用第 2 课存的茅台数据写一个双均线策略，并亲眼看到"回测幻觉"是怎么造出来的
你的第一个完整回测：5/20 双均线策略（金叉买、死叉卖）跑在茅台 2024 年的真实日线上。但重点不是策略本身，而是脚本会跑两遍：先按网上教程最常见的错误写法跑一个"幻觉版"，再按 A 股真实规则跑一个"现实版"——同一份数据、同一个策略，你会亲眼看到两个版本差出多少钱。
这节课是你量化零基础补课里最关键的一节：以后任何人（包括 Agent、包括你自己）给你看一份回测结果，你都知道该审哪四个地方。
任何回测，本质上是四样东西的组合。每个要素都有对应的"造假手法"，对照着审，没有回测能骗过你：
| 要素 | 本课的做法 | 常见造假手法 |
|---|---|---|
| 1. 数据 | 前复权日线（第 2 课已落地 CSV） | 用不复权数据，除权假跳水触发错误信号 |
| 2. 信号 | 收盘价算 MA5/MA20，金叉买死叉卖 | 信号用到当天盘中才知道的数据（未来函数） |
| 3. 成交规则 | 收盘出信号，次日开盘价成交 | "当日信号当日收盘价成交"——本课主角 |
| 4. 成本 | 佣金万 2.5（最低 5 元）+ 印花税 0.05% 仅卖出 | 不计成本，高频策略的盈利全靠漏算它 |
第 1 课学的 T+1、一手 100 股、佣金印花税，第 2 课学的前复权，这节课全部要用上——约束不是背景知识，是要写进代码的。
脚本 scripts/first_backtest.py 里，信号生成只有三行 pandas（你熟）：rolling(5).mean()、rolling(20).mean()，再比较"昨天 MA5 还在 MA20 下方、今天到了上方"。其余代码全在建模成交与成本——这正是本课的态度：信号人人会写，成交规则和成本才见功力。
数据用的是第 2 课落地的 data/600519_qfq_2024.csv，全程不联网。运行：
cd "$HOME/AI Project/Quant Learning"
source .venv/bin/activate
python scripts/first_backtest.py你会看到（我已在你的环境实测通过，交易明细较长，中间省略）：
数据：600519_qfq_2024.csv，242 个交易日（前复权，口径见第 2 课）
信号：金叉 9 次，死叉 8 次
【正确版本交易明细】信号次日开盘成交，含成本
买入 2024-02-08 开盘价 1563.03 600 股 金额 937,818 费用 234.45
卖出 2024-03-11 开盘价 1522.13 600 股 金额 913,278 费用 684.96 本笔盈亏 -25,459
……
买入 2024-09-30 开盘价 1569.43 500 股 金额 784,715 费用 196.18
卖出 2024-10-29 开盘价 1446.99 500 股 金额 723,495 费用 542.62 本笔盈亏 -61,959
……
买入 2024-12-13 开盘价 1437.72 500 股 金额 718,860 费用 179.72
==========================================================
对比：同一个策略、同一份数据，只改成交规则与成本
==========================================================
错误版本(幻觉) 正确版本(现实) 买入持有(基准)
----------------------------------------------------------
总收益率 -19.81% -23.79% -5.75%
年化收益 -20.54% -24.64% -5.98%
最大回撤 -21.46% -25.12% -25.17%
交易次数 8 8 1
胜率 12% 12% —
==========================================================
幻觉泡沫：错误版本比正确版本多报 3.98% 的收益
注：年末仍持仓（最后一个金叉后未现死叉），浮动盈亏已计入。先承认一个反直觉的事实：你可能期待错误版本给出一个亮眼的正收益，但茅台 2024 年的真实数据给了我们一份更好的教材——连作弊版都救不了这个策略。幻觉版的"亮眼"体现在别处：
| 幻觉来源 | 错误版本的做法 | 为什么是造假 |
|---|---|---|
| 成交价 | 信号当日收盘价成交 | 均线要用收盘价才能算出来——金叉这个信号在 15:00 收盘那一刻才"存在"，你不可能在同一时刻已经按收盘价成交了。这是用未来的信息做过去的决定，俗称未来函数 / 前视偏差（look-ahead bias） |
| 成本 | 佣金、印花税全不算 | 8 个来回 = 16 次收费。看交易明细：卖出 91 万收 684.96 元（佣金 228 + 印花税 457），一年下来成本吃掉的钱比最大一笔盈利（+12,153）还多 |
两个幻觉叠加，净结果是把收益虚报了 3.98 个百分点（-19.81% 对 -23.79%）。在亏损策略上它只是"少亏一点"；放在一个本身赚 5% 的策略上，这 4 个点就是把"平庸"包装成"亮眼"的全部化妆品。网上大量晒回测的策略，死因就是这两行代码。
T+1 的制度精神是：今天的决策，明天才能执行出结果。你当晚复盘发现金叉，最早明天开盘买入；买入的股票最早后天才能卖。"当日信号当日成交"不仅是数学上的未来函数，在 T+1 制度下连物理上都不成立——你的回测必须体现"信号日"和"成交日"之间隔着的那个晚上。那个晚上会发生很多事（隔夜美股、突发公告、集合竞价跳空），次日开盘价就是对这种不确定性的定价。这也是为什么你的 Agent 辅助决策系统的正确形态是"盘后分析 → 次日计划"，而不是盘中瞬时反应。
再看成本细节（脚本里 buy_fee / sell_fee 两个函数）：
幻觉解剖完，还有个更扎心的数字：正确版本 -23.79%，而什么都不做、年初买入持有只有 -5.75%。这个策略 8 笔交易 7 亏 1 赚，胜率 12%，被买入持有甩开 18 个百分点。
回看交易明细，死因清晰：2024 年的茅台是震荡市，正是趋势策略的坟场——每次金叉都追在短期高点，每次死叉都割在短期低点（"高买低卖"，和你直觉中的散户行为一模一样）。最惨的一笔：9 月底政策行情启动，股价几天暴涨，但均线是滞后指标，金叉信号 9 月 27 日收盘才出现，9 月 30 日开盘 1569.43 追进去——上涨最肥的一段已经走完，随后 10 月回落，10 月 29 日 1446.99 止损，一笔亏 61,959。策略没有对错，只有适配的行情。
看到 -23.79%，你的本能反应可能是："那把 5/20 换成别的参数试试？3/10？10/30？总有一组能赚钱。"——停。在 242 个数据点上反复调参，直到调出正收益，这不叫研究，叫过拟合：你找到的不是规律，是这份特定历史数据里的噪音形状。换一年数据，"最优参数"立刻失效。判断一个参数是不是过拟合，需要样本外验证、参数稳定性分析等一整套方法——这是第 7 课"Agent 辅助写策略"的主题：Agent 调参的速度是人的 100 倍，制造过拟合的速度也是 100 倍，你必须比它更懂陷阱。
回到你的目标——用 Agent 辅助实盘决策。这节课给了你两块地基：第一，回测四要素的审计清单，以后 Agent 给你写的每一个策略，你都按这四条审它的回测代码；第二，一个残酷但健康的预期：简单策略大概率跑不赢买入持有，策略研究的价值在于严谨地证伪，而不是漂亮地造假。Agent 能帮你把"写一个策略 + 严谨回测"的周期从一周压缩到一小时——前提是你要能分辨它交上来的回测是不是幻觉。
凭记忆作答——答错比答对更能加固记忆。
把脚本里的SHORT, LONG = 5, 20改成10, 30重跑，看结果变好了还是更差了。然后回答自己一个问题：如果改好了，你凭什么相信这不是过拟合？如果改差了，你凭什么相信 5/20 本身不是过拟合？想不清楚就留着——这正是第 7 课要解决的。
第 5 课 · 会查证的 Agent：工具调用循环——让 LLM 不再凭记忆回答，而是自己调用工具查行情、查新闻，把"说"和"查证"连成一个循环。
有任何不清楚的地方（比如均线信号的三行 pandas、费用计算、年化与回撤的公式），直接问我——我是你的老师。