金融红宝书 · 第八卷 · 分支深读

8.6 量化交易

把策略写成代码 —— 回测三大坑与五重检验

深读专题：过拟合 · 幸存者偏差 · 前视偏差 · 均线策略回测示例

第八卷 · 分支深读 8.6

← 返回第八卷主干总目录

深读 1：量化的基本流程

流程

假设：先有一个逻辑（如"低估值长期跑赢"），不是先看数据找规律。
因子/信号构建：把逻辑变成可计算的指标。
回测：用历史数据跑，看业绩。
样本外验证：留一段回测没见过的数据检验。
实盘小规模：先用小资金跑，对比回测与实盘差异。
迭代：根据实盘反馈改进。

策略类型：趋势跟踪（CTA，追涨杀跌）、统计套利（价差回归）、多因子选股（打分调仓）、事件驱动/高频（机构专属）。共同点：用程序机械化执行，消除情绪干扰（8.7）。

深读 2：坑一·过拟合——历史最优=样本外最差

机制

你有 47 个参数，总能在历史上"凑"出一条完美曲线——但那是拟合了噪声，不是规律。

算例：某策略回测 10 年年化 40%：47 个参数、30 次交易、没算手续费。为什么是拟合：① 47 个参数自由度太高，总能"对"历史；② 30 次交易太少，全是运气；③ 没算成本，虚高。参数动一个业绩就崩——这不是策略，是曲线拟合。

对策：少参数（≤5 个）、参数微调业绩不崩、样本外验证。好策略应该"参数 ±20% 业绩不翻倍也不腰斩"。

深读 3：坑二·幸存者偏差——只拿活下来的股票回测

机制

例子：你用"当前沪深300成分股"回测过去 10 年。但沪深300 定期调出差公司——那些已退市/暴雷的股票不在你的样本里。结果：你回测的全是"活到今天的好股票"，业绩虚高。实盘买入时，你可能买到未来的"被调出股"。

对策：用"t 时刻存在"的全样本（含退市股、含当时在指数里后来被调出的）。回测必须还原"当时能买到什么"，而不是"现在看哪些是好的"。

深读 4：坑三·前视偏差——用了当时拿不到的数据

机制

典型：用 2023 年年报（2024 年 4 月才公布）的盈利数据，在 2023 年 12 月就交易——等于偷看答案。回测业绩瞬间变得很漂亮，但实盘根本拿不到这个数据。其他前视：用了未来的复权因子、用了年末才知道的年度排名。

对策：严格用"t 时刻可见"的数据——财报用"公布日之后"的时点、交易在信号出现的次日开盘。回测的每一笔，都要问"当时我能知道这个吗？"

回测通过后的五重检验：样本外表现、参数稳定性、成本滑点计入、实盘冲击成本、逻辑可解释（说不清赚钱逻辑的策略=数据挖掘）。

深读 5：延伸思考（带折叠答案）

思考

为什么"回测年化 40%"大概率是假的？
答案先数参数、交易次数、成本
问三句：几个参数（>10 必过拟合）？几次交易（<50 全是运气）？扣手续费滑点了吗？三问有一问答不上来，40% 就是虚的。
回测的目的是"证明赚钱"还是"证伪"？
答案证伪
先假设"策略无效"，看证据够不够推翻。若样本外亏钱、参数微调就崩，就该放弃——而不是调参数硬凑。回测是为了排除坏策略，不是为了给好策略脸上贴金。
实盘和回测差异的主要来源？
答案冲击成本+滑点+流动性
回测假设你能按收盘价成交，实盘：大单会推高价格（冲击成本）、买卖有价差（滑点）、跌停时买不进。所以回测要留成本余量，实盘从小资金开始验证。

深读 6：回测指标手算——夏普与最大回撤

算例

算例（夏普比率）：某策略 12 个月：月均收益 2%、月波动率 4%、无风险利率 3%/年。
年化收益 = 2%×12 = 24%；年化波动 = 4%×√12 = 13.9%；夏普 = (24%−3%)/13.9% = 1.51。
判断：夏普 >1 算好、>1.5 优秀、<0.5 差。但这是回测——样本外若月均收益降到 0.3%，夏普骤降 = 过拟合。

算例（最大回撤）：净值从 1.0 涨到 1.5，跌回 1.2，再涨到 2.0，跌回 1.6。最大回撤 = (1.5−1.2)/1.5 = 20%（最高点 1.5 到最低点 1.2）。最大回撤衡量"最惨的时候亏多少"——它决定你能不能拿住（衔接 7.1）。

跨卷传导：回测指标 → 第七卷 7.1 风险度量（夏普/最大回撤）→ 7.3 多因子（因子有效性检验）→ 7.4 EMH（量化要战胜市场）。

深读 7：过拟合检查清单

对照

检查项	健康标准
参数个数	≤5 个，越多越拟合
交易次数	≥50 次，少了全是运气
参数稳定性	N 在 ±20% 微调业绩不崩
样本外表现	最后 2 年数据仍赚钱
成本计入	手续费+滑点已扣
逻辑可解释	说清为什么赚钱（行为偏差/风险补偿）

任何一项不达标，回测业绩都要打折。说不清赚钱逻辑的策略=数据挖掘，实盘必亏。