为什么要了解量化交易？
不管你怎么称呼它，是“量化交易”、“算法交易”、“程序交易”、“自动交易”、“机器人交易”，还是“黑匣子交易”，一提到这些名称，大多数人的心目中马上联想到的可能就是“科学怪人”的形象――一些智商极高、戴着厚厚镜片的天才，在一大堆电脑显示屏的包围下，击打着键盘，运用神秘的数学公式，在数不清的各种交易品种之间频繁交易，瞬间就能创造巨大的财富，但最终总是会带来毁灭性的灾难。
确实，大多数人――包括许多资深的投资人士，对于量化交易的态度，可以说是又敬又畏。一方面觉得它高深莫测，心存敬佩；另一方面又觉得它充满风险，备感恐惧。但实际上这两种态度都是完全没有必要的。
做量化交易的人往往喜欢把自己弄得神秘兮兮的，像文艺复兴(Renaissance Technologies)，还有E D SHAW这些最成功的量化交易基金，就是以其神秘性而出名，所有的员工必须签署严格的保密合同，甚至在公司内部，相互之间都不知道对方在做什么。
他们弄得这么紧张是完全可以理解的，毕竟，这是他们吃饭的本钱所在。而且，我想神秘感对他们的市场营销也是很有帮助的吧。不过，他们真正要保护的是细节上的技巧，也就是所谓的know-how，而不是基本的交易策略。尽管目前世界上从事量化交易的人很多，每天也有人建立起新的交易模型，但是，基本的交易策略类型其实是非常有限的，正如我们在后面将会看到的那样，这些策略的原理和我们一般常见的投资交易原理并没有根本上的区别。
正因为量化交易从本质上来说，与传统的交易策略相比并没有根本性的区别，因此，其危害性也不像很多人想象的那么可怕，和我们传统的交易策略相比也没有根本上的区别。
确实，从美国1987年股灾到美国长期资本公司破产，再到最近美国的金融危机，很多人无疑会把矛头指向量化交易。可是，如果你深入分析的话，很难讲如果没有量化交易的话，类似的巨幅市场波动就不会出现，或者波动的幅度会小一些。毕竟，迄今为止历史上最大的一次股市下跌是美国1929年的股灾，那是在没有电脑、没有量化基金的背景下出现的。
当然，这并不是说量化交易不会在某些时候直接导致市场的非理性波动，2007年夏美国股市中所出现的流动性危机便是一个典型的例子(对于当时的情形，我们以后会进一步讨论，不过，这里想说的一个有趣的现象是，对于这场可以说确确实实是由量化交易投资者所造成的危机，很多普通投资者可能根本就没有听说过)。但是，造成这些危机的根本原因并不是量化交易本身，而是由于人性的贪婪和缺乏良好的风险控制所造成的，而这些问题在任何交易策略中都会出现。
为什么要了解量化交易
有的人可能会觉得，我做的是基本面分析，是做价值投资的，量化交易跟我有什么关系呢？确实，即使从没听说过量化交易，你也可能成为一名出色的投资者。但是，随着市场和技术的发展，无论是投资者，还是证券公司等中介公司，对量化交易有所了解是非常有必要的。
投资者：发现新的空间和机会
无论你采用什么投资策略，和做任何事情一样，决定成败的重要因素之一就是你所面临的竞争。记得我在1996年刚回国的时候，几乎人人都在数波浪，根本没人关心公司的基本面。像四川长虹、青岛海尔等很多上市公司，利润持续翻番，市盈率却是个位数。到上市公司进行调研，人家都不知道你是来干嘛的，开股东大会也见不到几个股东。那时候做价值投资，可以说确实是好时光，因为几乎没有竞争。
可是在今天，人人都是价值投资者，大家都在研究财务报表，人人都在进行公司调研。很显然，价值投资的竞争是大大激化了。而与此同时，量化交易可以说还处在相当初级的阶段，尽管也有一些人在进行这方面的尝试，但整体而言，规模还相当小，还有很大的进入空间。尤其是推出股指期货和融资融券之后，更是大大扩大了应用量化交易策略的空间，提供了新的可能性。可以说目前中国进行量化交易所面临的竞争还是比较小的，这就给量化交易者提供了发挥的空间。
投资者：优化当前的投资策略
当前最成功的量化交易基金――“文艺复兴(Renaissance Technologies)”的创始人詹姆斯?西蒙斯(James Simons)说过，那些从事量化交易的数学家和物理学家，最大的贡献并不在于他们所掌握的理论知识，而是他们所带来的科学精神。前面已经说过，绝大部分的量化交易策略实际上都是源于已有的策略。但是，当你必须把一项投资策略的所有方面都以量化形式来加以确定的话，你就不得不对这项策略的各个方面进行更深入的思考。
巴菲特和芒格看上去和量化交易压根扯不上边，但在某种程度上，可以说他们本身就是人肉版的量化交易机器。巴菲特一直强调，投资最重要的是要理性，不能让情绪影响你的投资决策。芒格强调要以“清单”的形式来进行投资判断。这些都是与量化交易相类似的原则。当你还没有练就巴菲特和芒格那样理性判断的功力时，了解量化交易的原则，可以有效地帮助你提高当前投资策略的合理性。
实际上，有研究显示，基于客观性标准的交易策略，整体而言，能比人工判断的交易策略创造更多的超额收益。当然这并不是说让你完全放弃主观判断，毕竟有些东西是很难量化的。但是，通过了解量化交易的策略，可以帮助你重新思考你现有投资策略的各个环节，哪些地方可以更具备客观性，减少主观判断的错误。同时，也可以让你更加明确，哪些环节是真正依赖于你的主观判断能力的。
机构投资者：降低交易成本
对于机构投资者来说，除了前面对所有投资者都适用的两个原因之外，还有一个更直接的原因――量化交易策略可以帮助机构投资者有效地降低自己的交易成本。
对于拥有大资金的机构投资者来说，自己的买单和卖单对市场造成冲击所产生的流动性成本是一项重要的交易成本。而量化交易的一个重要功能，就是通过特定的算法交易有效地减少自己的买卖委托对市场产生的冲击，以降低自己的交易成本。
据统计，2009年中国基金的平均周转率为2.9倍。假如交易成本平均降低0.1个百分点的话，就相当于多增加了0.1%?2.9=0.29%的收益率。而在基金排行榜上，这可能意味着好几位排名的差异。实际上，策略得当的话，所能降低的交易成本很可能不止0.1个百分点。
证券公司：巨大的潜在的经纪业务市场
据估计，2009年美国股票交易中73%的交易量是由“高频交易”(量化交易的一种)所贡献的。而目前中国股票市场上量化交易的比例还是非常低的，几乎可以忽略不计。
单就交易手段来讲，中国证券市场一开始就完全是电子化，非常适合进行量化自动交易。但由于中国市场上原来的交易品种比较单一，没有做空机制，而且不能进行T 0交易，从而大大减少了可选择的量化交易策略数量。
但现在市场上推出了股指期货、融资融券，极大地丰富了可选择的交易策略，给量化交易提供了广阔的发展空间。在目前竞争日趋白热化的证券经纪市场上，如果证券公司能抓住机会，针对量化交易市场提供有效的交易手段、分析工具和教育培训，将具备极大的发展空间。实际上，一些前期重点开发ETF套利业务的券商，在争夺市场份额上已经初见成效。如果考虑到各种量化交易策略所能提供的可能性，对证券公司来说，量化交易业务是极具发展潜力的。
作为证券公司的客户，量化交易投资者是非常有吸引力的。首先，这些客户通常是交易较频繁的，因此交易量也比较大；其次，这些客户往往需要融资融券，从而给证券公司创造佣金以外的收益；另外，这些客户很多会采用所谓的“市场中性(market neutral)”的策略，在牛市和熊市里，都能保持活跃的交易频率。
什么是量化交易
如果你想在一群某项专业的专家之间挑起无休无止的争论的话，一个有效的方法就是让他们对其专业中的一些最基本的概念给出定义。比如，让一群物理学家定义什么是“时间”，让一群经济学家定义什么是“钱”，你就可以看到他们整晚争论了。
所以，如果要我对“量化交易”作一个教科书般精确的定义的话，我只能放弃，因为不同的人，在不同的场合下所说的量化交易，可能指的是不一样的东西。我所能做的只是明确一下我们这里所说的量化交易指的是什么，以便能够更好地沟通和交流。
从广义上来讲，量化交易是一种利用定量的数据指标，根据事先确定的运算模型，产生买卖决策的投资决策方式。它是相对依据于主观判断的投资决策方式而言的，我这里所说的量化交易，基本上就是指这种广义上的含义。
在实际应用的时候，我们的投资决策未必是100%的量化，也未必是100%的主观。什么算量化交易，什么不算量化交易，可能会有异议。所以，一些人所说的量化交易相比另外一些人所说的量化交易，要求可能更严格一些，是专指一些定量化、自动化程度更高的投资交易方式。
不管怎么称呼，在我们讨论具体的量化交易策略之前，再进一步明确一下一些与量化交易相关的名称，应该还是有所帮助的。
量化交易与算法交易
在今天的投资界，你听到“算法交易(Algorithmic Trading，或简称Algo Trading)”的次数，可能会比听到“量化交易”的次数更多。确实，在大多数情况下，这两种称谓基本上可以替换着使用，因为目前最流行的量化交易策略，基本上都可以说属于“算法交易”的范畴。
不过，在这里，我还是认为量化交易和算法交易是有所区别的。因为算法交易通常意味着高度自动化的交易发现和交易执行，因此算法交易往往也被称为“自动交易(Automated Trading)”，或者是更形象化的“黑匣子交易(Black-box Trading)”。
而且，人们在说“算法交易”的时候，往往并不仅仅是泛指所有高度自动化的量化交易策略，而是专门指那些持有期很短、交易相当频繁的交易策略，甚至专门指那些以降低交易成本为目的的交易策略。
所以，我们这里所分析的量化交易，特意让它的范围更广一点，不仅包括了算法交易，而且也包括了自动化程度和交易频率不是那么高的其他一些交易策略。
量化交易与黑匣子交易
前面已经说过，“黑匣子交易”是人们对算法交易的一种形象化说法，所以量化交易与黑匣子交易的关系，就和量化交易与算法交易的关系差不多。不过，当人们说黑匣子交易时，更加突出的是一个“黑”字，也就是这些交易策略的神秘性。所以，像ETF套利、现期套利这样一些经典的套利策略，人们似乎觉得它们不够“黑”，一般不会称之为黑匣子。
量化交易与程序交易
单从字面上来讲，程序交易，可以指所有的高度自动化的量化交易策略，包括算法交易。在大多数情况下，人们也确实是这么用这个名称的。不过，纽约交易所对程序交易有专门的定义，指的是同时涉及15个及以上的证券、总交易额至少为100万美元的电子交易。而这类交易很大一部分都是套利，因此当人们说程序交易时，往往特指套利交易策略。
量化交易与技术分析
人们很容易把量化交易和技术分析联系在一起，确实，技术分析中会使用很多的量化指标，量化交易中也会用到一些我们常用的技术指标。而且，相当一部分的量化交易策略和技术分析一样，几乎都是依赖于对价格、成交额等交易信息的分析。不过，量化交易与技术分析还是有所区别的。
首先，一些技术分析方法很难被量化。比如，图形分析是技术分析的一个重要部分，可是，一些图形很难被量化定义，比如波浪，这些技术分析手段就无法应用在量化交易中。
其次，量化交易并不仅限于技术分析所涉及的交易信息。基本面的信息数据，如收入、利润、购并等公司基本面信息，以及利率、通胀等宏观基本面信息，都可能被量化交易策略所参考。
因此，量化交易和技术分析的关系可概括为：二者既有相互重叠的地方，也有相互独立的地方。
量化交易的常见应用
在上期专栏中我们已经讲过，从基本类型看，量化交易的策略可以分为“理论指导型”和“数据挖掘型”，理论指导型又可以进一步分为从基本面或是从技术面出发的“趋势型”和“回归型”。不过，这种划分方法，更多的是从理论角度帮助我们更好地理解量化交易的基本思路，而在实际应用中，针对不同的产品、不同的时间周期，可以有不同的应用。接下来，我想从具体操作的角度讨论一下几种常见的量化交易方式。
和前面一样，我这里所说的交易方式不可能涵盖全部，由于量化交易策略一直以来具有神秘性，交易者一般都不愿过多讨论自己的操作方式，对于具体交易方式的种类和特点，也缺乏普遍认同的共识。我这里所做的，是以我的了解，大致按照量化交易发展的历史轨迹，介绍一下在几个不同的时期里，主要的量化交易的应用方式。
如果要追溯历史的话，套利交易也许可以说是量化交易的鼻祖。而套利的历史，也许可以说是从有交易开始，就有了套利。
对于套利的概念，相信大多数人并不陌生。从定义上讲，套利就是利用同一商品在时间或空间上的差价来赚取利润，也就是计划经济时代被贬斥的“投机倒把”。从这个意义讲，所有的商业贸易，可以说都是套利的过程，现在的网上代购就是一种典型的套利交易。如果你能确认一定能以你所期望的买入价和卖出价成交的话，这种套利交易可以说是没有风险的。从最初的意思讲，套利就是指这种没有风险或者风险很小的、收益确定的交易。
在金融市场上，最初的套利交易和商品市场上的套利交易有其相似之处，主要是利用空间上的价差，比如黄金或者某种债券，在不同市场上的交易价格存在差异，就有套利的机会。据说早年在中国股市中扬名的杨百万就是凭借国库券在不同地区市场上的套利而赚得第一桶金的。
可是，随着金融市场的发展，信息渠道越来越通畅，市场流动性越来越好，像早期的这种简单的套利方式，机会越来越少。不过，市场发展的同时也促进了金融衍生品的发展，这又给套利交易带来了新的机会。其中，指数期货和指数基金的发展是最主要的金融套利机会。
ETF指数基金已经在中国市场上存在多年，指数期货也在不久前推出，相信大家对ETF套利和现期套利的概念并不陌生。需要指出的是，尽管前面我们的定义中说套利是针对同一种商品进行的，但实际上，真正重要的不是商品的同一性，而是可替换性。由于ETF可以用实际股票来进行申购赎回，而指数期货最终必须以实际指数值来进行现金交割，因此，ETF的价格和所持有的股票价格之间，指数期货和指数实盘之间，就存在必然的回归机制。这样，只要你在进行套利交易时，ETF和一揽子股票之间、指数期货和实盘之间确实存在有利的差价，你的利润就是确定的。因此，这种套利可以说几乎是没有风险的。
我说“几乎”没有风险，是因为任何一个进行过套利交易的人都知道，真正的绝对无风险是不存在的。尽管经典套利从理论上讲是无风险的，但一旦实际操作起来，有两种风险是无法避免的――一个是“滑动成本”，另一个是“冲击成本”。
所谓的“滑动成本”，指的是从我们对市场进行观察到实际执行交易这段时间里，市场价格向不利于我们的方向变动所产生的成本。而“冲击成本”指的是我们自己的交易对市场价格所产生的不利影响而产生的交易成本。与交易佣金成本不同，“滑动成本”和“冲击成本”是动态的，无法事先确定，这就使得任何一种交易中，都不可避免地存在一定的风险。
但不管怎么样，这些套利对象之间的价格回归还是确定的，这就大大降低了整体的风险程度。而另一些证券，比如同一家上市公司的A股、B股和H股，从某种意义上讲可以说是同一种商品，但由于到目前为止它们之间还没有可相互替换的机制，也就不存在无风险的套利
但是，我说不存在无风险套利机会，不代表就是没有获利的机会，正如后面我们要讲到的那样，同时买入和卖出一些并不能相互替换但相互有关联的证券，是一种重要的量化交易类别。由于这种交易方式涉及到同时买入被认为相对高估和卖出被认为相对低估的证券，所以也被称为套利。但这些被买入和卖出的证券价格之间并没有必然的回归机制，所以这种套利是有风险的。正是为了有别于这些通常被称为“统计套利”的交易方式，我把ETF套利和现期套利这些无风险套利称为经典套利。
虽然说经典套利从策略方式上讲，还相当简单，远没有统计套利那么复杂，但我们从中已经可以看到现代量化交易操作的两大要点，或者说是最重要的竞争点――算法和速度。
要判断是否存在套利的机会，你需要通过一系列的计算，了解套利对象是否存在有利可图的差价，这就是“算法”。虽然经典套利的算法可能仅仅是各种股票价格之间的加权总和，但相比最原始的套利交易只需比较一两个价格，就已经复杂得多。而且，随着竞争的加剧，即使是经典套利的算法也变得越来越复杂。因为简单的无风险套利的机会越来越少，获利空间也越来越小，如果还想成功地进行套利的话，就必须对滑动成本和冲击成本这些风险因素的预测估计做得更精细、更准确。比如，在ETF套利中，你可能需要一套算法预测股票的滑动成本和冲击成本，以优化你交易执行的紧迫性和价格。实际上，当这些算法足够复杂时，已经很难划分无风险的经典套利和有风险的统计套利之间的区别了。
发现套利机会之后，要成功地付诸实施，还必须能及时地以这些有利可图的价格成交，这就要求有“速度”。任何做过EFT套利或者现期套利的人都知道，由于套利者的参与，套利机会往往稍纵即逝，因此，速度――套利交易的发现速度、套利交易的执行速度，就变得至关重要，尤其是对指数套利这种算法明确的量化交易策略来说，速度更是成为决定成败的关键因素。
正是由于“算法”与“速度”这两大因素，使得量化交易与电脑密切地联系在一起。尽管我们前面已经讲过，从理论上讲，只要是依赖于量化指标进行决策，就是量化交易，并不一定要利用电脑。但是，随着量化交易的算法越来越复杂，对速度的要求越来越高，对电脑的依赖度也越来越高。实际上，国外的许多量化交易机构，对IT设备和技术的投资是相当主要的一笔投资开销，他们要购买速度最快的电脑，把自己的服务器搬到离交易主机最近的机房，就是为了取得千分之一秒的时间优势。
虽然说历史悠久的经典套利早就包含了量化投资的理念，但数理统计技术大规模地在金融投资领域中应用，可以说是从期权定价研究开始的。今天，很多人都知道Black-Scholes模型，很多网站上都会有基于这一模型的计算期权理论价值的计算器。虽然说这一模型是以Fischer Black和Myron Scholes这两个人的名字来命名的，因为他们在1973年的一篇文章中系统地阐述了根据股票价格的波动性来计算其期权价值的数学模型，但今天很多人认为，早在上世纪初，意大利数学家Vinzenz Bronzin和法国数学家Louis Bachelier就提出了类似的模型，而美国加州大学数学家Edward O. Thorp则是在上世纪60年代根据类似的数学模型进行实际的期权交易，并取得了不俗的业绩。
法国数学家Louis Bachelier可以说是运用高等数学工具来研究金融市场的第一人，他所发展起来的随机模型，在今天的量化交易模型中被广泛地应用。而Edward O. Thorp则可以说是现代对冲基金的教父，很多人认为他是现代量化交易基金、市场中性基金的开山鼻祖。在畅销书《Fortune’s Formula》(财富公式)中，对他的故事有很多有趣的描述。
我们知道，期权的价值由所谓的“内在价值”和“时间价值”两部分组成，内在价值指的是在当前市场价情况下期权的价值，而时间价值则是指标的证券价格未来可能向有利于我们的方向发展而带来的价值。期权的内在价值是确定的、可观察得到的，因此，期权定价中的交易机会就在于对时间价值的估计，谁能更准确地对时间价值进行定价，谁就具有巨大的获利机会。
如果我们假定期权的标的证券的价格变化方向是随机的，也就是说，既可能涨，也可能跌，我们就可以认为，其价格的波动性决定了期权在一定时间段的时间价值。这里我们可以看到一个重要的词“随机”。对于这一点，很多人，包括巴菲特在内，可能并不赞同。但即使是巴菲特也承认，在短期内，证券价格的变化确实有很大的随机性。因此，期权定价中的量化交易策略者试图以各种量化统计的模型来模拟标的证券价格在未来一定时间段里的波动性特征。而Black-Schole模型便是假定证券价格的波动性呈正态分布，然后用该证券的历史价格变化情况计算出其正态分布的特征参数，并用这些参数来计算期权的价值。
在早期的期权定价交易中，这些量化的定价模型并没有被广泛应用，大家在进行期权交易时基本上都是凭感觉。这样，像Edward O. Thorp这样的量化交易者就可以利用他们所建立起来的量化模型取得显著的优势，获取丰厚的利润。但就像任何套利机会会随着参与者的增加而逐渐消失一样，随着期权定价模型被越来越多的人所了解和应用，运用这种定价模型的优势也逐渐消失了。
今天，包括证券公司、银行以及保险公司在内的许多金融机构都雇用了大量的量化分析师，而这些分析师中的相当一部分人就是专门研究期权定价的，利用他们的定价模型，这些机构不仅为自己所持有的仓位进行对冲避险交易，而且在此基础上开发了大量的期权衍生品，卖给其他的金融机构、交易者。
但这并不意味着期权交易中的量化交易机会的丧失，相反，期权定价模型的广泛应用为量化交易者创造了新的获利机会。只不过，如果说早期的量化交易者是通过这些定价模型的优势来获利的话，今天的量化交易者则是更多地利用这些定价模型的缺陷来获利。
我们前面已经说过，期权定价的基本思路就是试图量化模拟价格的波动性特征。但是任何模拟都不可能完全准确，如果所采用的模型存在系统性的偏差，也就是说这种偏差是可预测、持续性地存在的话，就会有机会利用这种偏差获利。
畅销书《The Black Swan》(黑天鹅)的作者Nassim Nicholas Taleb，作为一名期权交易者，他认为当前广泛采用的期权定价模型低估了极端情况出现的概率。比如，包括Black-Schole在内的很多模型都是假定价格波动性的概率呈现正态分布的特征，但实际情况却具有“胖尾”的特征，也就是说，极端化大幅波动出现的次数实际上要大大超过正态分布所预测的频率。当大家都根据这样的定价模型来交易期权的时候，就可能系统性地低估期权的价值，这时候你买入这些被低估的期权，就可能取得不错的收益。（摘自CTA基金网、投资理财 胡海）
量化易声明：量化易登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。文章内容仅供参考，不构成
投资建议。投资者据此操作，风险自担。
仅回复不作评价
交易信号和策略提供者过去的表现对于未来结果不具有指引，我们不能保证任何账户的盈利或亏损。
我们无法保证运行策略会得到预期的结果，由于成功的交易依赖于很多因素，并不只局限于某一种交易方法或某一种交易理论，本网站对于策略是否适合或是否盈利不做任何表述。
用户在进行交易前，请向专业人士咨询并了解交易所存在的风险性。本网站所提供的策略是针对能够充分理解交易的本质及其风险范围的成熟交易者所开发的。用户应对在交易过程中的所有交易行为负责。量化交易中所谓「回测易，实盘难」的问题怎么解释？
我的图书馆
量化交易中所谓「回测易，实盘难」的问题怎么解释？
【何波的回答(26票)】:不同风格的策略对于回测的要求是不同的，比如对于多因子选股或者趋势策略等，需要注意的几点是：1. 区分好样本内数据和样本外数据，这个和机器学习很类似，样本内数据用于训练，样本外数据用于校验。这样做的目的是为了避免过拟合陷阱。2. 收益的分布，看看你回测后所有交易的收益分布，看看你的收益来源是少数的几次大的收益还是来源多次的小的收益。来源于大的收益，你的收益波动性就很大，实盘往往会达不到你的效果。3. 参数的稳定性。如果你某个参数过敏感，随便调整下就对收益影响很大，那你实盘的情况和模拟盘也有很大可能会有出入。这类策略严格来说，避免了一些常见的坑，还是比较容易做到回测和实盘类似的。对于高频交易来说，回测和实盘的差距就更大了，需要注意的点就更多了，简单列出几个吧：1. 数据的精度，基本来说，这类策略需要是全部行情严格按照时间戳来回放，分钟级别的都太粗糙了。2. 滑点问题，实盘很难避免滑点，你要估计出一个滑点的数字，在回测里扣除。3. 行情的延迟问题，在回测里行情是没有延迟的，而在实盘行情必然有延迟，这部分也会对收益有很大影响。4. 成交问题，有些策略，比如被动做市商策略，你需要自己模拟订单的撮合成交情况，这部分和实盘往往有很大差距，你需要尽可能的去近似。而你采用交易所提供的模拟撮合环境的话，基本上是不可信的。5. 在实盘因为延迟的缘故，你还会遇到反向选择的问题，你也需要去评估实盘和回测这方面的差距。总之，在高频交易策略中，实盘能达到回测60%的效果，就是回测做的很成功的了。【尼奥的回答(6票)】:刻舟求剑【知乎用户的回答(4票)】:over-fitting还有成交难回测【知乎用户的回答(1票)】:问题一是在心理层面，二是在不可预知的坏事件大概率发生。【袁梓谦的回答(0票)】:未来函数一般自己都会有意的避开。过度拟合虽然也存在，但是回测容易实盘困难主要针对的是实盘操作的行情不确定性。行情走出来之后无论怎样都是确定的了，类似的黄金这种走势，走出来之后大家都会分析，走出来之前怎么应对？当天怎么应对？【任逍遥的回答(0票)】:这个涉及到量化系统的时效性。一套量化系统可能会满足过去几年的市场风格。然而市场风格时时在切换，一套在以前行之有效的系统，未必在未来可以继续赚钱。【丹大舅的回答(0票)】:一般情况下回测的周期远大于实盘的周期，实盘曲线只是回测曲线的一段，所以在收益率表现上会有区别当然，成交、滑点等也是主要因素之一，需区别不同策略类型【slevinlee的回答(0票)】:回测易~是因为你都已经知道事情的结果从果去推因只要你能自圆其说就能成~好比一个人已经成为了成功人士~你可以说他成功的原因是他勤奋善良乐于助人广积阴德好比你当了皇帝再出版个四书五经、毛泽东思想等等你再找一个勤奋善良乐于助人广积阴德的因~却不一定能得到一个同样的果好比你精通四书五经、毛泽东思想却当不了皇帝其实这就是军队演习跟实战有啥区别的问题这种问题实在问的太多了~都不知道从哪里说起了远的咱就不扯了~我就总结一下回测与实战发生差别的各种原因吧1、回测模拟的误差1）回测中有意无意的未来函数（有意的叫骗子，无意的叫傻子）2）交易成本估计误差~实盘有滑点~而回测对滑点可能估计不足3）实盘主力合约换月时升贴水与理论回测所使用的连续合约数据发生差异（这个误差比一般人想象的要大，不然就不会有跨期套利了）2、实盘执行的误差1）停电、死机、掉线、延迟等不可抗拒性因素2）连续涨跌停板、主力合约交易标的停牌等回测时没估计到的意外事件（10年一遇的黄金跌停）3）人为手动干预（资金曲线半年多无法新高无法忍受停掉策略、或者一笔浮盈太多忍不住止盈）3、历史没法重演~理论统计的误差~技术含量最高的误差~前面两种误差都有办法控制在一定范围内而这类就只能跟着感觉走了~样本内样本外测试？减少参数个数防止过度拟合？参数敏感性测试？参数自适应？呵呵...牛市的规律到熊市就不适用了~而道指100年的数据回测出来的策略也可能在101年失效（或者说你抗不过去）历史重演只是假设~没有规律是静止不变的打战时你用骑兵~我就用机关枪你用机关枪我就打阵地战挖战壕你挖战壕我就用坦克~...很多事物都是不断发展变化的~兵法、哲学、自然科学都是如此策略失效很正常~这本身就是个客观规律~如何排除这种误差那就是客观量化投资中的主观艺术部分了【韩开开的回答(0票)】:原来这么多聪明人已经在干了很多年了，闭门造车真是太傻了。【知乎用户的回答(0票)】:曾记否某大师拿着七八个品种拼接后的20年期数据给模型跑，活生生把高利润模型跑废了。就一点，你的模型再牛，震荡+趋势总有办法玩残它。品种那么多，交叉比率满街跑，总有一款适合你。【EdwinXia的回答(0票)】:抛砖引玉一下。。。这不是市场有效性的问题吗？【大路的回答(0票)】:觉的很多人都没有说到点子上，过去是对赢的欲望，实盘是对输的恐惧。
馆藏&68411
TA的推荐TA的最新馆藏
喜欢该文的人也喜欢