1 引言

　　AQF干貨丨回測(backtesting)是任何一個(gè)量化投資策略上線之前必須要經(jīng)過的一道流程;它是量化投資策略和其他類型投資(如主動(dòng)投資)最大的區(qū)別之一?；販y將投資策略應(yīng)用到歷史數(shù)據(jù)中并考察它的表現(xiàn)。具體的，回測有如下作用：

　　驗(yàn)證投資策略是否有效：我們很容易從學(xué)術(shù)文獻(xiàn)、投資書籍、券商報(bào)告、以及互聯(lián)網(wǎng)得到很多交易策略的想法。回測可以快速驗(yàn)證一個(gè)想法是否有效(凈值曲線至少得是向上的)。

　　對策略進(jìn)行參數(shù)調(diào)優(yōu)：當(dāng)一個(gè)交易策略有效的時(shí)候，回測讓我們優(yōu)化該策略的參數(shù)。比如，一個(gè)均線策略，我們使用 20 天的均線還是 30 天的均線?當(dāng)然，在優(yōu)化的過程中，我們需要非常小心、避免過擬合的問題。

　　給出策略在未來表現(xiàn)的預(yù)期：任何一個(gè)靠譜的量化投資策略都是基于對市場行為的某種假設(shè);該假設(shè)背后反映的是某種特定的業(yè)務(wù)邏輯。量化策略假設(shè)市場的這種行為在未來會重復(fù)。因此，策略在回測中的表現(xiàn)將對其未來上線后的表現(xiàn)(如收益率、最大回撤、交易費(fèi)用等)起到參照作用。

　　正確、科學(xué)的回測對構(gòu)建量化投資策略至關(guān)重要。然而，回測中又有很多“坑”。如果不能正確的認(rèn)識并避免它們，回測的結(jié)果很可能對我們產(chǎn)生誤導(dǎo)，錯(cuò)誤的回測更是會導(dǎo)致實(shí)盤中的(嚴(yán)重)虧損。今天我們就來和各位小伙伴聊聊我們是怎么理解回測的。本文將從下面幾個(gè)角度論述：

　　超參數(shù);

　　訓(xùn)練集、測試集之糾結(jié);

　　各種偏差;

　　不可忽視的交易費(fèi)用;

　　回測并非無所不能。

　　2 超參數(shù)

　　超參數(shù)(hyperparameters)是參數(shù)的參數(shù)，是源自機(jī)器學(xué)習(xí)中的一個(gè)概念。在機(jī)器學(xué)習(xí)中，超參數(shù)是在模型開始學(xué)習(xí)之前需要人為設(shè)置值的參數(shù)，而不是通過訓(xùn)練得到的模型參數(shù)。

　　在構(gòu)建量化投資策略時(shí)，雖然不一定會用到機(jī)器學(xué)習(xí)算法，但是超參數(shù)的概念依然非常重要。比如在技術(shù)分析策略中，我們是使用通道突破還是均線交叉?是使用 ADX 指標(biāo)還是 SO 指標(biāo)來測量動(dòng)量的大小?這些需要人為決定的參數(shù)就屬于超參數(shù)。一旦確認(rèn)具體使用的指標(biāo)后，至于計(jì)算指標(biāo)的參數(shù)(比如計(jì)算通道和均線需要的時(shí)間窗口)就可以通過回測來優(yōu)化。

　　另一個(gè)超參數(shù)就是回測期的時(shí)間窗口到底選多久。這是任何量化投資策略都必須面對的問題。比如我們測試一個(gè)量化選股因子，那回測期是從 2000 年開始，還是 2005 年開始，還是 2010 年開始等，這是事先必須確定的。

　　隨著機(jī)器學(xué)習(xí)算法在量化投資領(lǐng)域的應(yīng)用愈發(fā)普及，我們在使用它們時(shí)也勢必面臨著同樣的問題。比如在集成學(xué)習(xí)中(如隨機(jī)森林)，決策樹的數(shù)量和深度是多少;在 K-means 算法中簇?cái)?shù)的個(gè)數(shù);在 SVM 算法中核函數(shù)應(yīng)該選哪個(gè)。這些都是超參數(shù)的范疇。

　　

　　對于典型的機(jī)器學(xué)習(xí)問題，超參數(shù)也是需要優(yōu)化的，以此提高機(jī)器學(xué)習(xí)算法在樣本外的性能和效果。對于量化投資策略來說，超參數(shù)的調(diào)優(yōu)除了從數(shù)學(xué)角度(如策略的 Profit/Loss 曲線)考量外，還需要考慮超參數(shù)本身是否具有清晰的業(yè)務(wù)含義以及是否適合策略的使用者。這里舉兩個(gè)例子。

　　例子一：假設(shè)使用 SVM 來預(yù)測股票收益率，輸入的特征可以是各種量價(jià)數(shù)據(jù)和基本面數(shù)據(jù)，輸出為漲跌的預(yù)測。如何選擇 SVM 的核函數(shù)就是一個(gè)超參數(shù)問題。如果選擇了非線性的核函數(shù)，它會把特征向量進(jìn)行非線性變換、映射到更高維的空間。這當(dāng)然有助于提升預(yù)測的準(zhǔn)確性，但是人們往往難以從金融投資角度解釋特征向量的非線性變換，因此這樣的策略就不折不扣的成為了黑箱。

　　例子二：趨勢追蹤策略既可以使用均線交叉也可以使用通道突破。在它們之間的選擇就是超參數(shù)的問題。然而，這兩類策略的風(fēng)險(xiǎn)收益比顯著不同：均線類策略交易次數(shù)多、勝率低、平均盈利和平均虧損都較低;反觀通道突破策略，它交易次數(shù)少、勝率高、平均盈利和平均虧損都較高。不同的策略背后折射的是完全不同的“投資哲學(xué)”，投資者需要根據(jù)自己的風(fēng)險(xiǎn)偏好選擇。如果僅從數(shù)學(xué)角度考慮選取了一個(gè)并非讓自己十分舒服的交易策略，那么在實(shí)盤中注定會失敗。

　　除了上述這些明確的超參數(shù)外，有一些因素需在構(gòu)建策略之前確定，但是在回測中我們會根據(jù)策略的表現(xiàn)對它們進(jìn)行反饋。這類因素介于超參數(shù)和策略參數(shù)之間。比如在資產(chǎn)配置策略中選擇哪些資產(chǎn)放入資產(chǎn)池;又如在量化多因子選股策略中，使用哪些風(fēng)格因子進(jìn)行選股。

　　在資產(chǎn)配置中，我們必須事先決定一個(gè)資產(chǎn)池(asset pool)，然后構(gòu)建策略。但是隨著回測的深入，如果發(fā)現(xiàn)某類資產(chǎn)的加入對于策略的表現(xiàn)沒有正貢獻(xiàn)，我們便會從資產(chǎn)池中剔除掉該資產(chǎn)。類似的，在多因子策略中，我們事先擬定了一些具有超額收益的風(fēng)格因子，但如果回測發(fā)現(xiàn)一些因子造成投資組合的可交易性太差(比如換手率太高，或者選出來的都是流動(dòng)性差的股票)，那么也會剔除掉這些因子。像資產(chǎn)池、因子庫這類“參數(shù)”，都需要在構(gòu)建策略前確定，但是策略的表現(xiàn)又會指導(dǎo)我們進(jìn)一步優(yōu)化它們。

　　>>>點(diǎn)擊咨詢量化金融分析師AQF實(shí)訓(xùn)項(xiàng)目

　　

　　3 訓(xùn)練集、測試集之糾結(jié)

　　任何一個(gè)介紹量化策略或交易系統(tǒng)的文獻(xiàn)都會強(qiáng)調(diào)在構(gòu)建策略時(shí)，一定要把歷史數(shù)據(jù)分成訓(xùn)練集和測試集，在訓(xùn)練集上優(yōu)化策略的參數(shù)，在測試集上考察策略的表現(xiàn)。(我曾經(jīng)看過一本英文的關(guān)于交易系統(tǒng)構(gòu)建的書，洋洋灑灑 300 來頁，基本上唯一的核心思想就是要有測試集……)這個(gè)論調(diào)固然沒有任何問題，但是交易數(shù)據(jù)中的一些特點(diǎn)使得是否區(qū)分訓(xùn)練集和測試集有時(shí)變得很糾結(jié)。

　　區(qū)分訓(xùn)練集和測試集的初衷是避免參數(shù)在樣本內(nèi)過擬合，從而導(dǎo)致策略在樣本外(上線后)的表現(xiàn)和其在樣本內(nèi)的表現(xiàn)大相徑庭。在一個(gè)典型的通過訓(xùn)練集和測試集來對參數(shù)調(diào)優(yōu)的過程中，通常的做法是調(diào)整算法迭代的次數(shù)或者懲罰系數(shù)之類的。隨著參數(shù)的調(diào)優(yōu)，訓(xùn)練集上的誤差單調(diào)遞減，等測試集上的誤差開始提升，就停止調(diào)優(yōu)(下圖)。

　　

　　一個(gè)經(jīng)科學(xué)回測過的策略應(yīng)該能夠捕捉訓(xùn)練集和測試集數(shù)據(jù)表現(xiàn)出來的某種市場共性。任何交易數(shù)據(jù)都包含一定的噪聲成分，使用測試集是為了避免模型(策略)過度錯(cuò)誤的考慮訓(xùn)練集內(nèi)樣本包含的噪聲，更好的發(fā)現(xiàn)共性。然而，交易數(shù)據(jù)的嚴(yán)重匱乏和市場環(huán)境的頻繁變化使得上述訴求成為一個(gè)遙不可及的美好愿景。

　　我們說交易數(shù)據(jù)嚴(yán)重匱乏是就數(shù)據(jù)的獨(dú)立性以及數(shù)據(jù)的可交易特征而言的。從這兩點(diǎn)而言，在構(gòu)建策略時(shí)是否一定要?jiǎng)澐钟?xùn)練集和測試集、以及如何劃分就需要非常謹(jǐn)慎。

　　由于市場流動(dòng)性環(huán)境和宏觀經(jīng)濟(jì)的變化，以及波動(dòng)率聚類等特點(diǎn)，投資品價(jià)格數(shù)據(jù)的短期相關(guān)性比較高，而在不同的歷史時(shí)期往往反應(yīng)出不同的特點(diǎn)。如果訓(xùn)練集和測試集的數(shù)據(jù)代表了不同的市場狀態(tài)，那么它們之間的交易數(shù)據(jù)就沒有多少共性可言。相對于訓(xùn)練集來說，測試集中的數(shù)據(jù)滿足訓(xùn)練集中假設(shè)的樣本太少，以此來優(yōu)化策略勢必忽視了測試集數(shù)據(jù)中傳達(dá)出的新的市場環(huán)境。對于一個(gè)策略來說，我們都不希望忽略市場的任何特征(除了噪音)。

　　在可交易特征方面，滿足一個(gè)策略假設(shè)的樣本其實(shí)很少。舉個(gè)極端的例子，比如 A 股中追蹤大牛市的趨勢類策略。在過去 20 年中，也僅有三波牛市，而且它們表現(xiàn)出來的市場特征均不相同(比如以 2007 年大牛市構(gòu)建的趨勢追蹤策略在 2015 年大牛市中的逃頂效果并不好)。在這種情況下，如果還把數(shù)據(jù)分成訓(xùn)練集和測試集會怎樣呢?我們一定會把策略在測試集中的體現(xiàn)出來的新市場環(huán)境反饋到訓(xùn)練過程中，這已經(jīng)違背了分訓(xùn)練集和測試集調(diào)參的本意;這等價(jià)于我們在整個(gè)歷史數(shù)據(jù)中對策略的參數(shù)調(diào)優(yōu)了。比如我們使用訓(xùn)練集構(gòu)建一個(gè)策略，但是在測試集上遇到股災(zāi)了，為了對付它，就強(qiáng)行加上一個(gè)下跌 XX% 就止損的條件。這其實(shí)不是在對原始策略的參數(shù)調(diào)優(yōu)，而是針對測試集的樣本去改變策略的初衷!如此來“優(yōu)化”策略，又還有什么訓(xùn)練集、測試集之分?當(dāng)然，這么做的出發(fā)點(diǎn)是好的 —— 讓策略盡可能的適應(yīng)不同的市場環(huán)境，在真正的樣本外(上線后)的適應(yīng)性更強(qiáng)。

　　對于是否一定要分訓(xùn)練集和測試集，我的看法是這種防止樣本內(nèi)過擬合的思想是絕對可取的，但如何執(zhí)行應(yīng)該試策略而定。比如對于用機(jī)器學(xué)習(xí)算法來預(yù)測短期收益率的策略，使用訓(xùn)練集和測試集就是恰當(dāng)?shù)?。對于量化因子選股策略，這似乎又是個(gè)偽命題。眾所周知，小市值因子在股災(zāi) 2.0 之前一直有效，但從 2016 年初開始，隨著價(jià)值投資的回歸，小市值因子徹底失效。又比如，價(jià)值因子(或者說就是“上證 50”因子、“滬深 300”因子)在最近兩年有效，但是隨著它們估值的提升，誰也不能保證它在未來持續(xù)有效。一個(gè)經(jīng)科學(xué)回測過的策略必須能夠捕捉市場的某種特點(diǎn)。只要這個(gè)特點(diǎn)有明確的業(yè)務(wù)支持而非數(shù)據(jù)挖掘的產(chǎn)物，那么針對這個(gè)特點(diǎn)構(gòu)建及優(yōu)化策略參數(shù)時(shí)，是分別使用訓(xùn)練、測試集，還是使用所有數(shù)據(jù)來整體優(yōu)化，這并不重要。

　　4 各種偏差

　　本節(jié)介紹回測中的一些常見的偏差，它們包括優(yōu)化偏差(過擬合)、前視偏差、以及幸存者偏差。常見的介紹回測的文章的重點(diǎn)就是這些。

　　

　　優(yōu)化偏差(optimization bias)指的是通過不斷地增加參數(shù)個(gè)數(shù)，直到策略的收益曲線在回測中表現(xiàn)的非常好。參數(shù)越多，越容易在樣本內(nèi)“處處精準(zhǔn)”。這意味著對樣本內(nèi)數(shù)據(jù)的噪音過度建模，及過擬合。防止優(yōu)化偏差的方法是減少參數(shù)的個(gè)數(shù) —— 比如能夠使用一個(gè)技術(shù)指標(biāo)就不要使用兩個(gè) —— 以及增加回測數(shù)據(jù)。在這方面，可以從兩個(gè)維度來增加。一個(gè)是使用更長的歷史數(shù)據(jù)，比如一個(gè)策略在過去 10 年有效就比在過去 3 年有效更有說服力。但這么做時(shí)需要考慮市場狀態(tài)變換(有可能太久遠(yuǎn)的歷史數(shù)據(jù)并不滿足你策略的假設(shè))，因此回測數(shù)據(jù)也并不是越長越好。第二個(gè)維度是考慮不同的投資品。如果策略和一組給定的參數(shù)在多個(gè)投資品上都有效，它無疑更有說服力。

　　此外，通過考察參數(shù)平原(parameter surface)也可以檢查過擬合。將策略表現(xiàn)的指標(biāo)(比如收益率或者最大回撤)畫成參數(shù)的函數(shù)就是參數(shù)平原。對于一個(gè)好的策略，在微調(diào)參數(shù)取值時(shí)，它的表現(xiàn)應(yīng)該比較穩(wěn)定，參數(shù)平原應(yīng)該十分光滑。比如如果較優(yōu)的均值參數(shù)是 20 個(gè)交易日，則當(dāng)我們使用 19 或 21 個(gè)交易日計(jì)算均值時(shí)，策略的表現(xiàn)和 20 日均線的策略不應(yīng)該差很多。如果策略的參數(shù)平原非常不規(guī)則，則意味著參數(shù)背后沒有合理的業(yè)務(wù)邏輯，而更多的是數(shù)據(jù)挖掘的結(jié)果，這時(shí)就要小心。

　　前視偏差(look-ahead bias)指的是錯(cuò)誤的使用了未來數(shù)據(jù)。在構(gòu)建策略時(shí)，盡管我們會非常小心，但仍然會時(shí)不時(shí)的步入前視偏差的陷阱，這往往是編程時(shí)的疏忽造成的。舉兩個(gè)我自己的例子。有一次我使用卡爾曼濾波(一種狀態(tài)空間建模方法)構(gòu)建了一個(gè)預(yù)測模型，我很小心的使用截止到每個(gè)交易日當(dāng)日的滾動(dòng)窗口以避免使用未來數(shù)據(jù)，結(jié)果回測的效果非常好，“好到一看那凈值曲線就知道一定是哪里出了問題”。后來經(jīng)過檢查發(fā)現(xiàn)，在使用該方法的第一步有一個(gè)初始化的過程，在那里傳入了所有歷史數(shù)據(jù)，而非截止到每個(gè)交易日的數(shù)據(jù)，由此引入了未來數(shù)據(jù)。另一次我測試一個(gè)技術(shù)分析策略，該策略的收益曲線也是非常吸引人。后來發(fā)現(xiàn)，程序中使用了較高價(jià)和最低價(jià)數(shù)據(jù)，并假設(shè)當(dāng)它們出現(xiàn)時(shí)觸發(fā)交易。這顯然是有問題的，因?yàn)橹挥挟?dāng)一個(gè)交易周期結(jié)束后，才能知道這段時(shí)間內(nèi)的較高價(jià)和最低價(jià)是多少，而到了那個(gè)時(shí)候，早已無法按該價(jià)格成交。所以，通常在使用較高、最低價(jià)時(shí)，必須至少使用滯后一期的數(shù)據(jù)。同樣的問題也會發(fā)生在使用基本面數(shù)據(jù)或宏觀經(jīng)濟(jì)數(shù)據(jù)的策略中，我們必須對這些數(shù)據(jù)何時(shí)發(fā)布非常小心，以免在回測中提前使用這些數(shù)據(jù)，造成前視偏差。

　　幸存者偏差(survivorship bias)一般針對選股策略而言，指的是在數(shù)據(jù)集中錯(cuò)誤忽略退市的股票。在構(gòu)建選股策略時(shí)，我們有時(shí)會下意識的僅考慮在整個(gè)回測期內(nèi)都存在(“活著”)的股票，而忽略掉在回測期內(nèi)退市的股票。這么做會提高提高策略在回測期內(nèi)的表現(xiàn)，因?yàn)槟切┎畹?、退市的股票根本就沒有被考慮在內(nèi)。但在實(shí)際交易中，我們無法提前預(yù)知哪些股票會退市。因此，忽略退市的股票是不恰當(dāng)?shù)?。這也是一種“前視偏差”。

　　量化投資較主動(dòng)投資的優(yōu)勢是，它可以摒棄人的情緒，排除人在交易時(shí)由各種認(rèn)知偏差帶來的額外的風(fēng)險(xiǎn)(見讓你投資虧錢的15個(gè)“偏差”)。在回測中，也只有盡量摒棄各種偏差，才能使它發(fā)揮出最大的作用。

　　5 不可忽視的交易費(fèi)用

　　一個(gè)回測中賺錢的策略和一個(gè)實(shí)盤中虧損的策略之間的差別是什么?交易費(fèi)用!

　　交易費(fèi)用包括手續(xù)費(fèi)(commission)、延遲造成的滑點(diǎn)(slippage)以及流動(dòng)性造成的沖擊成本(market impact)。其中手續(xù)費(fèi)的估計(jì)最簡單，券商有固定的手續(xù)費(fèi)比例，只需要在回測中考慮到即可。滑點(diǎn)和沖擊成本則很難在回測中準(zhǔn)確的反應(yīng)。

　　

　　滑點(diǎn)指的是在交易信號產(chǎn)生到交易實(shí)際執(zhí)行之間價(jià)格的(不利)變動(dòng)造成的額外費(fèi)用。這對于中、高頻策略額外重要。這些策略捕捉日內(nèi)轉(zhuǎn)瞬即逝的交易機(jī)會，如果回測中策略的表現(xiàn)依賴于按照交易信號產(chǎn)生瞬間的價(jià)格來交易，那么這個(gè)策略在實(shí)盤不會有什么前途。這是因?yàn)閷?shí)盤中難以保證會交易到信號發(fā)生瞬間的價(jià)格(價(jià)格出現(xiàn)后才能計(jì)算交易信號，交易信號需要送到券商，然后送到交易所交易，這之間都需要時(shí)間)。為此，回測中可以考慮的是按照每個(gè) bar 的收盤價(jià)來交易。這個(gè) bar 的頻率可以很高，比如分鐘級，但一定是按照它的 close 價(jià)格來成交，而非在這個(gè) bar 的形成過程中信號觸發(fā)的瞬時(shí)價(jià)格。又或者，在回測時(shí)考慮信號出現(xiàn)后一段時(shí)間內(nèi)按照 TWAP(時(shí)間平均)成交。在這些設(shè)定下并考慮適當(dāng)?shù)幕c(diǎn)，如果該策略還能賺錢，那么在實(shí)盤中才有機(jī)會。此外，滑點(diǎn)對趨勢追蹤策略的影響也比較大。對于這類策略，交易信號產(chǎn)生時(shí)，價(jià)格一定是向著預(yù)測的方向移動(dòng)，這意味著我們必須追價(jià)，滑點(diǎn)無法避免。

　　沖擊成本指的是投資品流動(dòng)性不足帶來的額外交易費(fèi)用。對于流動(dòng)性高的投資品，限價(jià)指令簿(limit order book，就是我們在交易軟件上看到的 level 1 買賣各幾檔的掛單情況)上，買一和賣一之間的價(jià)差(bid-ask spread)很小，且兩邊的掛單量都足夠。交易這類投資品不會帶來太大的市場沖擊。但如果投資品的流動(dòng)性不足，那么為了完成交易，策略就勢必會 walk the book(在一個(gè)方向上“收單”)，直到完成我們的交易量需求。這個(gè)沖擊成本和每筆交易時(shí)的具體流動(dòng)性有關(guān)，因此回測中難以準(zhǔn)確估計(jì)。

　　鑒于交易成本的重要性，在回測中必須假設(shè)合理的交易費(fèi)率，寧可高估也不應(yīng)低估。通常的做法是估計(jì)幾檔不同的交易費(fèi)用，比如每筆交易單邊千分之一、千分之三、千分之五甚至更高等。以此感受一下策略在不同費(fèi)率下的收益和回撤情況。但真實(shí)的交易成本仍然需要一段時(shí)間的穩(wěn)定實(shí)盤交易來評判。

　　能否有效的控制交易費(fèi)用直接關(guān)系到一個(gè)策略的資金容量。資金量(交易量)越大，完成交易所需的時(shí)間越長，而交易成本(及不確定性)隨交易時(shí)間呈非線性增長。由于交易量巨大，華爾街的大型金融公司都會針對市場微觀結(jié)構(gòu)(即 order book 上買單、賣單出現(xiàn)的 dynamics)來建模，以此構(gòu)建交易模型(注意是交易模型，而不是投資策略模型)，從而盡可能的降低交易成本。

　　6 回測并非無所不能

　　科學(xué)的回測對于量化投資策略至關(guān)重要。但是，回測也并不是萬能的。

　　一個(gè)經(jīng)過嚴(yán)格回測的策略投放到實(shí)盤時(shí)最大的敵人是一個(gè)人的心理關(guān)。它指的是交易者能否克服實(shí)盤中的心理壓力從而堅(jiān)持使用這個(gè)策略?；販y中的凈值曲線通常是非常穩(wěn)健的(幾年的回測期內(nèi)慢慢爬升)，其各種指標(biāo) —— 收益率、最大回撤、夏普率等 —— 也非常出色。面對回測中優(yōu)秀的凈值表現(xiàn)，我們會錯(cuò)誤的高估自己對于回測中虧損以及回撤周期的容忍程度。在實(shí)盤中面對如此的虧損和回撤周期完全是另一個(gè) story。

　　對于任何一個(gè)策略，幾乎可以確定的是它在回測中的表現(xiàn)是其在實(shí)盤中表現(xiàn)的上限(比如以最大回撤而言，我們自己的經(jīng)驗(yàn)和很多量化投資前輩的經(jīng)驗(yàn)都指出，實(shí)盤的最大回撤差不多是回測中最大回撤的 2 倍)。此外，當(dāng)一個(gè)策略上線之初，虧損先于利潤出現(xiàn)也是十分常見的。面對真金白銀的虧損，我們會比想象的更脆弱、更容易懷疑策略的開發(fā)中是否存在沒有考慮到的問題、更容易自我動(dòng)搖從而想要放棄該策略。在實(shí)際交易中，價(jià)格時(shí)刻在波動(dòng)，充斥著噪音的各路消息以遠(yuǎn)超過我們能夠接受的速度襲來，我們會快步踏入行為金融學(xué)中的各種認(rèn)知偏差陷阱、喪失冷靜、做出一系列干預(yù)交易系統(tǒng)的錯(cuò)誤操作。這些心理壓力是哪怕再精細(xì)、再嚴(yán)格的回測也無法呈現(xiàn)的。

　　另外，任何策略都會有失效的那一天。一個(gè)技術(shù)指標(biāo)會因?yàn)槭褂玫娜嗽絹碓蕉喽?，一個(gè)選股因子會因?yàn)槭袌鰻顟B(tài)的變化而失效，一個(gè)賺錢的策略會因?yàn)榱鲃?dòng)性突然枯竭(比如股指期貨的突然限制)而失效。任何量化策略都需要定期進(jìn)行事后評價(jià)，比較它在樣本外和回測期內(nèi)的表現(xiàn)，評判它是否仍然有效，或者根據(jù)實(shí)盤的反饋進(jìn)行調(diào)整。

　　但是，評價(jià)策略這件事兒說來容易，做起來難。特別是對于低頻策略，由于交易頻率低，它們需要更長的實(shí)盤時(shí)間來評判策略是否失效。比如小市值選股因子失效是因?yàn)閮r(jià)值投資在最近兩年盛行。然而，如果我們在這兩年一直按照小市值選股卻早已虧的一塌糊涂了。又比如，在資產(chǎn)配置策略中，隨著實(shí)盤的進(jìn)行，哪些投資品應(yīng)該被挪出資產(chǎn)池、哪些回測中沒有考慮的投資品又應(yīng)該被加進(jìn)來，這些都是回測無法回答的。

　　當(dāng)然，這些并非回測之過。一個(gè)經(jīng)過科學(xué)回測的量化投資策略仍然是投資中的利器，它刻畫了市場的某種具備清晰業(yè)務(wù)邏輯支撐的特性，并假設(shè)該特性在未來會重復(fù)，從而捕捉這些機(jī)會。如果市場變了，該特性不再發(fā)生而導(dǎo)致策略失效，這不是回測的問題，我們只要欣然接受它就是了。科學(xué)的回測讓我們更有希望接近實(shí)現(xiàn)交易的一致性;堅(jiān)持一致性的交易才能讓我們成為更優(yōu)秀的交易者;只有不斷追求卓越、成為更優(yōu)秀的交易者，才可能在市場的沉浮中生存的更久。

　　>>>點(diǎn)擊AQF量化投資策略——logistic策略試聽課

　　金程推薦： AQF就業(yè)前景 AQF行業(yè)動(dòng)態(tài) 量化金融分析師年薪

　　AQF考友群：760229148

　　金融寬客交流群：801860357

　　微信公眾號：量化金融分析師

　　>>>返回首頁

　　聲明：內(nèi)容轉(zhuǎn)自知乎：石川，版權(quán)歸原作者所有。若有所侵權(quán)，請后臺聯(lián)系處理，感謝合作!