实盘评估与策略考量
策略开发完成只是开始——如何评估策略好坏、何时从模拟切换到实盘、以及在实盘中如何持续监控，决定了量化投资的成败。
第一部分：策略评估
回测好 ≠ 能赚钱
回测是必要条件，但不是充分条件。回测好看只说明策略在历史上有效，不代表未来能赚钱。
回测的三大陷阱：
1. 过度拟合 → 历史数据画得完美，实盘一塌糊涂
2. 前视偏差 → 不小心用了"未来信息"
3. 忽略交易成本 → 回测赚 30%，实盘扣完成本只剩 5%
评估策略的核心指标
| 指标 | 计算方式 | 含义 | 合格标准 |
|---|---|---|---|
| 年化收益率 | (终值/初值)^(1/n)-1 | 年均回报率 | > 国债利率 + 5% |
| 年化波动率 | std(日收益)×√252 | 波动风险 | < 30% |
| 夏普比率 | (收益-无风险利率)/波动 | 风险调整后收益 | > 1.0 |
| 最大回撤 | max(峰值-谷值)/峰值 | 最大亏损幅度 | < 20% |
| 胜率 | 盈利次数/总交易次数 | 赚钱的概率 | > 40% |
| 盈亏比 | 平均盈利/平均亏损 | 盈利效率 | > 1.5 |
| 卡玛比率 | 年化收益/最大回撤 | 收益回撤比 | > 1.0 |
如何判断策略是否"真的好"？
1. 多时间段验证
❌ 只在 2019-2020 牛市中回测 → 不可信
✅ 在多个时间段验证：
2015-2016（牛市转熊市）
2017-2018（震荡市）
2019-2021（结构性牛市）
2022-2023（熊市）
→ 各个阶段表现稳定才算靠谱
2. 样本外测试
把历史数据分成两段：
样本内（训练期）：2015-2020
样本外（验证期）：2021-2023
用样本内数据开发/优化策略
用样本外数据验证 → 模拟"实盘效果"
3. 参数稳健性检验
策略：MA(短期) 上穿 MA(长期) 买入
检验：微调参数，策略表现变化大吗？
MA(5, 20) → 年化 15%
MA(5, 21) → 年化 8% ← 参数敏感，不稳定！
MA(6, 20) → 年化 16%
MA(6, 21) → 年化 13%
如果微调一个参数，收益就剧烈变化，说明策略不稳定，实盘风险大。
第二部分：从模拟到实盘
模拟交易 ≠ 实盘交易
| 维度 | 模拟交易 | 实盘交易 |
|---|---|---|
| 情绪影响 | 无（假的） | 有（真金白银） |
| 成交保证 | 总能成交 | 可能无法成交 |
| 滑点 | 通常忽略或低估 | 真实发生 |
| 市场冲击 | 不考虑 | 大单会影响价格 |
| 系统稳定性 | 可以容忍 | 故障 = 亏损 |
上线实盘的步骤
Step 1: 模拟交 易 1-3 个月
└─ 用实时数据跑策略，但不投真钱
└─ 观察信号频率、滑点、收益是否符合预期
Step 2: 小资金试跑
└─ 用小额资金（如总资金的 10%）试运行
└─ 验证实际成交、滑点、手续费是否在预期范围
Step 3: 逐步加仓
└─ 策略稳定运行 1 个月后逐步增加资金
└─ 每次加仓不超过总资金的 20%
Step 4: 持续监控
└─ 每日检查策略运行状态
└─ 设置异常告警（回撤超限、无成交等）
实盘监控清单
每日检查：
☐ 策略是否正常运行？
☐ 今日信号是否合理？
☐ 有无异常订单（重复下单、价格异常等）？
每周检查：
☐ 本周收益 vs 基准（沪深300）
☐ 最大回撤是否在容忍范围内？
☐ 交易频率是否与预期一致？
每月检查：
☐ 月度收益、夏普比率
☐ 是否有策略漂移（信号特征变化）？
☐ 是否需要再平衡？
第三部分：量化策略的风险内生性
量化交易不是无风险的
《打开量化投资的黑箱》明确指出：量化策略自身就携带着风险。
| 风险类型 | 说明 | 案例 |
|---|---|---|
| 模型风险 | 模型假设不再成立 | 市场结构变化导致因子失效 |
| 拥挤风险 | 太多人用相同策略 | "量化崩溃"——多策略同时回撤 |
| 技术风险 | 系统 bug、网络故障 | 程序死循环不断下单 |
| 流动性风险 | 无法及时平仓 | 跌停板卖不出去 |
| 黑天鹅风险 | 极端事件 | 2008 危机、2020 疫情 |
对量化投资的批评与反思
批评不等于否定——理解 量化交易的局限，才能更好地使用它。
| 批评观点 | 反思 |
|---|---|
| "量化是黑箱" | 策略逻辑应该可以解释，追求可解释性 |
| "回测都是过拟合" | 承认过拟合是真实风险，用样本外验证 |
| "量化加剧市场波动" | 个人量化对市场影响极小，此批评主要针对机构 |
| "量化让市场不公平" | 量化是工具，工具本身无善恶 |
第四部分：高速及高频交易概述
高频交易对个人投资者的启示
《打开量化投资的黑箱》有专门章节讨论高速及高频交易（HFT），但对个人投资者而言，这部分主要作用是了解而不参与。
为什么个人不适合高频交易？
机构的竞争优势：
├── 硬件：微波塔、FPGA、服务器托管（投入百万到千万级别）
├── 通道：交易所直连、极低延迟
├── 手续费：交易量大，佣金极低
└── 数据：Tick 级数据、深度行情
个人投资者的劣势：
├── 网络延迟：几十毫秒 vs 机构的微秒级
├── 手续费：散户佣金远高于机构
└── 数据：只能看到有限档位
→ 在高频领域没有竞争优势
一个高频交易的案例
芝加 哥商品交易所（CME）数据中心对面，有一家公司专门买地建了微波通信塔——只为节省 0.07 毫秒的传输时间，投入了 1400 万美元。
节省 0.07 毫秒值 1400 万美元——这就是高频交易的世界。
个人投资者应该关注什么？
| 关注点 | 说明 |
|---|---|
| 中低频策略 | 日线、周线级别的策略——个人有足够时间分析和执行 |
| 策略逻辑 | 关注策略背后的经济/金融逻辑，而非交易速度 |
| 长期复利 | 稳健的年化收益 + 时间 = 可观的财富积累 |
| 持续学习 | 量化投资领域持续进化，保持学习习惯 |
量化投资的学习路径回顾
金融市场基础 → 金融分析方法 → 量化投资框架 → Python工具 → 策略实战
✅ ✅ ✅ ⏳ ⏳
现在你已经掌握了量化投资的核心框架：
- ✅ 量化投资概念与优势 —— 了解量化是什么
- ✅ 策略结构与生命周期 —— 理解策略的输入-处理-输出
- ✅ 量化系统架构全景 —— 俯瞰五模型协同
- ✅ Alpha 模型详解 —— 找到赚钱的逻辑
- ✅ 风险模型与交易成本模型 —— 控制亏损和成本
- ✅ 投资组合构建模型 —— 分散配置资金
- ✅ 执行模型与数据研究 —— 落地执行和基石数据
- ✅ 实盘评估与策略考量 —— 从回测到实盘的最后一公里
下一步：IPython 交互式开发 →
参考来源：
- 《打开量化投资的黑箱》[美] 里什·纳兰 著
- B 站课程：从零开始量化交易 - 03 - 量化经典书籍（野生量化员）