1. 为什么个人做量化这件事在AI时代突然变得可行了三年前如果有人跟我说你一个人也能搞出一套能跑的量化策略我大概率会笑笑不说话。那时候做量化是什么门槛你得有Wind或者聚宽的终端账号得会写Python还得懂金融工程得自己搭数据库存行情得写回测框架还得有台像样的服务器跑数据。光是数据这一块一年下来就是几万块的成本个人根本玩不起。但现在情况完全变了。我最近半年重新捡起量化这件事最大的感受就是AI把量化开发的门槛从团队级拉到了个人级。这不是一句空话我拆开来讲讲到底变了什么。1.1 从写代码到描述需求的转变以前写一个双均线策略你得自己写数据获取、写信号计算、写回测循环、写绩效统计一套下来两三百行代码中间任何一个地方写错回测结果就是错的而且你还未必能发现。现在呢你把需求描述清楚AI能帮你把框架代码生成出来你只需要做审查和调优。我实测过一个场景让AI帮我写一个基于布林带突破成交量过滤的策略骨架从描述到能跑通大概花了二十分钟。这二十分钟里我大部分时间是在跟AI确认逻辑细节而不是在敲代码。这个效率提升是实打实的。但这里有个坑我必须提前说AI生成的策略代码逻辑正确性必须你自己把关。我见过太多人直接把AI生成的代码拿去回测跑出来年化50%就兴奋得不行结果一看是未来函数用了当天收盘价做当天开盘的决策这种错误AI不一定会主动帮你规避。1.2 数据获取不再是拦路虎以前个人做量化数据是最大的成本项。现在免费的数据源虽然质量参差不齐但对于个人学习和策略验证来说已经够用了。像A股日线数据通过一些公开的接口就能拿到虽然可能需要自己做一些清洗和拼接但至少不用花大价钱买终端了。我自己的做法是先用免费数据源把策略逻辑跑通确认策略有效之后再考虑要不要上更高质量的数据。这个顺序很重要很多人一上来就纠结数据质量结果策略逻辑还没验证清楚钱先花出去了。1.3 回测框架的成熟让造轮子成为过去式Backtrader、vnpy这些开源框架现在已经很成熟了。你不需要从零写回测引擎直接用现成的框架把精力放在策略逻辑本身。Backtrader的多股回测能力尤其适合个人做组合策略验证这个后面我会详细讲。提示不要一上来就追求全自动交易。个人做量化第一步应该是能回测出一个靠谱的策略而不是能自动下单。顺序搞反了容易亏钱。2. 个人量化策略开发的核心链路拆解很多人对量化有个误解觉得量化就是写个公式让电脑自动买卖。实际上一套完整的量化策略开发链路要复杂得多。我把它拆成五个环节每个环节都有各自的坑。2.1 策略想法的来源别凭空造轮子策略想法从哪来我的经验是三个渠道经典策略的变种、市场观察的量化表达、学术论文的工程化落地。经典策略变种是最容易上手的。比如双均线策略你可以改成三均线、可以加成交量过滤、可以改成自适应均线。这些变种不需要你有多深的金融理论功底但需要你有耐心去测试不同参数组合。市场观察的量化表达更有意思。比如你发现每次大盘暴跌之后小盘股反弹力度更大这就是一个可以量化的观察。你需要把它翻译成明确的规则什么叫暴跌跌多少算暴跌反弹力度更大怎么衡量持有周期多长把这些模糊的观察变成精确的规则就是量化的核心工作。学术论文的工程化落地门槛最高但收益也可能最大。很多金融工程论文里提出的因子在A股市场可能还有效。但论文里的假设条件和实际市场有差距你需要做大量的适配工作。2.2 数据清洗80%的时间花在这里我做过统计一个策略从想法到能回测大概80%的时间花在数据清洗上。这不是夸张。A股数据有几个典型的坑停牌、除权除息、涨跌停、新股上市初期数据异常。停牌期间的数据怎么处理除权除息后的价格怎么复权涨跌停当天能不能成交这些问题不处理好回测结果就是失真的。我自己的处理原则是停牌期间不交易除权除息用前复权价格涨跌停当天如果策略信号是买入且开盘就涨停那就放弃这笔交易。这些规则看起来简单但每一条都会显著影响回测结果。2.3 回测框架选型Backtrader还是自己写回测框架的选择我的建议是除非你有特殊需求否则直接用Backtrader。Backtrader的优势在于社区活跃、文档相对完善、支持多股回测、支持多种数据源。它的多股回测能力对个人做组合策略特别友好你可以同时回测几十只股票看策略在不同标的上的表现。自己写回测框架的唯一理由是你有非常特殊的策略需求现有框架满足不了。但这种情况对个人来说很少见。我见过有人花三个月自己写回测框架结果写出来的东西还不如Backtrader稳定。2.4 参数优化过拟合的重灾区参数优化是量化里最容易自欺欺人的环节。你把均线周期从5到60全跑一遍总能找到一组参数在历史上表现特别好。但这组参数在未来大概率会失效。我的做法是参数不要太多每个参数的范围不要太大优化目标要看夏普比率而不是收益率。一个策略如果有超过5个参数过拟合的风险就很高了。参数范围太宽找到的最优参数往往是噪声。2.5 实盘验证回测和实盘的差距回测年化30%实盘可能只有10%甚至亏损。这个差距来自几个方面滑点、手续费、流动性、信号延迟。滑点是最容易被忽略的。回测里你假设按收盘价成交但实盘里你可能是第二天开盘才能成交这个价格差异可能就把利润吃掉了。手续费看起来不多但高频策略里手续费能占到收益的一半以上。3. AI在量化开发中到底能帮上什么忙现在回到标题里的AI时代。AI在量化开发中的角色我的定位是它是一个高效的助手但不是决策者。3.1 代码生成从策略描述到可运行代码这是AI最直接的价值。你把策略逻辑用自然语言描述清楚AI帮你生成Backtrader的策略类代码。我实测下来对于中等复杂度的策略AI生成的代码大概有70%可以直接用剩下30%需要你调整。调整的地方主要集中在数据接口的适配、特殊处理逻辑比如涨跌停过滤、绩效统计的定制。这些调整需要你对Backtrader的API有一定了解但不需要你从零写起。3.2 代码审查帮你发现逻辑漏洞AI的第二个价值是代码审查。你把写好的策略代码丢给AI让它帮你检查有没有逻辑错误。我试过几次AI确实能发现一些我忽略的问题比如变量作用域错误、循环边界条件错误。但AI审查有个局限它不懂金融逻辑。比如你写了一个用未来数据做决策的代码AI可能不会主动指出来因为它不知道这在量化里是严重错误。所以代码审查之后金融逻辑的正确性还得你自己把关。3.3 策略解释把黑箱变成白箱有些策略逻辑比较复杂你自己写完之后可能都忘了当初为什么这么设计。这时候可以让AI帮你反向解释代码逻辑生成一份策略说明文档。这个功能对于策略复盘和迭代特别有用。3.4 AI的边界它不能替你做的三件事第一AI不能替你判断策略是否有效。回测结果好不好需要你自己结合市场环境、策略逻辑、风险收益特征来综合判断。第二AI不能替你控制风险。仓位管理、止损规则、最大回撤控制这些需要你自己根据风险承受能力来设定。第三AI不能替你承担亏损。这一点最重要。AI生成的代码最终执行的是你的账户盈亏都是你的。所以任何AI生成的内容你都必须自己审查、自己负责。4. 从零搭建一套个人量化策略的实操步骤这一节我给出一个完整的实操流程以基于动量的多股轮动策略为例。这个策略的逻辑是每周选过去20个交易日涨幅最大的5只股票等权买入持有一周后轮换。4.1 环境准备与依赖安装首先你需要一个Python环境建议用Anaconda创建一个独立环境。核心依赖是backtrader、pandas、numpy、akshare免费数据源。conda create -n quant python3.10 conda activate quant pip install backtrader pandas numpy akshare这里有个细节backtrader对pandas的版本有一定要求太新的pandas可能会有兼容性问题。我实测下来pandas 1.5.x版本比较稳定。4.2 数据获取与清洗用akshare获取A股日线数据然后做前复权处理。这一步的关键是处理停牌和涨跌停。import akshare as ak import pandas as pd def get_stock_data(code, start_date, end_date): df ak.stock_zh_a_hist(symbolcode, perioddaily, start_datestart_date, end_dateend_date, adjustqfq) df[date] pd.to_datetime(df[日期]) df df.set_index(date) df df[[开盘, 最高, 最低, 收盘, 成交量]] df.columns [open, high, low, close, volume] return df清洗的时候要注意如果某只股票在回测期间有停牌停牌期间的数据要剔除但复牌后的价格要衔接上。这个处理逻辑需要根据你的数据源来调整。4.3 策略类的编写Backtrader的策略类核心是next()方法每个交易日调用一次。在这个方法里实现你的交易逻辑。import backtrader as bt class MomentumRotation(bt.Strategy): params ( (lookback, 20), (hold_num, 5), (rebalance_days, 5), ) def __init__(self): self.day_count 0 self.momentum {} for data in self.datas: self.momentum[data._name] bt.indicators.ROC( data.close, periodself.params.lookback) def next(self): self.day_count 1 if self.day_count % self.params.rebalance_days ! 0: return # 计算所有股票的动量 momentum_list [] for data in self.datas: if len(data) self.params.lookback: continue momentum_list.append((data._name, self.momentum[data._name][0])) # 按动量排序选前N只 momentum_list.sort(keylambda x: x[1], reverseTrue) target [x[0] for x in momentum_list[:self.params.hold_num]] # 调仓 for data in self.datas: if data._name in target: if not self.getposition(data): self.order_target_percent(data, target1.0/self.params.hold_num) else: if self.getposition(data): self.close(data)这段代码有几个关键点ROC是动量指标rebalance_days控制调仓频率order_target_percent按比例下单。注意这里用了1.0/hold_num作为单只股票的仓位保证总仓位不超过100%。4.4 回测运行与结果分析回测运行的时候要设置初始资金、手续费、滑点。手续费我一般设万分之三滑点设千分之一。cerebro bt.Cerebro() cerebro.broker.setcash(100000) cerebro.broker.setcommission(commission0.0003) cerebro.broker.set_slippage_perc(perc0.001) # 添加数据 for code in stock_list: data bt.feeds.PandasData(datanameget_stock_data(code, 2020-01-01, 2023-12-31)) cerebro.adddata(data, namecode) cerebro.addstrategy(MomentumRotation) cerebro.addanalyzer(bt.analyzers.SharpeRatio, _namesharpe) cerebro.addanalyzer(bt.analyzers.DrawDown, _namedrawdown) cerebro.addanalyzer(bt.analyzers.Returns, _namereturns) results cerebro.run() strat results[0] print(f夏普比率: {strat.analyzers.sharpe.get_analysis()}) print(f最大回撤: {strat.analyzers.drawdown.get_analysis()}) print(f收益率: {strat.analyzers.returns.get_analysis()})回测结果出来之后不要只看收益率。夏普比率、最大回撤、胜率、盈亏比这几个指标要综合看。一个策略如果夏普比率低于1基本上不值得实盘。4.5 参数敏感性测试这一步很多人会跳过但我觉得特别重要。你把lookback从15到30、hold_num从3到10、rebalance_days从3到10都跑一遍看结果稳不稳定。如果策略只在某一组参数下表现好其他参数下表现很差那这个策略大概率是过拟合的。好的策略应该在参数的小幅变动下表现相对稳定。5. 回测中最容易踩的五个坑这一节我专门讲坑因为我自己踩过也见过太多人踩。5.1 未来函数最隐蔽也最致命未来函数是指你在做决策的时候用了当时还不可能知道的信息。最常见的场景是用当天收盘价计算信号然后假设当天开盘就能成交。这在现实中是不可能的。排查方法检查你的信号计算和下单逻辑确保信号用的是T-1日的数据下单用的是T日的开盘价或者T1日的开盘价。5.2 幸存者偏差你选的股票池本身就有问题如果你回测的时候股票池用的是现在还在上市的股票那你就忽略了那些已经退市的股票。这些退市股票在退市前的表现往往很差忽略它们会让回测结果虚高。解决方法尽量用历史成分股数据或者至少把退市股票也纳入回测。这个数据获取有难度但至少你要意识到这个偏差的存在。5.3 过拟合参数优化出来的完美策略过拟合的表现是回测曲线特别漂亮但实盘一跑就亏。根本原因是策略学到了历史数据里的噪声而不是真正的规律。判断方法把数据分成样本内和样本外。在样本内优化参数在样本外验证。如果样本外表现和样本内差距很大那就是过拟合了。5.4 手续费和滑点低估小成本吃掉大利润很多人回测的时候手续费设万分之零点五滑点设零。实盘的时候手续费是万分之二点五滑点是千分之一。这一来一回高频策略的利润就被吃光了。我的建议手续费按万分之三设滑点按千分之一设。宁可高估成本也不要低估。5.5 流动性忽略小盘股买不进也卖不出回测里你假设想买多少就能买多少但实盘里小盘股的流动性很差你买多了会推高价格卖多了会砸盘。解决方法在回测里加入成交量限制比如单日买入量不超过该股票当日成交量的10%。这个限制会让回测结果更接近实盘。6. 策略从回测到实盘之间还差什么回测跑通了不代表就能实盘。中间还有几道坎。6.1 交易接口的对接实盘需要对接券商接口。个人做量化一般用券商的API或者第三方交易接口。这个环节的坑在于接口的稳定性和延迟。回测里你假设下单立刻成交实盘里可能延迟几秒甚至几十秒。我的建议先用模拟盘跑一段时间熟悉接口的特性和延迟情况再上实盘。6.2 风控模块的加入回测里你不需要风控因为回测不会真的亏钱。实盘里风控是必须的。基本的
1. 为什么个人做量化这件事在AI时代突然变得可行了三年前如果有人跟我说你一个人也能搞出一套能跑的量化策略我大概率会笑笑不说话。那时候做量化是什么门槛你得有Wind或者聚宽的终端账号得会写Python还得懂金融工程得自己搭数据库存行情得写回测框架还得有台像样的服务器跑数据。光是数据这一块一年下来就是几万块的成本个人根本玩不起。但现在情况完全变了。我最近半年重新捡起量化这件事最大的感受就是AI把量化开发的门槛从团队级拉到了个人级。这不是一句空话我拆开来讲讲到底变了什么。1.1 从写代码到描述需求的转变以前写一个双均线策略你得自己写数据获取、写信号计算、写回测循环、写绩效统计一套下来两三百行代码中间任何一个地方写错回测结果就是错的而且你还未必能发现。现在呢你把需求描述清楚AI能帮你把框架代码生成出来你只需要做审查和调优。我实测过一个场景让AI帮我写一个基于布林带突破成交量过滤的策略骨架从描述到能跑通大概花了二十分钟。这二十分钟里我大部分时间是在跟AI确认逻辑细节而不是在敲代码。这个效率提升是实打实的。但这里有个坑我必须提前说AI生成的策略代码逻辑正确性必须你自己把关。我见过太多人直接把AI生成的代码拿去回测跑出来年化50%就兴奋得不行结果一看是未来函数用了当天收盘价做当天开盘的决策这种错误AI不一定会主动帮你规避。1.2 数据获取不再是拦路虎以前个人做量化数据是最大的成本项。现在免费的数据源虽然质量参差不齐但对于个人学习和策略验证来说已经够用了。像A股日线数据通过一些公开的接口就能拿到虽然可能需要自己做一些清洗和拼接但至少不用花大价钱买终端了。我自己的做法是先用免费数据源把策略逻辑跑通确认策略有效之后再考虑要不要上更高质量的数据。这个顺序很重要很多人一上来就纠结数据质量结果策略逻辑还没验证清楚钱先花出去了。1.3 回测框架的成熟让造轮子成为过去式Backtrader、vnpy这些开源框架现在已经很成熟了。你不需要从零写回测引擎直接用现成的框架把精力放在策略逻辑本身。Backtrader的多股回测能力尤其适合个人做组合策略验证这个后面我会详细讲。提示不要一上来就追求全自动交易。个人做量化第一步应该是能回测出一个靠谱的策略而不是能自动下单。顺序搞反了容易亏钱。2. 个人量化策略开发的核心链路拆解很多人对量化有个误解觉得量化就是写个公式让电脑自动买卖。实际上一套完整的量化策略开发链路要复杂得多。我把它拆成五个环节每个环节都有各自的坑。2.1 策略想法的来源别凭空造轮子策略想法从哪来我的经验是三个渠道经典策略的变种、市场观察的量化表达、学术论文的工程化落地。经典策略变种是最容易上手的。比如双均线策略你可以改成三均线、可以加成交量过滤、可以改成自适应均线。这些变种不需要你有多深的金融理论功底但需要你有耐心去测试不同参数组合。市场观察的量化表达更有意思。比如你发现每次大盘暴跌之后小盘股反弹力度更大这就是一个可以量化的观察。你需要把它翻译成明确的规则什么叫暴跌跌多少算暴跌反弹力度更大怎么衡量持有周期多长把这些模糊的观察变成精确的规则就是量化的核心工作。学术论文的工程化落地门槛最高但收益也可能最大。很多金融工程论文里提出的因子在A股市场可能还有效。但论文里的假设条件和实际市场有差距你需要做大量的适配工作。2.2 数据清洗80%的时间花在这里我做过统计一个策略从想法到能回测大概80%的时间花在数据清洗上。这不是夸张。A股数据有几个典型的坑停牌、除权除息、涨跌停、新股上市初期数据异常。停牌期间的数据怎么处理除权除息后的价格怎么复权涨跌停当天能不能成交这些问题不处理好回测结果就是失真的。我自己的处理原则是停牌期间不交易除权除息用前复权价格涨跌停当天如果策略信号是买入且开盘就涨停那就放弃这笔交易。这些规则看起来简单但每一条都会显著影响回测结果。2.3 回测框架选型Backtrader还是自己写回测框架的选择我的建议是除非你有特殊需求否则直接用Backtrader。Backtrader的优势在于社区活跃、文档相对完善、支持多股回测、支持多种数据源。它的多股回测能力对个人做组合策略特别友好你可以同时回测几十只股票看策略在不同标的上的表现。自己写回测框架的唯一理由是你有非常特殊的策略需求现有框架满足不了。但这种情况对个人来说很少见。我见过有人花三个月自己写回测框架结果写出来的东西还不如Backtrader稳定。2.4 参数优化过拟合的重灾区参数优化是量化里最容易自欺欺人的环节。你把均线周期从5到60全跑一遍总能找到一组参数在历史上表现特别好。但这组参数在未来大概率会失效。我的做法是参数不要太多每个参数的范围不要太大优化目标要看夏普比率而不是收益率。一个策略如果有超过5个参数过拟合的风险就很高了。参数范围太宽找到的最优参数往往是噪声。2.5 实盘验证回测和实盘的差距回测年化30%实盘可能只有10%甚至亏损。这个差距来自几个方面滑点、手续费、流动性、信号延迟。滑点是最容易被忽略的。回测里你假设按收盘价成交但实盘里你可能是第二天开盘才能成交这个价格差异可能就把利润吃掉了。手续费看起来不多但高频策略里手续费能占到收益的一半以上。3. AI在量化开发中到底能帮上什么忙现在回到标题里的AI时代。AI在量化开发中的角色我的定位是它是一个高效的助手但不是决策者。3.1 代码生成从策略描述到可运行代码这是AI最直接的价值。你把策略逻辑用自然语言描述清楚AI帮你生成Backtrader的策略类代码。我实测下来对于中等复杂度的策略AI生成的代码大概有70%可以直接用剩下30%需要你调整。调整的地方主要集中在数据接口的适配、特殊处理逻辑比如涨跌停过滤、绩效统计的定制。这些调整需要你对Backtrader的API有一定了解但不需要你从零写起。3.2 代码审查帮你发现逻辑漏洞AI的第二个价值是代码审查。你把写好的策略代码丢给AI让它帮你检查有没有逻辑错误。我试过几次AI确实能发现一些我忽略的问题比如变量作用域错误、循环边界条件错误。但AI审查有个局限它不懂金融逻辑。比如你写了一个用未来数据做决策的代码AI可能不会主动指出来因为它不知道这在量化里是严重错误。所以代码审查之后金融逻辑的正确性还得你自己把关。3.3 策略解释把黑箱变成白箱有些策略逻辑比较复杂你自己写完之后可能都忘了当初为什么这么设计。这时候可以让AI帮你反向解释代码逻辑生成一份策略说明文档。这个功能对于策略复盘和迭代特别有用。3.4 AI的边界它不能替你做的三件事第一AI不能替你判断策略是否有效。回测结果好不好需要你自己结合市场环境、策略逻辑、风险收益特征来综合判断。第二AI不能替你控制风险。仓位管理、止损规则、最大回撤控制这些需要你自己根据风险承受能力来设定。第三AI不能替你承担亏损。这一点最重要。AI生成的代码最终执行的是你的账户盈亏都是你的。所以任何AI生成的内容你都必须自己审查、自己负责。4. 从零搭建一套个人量化策略的实操步骤这一节我给出一个完整的实操流程以基于动量的多股轮动策略为例。这个策略的逻辑是每周选过去20个交易日涨幅最大的5只股票等权买入持有一周后轮换。4.1 环境准备与依赖安装首先你需要一个Python环境建议用Anaconda创建一个独立环境。核心依赖是backtrader、pandas、numpy、akshare免费数据源。conda create -n quant python3.10 conda activate quant pip install backtrader pandas numpy akshare这里有个细节backtrader对pandas的版本有一定要求太新的pandas可能会有兼容性问题。我实测下来pandas 1.5.x版本比较稳定。4.2 数据获取与清洗用akshare获取A股日线数据然后做前复权处理。这一步的关键是处理停牌和涨跌停。import akshare as ak import pandas as pd def get_stock_data(code, start_date, end_date): df ak.stock_zh_a_hist(symbolcode, perioddaily, start_datestart_date, end_dateend_date, adjustqfq) df[date] pd.to_datetime(df[日期]) df df.set_index(date) df df[[开盘, 最高, 最低, 收盘, 成交量]] df.columns [open, high, low, close, volume] return df清洗的时候要注意如果某只股票在回测期间有停牌停牌期间的数据要剔除但复牌后的价格要衔接上。这个处理逻辑需要根据你的数据源来调整。4.3 策略类的编写Backtrader的策略类核心是next()方法每个交易日调用一次。在这个方法里实现你的交易逻辑。import backtrader as bt class MomentumRotation(bt.Strategy): params ( (lookback, 20), (hold_num, 5), (rebalance_days, 5), ) def __init__(self): self.day_count 0 self.momentum {} for data in self.datas: self.momentum[data._name] bt.indicators.ROC( data.close, periodself.params.lookback) def next(self): self.day_count 1 if self.day_count % self.params.rebalance_days ! 0: return # 计算所有股票的动量 momentum_list [] for data in self.datas: if len(data) self.params.lookback: continue momentum_list.append((data._name, self.momentum[data._name][0])) # 按动量排序选前N只 momentum_list.sort(keylambda x: x[1], reverseTrue) target [x[0] for x in momentum_list[:self.params.hold_num]] # 调仓 for data in self.datas: if data._name in target: if not self.getposition(data): self.order_target_percent(data, target1.0/self.params.hold_num) else: if self.getposition(data): self.close(data)这段代码有几个关键点ROC是动量指标rebalance_days控制调仓频率order_target_percent按比例下单。注意这里用了1.0/hold_num作为单只股票的仓位保证总仓位不超过100%。4.4 回测运行与结果分析回测运行的时候要设置初始资金、手续费、滑点。手续费我一般设万分之三滑点设千分之一。cerebro bt.Cerebro() cerebro.broker.setcash(100000) cerebro.broker.setcommission(commission0.0003) cerebro.broker.set_slippage_perc(perc0.001) # 添加数据 for code in stock_list: data bt.feeds.PandasData(datanameget_stock_data(code, 2020-01-01, 2023-12-31)) cerebro.adddata(data, namecode) cerebro.addstrategy(MomentumRotation) cerebro.addanalyzer(bt.analyzers.SharpeRatio, _namesharpe) cerebro.addanalyzer(bt.analyzers.DrawDown, _namedrawdown) cerebro.addanalyzer(bt.analyzers.Returns, _namereturns) results cerebro.run() strat results[0] print(f夏普比率: {strat.analyzers.sharpe.get_analysis()}) print(f最大回撤: {strat.analyzers.drawdown.get_analysis()}) print(f收益率: {strat.analyzers.returns.get_analysis()})回测结果出来之后不要只看收益率。夏普比率、最大回撤、胜率、盈亏比这几个指标要综合看。一个策略如果夏普比率低于1基本上不值得实盘。4.5 参数敏感性测试这一步很多人会跳过但我觉得特别重要。你把lookback从15到30、hold_num从3到10、rebalance_days从3到10都跑一遍看结果稳不稳定。如果策略只在某一组参数下表现好其他参数下表现很差那这个策略大概率是过拟合的。好的策略应该在参数的小幅变动下表现相对稳定。5. 回测中最容易踩的五个坑这一节我专门讲坑因为我自己踩过也见过太多人踩。5.1 未来函数最隐蔽也最致命未来函数是指你在做决策的时候用了当时还不可能知道的信息。最常见的场景是用当天收盘价计算信号然后假设当天开盘就能成交。这在现实中是不可能的。排查方法检查你的信号计算和下单逻辑确保信号用的是T-1日的数据下单用的是T日的开盘价或者T1日的开盘价。5.2 幸存者偏差你选的股票池本身就有问题如果你回测的时候股票池用的是现在还在上市的股票那你就忽略了那些已经退市的股票。这些退市股票在退市前的表现往往很差忽略它们会让回测结果虚高。解决方法尽量用历史成分股数据或者至少把退市股票也纳入回测。这个数据获取有难度但至少你要意识到这个偏差的存在。5.3 过拟合参数优化出来的完美策略过拟合的表现是回测曲线特别漂亮但实盘一跑就亏。根本原因是策略学到了历史数据里的噪声而不是真正的规律。判断方法把数据分成样本内和样本外。在样本内优化参数在样本外验证。如果样本外表现和样本内差距很大那就是过拟合了。5.4 手续费和滑点低估小成本吃掉大利润很多人回测的时候手续费设万分之零点五滑点设零。实盘的时候手续费是万分之二点五滑点是千分之一。这一来一回高频策略的利润就被吃光了。我的建议手续费按万分之三设滑点按千分之一设。宁可高估成本也不要低估。5.5 流动性忽略小盘股买不进也卖不出回测里你假设想买多少就能买多少但实盘里小盘股的流动性很差你买多了会推高价格卖多了会砸盘。解决方法在回测里加入成交量限制比如单日买入量不超过该股票当日成交量的10%。这个限制会让回测结果更接近实盘。6. 策略从回测到实盘之间还差什么回测跑通了不代表就能实盘。中间还有几道坎。6.1 交易接口的对接实盘需要对接券商接口。个人做量化一般用券商的API或者第三方交易接口。这个环节的坑在于接口的稳定性和延迟。回测里你假设下单立刻成交实盘里可能延迟几秒甚至几十秒。我的建议先用模拟盘跑一段时间熟悉接口的特性和延迟情况再上实盘。6.2 风控模块的加入回测里你不需要风控因为回测不会真的亏钱。实盘里风控是必须的。基本的
