为什么很多量化策略回测很好，真正交易后却出现偏差？

自己搭建量化策略研究流程后，一个比较明显的感受是，策略回测结果和真实交易之间往往存在一道不小的距离。
很多策略在历史数据中表现不错，收益曲线也比较漂亮，但进入模拟交易或者实际运行阶段后，收益会逐渐下降。最开始容易把原因归结到市场变化，但深入分析后会发现，很多问题其实来自回测环境和真实交易环境之间的不一致。例如回测阶段通常默认按照某个价格成交，但实际交易中需要考虑成交速度、市场流动性、买卖价差以及行情数据延迟等因素。尤其是短周期策略，几秒钟的数据差异都可能影响最终结果。
我自己在测试策略时，会尽量把数据、信号、交易执行几个部分拆开处理，而不是把策略逻辑和行情数据写在一起。这样方便定位问题，也能判断策略收益到底来自市场规律，还是来自数据处理上的偏差。
行情部分目前采用单独的数据模块处理，例如获取实时行情后先保存原始数据，再根据统一规则生成后续分析需要的数据结构。
示例代码：
import requests


def get_market_tick(symbol):
url = "https://alltick.co/api/tick"

params = {
    "symbol": symbol
}

response = requests.get(
    url,
    params=params,
    timeout=10
)

response.raise_for_status()

return response.json()


tick_data = get_market_tick("AAPL")

for item in tick_data["data"][:5]:
print(
    item["price"],
    item["volume"],
    item["timestamp"]
)
通过这种方式，可以避免直接使用加工后的数据，而是保留原始行情变化，再根据策略需求重新计算指标。
另外一个比较容易忽略的问题是交易成本。很多回测模型只关注收益率变化，但真实交易中，手续费、滑点、成交失败都会影响策略表现。特别是换手率较高的策略，如果没有加入合理成本模型，回测结果可能会明显偏高。
目前自己比较关注几个方面：
第一，策略在不同市场环境中的表现是否稳定；
第二，样本外测试是否仍然有效；
第三，加入交易成本后收益是否仍然存在。
个人感觉，量化策略真正困难的地方，不只是找到一个历史有效的方法，而是建立一套能够接近真实交易环境的验证流程。
想请教一下各位做量化研究的朋友，大家在从回测转向实盘时，认为影响最大的因素是什么？是数据质量、策略过拟合，还是交易执行环节？