量化投资和策略历史回溯

量化策略是一套完整的交易算法规则，详细定义了买卖的触发条件和仓位管理，包括：什么条件发生时，买什么，买多少？什么条件发生时，卖什么，卖多少？

#01什么是策略回溯(backtesting)

量化投资，最有名的当属1988年在美国成立的大奖章基金，随后11年的平均年化收益高达67.5%，扣除44%的收益分成和5%的管理费后，给投资人的平均年回报率高达35%，把巴菲特和索罗斯甩出10条街，被称为华尔街的印钞机。

策略回溯就是用试错方法来对历史数据进行测试。量化研究主要是用历史数据进行回溯研究，所有的策略收益等统计指标代表历史，未来则需要持续的跟踪与研究、新纳入的数据，对策略进行持续的跟踪验证与优化。如果想在量化这条路上走的更远，这个周而复始的研究过程是必须的。

#02策略历史回溯检验的目的

策略历史回溯检验的目的是提供历史数据证据，剔除偏差，证明策略的盈利预期。剔除偏差包括剔除：

· 先窥偏差（Look-Ahead Bias）

· 幸存者偏差（biais par survie）

· 数据透视偏差（Data-Snooping Bias）。

先窥偏差

先窥偏差是误将当时之后的数据作为了当时数据，比如在年报公布前使用年报后的市盈率，在收盘前使用收盘价。将未知当做已知，会使回测收益率偏高。

幸存者偏差

幸存者偏差是误排除了目前已被退市或因其它原因消失的品种。将已淘汰的品种排除掉，只留下幸存者，也会使回测收益率偏好。它与先窥偏差的错误其实是一样的，都是错误了使用了未来的数据，只不过先窥偏差是主观上存在的偏差，幸存者偏差是客观上存在的偏差。

数据透视偏差

数据透视偏差，它还有个名字叫做优化偏差（Optimisation Bias），类似于机器学习算法中的“过拟合”(Overfit)，主要是指过度优化模型参数（也包括其它令参数失效的因素）。

要避免这个错误，参数不要太多，优化参数时需要样本足够多，并进行样本外测评和敏感性分析，优化的理由最好经济学上的道理、或者源于透彻研究过的市场现象，而不是根据一些试错法则，从而使参数可以覆盖过去以及未来更广泛的数据。

#03亿启智能量化系统

亿启智能量化系统将通过市场情况制定策略，而相关策略将在每天自动的按照新纳入的数据进行回溯计算，并更正策略回溯报告。这样可能会导致策略回溯计算后，前后策略发生了变化。新纳入的数据不仅仅增加了“新的数据”，还有可能对“旧的”、“脏的”股票历史行情数据进行复权数据调整、财报数据调整、高频数据数据补全等等。

亿启智能量化系统使用高级数学模型而不是人类的主观判断，使用计算机技术选择可以从大量历史数据中带来超额收益的各种类型的"高点"。"概率"事件用于制定策略，从而极大地减少了投资者情绪波动的影响，并避免在市场极为疯狂或悲观时做出不合理的投资决策。

—-

编译者/作者：亿启量化

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。