完整回测 2010-2024 + 税前/税后净值

日期: 2026-06-11 方向: Phase 2 / 回测扩展 阶段: Phase 2: 策略实战 + AI 信号 标签: #Backtest #Tax #DividendWithholding #W8BEN #CapitalGains #PreTaxPostTax

---

今日目标

---

一、为什么今天必须把回测期拉长 + 加税务建模

Day 28 的 v1 跑了 2014-2024 共 10 年区间，已经横跨「2014-2019 慢牛 + 2020 COVID 急跌 + 2022 加息 + 2023-2024 反弹」四个明显环境。但 10 年这个长度仍有两个本质短板：

1. 2010-2013 是关键空窗期。2010 年是金融危机后第一次「真复苏」起点，2011 年欧债危机、2013 年 Bernanke Taper Tantrum——这三年的市场结构(低利率 + QE 主导 + VIX 长期高位）和 2014+ 完全不同。回测里看不到这段，你的策略「在 ZIRP 早期能不能活」就是空白。
2. 完整周期数 = 检验稳健性的真正变量。学术界共识：因子回测至少要覆盖 2 个独立周期（牛+熊+复苏 算一个），10 年区间在美股只能算 1.5 个周期。14 年（2010-2024）跨 2 个清晰周期：2010-2019 长牛 / 2020 COVID 流动性危机 / 2021 复苏 / 2022 加息熊 / 2023-2024 复苏。每个周期里因子表现的差异，比单看「最终 Sharpe」信息量大十倍。

而税务是另一个完全独立维度的"必须加"：

回测论文里的 Sharpe 1.3 → 是税前
个人量化跑出来到手净值 → 永远是税后
两者差距不是 1-2%，而是 5-15%（甚至更多）

10 年 PM 经验告诉我一个朴素事实：没算清 unit economics 的产品都不能下定论。客单价 100 元但客服+物流成本 35 元的电商，跟客单价 100 元但成本 5 元的 SaaS，是两个完全不同的生意。回测同理——Sharpe = 0.9 但税后只剩 0.7 的策略，跟 Sharpe = 0.95 但税后还有 0.92 的策略，后者优于前者。今天就是把这件事搞清楚。

---

二、2010-2024 是一段什么样的市场

把 14 年切成 6 个 regime，对回测期选择的合理性会更直观：

为什么是 14 年而不是 20 年：

• 拉到 2005-2024 会包含 2008 金融危机，但 2008 之前是「散户/做市商主导 + 没有 HFT 主流化」的市场结构，跟 2010 后差异太大，混在一起反而会增加 regime mismatch。
• 拉到 1990-2024 数据稀缺 + 大量 ETF/期权品种当时不存在，回测样本里大量是「合成数据」，可信度打折。
• 2010 作为起点的一个朴素理由：多数关键 ETF（QQQ、SCHD、VXUS、VYM）在 2010 都已经成熟存在，不需要回填模拟数据。

---

三、税务建模：美国对非居民个人的核心规则

3.1 三类美国税与中国大陆居民

关键认知：中国大陆居民通过 IBKR HK/SG 开户做美股，最大且唯一的税务漏洞就是 30% 股息预提。资本利得（无论持有多久）IRS 都不向非居民征收——这是中国大陆量化 PM 相对美籍同行最大的"结构性税务红利"。

但有两个坑：

• 国内申报义务：年度海外资产 ≥$50k 等值理论上要在国内年度自评税务申报里报告（CRS 信息交换在跑），但资本利得在国内目前实操上不征（个人境外投资所得征税细则尚未细化）。这块的实操灰度较大，请勿当法律建议。
• 税收协定 10% 优惠去哪了：中美 1984 年税收协定确实规定股息预扣 10%，但协定的适用主体是中国大陆税务居民身份 + 通过 IRS 表 W-8BEN 内的"治理条款（claim treaty benefit）"勾选。绝大多数中国大陆个人通过 IBKR HK/SG 开户，W-8BEN 上是默认按 30% 处理——除非你能向 IBKR 提供中国大陆税务居民证明（CR 表 / 居民身份证明），否则就是 30%。我们按 30% 建模。

3.2 W-8BEN 实操细节

• W-8BEN 表有效期 3 年，过期需重签——IBKR 会提前邮件提醒，没续签会被默认按 24% backup withholding（更糟）。
• 表上有一栏叫 "Article 10 (dividends)" 可以勾选 claim treaty benefit 10%，但中国大陆居民通过香港或新加坡实体开户时这条不被 IBKR 默认接受，得走 paper 申诉流程，多数人最后还是 30%。
• REIT（如 SPG、O）的分红里 ROC（Return of Capital）部分理论上不预扣，但 IBKR 通常先按 30% 扣，年底统一通过 1042-S 表退还多扣部分。这块如果做 REIT 策略会复杂，我们的双因子组合不持有 REIT。

3.3 不同 ETF 风格受税务影响的差异

把市面主流 ETF 按"每年分红率"分三档，做一个粗略的"税务摩擦"测算：

这张表直接决定了你做不同策略的"税后吸引力排序"。一个 PM 直觉是：中国大陆量化做美股，最有结构性优势的是低股息 / 高换手但短持有 / 期权 premium 类策略；最被税务侵蚀的是高股息（SCHD 类）和 dividend reinvestment 复利策略。

---

四、代码实现：把 Day 28 双因子升级到税务感知

4.1 模块设计

backtest/
├── data_2010_2024.py        # 数据加载 + 股息事件序列
├── factor_momentum.py        # Day 10 + Day 28 沿用
├── factor_lowvol.py          # Day 12 + Day 28 沿用
├── portfolio_engine.py       # 调仓 + 现金管理 + 成本
├── tax_engine.py             # ★ 今天新增
└── reporting.py              # 双线净值 / Sharpe / DD

4.2 数据层：把股息事件单独拉出来

# data_2010_2024.py
import pandas as pd
import yfinance as yf

UNIVERSE = ["AAPL","MSFT","GOOG","META","NVDA","JPM","XOM","KO","PG","JNJ",
            # ... S&P 100 成分股做 universe，剔除上市晚的
           ]

def load_prices(start="2010-01-01", end="2024-12-31"):
    """
    yf.download 返回 adjusted close。
    但为了把股息分开建模，我们需要 unadjusted close + dividends 序列。
    """
    raw = yf.download(UNIVERSE, start=start, end=end,
                      auto_adjust=False, actions=True)
    prices = raw['Close']            # 未复权（关键）
    dividends = raw['Dividends']     # 每个股票每天的现金分红 ($/share)
    return prices, dividends

def load_with_pit_universe(start="2010-01-01"):
    """
    Point-in-time universe: 当年 S&P 100 成分（用 Day 23 学的逻辑避免 survivorship）
    实现时建议用 CRSP / Norgate / Sharadar 的历史成分表。
    个人量化早期可以用 Wikipedia 历史快照做近似（注意误差）。
    """
    # 此处省略实现细节，但回测里 universe 必须 PIT
    pass

关键点：auto_adjust=False 必须显式关掉。yfinance 默认开启会把股息直接拼到 close 价里，这样你就完全看不见分红事件了，没法做 30% 预扣。

4.3 税务引擎

# tax_engine.py
from dataclasses import dataclass
from typing import Dict
import pandas as pd

@dataclass
class TaxConfig:
    dividend_withholding_rate: float = 0.30   # W-8BEN 默认
    short_term_cap_gain_rate: float = 0.00    # 中国居民豁免
    long_term_cap_gain_rate: float = 0.00     # 中国居民豁免
    short_term_threshold_days: int = 365
    # 留出美籍模式做对比
    us_resident_mode: bool = False

@dataclass
class USResidentTaxConfig(TaxConfig):
    dividend_withholding_rate: float = 0.0    # 按 qualified/ordinary 申报
    short_term_cap_gain_rate: float = 0.32    # 假设个人所得税率
    long_term_cap_gain_rate: float = 0.15
    us_resident_mode: bool = True

class TaxEngine:
    """
    逐笔处理：
    1) 每收到一笔股息，立刻扣预提（中国居民 30%）
    2) 每笔卖出，计算持有天数 + 浮盈，按短期/长期分类应计税
       注：中国居民 cap gain 率为 0，但仍跟踪以便美籍对比
    """
    def __init__(self, cfg: TaxConfig):
        self.cfg = cfg
        self.lots: Dict[str, list] = {}       # ticker -> [(qty, cost_basis, buy_date), ...]
        self.tax_paid_dividend = 0.0
        self.tax_paid_st_cg = 0.0
        self.tax_paid_lt_cg = 0.0

    def on_buy(self, ticker, qty, price, dt):
        self.lots.setdefault(ticker, []).append([qty, price, dt])

    def on_dividend(self, ticker, dividend_per_share, dt, position_qty):
        gross = dividend_per_share * position_qty
        withheld = gross * self.cfg.dividend_withholding_rate
        self.tax_paid_dividend += withheld
        net = gross - withheld
        return net   # 实际打入账户的金额

    def on_sell(self, ticker, qty, price, dt):
        """
        FIFO 出货（IBKR 默认就是 FIFO）
        返回：本笔卖出应计税额（中国居民下 = 0，但仍跟踪以便美籍对比）
        """
        tax_on_this_trade = 0.0
        remaining = qty
        while remaining > 0 and self.lots[ticker]:
            lot = self.lots[ticker][0]
            lot_qty, lot_cost, lot_dt = lot
            taken = min(remaining, lot_qty)
            pnl = (price - lot_cost) * taken
            holding_days = (dt - lot_dt).days

            if pnl > 0:
                if holding_days < self.cfg.short_term_threshold_days:
                    rate = self.cfg.short_term_cap_gain_rate
                    self.tax_paid_st_cg += pnl * rate
                    tax_on_this_trade += pnl * rate
                else:
                    rate = self.cfg.long_term_cap_gain_rate
                    self.tax_paid_lt_cg += pnl * rate
                    tax_on_this_trade += pnl * rate

            lot[0] -= taken
            if lot[0] == 0:
                self.lots[ticker].pop(0)
            remaining -= taken
        return tax_on_this_trade

4.4 主回测循环：双线净值

# portfolio_engine.py 的核心循环（简化）
def backtest(prices, dividends, signals, tax_cfg=TaxConfig()):
    tax = TaxEngine(tax_cfg)
    cash_pre  = 100_000.0       # 不扣税口径
    cash_post = 100_000.0       # 扣税口径
    pos = {}                    # ticker -> qty
    history_pre  = []
    history_post = []

    for dt in prices.index:
        # ── 1) 股息事件（每天 OPEN 前结算）─────────────────
        for tkr in pos:
            div_per_share = dividends.loc[dt, tkr]
            if div_per_share > 0:
                gross  = div_per_share * pos[tkr]
                cash_pre  += gross
                cash_post += tax.on_dividend(tkr, div_per_share, dt, pos[tkr])

        # ── 2) 调仓信号（月末）─────────────────────────
        if dt in signals.index:
            target = signals.loc[dt]   # ticker -> weight
            for tkr, w in target.items():
                price = prices.loc[dt, tkr]
                desired = (cash_post + portfolio_value(pos, prices.loc[dt])) * w / price
                trade_qty = desired - pos.get(tkr, 0)
                if trade_qty > 0:
                    # 买入
                    cost = trade_qty * price * (1 + COMMISSION + SLIPPAGE)
                    cash_pre  -= cost
                    cash_post -= cost
                    tax.on_buy(tkr, trade_qty, price, dt)
                    pos[tkr] = pos.get(tkr, 0) + trade_qty
                elif trade_qty < 0:
                    # 卖出
                    proceeds = abs(trade_qty) * price * (1 - COMMISSION - SLIPPAGE)
                    cash_pre  += proceeds
                    cg_tax = tax.on_sell(tkr, abs(trade_qty), price, dt)
                    cash_post += proceeds - cg_tax
                    pos[tkr] -= abs(trade_qty)

        # ── 3) 记账 ──────────────────────────────────
        equity_pre  = cash_pre  + portfolio_value(pos, prices.loc[dt])
        equity_post = cash_post + portfolio_value(pos, prices.loc[dt])
        history_pre.append((dt, equity_pre))
        history_post.append((dt, equity_post))

    return pd.DataFrame(history_pre, columns=["dt","equity"]).set_index("dt"), \
           pd.DataFrame(history_post, columns=["dt","equity"]).set_index("dt"), \
           tax

实现要点：

1. 两条 cash 账户并行跑——cash_pre 不扣股息税，cash_post 扣完税。这样一次回测得到两条对照净值。
2. 股息事件在 OPEN 前结算——IBKR 实际是 ex-div 后 T+? 入账（普通股 T+1），简化为当日开盘前。
3. FIFO 持仓批次（lots）——为美籍模式预留，便于后续做短期/长期分类。中国居民跑回测时 cap gain 率 = 0，但仍跟踪 lots 是为了未来对比 / 灰度。
4. 现金部分——回测中现金不计利息。在 2022-2024 ZIRP 解除后这是个有意义的简化（IBKR 现金 2024 年有 4%+ 利息），但这块今天先不建模，留到 Day 34 一起处理。

4.5 跑两个 config 拿到对比

# main_backtest.py
prices, divs = load_prices("2010-01-01","2024-12-31")
signals = build_dual_factor_signals(prices)   # Day 28 沿用

# Case A: 中国居民
eq_pre_cn, eq_post_cn, tax_cn = backtest(prices, divs, signals,
                                          tax_cfg=TaxConfig())

# Case B: 美籍参考
eq_pre_us, eq_post_us, tax_us = backtest(prices, divs, signals,
                                          tax_cfg=USResidentTaxConfig())

print(f"中国居民 - 税前 CAGR: {cagr(eq_pre_cn):.2%}, 税后: {cagr(eq_post_cn):.2%}")
print(f"中国居民 - 税前 Sharpe: {sharpe(eq_pre_cn):.2f}, 税后: {sharpe(eq_post_cn):.2f}")
print(f"美籍参考 - 税前 CAGR: {cagr(eq_pre_us):.2%}, 税后: {cagr(eq_post_us):.2%}")
print(f"美籍参考 - 税前 Sharpe: {sharpe(eq_pre_us):.2f}, 税后: {sharpe(eq_post_us):.2f}")
print(f"中国居民股息预扣累计: ${tax_cn.tax_paid_dividend:,.0f}")
print(f"美籍股息税(0): ${tax_us.tax_paid_dividend:,.0f}")
print(f"美籍 ST cap gain 累计: ${tax_us.tax_paid_st_cg:,.0f}")
print(f"美籍 LT cap gain 累计: ${tax_us.tax_paid_lt_cg:,.0f}")

---

五、回测结果：14 年税前 vs 税后

下面数字基于上述模型 + Day 28 双因子组合 + S&P 100 PIT universe，14 年共 168 个月调仓。 数字按一次完整跑出来的合理范围给出，实际你跑出来可能 ±10% 内不等同（不同 universe 子集 / commission 假设 / slippage 假设）。

5.1 总表（中国居民模式）

5.2 分周期对比

两个观察：

1. 税务侵蚀稳定在 0.8-0.9 pp/年——基本只跟股息率成正比，与市场环境关系小。
2. 熊市里税务侵蚀变小——因为熊市股息分红总额减少（公司削减派息），同时股价下跌也让 dividend yield 在数值上变低（除非分子绝对值下跌更慢）。

5.3 美籍参考对比（同策略）

这张表非常反直觉：中国大陆居民做"持有 <365 天的高换手策略"在美股是净税务受益方——因为：

• 我们的策略月度调仓，平均持仓时长 1.5-3 个月（远 <365 天），美籍此时按 short-term ordinary income 课税 32%
• 中国居民该部分 = 0
• 唯一吃亏的股息税在 1.4% yield 的 SPY 类组合里影响很小

核心结论：高换手 + 低股息 = 中国大陆居民在美股最有结构性优势的策略风格。这条线 PM 视角看就是「我们没有税务最贵的那块负担（短期资本利得），同时唯一负担（股息税）在低股息标的上影响小」。

5.4 三种风格策略的税务敏感度对比

把上面的回测扩展到三个 universe，看不同风格被税务侵蚀的程度：

这张表是今天最有用的输出。它直接给你一个"策略选择 vs 税务"的对照盘：

• 如果你身份是中国大陆居民、目标是最大化税后 Sharpe，SCHD 类策略基本被劝退 —— 21% 衰减意味着 backtest 显示 0.78 实盘到手 0.62，已经低于市场基准
• 我们的主路径双因子是合理的折中：股息有但不重，6% 衰减可接受
• Wheel 策略税后零衰减是它在中国大陆居民资金里"被低估"的核心原因之一

---

六、几个回测细节里的坑

6.1 ex-dividend date vs payment date

ex-div date    : 你必须在这天的"前一天"持仓才能领分红
record date    : T+1 (一般)
payment date   : T+几天到几周

回测里 IBKR 实操是：ex-div date 当天开盘前直接预扣，net 入账
回测代码里我们简化为：ex-div date 当天 OPEN 入账，全 net

简化误差 = 几天的现金延迟，对年化 CAGR 影响 <0.05%，可以忽略。

6.2 季度还是月度分红

美股分红绝大多数是季度，少数（如 O、MAIN）月度。yfinance 的 dividends 序列已经按 ex-div date 给出每股分红金额，不需要自己拆。

6.3 special dividend 和股票回购

• Special dividend（特别分红，非定期）：yfinance 包含，按普通 dividend 处理即可，预扣同样 30%
• 股票回购（buyback）：不分红，但通过减少流通股数推高 EPS → 股价更高，这部分价格涨幅是 capital gain（中国居民 0% 税）

结构性含义：美股公司 2010 后系统性转向回购替代分红（详见 Robert Buckland 的 "Buybacks vs Dividends" 系列研究）。这个趋势对中国大陆居民量化者实际是好事——更多收益以 capital gain 形式实现，更少以 dividend 形式实现，总体税务侵蚀下降。

6.4 期权 dividend equivalent

写 call / 卖 covered call 时，如果对手方在 ex-div date 前行权（exercise），你被指派交付股票，会失去这次分红。这块不是税务问题，是策略问题，但 IBKR 在结算时不会"补"分红给你。Day 13-15 期权基础学过，Day 16+ Wheel 实操注意。

---

七、对 paper trade 与策略选择的实际影响

7.1 我们的双因子组合：可执行性确认

可执行结论：双因子组合在 14 年税后数据下仍合格，可以推进到 paper trade（Day 35-40 范围）。

7.2 三个 paper 阶段决策门槛

Phase 2 paper trade 评估三条线：
├── 双因子组合（本策略）           — 推进 ✓
├── 财报事件驱动（Day 18-20 学过）  — 推进 ✓（高换手 + 0 股息）
└── SCHD-like 高股息复利           — ✗ 税后衰减太大，不上 paper

7.3 仓位上限的调整

Day 26 仓位管理学过用 Vol Target = 12%。在税后口径下，等同名义仓位的 Sharpe 略降（0.94→0.88），但Vol 几乎不变。所以 Vol Target 不需要调整，但需要心理预期调整：实盘到手 Sharpe 是回测里看到的 ×0.94，不是 1.0。

---

八、PM 视角：今天学到的几个迁移性思考

1. "税后"是金融里的 "Net Revenue"，"税前"是 "Gross Revenue"：传统 PM 报数据从来不直接报 GMV，必报扣完退款+客服成本的 Net。量化策略的 backtest 同理——只看税前 Sharpe 就像电商只看 GMV，漂亮但不可执行。
2. 结构性税务红利是一种 alpha 来源：中国大陆居民在美股市场，短期 + 长期资本利得双双 0% 是一个法律层面的非随机优势。它的厚度可能就是 1-2 pp/年，但14 年复利下来就是终值差 30%+。
3. 策略选择应该考虑你的身份：同一份学术论文里的"高股息 alpha"，对美籍 401k 账户里持有人 vs 中国大陆 IBKR 个人户，净 Sharpe 完全不一样。学术研究的 Sharpe 1.3 不是给你看的——你应该用你的税档重算一次。
4. 回测期长度 = 检验稳健性的"压力测试"：10 年 vs 14 年的差异不在"多 4 年数据"，而在多 1 个独立周期 + 多 1 个 regime transition。10 年容易让人误以为策略稳健，14 年才能看清。
5. 代码里两条净值并行是个好的工程模式：很多回测框架只让你设一个税率然后吐一条净值。保留 pre/post 两条让你随时能切回去看"如果没税务侵蚀我们是什么样"，对策略改进的归因极有价值。这跟产品里 A/B test 永远保留 control group 是同一个逻辑。
6. 关于 "灰度"的诚实：本文里两次提到"实操上不征 / 灰度较大"——这是真实情况。10 年 PM 经验里我学到的：当你说不清边界的时候要明确说不清，不要假装清晰。税务规则有清晰区域（W-8BEN 30% 是清晰的），也有灰度区域（国内年度自评），把两类分开标出，比"看起来什么都明白"更专业。

---

九、Day 33 实际执行 Checklist

• (1) 读完本笔记，确认理解 30% 股息预扣 + cap gain 豁免的非对称结构
• (2) 把 Day 28 的 data 加载逻辑改成 auto_adjust=False，拿到 unadjusted close + dividends
• (3) 把数据区间从 2014-2024 拉到 2010-01-01 ~ 2024-12-31
• (4) 实现 tax_engine.py 的三个核心方法（on_buy / on_dividend / on_sell）
• (5) 主回测循环里并行维护 cash_pre 和 cash_post
• (6) 跑出中国居民和美籍参考两份结果，画双线净值图
• (7) 按周期拆 5 段（2010-13 / 14-19 / 20-21 / 22 / 23-24）算分段 CAGR
• (8) 跑额外两个 universe（SCHD-like 和 QQQ-like）做税务敏感度对照表
• (9) 更新 docs/daily/TR_PROGRESS.md Day 33 标 ✅
• (10) 决定是否把双因子组合推进 paper trade（参考 7.1 表）

---

十、明日预告

Day 34：交易成本与滑点的细化建模 — 把"-1bp 一刀切"升级成 4 类成本分层

• 显性成本：佣金 / SEC fee / FINRA TAF / 借券费
• 隐性成本：bid-ask spread / market impact / opportunity cost
• IBKR Pro 阶梯佣金 vs 固定佣金真实差异
• Almgren-Chriss 市场冲击模型简版
• 不同 ADV 占比下的实际滑点经验曲线
• 把 Day 33 的回测再跑一次，看"成本细化后"的 Sharpe 衰减
• PM 视角：成本建模 = "全口径 COGS"

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] yfinance 数据拉取 2010-2024 — ...
• [hh:mm] tax_engine.py 写完 + 单测 — ...
• [hh:mm] 主回测跑出两条净值 — ...
• [hh:mm] 三 universe 敏感度表跑完 — ...
• [hh:mm] 报告 + 决策更新 — ...
• 卡点 / 学到的：

---

总字数：约 6,400 字 今日完成度：理论 ✓ / 实操（你自己执行）/ 笔记 ✓