TradingView 怎么做策略回测？Strategy Tester 怎么用？

为什么你的策略在脑子里赚钱，在实盘里亏钱？

大多数交易者都有过这样的经历：一套逻辑清晰的交易规则，在脑海中推演时百发百中，一旦实盘执行却频频翻车。问题不在于策略本身，而在于你跳过了最关键的一步——用历史数据验证它。TradingView 的 Strategy Tester 就是做这件事的工具，而 Pine Script 则是你和它对话的语言。

Strategy Tester 面板：回测的控制中心

在 TradingView 图表底部点击 Strategy Tester 标签页，即可打开回测面板。它由四个子标签组成：

• Overview：策略的整体盈亏曲线和关键绩效摘要
• Performance Summary：按多/空/全部拆分的详细指标表
• List of Trades：每一笔交易的入场价、出场价、盈亏、持仓时间
• Properties：策略的参数设置（初始资金、手续费、数据范围等）

加载策略有三种途径：内置策略（如 Supertrend Strategy）、社区公开策略、以及你自己用 Pine Script 编写的策略。只有声明为 strategy() 的脚本才会出现在 Strategy Tester 中，indicator() 不会。

用 Pine Script 编写可回测的策略

strategy() 声明：回测的起点

pinescript
strategy("均线交叉策略", overlay=true,
     initial_capital=10000,
     default_qty_type=strategy.percent_of_equity,
     default_qty_value=100,
     commission_type=strategy.commission.percent,
     commission_value=0.1)

关键参数说明：

参数	作用	建议值
initial_capital	初始资金	与你实盘资金接近
default_qty_type	仓位计算方式	percent_of_equity 按资金比例
commission_value	手续费率	至少设为 0.1%（实盘往往更高）
pyramid	同方向最大加仓次数	默认 1，即不加仓
slippage	滑点（跳）	至少设 2-3 跳

手续费和滑点是回测与实盘最大的差距来源。很多策略在零手续费下表现出色，加上 0.1% 双边成本后直接亏损。

strategy.entry / exit / close：交易指令三件套

pinescript
// 均线计算
fastMA = ta.sma(close, 10)
slowMA = ta.sma(close, 30)

// 入场条件
longCondition = ta.crossover(fastMA, slowMA)
shortCondition = ta.crossunder(fastMA, slowMA)

// 开仓
if longCondition
    strategy.entry("多头", strategy.long)

if shortCondition
    strategy.entry("空头", strategy.short)

// 止损止盈：从入场价偏移
strategy.exit("多头退出", "多头",
     stop=strategy.position_avg_price * 0.97,
     limit=strategy.position_avg_price * 1.06)

// 强制平仓（无条件出场）
// strategy.close("多头", when=某个条件)

三者的区别：

• strategy.entry：开仓或反手，如果已有同方向持仓则忽略，已有反方向持仓则先平再开
• strategy.exit：设定止损/止盈价位，是挂单逻辑，价格触及才会触发
• strategy.close：当前 bar 满足条件时立即平仓，适合条件出场

一个常见错误是在 strategy.exit 中同时用了 when 参数——exit 本身是挂单，不需要条件判断，条件出场应该用 strategy.close。

回测参数设置：别让默认值骗了你

Strategy Tester 面板的 Settings 齿轮图标里藏着几个严重影响结果的设置：

时间范围

默认是图表上所有可用数据。建议手动指定起止日期，并确保覆盖至少一个完整的牛熊周期。日线策略至少用 2-3 年数据，日内策略至少覆盖不同波动率阶段。

免费账户只能回测 5000 根 K 线，Pro 账户 15000 根，Premium 不限。数据量不足会导致统计结果不可靠。

初始资金与仓位

初始资金设为你实际可投入的金额。仓位管理用 strategy.percent_of_equity 比固定手数更贴近真实——随着账户增长，仓位也相应放大。

手续费与滑点

在 strategy() 声明中设置 commission_value，同时别忘了 slippage 参数。滑点在流动性差的市场中影响巨大，加密货币小币种的实际滑点可能远超 3 跳。

看懂绩效指标：数字背后的真实含义

盈利能力

• 净利润（Net Profit）：扣除手续费后的总盈亏。单独看这个数字没意义，需要和最大回撤一起看
• 盈利因子（Profit Factor）：总盈利 / 总亏损。低于 1.5 的策略风险偏高，1.5-2.0 属于中等，2.0 以上在实盘中很少见
• 胜率（Win Rate）：单独看胜率没有意义。60% 胜率 + 1:0.5 盈亏比 可能不如 40% 胜率 + 1:3 盈亏比

风险指标

• 最大回撤（Max Drawdown）：从账户峰值到谷底的最大跌幅。如果你无法承受 30% 的回撤，那最大回撤超过 30% 的策略就不适合你
• 夏普比率（Sharpe Ratio）：每承受一单位风险能获得多少超额收益。低于 0.5 几乎不值得运行，1.0 以上算优秀
• 卡尔马比率（Calmar Ratio）：年化收益 / 最大回撤。衡量"回撤换收益"的效率

交易统计

重点关注 平均持仓时间 和 最大连续亏损次数。持仓时间过短（几分钟）的策略对滑点和延迟极其敏感；连续亏损 10 次以上时，大多数交易者会在第 6-7 次就手动止损出局，根本熬不到策略回本。

参数优化：找到最优解还是拟合历史？

Strategy Tester 支持对策略中声明为 input() 的参数进行穷举优化。点击面板中的 Optimize 按钮，设定参数范围和步长，系统会遍历所有组合并按净利润排序。

问题在于：10 个参数、每个 10 个取值 = 10 亿种组合。参数越多，过拟合的概率越高。优化结果的排名表里排第一的参数组合，在样本外数据上大概率不是第一。

前进式验证（Walk-Forward）

更可靠的做法：

1. 将数据分为训练集（前 70%）和测试集（后 30%）
2. 在训练集上优化参数
3. 用最优参数在测试集上运行，看表现是否可接受
4. 如果测试集表现差距过大，说明过拟合了

Pine Script 本身不支持自动前进式验证，但你可以手动修改回测的时间范围来模拟这个过程。

回测的致命陷阱

过拟合

表现：训练集上盈利因子 3.0+，测试集上低于 1.2。原因是参数被调到恰好契合历史走势的每一个转折。

应对：减少参数数量；参数优化后必须在样本外数据验证；如果微调参数就导致绩效剧烈变化，说明策略不稳定。

未来函数（Lookahead Bias）

Pine Script 中最容易犯的错误是在未确认的 bar 上做决策：

pinescript
// 错误：用当前 bar 的 close 做判断，但 close 还没确认
if close > ta.sma(close, 20)
    strategy.entry("买入", strategy.long)

// 正确：用已确认的前一根 bar 的收盘价
if close[1] > ta.sma(close, 20)[1]
    strategy.entry("买入", strategy.long)

第一种写法在回测中会"偷看"当前 bar 的收盘价，导致虚高的绩效。解决方法是用 close[1] 引用已确认数据，或在 strategy() 中设置 calc_on_every_tick=false。

忽视流动性

在低流动性品种上，你的限价单可能根本不会成交。回测引擎假设所有订单都能以指定价格成交，这和现实差距很大。如果你回测的是小市值加密货币或低成交量股票，绩效要打一个大折扣。

完整示例：双均线交叉 + ATR 止损

pinescript
strategy("双均线+ATR止损", overlay=true,
     initial_capital=10000,
     default_qty_type=strategy.percent_of_equity,
     default_qty_value=95,
     commission_type=strategy.commission.percent,
     commission_value=0.1,
     slippage=3)

// 参数
fastLen = input.int(10, "快线周期", minval=1)
slowLen = input.int(30, "慢线周期", minval=1)
atrLen  = input.int(14, "ATR周期", minval=1)
atrMult = input.float(2.0, "止损ATR倍数", minval=0.5, step=0.1)

// 指标
fastMA = ta.sma(close, fastLen)
slowMA = ta.sma(close, slowLen)
atr = ta.atr(atrLen)

// 入场条件（用已确认bar）
longCond  = ta.crossover(fastMA[1], slowMA[1])
shortCond = ta.crossunder(fastMA[1], slowMA[1])

// 多头入场
if longCond
    strategy.entry("多", strategy.long)

// 空头入场
if shortCond
    strategy.entry("空", strategy.short)

// 多头止损止盈
if strategy.position_size > 0
    strategy.exit("多出", "多",
         stop=strategy.position_avg_price - atr * atrMult,
         limit=strategy.position_avg_price + atr * atrMult * 1.5)

// 空头止损止盈
if strategy.position_size < 0
    strategy.exit("空出", "空",
         stop=strategy.position_avg_price + atr * atrMult,
         limit=strategy.position_avg_price - atr * atrMult * 1.5)

这个策略用 ATR 动态计算止损距离，比固定百分比止损更贴合市场波动率。将 fastLen、slowLen、atrMult 声明为 input() 后可以在 Strategy Tester 中直接优化。

回测只是起点

Strategy Tester 给你的是一个概率参考，不是利润承诺。一个回测表现良好的策略，只说明"在过去的市场条件下，这套逻辑曾经有效"。市场结构会变，流动性会变，你的策略也需要迭代。

实盘前至少做三件事：在模拟盘跑 1-2 个月观察滑点，在不同品种上验证策略稳健性，以及确认自己能在最大回撤期间不手动干预。回测的价值不在于告诉你"能赚多少"，而在于帮你排除"肯定会亏"的方案。