回测是用历史数据验证策略逻辑的过程——它能告诉你"这个想法在过去是否成立"，但不能保证未来。 正确的预期：回测是过滤坏策略的工具，不是预测收益的水晶球。回测年化 30% 的策略 实盘打七折是常态，回测就亏的策略实盘几乎必亏。
1. 前视偏差（Look-ahead Bias）：用了决策时点还不存在的数据。最常见：财报数据按报告期而非披露日对齐——三季报 10 月底才披露，回测却在 9 月就用上了。FactorHub 因子全部按披露日 point-in-time 对齐。
2. 幸存者偏差（Survivorship Bias）：股票池只含今天还活着的股票，漏掉退市股。A股已退市 200+ 只，剔除它们会显著高估历史收益。回测股票池必须用当时点的全量成分。
3. 过拟合（Overfitting）：参数调到历史数据上完美。识别信号：参数微调收益剧变、样本外崩溃、逻辑讲不通只是"数字好看"。对策：留出样本外区间、参数敏感性测试、先有逻辑后有回测。
4. 忽略交易成本：A股双边千分之一点五的佣金+印花税+冲击成本，高换手策略回测不扣成本年化虚高 10%+。月换手 100% 的策略至少按单边 0.2% 计成本。
5. 小样本结论：回测 1 年跑赢就上实盘。A股牛熊周期 5-7 年，少于一个完整周期的回测说明不了风格依赖。FactorHub 因子检验统一用 6 年窗口。
年化收益看绝对水平，夏普比率看风险调整后效率（>1 良好，>2 优秀）， 最大回撤决定你能不能拿得住（-30% 的回撤意味着你要忍受资产缩水三成）， Calmar 比率（年化/最大回撤）综合二者，胜率配合盈亏比才有意义。 完整定义见量化术语百科。
实战路径： ① 在因子库按 IC 和夏普筛 3-6 个低相关因子（先看质量、动量、规模三大风格）； ② 进因子实验室合成多因子打分； ③ 用Assembly 策略装配设置选股数量、调仓频率、行业中性化规则； ④ 查看回测报告的分年度收益（看风格依赖）和换手率（估算真实成本）； ⑤ 满意后通过数据 API 导出信号对接实盘。