前阵子发了个小频率动量策略，当时回测看着还行，但实盘一跑就开始露问题。 最近刚好在看《打开量化投资的黑箱》第九章，且根据 v 友建议，顺手把自己那一套研究流程从头捋了一遍，相当于是给之前那个策略“补课”。
- 策略起点 之前做动量，基于一个很直觉的想法： 👉 涨得多的继续涨 当时没太多犹豫，直接写代码+回测。 现在回头看，更像是一个“没被明确表达的假设”。 现在会刻意把这一步写清楚一点：
是基于经济逻辑？ 还是纯数据挖出来的？
简单给自己加了一条约束： if 没有清晰逻辑: 回测再好也不直接用
- 数据 之前策略有个问题其实一直没认真处理数据。 现在回头看，这一块基本决定了上限。 （ 1 ）幸存者偏差 用当前成分股回测历史，这个坑就不展开了。 （ 2 ）时间对齐 之前直接拼不同频率数据，本质就是未来函数。 现在我给自己加了个很简单的检查： 👉 每一份数据都问一句：当时能不能拿到 顺手也把数据源换成了直接拉 API ，至少链路是“接近实盘”的： import requests import pandas as pd
API_KEY = "YOUR_ALLTICK_API_KEY"
def get_price_data(symbol="AAPL"): url = "https://api.alltick.co/marketdata/stock/history" params = { "symbol": symbol, "start_date": "2020-01-01", "end_date": "2023-01-01", "interval": "1d", "apikey": API_KEY } res = requests.get(url, params=params) data = res.json()["data"] df = pd.DataFrame(data) df["date"] = pd.to_datetime(df["date"]) return df
df = get_price_data()
基础清洗
df = df.sort_values("date") df["close"] = df["close"].fillna(method="ffill") df = df[df["volume"] > 0]
这块其实没什么技术含量，但好处是： 👉 回测用的数据结构，跟以后实盘用的是同一套来源 3. 回测：开始老老实实加“现实约束” 之前那版动量策略的问题是： 👉 默认理想成交 现在基本都会强制加：
成本 简单滑点 信号延迟
举个最简单的均线例子： df['ma20'] = df['close'].rolling(20).mean()
df['signal'] = (df['close'] > df['ma20']).astype(int)
df['returns'] = df['close'].pct_change() df['strategy'] = df['signal'].shift(1) * df['returns']
cost = 0.0005 df['strategy_net'] = df['strategy'] - cost * df['signal'].diff().abs()
一旦把成本加进去，很多策略当场变脸。 现在对回测的理解更偏向： 👉 这是一个“历史条件下的生存测试” 4. 参数优化：开始刻意“反着来” 之前是找最优参数，现在是故意破坏它： for p in [17, 20, 23]: 跑一下
不稳的策略，一动就崩。 再加一个基本操作： train = df[df['date'] < '2021-01-01'] test = df[df['date'] >= '2021-01-01']
test 基本只看一次。 慢慢变成一个很简单的判断：
能扛参数扰动的 → 再看 需要精调的 → 基本放弃
这一轮下来，有个挺明显的变化： 👉 不太会被“完美回测”骗了 以前是：
曲线好看 = 可以上
现在更像是： if 解释不了 + 不抗扰动: 默认不可用
有点反直觉的是： 能用的策略变少了， 但心里反而更踏实一点。