量化交易 XtradingTime

别人递给你一套策略时,先问这五个问题:夏普比率大于5基本就是过拟合

别人递给你一套策略时,先问这五个问题:夏普比率大于5基本就是过拟合
本文目录(8 节)

面对越来越多的AI交易架构、量化带单、策略产品,你大概率会在某个时刻收到一份漂亮的成绩单:一条陡峭上扬的资金曲线,几个亮眼的百分比数字。这篇给你一份可以直接照着问的尽调清单,五条硬标准,帮你在十分钟之内判断这份成绩单值不值得认真对待,而不需要你自己懂任何量化知识。


引子:一份好看的成绩单,值多少信任

漂亮的资金曲线截图与背后可能隐藏的问题对比

这两年,各种打着”AI交易架构""智能策略""量化带单”旗号的东西越来越多。推销的方式也越来越标准化:一张陡峭上扬的资金曲线截图,几个漂亮的百分比,年化收益率、胜率、夏普比率,看上去专业又有说服力。

大多数人面对这样一份成绩单,判断方式是凭感觉:曲线好不好看,数字大不大,语气自不自信。这种判断方式几乎没有任何防御力,因为一条漂亮的曲线,太容易被制造出来了。

随便挑一个已经归零的山寨币,倒着回测一遍,曲线一样能画得很漂亮。这不是夸张的说法,是量化圈里一个公开的笑话:只要给足够的自由度去挑选参数、挑选标的、挑选时间窗口,任何一套规则都能在历史数据里”回测”出一条完美的曲线,这和这套规则未来能不能赚钱,是两件完全不同的事。

这篇文章要给你的,不是怎么自己做量化策略(如果你对量化本身感兴趣,量化交易入门那篇是更合适的起点),而是当别人把一份成绩单递到你面前时,怎么在不需要懂任何量化知识的前提下,快速判断这份成绩单的可信度。 五条硬标准,照着问就行。


1

第一条:要长期实盘曲线,不要短期妖币战绩

长期实盘曲线经历完整回撤周期与短期妖币战绩的对比

第一件要确认的事:这条曲线,有没有经历过一次真正意义上的最大回撤。

一条只展示了几个月、甚至只展示了一轮牛市行情的曲线,什么都说明不了。任何策略,只要恰好赶上一段单边上涨的行情,几乎都能做出好看的数字,这不是策略的功劳,是行情的功劳。

真正值得关注的信号,是这条曲线有没有完整地经历过至少一轮熊市或者大级别的极端行情,有没有出现过真实的、让人肉疼的回撤,以及回撤之后,账户是怎么恢复的。没有经历过max drawdown的曲线,什么都不能说明,因为你根本不知道这套策略在真正的压力测试下会变成什么样子。

具体怎么问:直接问对方要完整的历史资金曲线,尤其是要覆盖至少一次明显的市场下跌周期的那一段。如果对方只愿意给你看某个特定区间的截图,或者对”能不能看看回撤最深的那段时间”这个问题顾左右而言他,这本身就是一个需要警惕的信号。


2

第二条:夏普比率大于5,基本可以确定是过拟合

夏普比率数值区间与对应的可信度评估示意

夏普比率是量化圈里最常被拿出来炫耀的一个数字,它衡量的是承担单位风险能换来多少超额回报,数字越高,代表风险调整后的收益表现越好。

但这个数字有一条经验性的天花板,超过这条线,可信度就要急剧打折扣了。给你一个可以直接记住的基准:如果对方给出的夏普比率大于5,基本可以确定存在过拟合、前视偏差(look-ahead bias),或者数据泄漏这三种问题之一。

为什么可以这么笃定?给你一个参照系:文艺复兴科技的大奖章基金,也就是量化圈公认的历史最强纪录保持者,常年的夏普比率也就在2到3之间。一个成熟的机构团队,用海量数据和顶尖人才跑出来的顶级成绩,长期也就是2到3,一个人在家里跑出一个7、一个8,自己心里要有数。

出现虚高夏普比率的常见原因有三种,简单解释一下方便你理解为什么这个数字不能轻信:一是过拟合,参数被反复调整到刚好完美匹配历史数据,但换一段新数据立刻失效;二是前视偏差,回测代码里不小心用到了当时还不存在的未来信息,导致回测结果虚高;三是数据泄漏,训练数据和测试数据之间存在重叠或者关联,导致模型看起来”预测”很准,实际只是在背答案。

具体怎么问:看到夏普比率这个数字,直接问一句”这个数字是多长时间的样本算出来的,有没有分年度拆开看过”。一个真实的策略,逐年的夏普比率会有起伏,不可能每年都保持在虚高的水平上,如果对方只给一个笼统的总体数字,不愿意拆开年份看,警惕。


3

第三条:看交易标的的集中度

单一标的实盘曲线与多标的组合曲线在归因清晰度上的差异

第三条容易被忽略,但很有说服力:这份成绩单背后,交易的是一个标的,还是很多个标的。

一个只交易单一标的、长期跑出稳定曲线的账户,说服力要远高于一个同时交易几十个标的、东拼西凑出一条好看曲线的账户。原因在于归因的清晰度:如果账户只交易一个标的,跑出来的资金曲线反映的就是最纯粹的、这一个人和这一个标的长期缠斗的结果,没有办法用”换了个赛道刚好运气好""某个标的暴涨带飞了整体表现”这类理由来解释,曲线好就是好,不好也无从掩饰。

而同时交易几十个标的的账户,很容易出现一种情况:整体曲线好看,是因为其中一两个标的贡献了绝大部分的收益,其余大部分标的实际是亏损或者持平的。这种情况下,你看到的那条曲线,反映的不是这套方法论本身的普遍有效性,只是踩中了一两次运气而已。

具体怎么问:直接问”过去这几年,交易量最集中的前三个标的分别占比多少”。如果对方支支吾吾说不清楚,或者交易标的极度分散到几十上百个,且没人能说清楚哪个标的贡献了多少,这份曲线的归因价值就要大打折扣。

这一条还有一个延伸问题值得追问:这套策略如果真的长期有效,会不会因为被越来越多人知道而失效。策略完全公开之后会不会失效那篇讨论过这个问题,结论是不一定,但前提是这套策略赖以成立的市场结构没有被根本性改变。如果对方推销的理由里包含”这是独家秘密,说出去就不灵了”这种说辞,反而更值得警惕,一个经得起长期验证的方法论,通常不会脆弱到一提就碎。


4

第四条:看资金进出记录是否干净

充值提币记录混入资金曲线导致回撤和收益计算失真的示意

这一条是最容易被忽略、但最容易造成误导的一条:账户的资金进出记录,是不是干净的。

一个真实、可信的长期实盘账户,理想状态应该是长期没有充值、没有提现,账户资金曲线的每一次波动,都完全是交易盈亏造成的,不掺杂任何外部资金的流入流出。这样的曲线,噪音最低,回撤和收益的计算也最准确。

问题出在哪里?很多人晒出来的曲线,其实混着提币和入金的记录,却没有做任何特殊标注。假设某个月账户提走了一大笔钱,曲线上会呈现出一次断崖式的下跌,如果不知道这是提币而不是亏损,你会误判这是一次巨大的回撤;反过来,如果某次入金恰好发生在低点,曲线会呈现出一次异常陡峭的上涨,你会误判这是一次精彩的交易表现。充提记录一旦和交易盈亏混在一起,回撤和收益都会被算错,而且往往是被算得比真实情况更好看,不是更差。

具体怎么问:直接问”这个账户有没有中途充值或者提现过,如果有,是怎么在曲线里做剔除处理的”。一个诚实的、真正在乎这份数据可信度的人,应该能清楚地回答这个问题,甚至主动提前说明。如果对方从没想过这个问题,或者干脆回避,这份曲线的准确性就要打一个问号。


5

第五条:最大回撤是自己量出来的,还是平台给的

平台自动统计的最大回撤数据与手动计算的累计收益曲线回撤对比

最后一条,和最大回撤这个数字本身的可靠性有关:这个最大回撤数字,是平台自动给出的,还是对方自己用累计收益曲线手动量出来的。

很多交易平台自带的最大回撤统计功能,存在两个问题:一是可能长期不更新,导致展示的数字和真实情况脱节;二是统计口径可能存在误差,尤其是账户历史较长、经历过多次策略调整或者账户迁移的情况下,平台给出的数字很容易失真。

真正严谨的做法是:不依赖平台自动统计的数字,直接拿累计收益曲线,自己手动量一遍从历史最高点到之后最低点的跌幅,这才是真实的最大回撤。 一个愿意这么做的人,通常会给出更具体、更有细节的回撤记录,比如”某一年某次极端行情回撤超过百分之五十,某一次熊市回撤大约百分之五十,之后几年随着经验积累回撤显著变小”,这种带着具体年份和具体数字的描述,比一个平台自动生成的笼统百分比,可信度要高得多。

具体怎么问:直接问”你说的最大回撤这个数字,是平台给的还是你自己拿曲线量的,能不能具体说说是哪一年、跌了多少、又花了多久恢复”。答不出具体细节的,这个数字大概率没有被认真核实过。

关于回测本身容易踩的坑,回测的七个致命陷阱那篇讲的是过拟合、生存偏差、前视偏差、数据窥探这些问题在你自己做回测时怎么避免,是研发视角,讲的是”你自己做回测时怎么不骗自己”。而这篇讲的是完全相反的一个视角:别人已经做好一份成绩单递到你面前时,你作为被推销的一方,怎么不被骗。 两篇结合起来看,一个管住自己做研发时的手,一个管住自己被推销时的判断。


6

一个虚构但典型的对比案例

两份策略成绩单在五条标准下的逐项对比结果

把五条标准套到一个虚构但很典型的场景里,看看实际怎么用。

假设你收到两份策略推荐,都号称年化收益率超过百分之八十。

成绩单A: 曲线只展示了最近八个月的数据,问及更早的记录,对方说”账户是最近才开的”;夏普比率写着6点2;交易标的显示交易了三十多个不同的山寨币;资金进出记录没有单独说明;最大回撤数字是平台自动生成的百分之十二,问具体哪一年发生的,对方答不上来。

成绩单B: 曲线覆盖了近三年的数据,其中清楚标注了一次熊市回撤达到百分之四十五、恢复用了约八个月;夏普比率是2点1;交易标的百分之九十以上集中在同一个主流币种;对方主动说明账户三年没有充值提现;最大回撤是对方自己在曲线上手动标出来的,附带具体日期。

五条标准逐项对比下来,A几乎每一条都亮红灯:曲线太短、夏普虚高、标的分散、资金记录不透明、回撤数据来源不明。B虽然收益率数字不如A夸张,但每一条都经得起追问,反而是更值得信任的那一份。

这正是这套尽调清单要训练你的直觉:漂亮的数字不等于可信的数字,经得起五个具体问题追问的成绩单,才配得上你的信任。


写在最后

把这五条整理成一张可以直接打印出来的检查表:

  • 有没有完整经历过至少一轮真实的最大回撤周期
  • 夏普比率是多少,有没有逐年拆开看过,是不是超过5
  • 交易标的集中在几个,前三大标的占比是多少
  • 账户有没有中途充值提现,有没有做剔除处理
  • 最大回撤是平台给的还是自己手动量出来的

下次有人给你递上一份漂亮的成绩单,不用急着被曲线打动,把这五个问题依次问一遍。答得清楚、答得具体、愿意主动暴露细节的,可信度更高;含糊其辞、只肯展示局部区间、回避细节问题的,无论曲线画得多漂亮,都值得再多打几个问号。

真正经得起推敲的成绩单,不怕被这五个问题追问,因为它本来就是从真实的、粗糙的、经历过完整回撤周期的交易记录里长出来的,不是被精心裁剪出来的一段好看截图。而你作为被推销的一方,最不需要的就是快速下判断的冲动,多花十分钟问完这五个问题,胜过被一条好看的曲线牵着走整整一年。


以上内容仅代表个人观察与思考,不构成任何投资建议。交易有风险,入市需谨慎。

微信搜一搜 Tom讲交易

在微信里搜「Tom讲交易」即可关注,每周更新交易教学

推荐课程

合约陪跑实战训练营

不只教方法,更带你实盘执行。从仓位管理到止损止盈,手把手纠正你的交易习惯,建立可复制的盈利系统。

相关文章

量化交易

回测的 7 个致命陷阱:为什么回测好的策略实盘亏钱

回测是量化交易最重要的环节,也是最容易被自己骗的环节。90% 的散户量化策略“回测亮眼实盘亏损”,原因都在这 7 个回测陷阱里:过拟合、生存偏差、前视偏差、数据窥探、不真实的执行、忽略成本、样本不足。本文逐一拆透每个陷阱的本质 + 散户能用的检测方法。读完你会成为“会看回测”的少数人。

量化交易

量化交易入门:散户也能用的 4 大策略框架

量化交易听起来高大上,但 90% 的散户对它的理解还停留在“用程序自动下单”。真正的量化是用数学模型寻找市场规律,把“凭感觉”变成“凭数据”。本文从 0 到 1 拆透量化交易:4 大核心策略框架(趋势跟随/均值回归/统计套利/事件驱动)、散户能用的 5 个量化工具、以及量化 vs 主观交易的本质差异。读完你会知道:量化不是机构专利,散户也能上手。

资金管理

50%量化+40%定投+10%波段:一套三层资金配置实验

一位交易者在实现资金量级跃迁之后,公开了自己正在测试的资金结构调整方案:50%投入量化系统,40%用于核心品种定投,10%留在MT5账户做短线波段。这篇文章拆解资金三层配置的设计逻辑,讲清楚量化定投短线组合里多出的量化层到底解决了什么问题。

交易心理

2007年8月一屋子天才盯着暴跌20%却什么都不做:系统化交易最反人性的部分

2007年8月Medallion基金连续三天亏损接近20%,一群文艺复兴科技的合伙人聚在西蒙斯办公室里,手放在口袋里,最终没有对模型做任何干预。这不是天才的运气,而是一条写在纸上的纪律:回撤只要落在系统历史区间内,就是正常运作而不是失灵。这篇文章拆解那三天房间里到底发生了什么,以及普通交易者该怎么把「回撤范围内不干预」变成一条和止损位一样具体的书面规则。

交易策略

西蒙斯为什么永远不接受外部资金:规模是策略阿尔法的天敌

詹姆斯·西蒙斯执掌的Medallion基金创造了金融史上最高的回报纪录,但从1993年起就拒绝接受任何外部资金,只对内部员工及家属开放。这不是傲慢,而是对策略容量的清醒认知:策略吃的是市场里极其微小的定价异常,规模一旦变大,交易本身就会抹平这个异常。本文用Medallion与文艺复兴旗下开放式基金RIEF的真实业绩对比,拆解阿尔法衰减的机制,提炼出一套普通交易者可以直接使用的策略容量自查方法,帮你判断账户下一步该不该扩大规模。

交易系统

手把手回测教程:散户 5 步验证一个策略

回测是验证一个策略的核心方法,但 90% 的散户回测都是“假回测”:要么样本太小,要么参数过拟合。本文给你一套散户能用的“5 步回测法”(数据准备/规则化/手动/自动/验证)、3 种回测工具(TradingView / Python / Excel)、4 个回测核心指标、以及散户做回测必踩的 5 个坑。读完你会知道:回测不难,难的是不被“漂亮回测”骗了。

觉得有用?关注公众号

扫码或在微信里搜「Tom讲交易」,每周更新交易教学文章

扫码关注 Tom讲交易,或微信搜一搜 Tom讲交易

配套免费工具

随机漫步模拟

打开