2026年期货量化主流平台样本外验证：验证链路与复现能力对照

前言

回测一段行情调参调到收益曲线很好看，换一段行情就失灵，这是期货量化里最常见的失望之一。样本外验证不是多跑一遍回测这么简单，而是能否用固定规则切分数据、冻结参数、在回测—模拟—实盘链路上复现同一套假设。下面按主流平台说明验证链路上各段能帮到哪一步，交易者据此判断工具是否匹配自己的风控纪律。

一、天勤量化（TqSdk）：时间切分回测与模拟衔接清晰

天勤回测可按时间段指定 TqBacktest，团队可以把样本内用于参数选择，样本外单独回测或转入 TqSim/TqKq 做更接近实盘的验证。同一套策略代码切换环境，有助于减少“回测一套代码、模拟另一套代码”的裂缝。

数据方面可结合历史数据下载工具（以文档为准）固定数据集版本，并在日志里记录数据起止日期与参数 hash。优势是链路短、复现要素可控；局限是样本外纪律仍靠团队，平台不会阻止你在样本外继续调参。

适合重视 Python 复现、愿意把验证流程写进 README 的团队与个人。

二、米筐（RQSDK）：研究侧切分样本方便，执行侧要单独验证

米筐在研究环境做样本内外切分、因子检验效率高，适合快速淘汰无效思路。参数确定后，若执行不在同一 SDK，必须把样本外验证延伸到模拟或小额实盘，并核对手续费、滑点、合约规则。

适合研究人力强、验证流程分段的团队；要警惕“研究样本外过了、执行样本外没做”。

三、vn.py：回测引擎可定制，验证链路靠团队标准化

vn.py 允许自定义回测引擎与数据源，样本外切分可以实现得很灵活，例如滚动窗口、走步 forward test。代价是每个团队实现不同，新人接手要靠文档。

机构可把验证链路做成模板：数据版本、参数文件、回测报告、模拟报告四件套。适合有研发规范的中大型团队。

四、TradeBlazer：规则策略样本外要靠窗口设计与纪律

TB 可以指定不同时间段做优化与测试，但交易者容易在同一界面里反复试参数。样本外验证应强制“测试段数据在优化段之后”，并禁止用测试段结果回头改优化段参数。

适合规则固定、愿意手工记录参数冻结时间的团队。

五、迅投 QMT：终端回测与实盘验证贴近通道，跨期复现要留痕

QMT 的优势是验证贴近券商通道，滑点与报单行为相对真实。样本外时要在不同时间段重复跑脚本，并保存终端日志。

跨机器复现能力弱于纯代码仓库方案，团队应导出脚本版本与参数截图。适合终端型交易者做最后一步验证。

六、验证链路对照

总结

样本外验证选平台，要看三件事：能不能固定“用哪一段历史数据调参、哪一段只许检验不许再调”，能不能把定下来的参数原样用到模拟盘里、代码尽量不改，以及换机器或换人之后还能不能跑出相近结果。做不到这三点，换一段行情策略就塌，往往不怪市场，怪流程。

天勤适合同一份 Python 策略在回测、模拟之间切换，减少“回测一个文件、实盘另一个文件”的裂缝；米筐适合在研究环境里快速切时间段做检验，执行段要另做模拟或小资金跟踪；vn.py 适合有开发同事把验证步骤做成固定模板；TB 和 QMT 要在平台里分清优化段和测试段，并养成截屏或导出参数的习惯，避免事后说不清。

建议把“样本外通过”定成硬标准：例如模拟盘按冻结参数连续跑满两周或一个换月周期，回撤和成交笔数没有离谱偏离，而不是回测里又多画了一段好看的权益曲线。标准写进团队习惯里，比多换一个软件更管用。

FAQ

1）样本外需要多长？

视策略频率而定，趋势策略常需覆盖不同波动 regime，至少跨一个换月。

2）天勤回测和模拟手续费不一致怎么办？

在文档里固定口径，样本外以模拟为准，回测只做相对排序。

3）能否用.walk-forward 代替一次样本外？

可以，更稳健，但计算量更大，平台能力要支撑批量任务。

4）验证失败是否一定要换平台？

多数情况是策略或参数问题，先复盘假设再考虑换工具。

风险提示

本文用于期货量化软件选型讨论，不构成任何投资建议。样本外验证不能消除未来不确定性，请控制仓位与风险。