🎯 今日核心问题

  1. 你回测用的股票池,是从哪一天开始「存在」的?
  2. 把退市股加回去,你的年化会掉多少个百分点?

📖 精读提纲

【一】幸存者偏差是最隐蔽的一层作弊

前视偏差是「偷看未来」,幸存者偏差则是「删掉输家」。你从 akshare 拉一份 stock_zh_a_spot_em,得到当前 5000 多只A股,然后拿这份名单去回测 2015 年——这里面有个致命问题:2015 年存在过、但后来退市的公司,一只都不在这份名单里。

这一点在A股尤其严重,因为退市规则在过去十年经历了两次大改。2015 年前后A股年均退市不到 5 家,退市率不足 0.1%,很多「该退的」靠借壳、卖资产、政府补贴吊着一口气;2020 年退市新规取消了暂停上市和恢复上市,把连续亏损、财务造假、面值退市的判定标准大幅收紧;2024 年 4 月新「国九条」进一步把主板营收红线提到 3 亿元。结果是从 2020 年到 2025 年,累计退市和强制退市公司超过 200 家,2023、2024 两年每年退市四五十家。

你的名单是「活到今天的」,而你回测的年份里,那些最终死掉的公司正以每年 -30% 到 -90% 的速度下跌。你把跌幅最大的样本从分母里剔除了,剩下的自然是赢家——这就是回测虚高的来源。

【二】具体会虚高多少:一个可算的例子

假设某十年期策略每年等权持有 50 只票。真实情况是:每年有 2 只(4%)会走向退市或面值退市,平均在持有期内跌 70%;而当你用「今天的名单」回测时,这 2 只票根本不存在,你实际上持有的是 50 只全都不退市的股票。粗算一下:每年少亏 4% × 70% = 2.8% 的净值影响,十年复利下来,回测年化比真实年化高出约 2.5 到 3.5 个百分点。如果你的策略宣称年化 18%,真实可能只有 15%。

更极端的例子是「全市场等权」策略。2015 年高位买入全A等权,到 2024 年,用当前成分股回测的年化可能是 +2%,而用真实时点全样本算出来是 -1% 到 0%——差别全部来自那批被淘汰的票。

【三】实战应用:构建「时点全样本」股票池

正确做法是三个字段:list_date(上市日)、delist_date(退市日,未退市为空)、is_st / 风险警示。任一交易日 t 的可交易宇宙 = 上市日 ≤ t 且(退市日为空 或 退市日 > t)的全部股票,再剔除 t 时点处于停牌、ST、涨跌幅超限无法成交的标的。

同时要处理两个配套问题:第一,退市前有整理期,面值退市股票在退市整理期通常还有 15 到 30 个交易日连续跌停,如果回测在最后一天按收盘价「卖出」,你其实卖不掉——这部分亏损要用跌停价或干脆按不可交易处理;第二,指数成分股也要用历史名单,沪深300 每年 6 月和 12 月调仓,用当前名单本身就是幸存者偏差。

【四】常见误区

import pandas as pd

# a) 股票主表:必须包含 list_date 与 delist_date
#    实际可从 akshare 的 stock_info_sh_delist / stock_info_sz_delist
#    拉退市名单,再与在市名单合并
master = pd.DataFrame({
    "code":        ["600519", "000001", "600145", "000033", "600087"],
    "name":        ["贵州茅台", "平安银行", "退市新亿", "新都退", "退市长航"],
    "list_date":   pd.to_datetime(["2001-08-27", "1991-04-03", "1996-09-20",
                                   "1992-06-01", "1997-06-12"]),
    "delist_date": pd.to_datetime([None, None, "2022-06-15",
                                   "2019-11-01", "2019-05-27"]),
})

def universe_on(df, date):
    # 返回 date 当天真实在市的股票池, 已退市的不算
    listed = df.list_date <= date
    alive  = df.delist_date.isna() | (df.delist_date > date)
    return df[listed & alive].code.tolist()

print(universe_on(master, "2015-06-12"))   # 5 只全在
print(universe_on(master, "2020-01-02"))   # 剔除 3 只已退市

# b) 逐年对比:当前名单 vs 时点名单
years = pd.date_range("2015-12-31", "2024-12-31", freq="YE")
today_codes = set(master.loc[master.delist_date.isna(), "code"])
for d in years:
    live = universe_on(master, d)
    print(f"{d.date()}  时点样本={len(live)}只  "
          f"当前名单误含={len(set(live) - today_codes)}只  "
          f"漏掉(已退市但当时在市)={len(set(today_codes) - set(live))}只")

# c) 用「今天的名单」回测的系统性偏差估算
def bias_estimate(delist_rate, avg_drop):
    # 不考虑退市股时, 年化被高估多少(粗略线性近似)
    return delist_rate * abs(avg_drop)

drag = bias_estimate(0.04, -0.70)
print(f"每年净值虚高约 {drag:.2%}, 十年复利累计虚高 {(1 + drag) ** 10 - 1:.1%}")

✏️ 今日动手

1) 用 akshare 拉出 2020 年至今A股全部退市公司名单(stock_info_sh_delist、stock_info_sz_delist),数一下一共有多少家、平均退市前一年跌幅是多少。

2) 把这份名单并入你的股票主表,给每只票补上 list_date 和 delist_date。如果 akshare 拿不到完整退市日,至少给退市股标注一个「最后交易日」,用它做 universe 过滤。

3) 跑一次对照:同一策略,宇宙 A = 当前全部A股,宇宙 B = 时点全样本。把两组的年化、最大回撤并排打印出来,差多少就记多少。

🔖 明日预告

明天讲最令人上瘾的自欺:过拟合。当你有 20 个参数可调、又恰好有 2000 个交易日的数据时,找到一组「年化 30%」的参数几乎是必然的——但那不是发现规律,只是给噪声写了一份漂亮的简历。