如果把“复盘”“回测”和“训练”混成一个按钮，用户很难知道下一步应该看什么、记录什么、相信什么。把研究模式拆开，反而能让每种结果的边界更清楚。
历史复盘：检查当时能不能做出判断
历史复盘以固定的过去行情为上下文，逐根展示当时已经收盘且可见的信息。用户先记录规则、方向、等待或跳过的理由，再推进到下一根 K 线，最后查看报告。
它主要回答：“在没有看到后续结果的情况下，这个判断过程能否被重走？”它不直接证明策略未来盈利，也不替代样本外验证。
批量回测：检查规则在样本上的统计表现
回测把已定义的规则应用到一段历史数据，输出交易序列、收益曲线、回撤、成本和其他统计结果。它适合做规则筛选、参数敏感性和训练集/验证集/样本外比较。
回测前提
信号时间、执行时点、成本模型、数据版本和异常处理方式必须先固定，否则不同版本的结果无法放在同一张表里比较。
交易训练：练习逐步到来的信息下如何执行
训练把下一根 K 线当作下一次决策，要求用户在有限信息下处理入场、出场、止损、止盈、等待和暂停交易。它关注的是流程是否稳定、风险边界是否被执行，而不只是最终结果。
训练记录应保留每次操作的时间、当时可见信息、选择、理由和风险状态。否则训练结束后只能得到一个答案，不能定位哪一步需要改进。
三种模式如何串起来
- 先复盘：确认规则和判断语言能被复述，不把未来结果带回过去。
- 再回测：在固定数据和成本契约下检验统计表现，并进行样本外验证。
- 后训练：把通过验证的规则放入逐根流程中，检查实际执行和暂停条件。
如果复盘阶段已经出现数据边界不清、判断依赖未来信息或成本无法解释，就应该先修研究契约，而不是直接扩大回测样本。
结果应该怎样标注
- 复盘结果：判断节点、证据和过程记录；
- 回测结果：样本、规则、成本和统计指标；
- 训练结果：执行选择、风险事件和流程完成情况。
不同模式的输出不能互相冒充。尤其是回测指标不能直接写成真实收益承诺，训练完成也不能写成策略已被证明有效。
边界说明
三种模式只是研究工具的分工。数据质量、未来函数、幸存者偏差、样本不足、交易成本和执行约束，仍然需要独立验证。任何结论都应附带数据版本、代码版本、参数和待验证问题。