high * 0.8:
    fill = close[i]

# B. 触碰成交 - 盘中最低价触及条件线，即按该线计为卖出
level = high * 0.8
if low[i] <= level:
    fill = min(level, open[i])   # 开盘跳空更低则按开盘价成交

# 同一规则 · 同一数据 · 2026-02-26 ~ 07-22
# A -> +15%   B -> +95%   单纯持有 -> -33%

在 KORU 上实际验证过的变体

假设固定下来之后，真正的实验才开始：在同一骨架上一次只改一处。在三倍杠杆 ETF 上，这些变体大致分出了如下结果。

出现得最多的想法是让再入场更容易，因为等 20 日新高显得太慢。于是把等待窗口缩到 10 天，把门槛打折让它在略低于新高时就买，又换成 RSI 30 或均线交叉这类反弹信号。这些方向各异的尝试，全都不如原版。

反倒只有两处改动带来改善：把等待窗口拉长到 30 天，以及在 RSI 超过 80 的过热区间不等移动止盈先行止盈。也就是说，这套策略的力量不来自聪明的入场信号，而来自等到新高被确认为止的耐心。

我也试过把仓位拆成两份、分别设置不同止盈比例的所谓口袋分割。一半按 15%、另一半按 20% 卖出，看起来能缓和回撤，实际并没有。同一只标的，两份仓位一起承受同一场暴跌，只是离场日期错开几天，最大回撤几乎没变；反倒因为混入了始终更差的那组参数，收益被削掉一块。拆分相关性为 1 的资产并不是分散。

把在别的市场行得通的逻辑搬过来同样失败。分钟级加密交易里用的多指标 z 分数集成，一旦铺到日线 ETF 上就产生了数千笔交易。成本设为 0 时看着像样，单边算 0.05% 就崩了。问题不在逻辑质量，而在时间尺度与成本结构不匹配。

还有一点。在两倍产品上表现最好的 200 日均线过滤，放到三倍上反而有害。波动更大，于是在均线附近反复买卖，只累积了亏损。即便是同一系列的产品，倍数不同，合适的过滤器也不同。

回测悄悄撒谎的五个地方

结果好看时，这几处是最该先怀疑的。五项都不会报错，只会给出一个漂亮的数字，所以必须靠眼睛去找。

第一是前面看到的成交假设。若按在条件线上精确卖出来计算，暴跌行情中的表现会远好于现实。加上一点滑点重跑一遍，看看结论是否还站得住。

第二是未来信息渗入。如果某个需要知道当天收盘价才能算出的值，被用来在当天盘中交易，那么现实中根本不可能的交易就进入了业绩。指标计算里包含了当前这根 K 线，是最常见的出事点。

第三是成本为 0。先看交易次数，乘上往返成本，算一算扣掉之后还剩不剩。不剩的话，这个策略就不必再回测了。

第四是过拟合。一点点调参去找最好成绩，最后会落到只有那个取值才好的地方。前面采用的 RSI 80，也只在 78 到 82 这段狭窄区间里表现良好。窄峰大多是偶然。要选那种上下摇动之后仍然平缓保持的取值。

第五是数据与可复现性。不用复权价，除权日和拆股会被当成暴跌；只用当前在市的标的验证，已消失的标的被剔除，结果会变好看。而把回测脚本放在临时目录里，最后只剩结论、无法复现。我自己就踩过这个坑：几个月前跑过的脚本没了，这次只好从头重写。请把规则、假设和脚本连同结果一起放进代码仓库。

把验证过的规则搬到真实账户时

通过回测并不等于可以立刻上实盘。填补两者之间落差是有顺序的。

首先，让回测假定的判定时点与实际系统的判定时点对齐。如果是以收盘确认为前提做的验证，实盘下单也必须只在收盘前那段时间发出。这一点不对齐，就会不断被盘中假突破触发，变成与回测不同的另一套策略。

接着，把需要计算的判定与单纯的监视分开。像移动止盈那样基准线每天变动，或像 RSI 那样需要计算的条件，交给自己的脚本；单纯的价格触达监视交给券商条件单，这样自己的电脑关着，券商服务器也在盯。应对突发跳空下跌的安全网也挂在这里。

而实盘下单的闸门，就保持上一篇里做好的样子：默认演练模式，实盘下单同时要求执行标志与标的确认，超过金额上限即拒绝，用幂等键防止重复。回测越好看，越会想把这些闸门松开；而越好看的回测，需要被验证的假设越多。

最后是规模。即便是验证过的规则，一开始也要用输得起的金额，杠杆产品更是如此。自动交易在规则错了的时候，会又快又忠实地重复那个错误。本文数字来自特定标的与特定区间，不构成投资建议。判断与责任均在本人。