本文探討了量化投資新手在執(zhí)行回測(cè)和建立量化模型時(shí)應(yīng)時(shí)刻注意的七個(gè)“大坑”。其中，有些誤區(qū)可能很常見(jiàn)，但其影響力卻往往被人忽略，有些誤區(qū)可能在學(xué)術(shù)界和實(shí)踐者的研究中司空見(jiàn)慣，通常我們也把他們視為理所當(dāng)然。

　　1、幸存者偏差(Survivorship bias)

　　幸存者偏差是投資者面對(duì)的最普遍問(wèn)題之一，而且很多人都知道幸存者偏差的存在，但很少人重視它所產(chǎn)生的效果。我們?cè)诨販y(cè)的時(shí)候傾向于只使用當(dāng)前尚存在的公司，這就意味我們剔除了那些因?yàn)槠飘a(chǎn)、重組而退市的公司的所產(chǎn)生的影響。

　　在對(duì)歷史數(shù)據(jù)進(jìn)行調(diào)整時(shí)，一些破產(chǎn)、退市、表現(xiàn)不佳的股票定期都會(huì)被剔除。而這些被剔除的股票沒(méi)有出現(xiàn)在你策略的股票池里，也就是說(shuō)對(duì)過(guò)去做了回測(cè)時(shí)只利用了現(xiàn)在成分股的信息，剔除了那些在未來(lái)因?yàn)闃I(yè)績(jī)或者股價(jià)表現(xiàn)不好而被剔除出成分股中股票的影響。

　　下圖中顯示了MSCI歐洲指數(shù)成分股等權(quán)重作為一個(gè)投資組合在過(guò)去的表現(xiàn)。藍(lán)線為正確的投資組合，紅線為存在幸存者偏差的組合?？梢园l(fā)現(xiàn)紅線的投資回報(bào)率明顯高于藍(lán)線，從而使在回測(cè)時(shí)高估投資組合的收益。而更令人震驚的是，在做因子分析時(shí)，它有可能帶來(lái)完全相反的結(jié)果。

　　

　　也就是說(shuō)當(dāng)我們使用過(guò)去30年中表現(xiàn)較好的那些公司進(jìn)行回測(cè)時(shí)，即便一些公司當(dāng)時(shí)的信用風(fēng)險(xiǎn)高，當(dāng)你知道誰(shuí)會(huì)幸存下來(lái)時(shí)，于是在信用風(fēng)險(xiǎn)高或者陷入困境時(shí)買(mǎi)入，收益非常高。若考慮進(jìn)那些破產(chǎn)、退市、表現(xiàn)不佳的股票后，結(jié)論則會(huì)完全相反，投資高信用風(fēng)險(xiǎn)企業(yè)的收益率長(zhǎng)期遠(yuǎn)低于信用穩(wěn)健的企業(yè)。

　　2、前視偏差(Look-ahead bias)

　　作為“七宗罪”之一的幸存者偏差是我們站在過(guò)去的時(shí)點(diǎn)上無(wú)法預(yù)知哪些公司能幸存下來(lái)并依舊是今天的指數(shù)成分股，而幸存者偏差僅僅是前視偏差的一種特例。前視偏差是指在回測(cè)時(shí)，使用了回測(cè)當(dāng)時(shí)還不可用或者還沒(méi)有公開(kāi)的數(shù)據(jù)，這也是回測(cè)中最常見(jiàn)的錯(cuò)誤。

　　前視偏差的一個(gè)很明顯的例子就體現(xiàn)在財(cái)務(wù)數(shù)據(jù)上，而對(duì)財(cái)務(wù)數(shù)據(jù)的修正則更容易造成難以發(fā)現(xiàn)的錯(cuò)誤。一般來(lái)說(shuō)，每個(gè)公司財(cái)務(wù)數(shù)據(jù)發(fā)布的時(shí)間點(diǎn)不同，往往存在滯后。而在回測(cè)時(shí)我們往往根據(jù)每個(gè)公司數(shù)據(jù)發(fā)布的時(shí)間點(diǎn)去評(píng)估公司財(cái)務(wù)狀況。

　　但是，當(dāng)時(shí)點(diǎn)數(shù)據(jù)(Point-in-time data，簡(jiǎn)稱PIT data)不可獲得時(shí)，財(cái)務(wù)報(bào)告的滯后假設(shè)往往是錯(cuò)誤的。下圖即印證了采用PIT數(shù)據(jù)與非PIT數(shù)據(jù)所造成的差異。同時(shí)我們?cè)谙螺d歷史宏觀數(shù)據(jù)時(shí)往往得到的經(jīng)過(guò)修正后的終值，但很多發(fā)達(dá)國(guó)家GDP數(shù)據(jù)發(fā)布后要經(jīng)過(guò)兩次調(diào)整，各大公司財(cái)報(bào)的修正也經(jīng)常會(huì)進(jìn)行修正。

　　在我們進(jìn)行回測(cè)的時(shí)間點(diǎn)，終值往往尚無(wú)可知，只能使用初始值進(jìn)行分析?？赡苡行┤苏J(rèn)為微小的修正并不會(huì)影響結(jié)論，但實(shí)際情況顯示：很多宏觀數(shù)據(jù)根據(jù)初值進(jìn)行回歸結(jié)果并不顯著，公司財(cái)務(wù)數(shù)據(jù)的調(diào)整將對(duì)選股結(jié)果產(chǎn)生直接影響。

　　

　　

　　3、講故事(The sin of storytelling)

　　一些人喜歡沒(méi)有任何數(shù)據(jù)就開(kāi)始講故事，做量化的人喜歡拿著數(shù)據(jù)和結(jié)果講故事。兩種情況有很多類似之處，擅長(zhǎng)講故事的人或者說(shuō)擅長(zhǎng)解釋數(shù)據(jù)結(jié)果的人往往在得到數(shù)據(jù)之前，內(nèi)心已經(jīng)存在既定的腳本，只需要找到數(shù)據(jù)支撐即可。

　　回顧1997年-2000年和2000年-2002年兩段時(shí)間的美國(guó)科技成分股和Russell 3000指數(shù)，我們會(huì)發(fā)現(xiàn)一個(gè)截然相反的結(jié)論。從1997-2000年間的美國(guó)科技成分股來(lái)看，利潤(rùn)率是一個(gè)很好的因子，且回測(cè)結(jié)果也十分可信，然而如果拉長(zhǎng)時(shí)間區(qū)間到2002年，我們會(huì)發(fā)現(xiàn)利潤(rùn)率指標(biāo)不再是一個(gè)好的因子。

　　

　　

　　但從Russell 3000指數(shù)的市場(chǎng)表現(xiàn)來(lái)看，我們卻得到了相反的結(jié)論，利潤(rùn)率指標(biāo)仍然是一個(gè)有效的因子，可見(jiàn)，股票池的選取和回測(cè)的時(shí)間長(zhǎng)短對(duì)因子的有效性判斷影響非常大。所以講故事的人并不能得到正確的結(jié)論。

　　

　　市場(chǎng)中每天都在發(fā)現(xiàn)新的“好因子”，尋找永動(dòng)機(jī)。能夠發(fā)布出來(lái)的策略都是回測(cè)表現(xiàn)良好的。雖然講故事的人對(duì)歷史的解釋非常動(dòng)聽(tīng)，但其對(duì)未來(lái)的預(yù)測(cè)幾乎沒(méi)用。

　　金融經(jīng)濟(jì)中的相關(guān)性和因果性往往很難弄得清楚明白，所以，當(dāng)我們做出和常識(shí)相?；蚴呛驮瓉?lái)判斷相符的結(jié)果時(shí)，較好不要去做一名講故事的人。

　　4、數(shù)據(jù)挖掘(Data mining and data snooping)

　　數(shù)據(jù)挖掘可以說(shuō)是目前備受關(guān)注的領(lǐng)域，基于海量的數(shù)據(jù)與計(jì)算機(jī)的算力支持，人們往往希望能夠得到難以察覺(jué)的“好因子”。但是原有的金融數(shù)據(jù)還未及海量，且交易數(shù)據(jù)并不滿足“低噪音”的數(shù)據(jù)前提。

　　有時(shí)數(shù)據(jù)挖掘幾乎是無(wú)效的。例如，我們對(duì)標(biāo)普500指數(shù)采用兩種不同的因子加權(quán)算法建模，選擇2009-2014年數(shù)據(jù)進(jìn)行回測(cè)。

　　結(jié)果顯示，采用2009-2014年數(shù)據(jù)篩選出6個(gè)表現(xiàn)較好的因子，使用等權(quán)重算法進(jìn)行回測(cè)的結(jié)果非常完美，而采用歷史數(shù)據(jù)進(jìn)行樣本外回測(cè)的結(jié)果卻是一條直線。

　　

　　

　　5、信號(hào)衰減、換手率、交易成本

　　信號(hào)衰減指的是一個(gè)因子產(chǎn)生后對(duì)未來(lái)多長(zhǎng)時(shí)間的股票回報(bào)有預(yù)測(cè)能力。一般來(lái)說(shuō)，高換手率和信號(hào)衰減有關(guān)。不同的股票選擇因子往往具有不同的信息衰減特征。越快的信號(hào)衰減往往需要更高的換手率去攫取收益。

　　然而，更高的換手率往往也意味著更高的交易成本。在組合構(gòu)建中添加換手率約束是一個(gè)相對(duì)簡(jiǎn)單的方法，但并不是最理想的方法，因?yàn)閾Q手率限制有時(shí)會(huì)幫助我們鎖定收益，有時(shí)也會(huì)損害既定的組合表現(xiàn)。因此，權(quán)衡信號(hào)衰減、交易成本以及模型預(yù)測(cè)能力是構(gòu)建投資組合的關(guān)鍵。

　　那么，如何確定較優(yōu)的調(diào)整頻率呢?我們需要注意的是，收緊換手率約束并不意味著降低調(diào)整頻率。例如，我們常常聽(tīng)到類似“我們是長(zhǎng)期價(jià)值投資者，我們預(yù)期持有股票3-5年。

　　因此，我們一年調(diào)整一次即可”。但是，信息往往來(lái)的很快，我們需要及時(shí)調(diào)整我們的模型和預(yù)期。即使我們的換手率約束很緊，我們?nèi)匀恍枰谶m當(dāng)時(shí)機(jī)加快調(diào)倉(cāng)頻率。下圖以一個(gè)衰減速度很快的因子的極端案例為例進(jìn)行說(shuō)明。

　　

　　當(dāng)每天收盤(pán)時(shí)買(mǎi)入當(dāng)天表現(xiàn)最差的100個(gè)股票，賣(mài)出過(guò)去的持倉(cāng)，持續(xù)每日交易，回報(bào)率非常高。這里的錯(cuò)誤也是前視偏差，還沒(méi)收盤(pán)我們并不知道當(dāng)天哪些股票表現(xiàn)最差，即使用程序化交易，這種策略也是不可行。我們只能以每天開(kāi)盤(pán)價(jià)買(mǎi)入昨天表現(xiàn)最差的100個(gè)股票。通過(guò)對(duì)比，以開(kāi)盤(pán)價(jià)買(mǎi)入的策略幾乎一條直線。

　　6、異常值(Outliers)

　　傳統(tǒng)的異常值控制技術(shù)主要包括winsorization和truncation兩種，數(shù)據(jù)的標(biāo)準(zhǔn)化也可近似看做異常值控制的方法之一，標(biāo)準(zhǔn)化技術(shù)有可能對(duì)模型的表現(xiàn)產(chǎn)生顯著的影響。比如下圖中的標(biāo)普BMI韓國(guó)指數(shù)成分股的利潤(rùn)率，采用平均值、剔除1%、2%極值等方法的結(jié)果差異很大。宏觀數(shù)據(jù)中經(jīng)常出現(xiàn)此類問(wèn)題，少數(shù)極值若不做預(yù)處理，會(huì)嚴(yán)重影響回歸結(jié)果。

　　

　　雖然異常值有可能包含著有用的信息，但是大部分情況來(lái)看，他們并不包含有用信息。當(dāng)然，對(duì)于價(jià)格動(dòng)量因子來(lái)說(shuō)是例外。

　　如下圖所示，藍(lán)線是去除了異常值后的組合表現(xiàn)，紅線是原始數(shù)據(jù)。我們可以看到原始數(shù)據(jù)的動(dòng)量策略要遠(yuǎn)遠(yuǎn)好于去除異常值后的策略表現(xiàn)。也就是說(shuō)異常值包含了很大一部分信息，如果我們?cè)谧鰳?biāo)準(zhǔn)化時(shí)去除了異常值，我們就相當(dāng)于損失了很大一部分信息。因此，較好的辦法是對(duì)數(shù)據(jù)進(jìn)行微觀層面的聚合然后再計(jì)算總的指標(biāo)。

　　

　　7、非對(duì)稱性

　　一般來(lái)說(shuō)，做多因子策略時(shí)較常用的策略是多空策略，即做多好的股票同時(shí)做空差的股票?？上У氖?，并不是所有的因子都是平等的，多數(shù)因子的多空收益特征存在不對(duì)稱性，加之做空可能存在的成本和現(xiàn)實(shí)可行性，也給量化投資造成了不小的困擾。

　　下圖展示了因子的多空收益特征，按照差異大小進(jìn)行排列。越靠上的因子由于做空需求旺盛以及較高的交易成本，越難以攫取超額alpha。同時(shí)，我們可以看到，價(jià)值因子往往從做多端獲得收益，而價(jià)格動(dòng)量因子和質(zhì)量因子更多的依靠做空端獲得更多的alpha。分析師修正因子傾向于擁有更對(duì)稱的多空收益特征。

　　

量化金融分析師(簡(jiǎn)稱AQF，Analyst of Quantitative Finance)由量化金融標(biāo)準(zhǔn)委員會(huì)(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領(lǐng)域的專業(yè)水平證書(shū)。 >>>點(diǎn)擊咨詢AQF證書(shū)含金量

　　

課程適合人群：

　　金融工程/數(shù)學(xué)專業(yè)背景的同學(xué)/工作人士，希望進(jìn)一步學(xué)習(xí)Python編程以及在量化投資的實(shí)戰(zhàn)應(yīng)用；

　　非金融工程專業(yè)背景的同學(xué)/工作人士，希望迅速成為寬客；

　　金融相關(guān)人員，希望學(xué)習(xí)如何系統(tǒng)的做量化策略；

　　個(gè)人投資者，希望系統(tǒng)學(xué)習(xí)掌握量化投資相關(guān)的實(shí)務(wù)技能，從模型開(kāi)發(fā)，回測(cè)，策略改進(jìn)，搭建穩(wěn)定的量化交易系統(tǒng)。>>>點(diǎn)擊咨詢AQF課程相關(guān)問(wèn)題

（點(diǎn)擊上圖了解課程詳情）

　　量化金融分析師AQF核心課程體系：

　　1、《量化投資基礎(chǔ)》

　　主要涵蓋了量化投資領(lǐng)域的必備知識(shí)，包括：基本面分析、技術(shù)分析、數(shù)量分析、固定收益、資產(chǎn)組合管理、權(quán)益、另類投資等內(nèi)容。

　　2、《Python語(yǔ)言編程基礎(chǔ)》

　　包含了Python環(huán)境搭建、基礎(chǔ)語(yǔ)法、變量類型、基本函數(shù)、基本語(yǔ)句、第三方庫(kù)、金融財(cái)務(wù)實(shí)例等內(nèi)容。旨在為金融財(cái)經(jīng)人提供最需要的編程方法。

　　3、《基于Python的經(jīng)典量化投資策略》

　　包含了最富盛名，最基本的量化交易思想和交易策略。例如：海龜交易模型、Logistics模型、配對(duì)交易模型、波動(dòng)擴(kuò)張模型、Alpha模型、機(jī)器學(xué)習(xí)(隨機(jī)森林模型、主成分分析)、深度學(xué)習(xí)(人工神經(jīng)網(wǎng)絡(luò))等內(nèi)容。

　　4、《量化交易系統(tǒng)設(shè)計(jì)》

　　旨在學(xué)習(xí)量化交易系統(tǒng)的具體知識(shí)，包括過(guò)濾器，進(jìn)入信號(hào)，退出信號(hào)，倉(cāng)位管理等詳細(xì)內(nèi)容，并指導(dǎo)學(xué)員設(shè)計(jì)涵蓋個(gè)人交易哲學(xué)的量化交易系統(tǒng)。

　　5、《量化實(shí)盤(pán)交易》

　　旨在為解決實(shí)際量化交易策略搭建過(guò)程中的一些問(wèn)題提供較優(yōu)解決方案。 >>>點(diǎn)擊咨詢AQF相關(guān)問(wèn)題

　　

　　掌握Python及量化投資技能，我們能做什么?

1、熟悉中國(guó)主要金融市場(chǎng)及交易產(chǎn)品的交易機(jī)制；

2、熟知國(guó)內(nèi)外期貨交易、股市交易的異同點(diǎn)和內(nèi)在運(yùn)行機(jī)制；

3、掌握經(jīng)典量化交易策略細(xì)節(jié)及其背后的交易哲學(xué)；

4、掌握金融、編程和建模知識(shí)基礎(chǔ)，擁有量化交易實(shí)盤(pán)操作能力；

5、具備獨(dú)立自主地研發(fā)新量化交易策略的能力；

6、掌握量化交易模型設(shè)計(jì)的基本框架，以及風(fēng)險(xiǎn)管理和資產(chǎn)組合理論的實(shí)際運(yùn)用；

7、掌握從策略思想——策略編寫(xiě)——策略實(shí)現(xiàn)餓完整量化投資決策過(guò)程；具備量化投資實(shí)戰(zhàn)交易能力。

　　

　　

更多內(nèi)容推薦閱讀：

如何成為一名優(yōu)秀的量化金融分析師？

AQF到底是什么鬼？哪類人適合參加AQF考試？

2019年量化金融分析師（AQF）全國(guó)統(tǒng)一考試報(bào)名簡(jiǎn)章

Wind、Excel和Python三大金融技能兼修，下一個(gè)金融分析大神就是你

金程推薦： AQF培訓(xùn) AQF培訓(xùn)機(jī)構(gòu) AQF是什么意思

咨詢電話：400-700-9596

AQF考友群：760229148

　　金融寬客交流群：801860357

　　微信公眾號(hào)：量化金融分析師

　　>>>返回首頁(yè)