量化交易中，回测的局限性主要包括以下几个方面：

1. **数据质量**：回测依赖于历史数据的质量，数据的准确性、完整性直接影响回测结果的可靠性。数据错误或缺失会导致回测结果不准确。
2. **幸存者偏差**：在回测时可能只考虑了当前还存在的股票或品种，而忽略了历史上已经退市或合并的股票，这可能导致回测结果过于乐观。
3. **未来信息**：回测过程中可能会不小心使用到未来的信息，例如在今天的交易中使用了明天的价格数据，这会导致回测结果失真。
4. **市场变化**：回测无法完全预测未来市场的变化，市场的结构性变化可能导致回测时有效的策略在未来失效。
5. **交易成本**：回测往往忽略了实际交易中的成本，如手续费、滑点等，这可能导致回测结果过于乐观。
6. **模型过拟合**：在回测过程中，过度优化策略参数以适应历史数据，可能导致策略在未来数据上的表现不佳。
7. **信号闪烁**：在实盘交易中，由于市场价格的实时波动，可能会在短时间内频繁产生交易信号，而在回测中这种情况可能不会被捕捉到。
8. **资金规模**：回测通常假设策略管理的资金规模较小，不会影响市场价格，但在实际中大规模资金的交易会产生市场冲击。
9. **时间跨度**：回测所选取的时间跨度不同可能会得到不同的结果，需要选择能够代表市场特征的时间段进行回测。
10. **实盘压力**：回测无法模拟实际交易中的压力和情绪因素，这些因素可能会影响交易决策和执行。

此外，为了提高回测的有效性和策略的实际表现，可以采取以下措施：

1. **数据清洗**：确保使用的历史数据准确无误，对数据进行必要的清洗和处理。
2. **避免幸存者偏差**：在回测时包括已经不存在的股票或品种，以获得更全面的评估。
3. **避免未来信息**：确保回测过程中不使用任何未来的数据。
4. **考虑交易成本**：在回测时加入实际的交易成本，如手续费和滑点。
5. **合理优化**：避免过度优化策略参数，保持策略的简洁性和普适性。
6. **实盘测试**：在实盘环境中对策略进行测试，以验证其在真实市场条件下的表现。

总之，回测是量化交易策略开发中不可或缺的一环，但它存在一定的局限性。通过合理的回测方法和实践，可以提高策略的可靠性和实盘表现的一致性。