06 · 量化策略与回测

面向软件公司与工程师团队的量化策略研发指南。前几篇教交易者「怎么看盘、怎么下单」，本篇讲的是工程师视角下的「怎么把一套交易逻辑变成可验证、可上线、可监控的代码系统」。

免责声明：本站全部内容仅用于学习与研究，不构成任何投资建议。市场有风险，投资需谨慎。

一、量化交易的完整流程

从想法到规模化资金，一条标准的量化研发流水线：

数据 → 因子/信号 → 策略逻辑 → 回测 → 参数优化 → 模拟盘 → 小资金实盘 → 规模化

关键认知：每个阶段都可能回流到前一个阶段。小资金实盘发现滑点吃掉 80% 收益，就要回到执行层面重做；这不可怕，可怕的是跳过阶段直接上大资金。

二、策略类型全景

2.1 CTA 趋势跟踪

原理：趋势一旦形成会持续一段时间，顺势开仓、用止损截断亏损、让利润奔跑。典型信号是均线交叉、唐奇安通道突破（Donchian）、动量突破。

• 常见标的：商品期货（螺纹、铁矿、PTA）、股指期货、BTC 等大波动品种。
• 难度：★★。逻辑简单，但胜率低（约 30–40%）、盈亏比高，考验的是回撤期能否坚持执行。
• 容量：大。以中低频为主，单策略可容纳千万级到亿级资金。

2.2 均值回归

原理：价格短时间偏离均值（如均线、布林带）后大概率回归。典型信号是布林带突破反向、RSI 超买超卖。

• 常见标的：流动性好的股票、ETF、加密现货。
• 难度：★★。难在「偏离多久回归」不可控，横盘震荡行情好做，单边行情里是接飞刀。
• 容量：中。交易频率高于 CTA，单笔容量有限，靠频次取胜。

2.3 统计套利

原理：找到协整关系的资产对（如两个走势高度相关的股票），价差扩大到阈值时做空高的、做多低的，价差收敛后平仓。持有期通常数天到数周，市场中性（几乎不承担大盘涨跌风险）。

• 常见标的：同行业股票对、ETF 与成分股、永续合约与期货。
• 难度：★★★。需要扎实的统计功底（协整检验、卡尔曼滤波），且价差关系会失效，需要动态监控。
• 容量：中。中性策略容量与市场上可配对的标的数量强相关。

2.4 跨期/跨品种套利

原理：跨期——同一品种不同到期月合约（如螺纹 01 与 05）价差偏离合理区间时，买低卖高，等价差回归。跨品种——相关品种（如豆粕与豆油、热卷与螺纹）强弱关系错位时做强弱对冲。

• 常见标的：商品期货为主。
• 难度：★★★。价差的「合理区间」随供需、库存、持仓结构变化，静态区间容易失效。
• 容量：中。

2.5 期现套利

原理：期货价格高于现货（正基差）时，买入现货/ETF、做空期货，交割或基差收敛时平仓，赚取确定性较高的价差。股指期现套利（IF/IC + ETF）是最经典版本。

• 常见标的：股指期货+现货 ETF、商品期货+现货仓单。
• 难度：★★★。资金占用大、要处理分红除息、期现标的跟踪误差等细节。
• 容量：大，但机会出现频率低、单次收益薄。

2.6 做市

原理：同时在买卖两侧挂单，吃对手单赚买卖价差，配合交易所做市返佣（maker 手续费减免甚至返点）。核心是管理库存风险——报价被吃掉后不能囤方向性敞口。

• 常见标的：期权（最经典）、加密合约、不活跃股票。
• 难度：★★★★。拼的是报价模型、库存管理和低延迟，散户和初创团队很难与头部做市商竞争。
• 容量：小。单标的容量有限，靠多标的摊开。

2.7 高频 T0

原理：日内高频进出，赚微小的盘口价差、队列优势或大单拆分带来的冲击成本收益。持仓时间以秒到分钟计，收益高度依赖延迟（毫秒甚至微秒级）。

• 常见标的：期货、加密合约、港股（T+0 且可做空）。
• 难度：★★★★★。硬件（FPGA、同机房托管）、网络、系统调优缺一不可。
• 容量：极小，且头部效应极端。

2.8 事件驱动

原理：基于财报、分红、宏观数据、政策、链上大额转账等事件预判价格反应。可以人工触发（事件发生后人工确认），也可以全自动化（数据流触发信号）。

• 常见标的：股票（财报季）、加密（监管/链上事件）、商品（库存/天气报告）。
• 难度：★★★。难点在数据获取与清洗，事件类数据的噪音极大。
• 容量：大。事件驱动+中低频，是容量最大的类别之一。

三、因子体系

因子是策略的「原料」：一个可计算的、对标的未来收益有预测能力的历史数据特征。

3.1 常见因子类别

3.2 因子研究与评价指标

因子研究的标准流程：提出假设 → 计算因子 → 分层回测 → 评价 → 合成 → 实盘跟踪。

核心评价指标：

一个因子的「死亡率」很高：初筛 100 个因子，经过 IC 稳定性、分层单调性、扣除成本、样本外检验后，能留下的通常不超过 5 个。

四、回测框架选型

选型建议：

• 起步阶段用 backtrader 或 vn.py 快速验证想法，不要一上来就自研。
• 自研的前提是：已有 backtest 引擎瓶颈（如参数扫描太慢、撮合模型不真实）、团队有 2 人以上的专职回测工程资源。
• 回测引擎的撮合模型比框架名气更重要：用「下一根 K 线开盘价撮合」还是「盘口逐笔撮合」，结果差异巨大。

五、回测核心指标

看一份回测报告的顺序：先看最大回撤和回撤持续时长，再看年化收益和夏普，最后看胜率盈亏比。一个年化 100% 但最大回撤 60% 的策略，实盘里绝大多数人会中途放弃。

六、回测陷阱清单

| 未计手续费滑点 | 忽略或低估交易成本 | 高频策略按 0 手续费回测，实盘手续费+滑点吃掉全部利润 | | 流动性不足假设 | 回测假设想买多少都能成交 | 日成交量 10 万的股票，回测里每天买 5 万手 | | 区间偏见 | 回测区间恰好是策略的「好天气」 | 只在 2020–2021 牛市回测趋势策略，忽略 2018 和 2022 的震荡熊市 | | 时间/时区错误 | 数据对齐出错 | 用未复权价格、不同时区的 K 线混用 | | 涨跌停/T+1 忽略 | 回测可以完成实盘根本做不到的动作 | A 股策略当日买当日卖，忽略 T+1 限制 |

自查方法：把每个交易日的信号日志打印出来，随机抽几天人工核对「当时真的能拿到这些数据吗？当时真的能以这个价格成交吗？」

七、参数优化与过拟合防范

7.1 三种常见做法

7.2 降低过拟合的实操建议

• 减少参数数量：参数每多一个，过拟合风险指数上升；能用 2 个参数解决的策略，别用 5 个。

• 参数必须「平坦」：最优参数周围的表现应是缓慢变化的；如果参数从 19 变到 21 绩效暴跌，说明是噪音拟合。
• 样本外测试不重复：样本外区间只能测一次，反复「测完再调」等于把样本外变成样本内。
• 约束 + 惩罚：把收益约束在合理范围（如年化收益超 100% 的因子直接标记可疑），并对高换手、极端持仓惩罚。
• 多区间、多品种验证：2015、2018、2022 的熊市样本必须有；同一逻辑在不同品种上都成立，可信度大增。

八、模拟盘与实盘差距

经验值：模拟盘年化 30% 的策略，扣掉真实滑点手续费后大概率只剩 10–20%；如果模拟盘收益本来就只有 10%，别上实盘。

九、执行算法

策略决定「买什么、买多少」，执行算法决定「怎么买」。

执行质量量化：把「实际成交均价」与「信号时刻的 VWAP」比较，偏离部分就是执行成本；以这个差值（slippage capture）作为执行算法的考核指标。

十、实盘监控

10.1 策略健康度

10.2 日度复盘

• 自动生成每日报告：策略净值、收益归因（因子贡献拆分）、成交明细、滑点统计、异常事件列表。
• 人工复核：回看当天最有争议的 3 笔交易——「当时信号对不对？执行有没有问题？」

10.3 异常告警

• 分层告警：微信/短信（严重）→ 邮件/IM 群（一般）→ 周报（例行）。
• 必须有的硬告警：资金异常、持仓与风控规则冲突、连续 N 笔撤单、行情断流、程序崩溃。
• 告警要带上下文（策略名、品种、数值、时间），否则半夜醒来看不懂告警内容。

十一、回测平台与研究的工程化

• 参数与结果版本管理：每个回测记录参数、数据版本、代码版本，用 Git 与实验管理表（或 MLflow 类工具）保证「结果可复现」。
• 并行回测：参数扫描天然可并行，多核/集群并行是自研平台的标配能力。
• 数据版本化：行情数据改了重算会导致回测结果漂移，数据打版本号，回测结果与数据版本绑定。
• 信号日志：实盘信号全量落库，事后复盘「策略没发信号 vs 系统没执行」一目了然。