算法交易 1-回测

Posted on Edited on

Ernie Chan《算法交易：制胜策略与原理》第一章读书笔记。

第一章：回测系统的陷阱与统计学应用

一、 回测的核心目的与常见缺陷

回测系统的终极目标是预测未来交易策略的绩效，但过程中潜藏的诸多陷阱会严重削弱其预测能力。常见的缺陷及实战清除策略如下：

  1. 前视偏差
    • 原理：使用了回测当时根本无法获取的未来数据。
    • 实战修复：回测生成信号与执行交易的代码逻辑必须完全一致。通常采用“T日收盘生成信号，T+1日开盘执行交易”的严格时序。
  2. 数据探测偏差
    • 原理：在大量历史数据中反复测试不同参数，碰巧找到一段表现极佳的参数组合（过度拟合）。
    • 实战修复：
      • 样本外测试（OOS）与交叉验证：将数据分为训练集（如2010-2018）和测试集（如2019-2023），仅在训练集调参。
      • 模型简化原则：参数越少越好，拒绝过度复杂的拟合曲线。
      • Deflated Sharpe Ratio（ deflate 夏普比率）：根据尝试的参数组合数量对夏普比率进行惩罚。
  3. 数据质量缺陷（生存者偏差与公司行动）
    • 案例：“为什么2021年7月9日会生成做空THQI的信号？哦，因为忘了按1:10的比例调整历史复权价格。”
    • 实战修复：必须使用后复权价格计算收益率；必须在回测引擎中引入退市、并购、ST特别处理等状态标记，剔除当前已退市的股票会导致回测收益虚高（生存者偏差）。
  4. 流动性约束与微观结构缺陷
    • 案例：“回测用收盘价效果很好，但实盘用真实市场数据却大幅缩水。”
    • 实战修复：回测必须考虑滑点和交易佣金。对于容量有限的策略（如小盘股），需设置单笔交易量不超过该标的日均成交量的X%（如5%）的阈值限制。
  5. 制度性与规则性限制
    • 案例：“模型在2008年11月做空很多股票表现很好，但当时美国SEC禁止裸卖空。”或“高频交易忽视了涨跌停板限制。”
    • 实战修复：回测引擎必须内置历史交易规则变更（如限制做空名单、涨跌停板限制、T+1制度）。

二、 回测系统的统计学假设检验

仅仅依靠高夏普比率不能证明策略有效，必须通过统计学假设检验（零假设：策略收益率为0）。

  1. 夏普比率的T检验
    • 公式：$T = \frac{Mean(R)}{Std(R)} \times \sqrt{N}$ （其中N为交易次数/样本数）
    • 实战阈值：通常要求 $T > 2$（对应95%置信水平），即策略的收益并非随机产生。但若收益率序列存在自相关，需使用Newey-West调整后的标准差，否则会高估夏普比率。
  2. 蒙特卡洛模拟与P值检验
    • 场景：策略年化收益10%，如何证明这不是碰运气？
    • 方法一（随机入场法）：保持交易次数和持仓时间不变，但随机改变入场时间，生成10,000次模拟。如果其中只有100次模拟的年化收益大于10%，则P值 = 100/10000 = 1%。
    • 方法二（价格序列重采样法）：对历史价格进行打乱重排，运行策略10,000次。
    • 实战判断：P值必须 < 0.05（甚至<0.01），才能拒绝零假设，证明策略具备真正的Alpha。