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 2000 字 | 阅读预计需 5 分钟
· · ·
先问一个问题，回测到底可不可信？
多数人的答案是不确定，可一旦操作起来，每个人都把回测当成了金标准。一条漂亮的净值曲线，一个亮眼的年化收益，就敢放心下注。
实际上，回测藏着一个致命陷阱。事后看，任何一张历史图表都能用多项式曲线拟合，把它变成一幅完美贴合每一个波峰波谷的艺术品。你只要把多项式阶数调得足够高，它就能优雅地抱住过去每一段行情。
然后你把模型丢进实盘。
问题马上暴露。拟合历史价格很容易，预测下一根K线，完全是另一回事。
这篇文章要拆的，就是多项式回归在实盘里的表现。低阶模型和高阶曲线同台竞技，到底谁活到最后。以及，怎么搭一套实时前推测试的环境。
① 多项式回归，三个阶各干各的活
多项式回归的思路，是把时间轴 x 映射成预测价格 y。n 阶多项式的通式长这样。
在前推测试里，我们评估三个阶。
一阶是线性，y = -0.1612x + 136.793。它画一条直线，测的是方向和变化率，只能描述单边趋势。
二阶是二次，y = 0.0008x² – 0.1680x + 136.8025。多了一个抛物线拐点，能捕捉加速和减速，抓局部趋势动量。
三阶是三次，y = -0.0067x³ + 0.0915x² – 0.4779x + 136.9719。它有两个拐点，像一条 S 形曲线，试图画出复杂的趋势反转、盘整反弹和突破浪。
阶数越高，曲线越能贴合历史。但贴得越紧，代价是什么，往下看。
② 六个模型，怎么实时赛跑
光拟合一遍历史不算数。要检验多项式在实盘里的水平，得做样本外前推测试。
流程分四步。
第一步，抓历史。按固定间隔，比如30分钟，一根一根K线地收集价格更新。
第二步，拟合。每个时间点 t，用两个不同的窗口拟合多项式。全窗口 N=23，抓整个交易时段的宏观趋势。滚动窗口 N=10，只看最近10根K线的局部动量。
第三步，预测下一根。把每个阶往外推，预测 t+1 的价格。
第四步，评估再重拟合。真实价格出来后，算六个模型各自的绝对误差，记下赢家，追加新价格。六个模型从头重新拟合，上一个周期的系数不继承。
每一个预测周期，模型都从零开始，不偷看任何上一轮的答案。
③ 阶数越高，越容易翻车
三个阶在实时前推里，各有各的软肋。
一阶线性结构最稳。它抓不住盘中的局部转折，但抗噪声，是滚动窗口下的基线。
二阶二次，适合捕捉趋势衰竭和温和的动量曲线。当价格开始走平、进入盘整，滚动二次往往能赢过线性和更高阶的模型。
三阶三次，能拐两次，像 S 形，能把历史贴得很紧。但这种灵活性本身就是负担，它最容易过拟合。
越复杂的曲线，越能把过去讲得头头是道，也越难把下一根K线预测准。
④ 滚动窗口，为什么赢了全窗口
实测里最硬的一个发现是，滚动窗口全面碾压全窗口。
用长历史窗口做多项式回归，会累积结构性的滞后。实盘里，10根K线的滚动窗口，平均绝对误差一直比全时段窗口更低。对下一根K线来说，最近几分钟的价动态，比几小时前的价格锚点重要得多。
这也符合直觉。你要猜下一分钟的价格，是看最近十分钟的走势靠谱，还是看今天一整天的走势靠谱？答案不言自明。
⑤ 实测，CSL.AX 的六个模型成绩单
为了验证这套框架，我把六个模型丢到澳股 CSL.AX 上实跑。CSL 是全球血液制品和疫苗巨头，澳交所的老牌蓝筹。采样从上午10点到下午4点，每半小时一次，全窗口 N=23。
成绩单是这样的。
Rolling Linear，也就是一阶滚动，同时拿下最低 MAE 和最多单步胜场，7胜，MAE 1.11。Rolling Quadratic 二阶滚动紧随其后，3胜。Full Cubic 2胜，Rolling Cubic 1胜，Full Quadratic 和 Full Linear 都是 0 胜。
最惨的是 Full Linear，全窗口线性，MAE 3.53，系统性超调，一场没赢。
一句话，所有全窗口模型，都被自己的滚动对手碾压。
“胜场”怎么算的，每个半小时节点，六个模型在真实价格出来前，各报一个下一时段预测。价格出来后，谁离真实价最近，也就是绝对误差最小，谁赢这一局。整个交易时段反复循环，胜场数就是累计的赢局数。
⑥ 怎么搭一套前推测试框架
这套框架不难搭，我已经开源了完整的源代码，你不用自己跑循环，把代码交给任何一个能干的 AI 模型或 agent，让它每半小时执行一次前推测试，记录预测、误差、胜场就行。
要系统化跑起来，记住三件事。
第一，建严格的评估日志。连续记录每个模型的预测价、真实价、绝对误差、累计 MAE。
第二，自动化重算。每根K线收盘时，程序化重估系数向量，消除执行滞后。
第三，统计胜场。每个时段结束，把每个模型的单步胜场加起来，就像 CSL.AX 的成绩单那样。这个滚动计数，才告诉你哪个模型长期真的更行。
从静态回测转向实时前推，多项式曲线拟合就从一门事后艺术，变成一套面向实盘的客观框架。
Colab及国内直接代码微信公众号双下载地址如下：
#量化回测 #过拟合 #多项式回归 #前推验证 #WalkForward #实时验证 #机器学习 #数据科学 #模型评估 #曲线拟合 #量化建模 #CSL.AX
Be First to Comment