作者：老余捞鱼
原创不易，转载请标明出处及原作者。
文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。
本文约 6500 字 | 预计阅读 12 分钟
· · ·
我在Reddit上看到一个AMD的动量交叉策略，拿过去46年的价格数据做回测，效果漂亮得吓人：10万美元滚成几百万，买入持有被它远远甩在后面。分了三个时间段测，全过，风险指标也挑不出啥毛病。
一、策略背景
这套策略的核心逻辑其实不复杂：
- 动量交叉（Momentum Crossover）作为入场信号；
- RSI 指标作为出场条件；
- AMD（超威半导体）日线价格历史；
- 近46年数据，跨越多个完整牛熊周期；
- 三个阶段回测验证。
但我心里一直犯嘀咕：这套东西，到底是真有内在的赚钱逻辑，还是说是它是拿着答案倒推出来的解题过程。参数不是事先定好的，而是在看完了46年所有走势之后，挑出来的那组“恰好能赚最多钱”的数字。
核心问题：这是真正robust的系统，还是完美拟合过去的故事？
测试一：WFO（前进优化）
传统回测的问题在哪
传统回测的套路挺简单：拿全部历史数据当题库，翻来覆去地调参数，直到挑出一组历史上赚得最多的“最优解”，然后跑一遍，效果漂亮。
毛病在哪儿呢？这套流程在优化阶段就已经翻过答案了，它知道1995年、2005年、2020年哪些设置管用、哪些不管用。等于先把卷子看了再答题。
但真金白银下场的人，是没法提前看到下一道题的。他们只能猜。
WFO（前进优化）换了个玩法：
Walk Forward Optimization（前进优化，简称WFO）把游戏规则改了：
传统回测把1960年到2026年的全部数据摆在面前，一次性调出最优参数。等于先看了答案再出结果。
WFO不是这样的，它是滚动来的：拿1980到1984这五年调参数，调完了去测1985年；再拿1981到1985调，去测1986……依此类推如下：
训练区间 → 测试区间1980~1984 → 19851981~1985 → 19861982~1986 → 1987 ... ...
策略每一步都只依赖过去知道的东西，去验证自己完全没见过的未来数据。从头到尾，没有任何信息是从未来倒灌回过去的。
WFO配置
具体参数设置：
- 训练窗口：4年：用过去4年数据选出最优参数
- 测试窗口：1年：冻结参数，在接下来1年实盘模拟
- 动量周期：8、10、12（三个候选值）
- 快动量：4、5、6
- RSI阈值：24、30、36
- RSI周期：11、14、17
每年末，策略从过去4年数据里选出最优参数组合，冻结，然后下一年用这组参数交易。每年重复一次。模拟器里没有任何未来数据。
WFO结果
结果很有意思，策略依然存活了。
Walk Forward Optimization 权益曲线
| 指标 | WFO结果 | 对比基准 |
|---|---|---|
| 总收益率 | 52,006% | 基准 2,872% |
| 夏普比率（Sharpe） | 0.653 | × |
| 索提诺比率（Sortino） | 0.993 | × |
| 盈亏比（Profit Factor） | 2.419 | × |
| 总交易次数 | 318笔 | × |
| 最大回撤 | -90.14% | 重要警告 |
重点不是收益数字。重点是：当参数每年按序选择时，策略的Alpha并没有消失。
但回撤数字讲出了另一个故事。
最大回撤 -90.14%
策略可以拥有正期望收益，但实际操作体验可能是毁灭性的。10万美元账户，中间一度会跌到大约1万美元才能恢复。策略本身活了下来。但持有这个策略的投资人，大概率已经中途放弃退出了。
测试二：Monte Carlo模拟
这个测试问的是什么？
Walk Forward回答的问题是：“策略在去除未来信息之后，还能存活吗？”
Monte Carlo问的是另一个问题：“如果交易的序列改变了，会发生什么？”
市场不会照着回测的顺序走一遍。同样的一套交易信号，搁在不同的时间段里，结果可能截然不同。就算策略本身长期能赚钱，要是亏损的那几年恰好扎堆出现在你刚入场的时候，实盘早就扛不住了，哪还等得到它“长期有效”的那一天。
为什么用区块bootstrap
具体设置：
- 1000次独立模拟
- 区块bootstrap方法（Block Bootstrap）
- 5日收益率区块
你可能要问：为什么用区块抽样，而不是把每一天随机打散？
因为市场的日收益率不是独立的。市场存在波动聚集（volatility clustering）：大涨之后往往跟着大涨或大跌，大跌之后同理。如果把每一天随机打乱，市场的结构性特征就被破坏了。用区块抽样，可以保留部分市场结构，让模拟更接近真实。
Monte Carlo结果
Monte Carlo 1000次模拟分布
1000次模拟的结果分布：
| 指标 | 第5百分位（最坏情况） | 中位数 | 第95百分位（最好情况） |
|---|---|---|---|
| 总收益率 | 48% | 48,776% | 10,412,635% |
| 最大回撤 | -98.15% | -88.77% | -74.80% |
| 夏普比率 | 0.27 | 0.54 | 0.79 |
结果分两头看：
最好情况（第95百分位）收益率能冲到千万倍，但这已经没意义了，那得是交易顺序完美到不能再完美才有的数字，跟现实没啥关系。关键得看最坏那头：运气差到极点的那一档，收益率还有48%，没亏，还是正的。这说明策略确实有点东西，不是纯粹靠数据挖出来的假Alpha。但旁边那个数字更吓人：最大回撤-98.15%，十万块进去剩不到两千。
数字上没归零，心理上已经归零一百次了。正常人扛不住这个。
四、压力测试到底证明了什么？
结论有点拧巴。
这个策略不是那种“纯靠运气画曲线”的假把式。它扛过了好几轮考验：
- ✓ 样本外测试（Out-of-sample testing）
- ✓ 滚动优化（WFO）
- ✓ 随机打乱交易顺序的蒙特卡洛模拟也过了
但该验的都验了，Alpha确实有，不是数据里硬挖出来的幻觉。
但问题也暴露得很彻底：这系统太激进了。赚的时候真能赚，亏的时候也是真敢亏，九十几个点的回撤，眼睛都不眨一下。
说白了，它缺的不是赚钱能力，是风险管理。
一个能把十万块滚成几百万、也能让你中途只剩两千块的东西，不适合叫“投资工具”，更像个高风险的系统性实验。
最重要的教训
回测本身说明不了什么。
一条漂亮的权益曲线，只是开始，真正要问的是后面这几件事：：
- 策略在未见过的数据上能存活吗？（WFO答案：能）
- 参数稍微动一动会不会崩？（部分测过了，还行）
- 坏运气扎堆来的时候扛不扛得住？（蒙特卡洛测过了，勉强能，但会很惨）
- 一个真实的人能坚持执行这套策略吗？（这是真正的考验）
策略通过了前面三个测试。第四关也是最要命的一关没过：它的波动太大，一个正常人，能不能拿真金白银跟着它从头熬到尾？
五、下一步能干啥
改下一步的方向，不是改策略本身，而是给它加一层生存保护罩（Survival Layer）。主要有这么几个思路：：
- 组合配置：别把弹药全压在一个策略上，分散着来；
- 波动率调整：市场疯的时候少下注，稳的时候多下注，跟着大环境走；
- 回撤控制：设好硬止损线，亏到一定份上就强制降仓位；
- 风险预算分配：看风险贡献来决定投多少，而不是简单看资金比例。
一套策略，如果连持有它的人自己都扛不住，就不是一个完整的系统。
这也是为什么很多量化团队在实盘里会加一层”风险管理外壳”，Alpha可以激进，但整体组合必须可控。
六、观点总结
大多数人看到52,000%收益的时候，脑子已经停转了，不会再往下想。
但我接着干了两件事：第一，用WFO把“事后诸葛亮”的幻想掐掉；第二，用Monte Carlo试着把“运气”和“本事”剥离开来。我认为这种折腾方式，可能才是对待回测该有的姿势。
回测和实盘之间，永远夹着一层东西：情绪。市场跌了90%还能涨回来，但坐在屏幕前的那个人，不一定能等到那天。所以“策略能不能活”归根到底问的是：“策略+人”这个组合能不能一起活下去。
下一步值得试的是：拿同一套框架，去测更多标的、更多策略，看看这个Alpha是AMD独享的，还是能在更大范围的股票池里复制出来。那个答案应该会比现在更有意思。
#量化策略 #WalkForwardOptimization #MonteCarlo模拟 #回测陷阱 #AMD股票 #动量策略 #RSI指标 #压力测试 #区块bootstrap #量化开发 #策略验证 #风险控制
Be First to Comment