回测好，为什么实盘不靠谱？

最新推荐文章于 2024-08-05 22:45:05 发布

Fens

最新推荐文章于 2024-08-05 22:45:05 发布

阅读量1.8k

点赞数

CC 4.0 BY-SA版权

文章标签： r语言 java 数据结构与算法

本文链接：https://blog.youkuaiyun.com/fens/article/details/84634537

用IT技术玩金融系列文章，将介绍如何使用IT技术，处理金融大数据。在互联网混迹多年，已经熟练掌握一些IT技术。单纯地在互联网做开发，总觉得使劲的方式不对。要想靠技术养活自己，就要把技术变现。通过“跨界”可以寻找新的机会，创造技术的壁垒。

金融是离钱最近的市场，也是变现的好渠道！今天就开始踏上“用IT技术玩金融”之旅！

关于作者：

张丹(Conan), 程序员R,Nodejs,Java
weibo：@Conan_Z
blog: http://blog.fens.me
email: bsspirit@gmail.com

转载请注明出处：
http://blog.fens.me/finance-backtest

前言

经常看到做量化的朋友，晒出各种漂亮的回测曲线，准备一夜发家，但开始真金白银地去交易时，就会亏得一塌糊涂。

回测好，为什么实盘不靠谱？这里其实有很多的坑，不用钱买点教训，你是不会明白的。有经验的量化交易员，都是用钱磨炼出来。把你的回测慢慢贴近实盘，让回测结果越来越可靠。

本文为量子金服约稿文章。

实例复盘
问题在哪？
量化理论和模型

1. 实例复盘

回测好，真的是因为策略好吗？

我们举个例子，你可能用到某个回测工具或平台，顺手复制了一个demo的代码，一点运行，就能跑出10%的收益率。接下来，你花了一个晚上彻夜研究，把参数用机器学习的方法来优化，黎明时，终于把收益率提高到了40%。虽然一夜没睡，但心里却是无限地兴奋，觉得多年所学的IT技术终于可以实现赚钱的理想了，金融市场不过如此。明天就先把1个月工资赚出来，下个月就辞职，再也不用看S*领导的脸色，真是浪费生命了。

有过上面经历的同学，我想不在少数吧。第二天，就把打工2年多辛辛苦苦攒到的10万块投到了股市中。谁想股市风云变幻，不仅市场不仅没按照模型的方向走，而且又赶上严监管、去杠杆、大股东减持等等一系列的样本外事件发生，2个月后不仅没有赚到当初设想的钱，甚至亏损到了20%，感情上已经受不了，拒绝了之前定下的止损的规则，又经历了几周的连续下跌，最后亏损到达50%。

每天心都在滴血，连续3个月都是吃不好、睡不好，最后一咬牙全部割肉了。开始全盘怀疑自己，自信心被打击到了负值，封账号，再也不碰股市了。

2. 问题在哪？

那么，为什么回测好的策略实盘就不这么不靠谱呢？可能有以下几点原因。

2.1 算错了

当你的回测出现有显著的盈利时，最大的可能是你算错了。比如，在计算时写错了正负号、不应该用年化的时候用了年化的值，没有严格区别复权数据与非复权数据的区别、交易的周期没对齐、无风险收益率取值过小、四舍五入时保留位数过少、使用向理计算时出现的问题、NA值没有处理、使用了来自互联网的未经验证的数据等等。

总之各种的细节，都会让你的回测出错，而且如果你不理解每个指标的金融含义，你甚至都不知道自己错了。

2.2 未来函数

如果每个计算细节你都了解了，回测结果依然非常好，还是先别激动，检查一下是不是用到未来的函数。
使用到未来函数也是很常见的一个问题，而且通常都是不知不觉的。比如，我们会经常听到股评分析师说：“在牛市开始时建仓买入，在到达最高点时卖出”，这其实就是用到了未来函数。在实际的交易过程中，我怎么会知道，什么时候是牛市的开始，又怎么会知道最高点是3600点还是5700点？如果我真的知道了，我还做什么量化交易，早就环游世界去了。

我们很多时候会都用已经知道的市场信息做回测，但实际交易时，你并不知道市场是什么样子的，会向什么方向变。比如，我们现在来看2017年上半年招商银行涨的很好，那么我就针对银行股开始做回测，而且给招商银行加大权重。在一切数据都算对的情况下，回测的资金曲线相当的漂亮，半年获得了30%以上的收益率，而且最大回撤控制在3%以内，夏普、詹森Alpha也都很不错，这些指标都表示了我的主动管理能力很强，我是个牛逼的基金经理。

真的是这样吗？你在不经意用到了未来函数，才使得你发现了招商银行，然后再对银行股做了回测，获得了较好的资金曲线。所以，这不是能力，也不是运气，是犯规了。

2.3 过拟合

从IT程序员转到金融的量化分析师们，在很多情况下都会用纯IT的方法，来解决金融建模的问题。比如，做了5年推荐系统的推荐算法专家，非常擅长用机器学习的方法，来找到数据之间的关系。于是就以纯数据的方式来切入，脱离金融的投资学理论，导致了数据的过度使用。通过历史数据试图预测未来，而且找到一条完美的投资曲线，穿过所有的样本点，最后将导致过拟合。

从IT转行到金融的朋友，通常有个特点，就是动手能力强，数据来就先丢到模型里，才不管到结果底能不能解释，反正我的回测曲线很漂亮。特别是深度学习，增强学习等方法的崛起，让程序员群体一下子高大上起来，通过一种算法，升维升维再升维，就能通吃所有的单一分类算法模型。这样的结果就是过拟合。回测曲线必然是非常漂亮的，但到实际环境一运行，就只能用惨不忍睹来形容了。

2.4 策略周期

从投资的角度，每种策略都有自己适应的场景。在合适的场景下，选到了适合的资产，那么你的策略会表现的非常棒。但是实际的金融市场是轮动的，资产配置随大的金融周期轮动，股票市场随着行业板块轮动。有可能你在回测的时候选对了风口，赶上了趋势，而实盘时候错过风口或者选错了金融资产，那么就会事与愿违了。

比如，你的策略就是研究债券的，从2016上半年到2017年上半年，选出了鹏华全球高收益债(000290)这支QDII基金，比国内的大部分债基表现都抢眼，走势非常稳定，持续上升，你坚定的买进加仓。但是不凑巧的是，你刚买入完，人民币就进入到了升值的区间，虽然债券本身是很稳定的，但人民币持续走强，由于汇率的影响让这支债基天天亏钱。如果你又懂债券又懂外汇，这个点没想到是能力问题。如果你完全不懂外汇，单从债券的角度考虑，那么就不是能力问题，也不是模型不行，而是运气太差，没把握到轮动的周期。

2.5 真实交易环境

真实的交易，是会被各种情况所影响的。当你的交易量过大时，你会影响市场，这时你的交易就会发生偏离，实际市场交易的冲击成本会比你回测时看到的成交量大得多，而且冲击成本又是很难被模拟和计算的。

当你购买流动性不好的金融产品时，模型的信号出来了，但是实际你却买不到，或者卖不出去，当你被迫用对手价来成交时，就会有比较大的滑点。滑点对于高频交易来说是致命的，对于长周期的趋势交易策略，倒是影响不大。

手续费也是一个不容小觑的因素，2017年7月开始黑色系商品期货被猛炒，焦炭、焦煤的平今手续费上调至3倍，铁矿石平今手续费上调到2倍。这种政策性的调整，在研发模型时是不可预知的，平今手续费的上调，直接就拍死了日内模型。2015年调整的股指期货的40倍手续费，几乎把所有的投机的模型都干掉了。