第 11 章 · 04 另类策略评估

第 11 章 · 04 另类策略评估

本节摘要:本节讲另类策略(CTA/日内/轮动)的严谨评估方法,这是本章的收束,也是防止被「漂亮回测」欺骗的关键。华泰另类交易策略系列 11(日内突破与资金管理的多重比较研究)与华泰 AI 系列 22(回测过拟合与 CSCV)系统讨论了评估框架。第一部分是绩效指标:夏普比率(风险调整收益)、最大回撤(尾部风险)、胜率与盈亏比(收益分布)、Calmar(收益/回撤)等。第二部分是资金管理(系列 11):凯利公式、固定比例、波动率目标——决定策略生死的不是信号而是仓位。第三部分是多重比较与过拟合:当你在大量参数组合里挑最优时,「最优」很可能是噪声;López de Prado 的 CSCV(Combinatorially Symmetric Cross-Validation)与 PBO(回测过拟合概率)给出量化过拟合程度的方法。这三部分合起来,是从「漂亮回测」到「可信策略」的必经之路。本节也呼应第 6 章过拟合议题,把它具体化到策略评估。

内容来源:仓库研报 另类交易策略系列第 11 篇(资金管理与多重比较)、华泰 AI 系列第 22 篇(回测过拟合与 CSCV),知识结构化整理。

⚠️ 学习提示:策略评估的核心心法是「怀疑你的回测」——任何漂亮回测都可能是过拟合或幸存者偏差的产物。一个策略只有在多种稳健性检验(样本外、参数敏感性、多周期、CSCV)下都站得住,才值得实盘。

学习目标

阅读完本节,你应当能够:

1. 计算并解释夏普、最大回撤、Calmar、胜率等绩效指标。
2. 区分不同资金管理方法(凯利、固定比例、波动率目标)。
3. 说清多重比较如何导致回测过拟合。
4. 解释 CSCV 与 PBO 如何量化过拟合概率。
5. 设计一套稳健性检验流程来验证策略。

一、为什么需要严谨评估

另类策略(尤其 CTA、日内)有几个特点让评估格外重要:

• 收益分布非正态:尖峰厚尾,夏普(基于正态假设)可能低估风险。
• 样本短:日内策略的历史可能只有几年,统计显著性难达。
• 参数多:策略常含多个可调参数,参数空间大,过拟合风险高。
• 成本敏感:小参数变动可能让净收益由正变负。

所以另类策略的评估比传统选股更需严谨——不能只看回测年化收益,要看一系列指标与稳健性。

二、核心绩效指标

夏普比率(Sharpe Ratio)

Sharpe = (年化收益 - 无风险利率) / 年化波动率
​

衡量「每单位风险的超额收益」。夏普越高,风险调整后收益越好。但夏普基于正态假设,对厚尾分布不敏感——两个夏普相同的策略,尾部风险可能天差地别。

最大回撤(Max Drawdown)

MaxDD = max_t  (历史最高净值 - t 时净值) / 历史最高净值
​

衡量「从 peak 到 trough 的最大跌幅」。它捕捉尾部风险——投资者心理上最关心的是「最多亏多少」。最大回撤大的策略,即使夏普高,也可能因投资者忍受不了回撤而中途放弃。

Calmar 比率

Calmar = 年化收益 / 最大回撤
​

「每单位回撤的收益」。Calmar 高的策略回撤控制好,实战更可忍受。

胜率与盈亏比

• 胜率(win rate):盈利交易占总交易的比例。
• 盈亏比(payoff ratio):平均盈利 / 平均亏损。

趋势跟踪典型特征是低胜率(3040%)、高盈亏比(23)——亏小赚大。套利策略相反,高胜率、低盈亏比。两类策略夏普可能相近,但风险特征完全不同。

💡 核心心法:没有「最好」的单一指标。夏普适合比较同类型策略;最大回撤/Calmar关注可忍受性;胜率/盈亏比揭示收益分布特征。综合看才有全貌。

三、资金管理(系列 11)

华泰系列 11 专门强调资金管理(money management)——它决定策略生死,重要性超过信号。核心问题:每笔交易下多少注?

凯利公式(Kelly Criterion)

凯利比例 f* = (p·b - q) / b

其中:
    p = 胜率, q = 1-p
    b = 盈亏比(赢的金额/输的金额)
​

凯利给出「长期复利增长最快」的最优下注比例。但凯利要求已知真实胜率与赔率,而金融里这两者只能估计,估计误差会让「凯利下注」过重,实战常用半凯利(f*/2)或四分之一凯利降低风险。

固定比例(Fixed Fractional)

每笔风险 = 总资金 × 固定比例(如 1%~2%)
仓位 = 每笔风险 / 单笔止损金额
​

简单稳健,是实务最常用的方法。1%2% 的固定比例意味着连续亏 2050 笔才爆仓,给策略足够的「熬震荡」空间。

波动率目标(Volatility Targeting)

仓位 ∝ 目标波动率 / 当前波动率
​

让组合波动率稳定在目标水平(如 10%)。波动率高时减仓,低时加仓。这让组合风险特征稳定,便于与其他资产配置。

金字塔加仓(Pyramiding)

• 赢了才加仓(顺势放大盈利)。
• 亏了不加仓(防止亏损放大)。

这是趋势跟踪的典型仓位管理——让利润奔跑,同时控制亏损。

四、多重比较与回测过拟合

多重比较问题

当你在大量参数组合里挑「最优」时,多重比较问题(multiple testing)让「最优」极可能是噪声:

• 假设你测试 1000 个参数组合,即使所有组合真实效果都为 0,纯凭噪声也会有约 5% 显著(在 5% 显著水平下)——即约 50 个「假阳性」。
• 你挑出的「最优」很可能就是这 50 个假阳性之一,样本外失效。

CTA 策略参数空间大(突破周期、止损位、仓位比例、过滤条件……),多重比较问题尤其严重。

系列系列 11 的应对

华泰系列 11 在日内突破策略研究中强调:

• 多重比较校正:用 Bonferroni 等方法调整显著水平,降低假阳性。
• 参数稳健性:不只看最优参数,看参数邻域的表现是否稳定。若最优参数是「孤峰」(邻域表现差),大概率是过拟合。
• 样本外验证:留出一部分数据做样本外,看最优参数在样本外是否仍有效。

五、CSCV 与 PBO(华泰 AI 22)

López de Prado 提出的 CSCV(Combinatorially Symmetric Cross-Validation)与 PBO(Probability of Backtest Overfitting)是量化回测过拟合的标杆方法(华泰 AI 系列 22 详述)。

CSCV 流程

1. 把回测收益序列分成偶数段(如 16 段)。
2. 对称地从中选一半作「训练集」,另一半作「测试集」,组合数 C(16,8) 种。
3. 在训练集上挑最优参数,记录其在测试集上的排名。
4. 统计「训练集最优」在测试集排名的分布。

PBO(回测过拟合概率)

• PBO = 训练集最优参数在测试集排名处于下半区的概率。
• PBO 高 → 训练集最优在测试集表现差 → 过拟合严重。
• PBO 低 → 训练集最优在测试集仍好 → 策略稳健。

解读

• PBO > 50%:策略大概率过拟合,样本外会失效。
• PBO < 50%:策略有一定稳健性,PBO 越低越稳健。
• PBO 接近 0:策略几乎不过拟合(罕见)。

CSCV/PBO 的价值是把「过拟合」从定性判断变成定量指标——你能说「这个策略的过拟合概率是 70%」,而不是凭感觉。

六、稳健性检验流程

把上述方法整合成一套稳健性检验流程,是评估另类策略的标准做法:

1. 样本内回测:用全样本调参,记录最优参数与绩效。
2. 样本外验证:留出最后 20~30% 数据,看最优参数在样本外是否仍有效。
3. Walk-forward 测试:滚动训练-测试(如用前 3 年训练,第 4 年测试,滚动),模拟真实交易。
4. 参数敏感性:在最优参数邻域扫描,看绩效是否平滑(平滑=稳健,孤峰=过拟合)。
5. 多周期/多品种:在不同周期、不同品种上跑,看是否普适。
6. CSCV/PBO:量化过拟合概率。
7. 成本敏感性:在不同成本假设(手续费、滑点)下测绩效,看是否对成本极敏感。
8. 压力测试:在历史极端事件(2008、2015、2020)上测,看最大回撤。

💡 核心心法:一个策略只有通过全部这些检验,才值得实盘。任何一项不通过,都说明策略可能在某方面脆弱——可能是过拟合、可能是成本敏感、可能是尾部风险。怀疑回测,是量化研究者的基本素养。

七、绩效归因:赚的是什么钱

除了「赚多少」,还要问「赚的是什么钱」——这是绩效归因:

• 趋势 alpha:策略在趋势市赚钱、震荡市亏钱 → 纯趋势跟踪。
• 危机 alpha:股市崩盘时赚钱 → 风险溢价类。
• 风格暴露:策略收益能否被规模/价值/动量等因子解释?若能,则不是「真 alpha」,只是因子暴露。
• 行业暴露:策略是否超配了某行业?

用第 9 章 Barra 的归因框架,能把策略收益拆到各因子暴露上,判断「赚的是 alpha 还是 beta」。一个看似高夏普的策略,若归因后发现只是「小盘 + 动量」的暴露,那它的「alpha」其实可被简单因子组合复制,价值有限。

八、另类策略评估与第 6 章过拟合议题的呼应

本节的过拟合讨论与第 6 章(前沿 AI)的过拟合议题呼应,但侧重不同:

• 第 6 章:机器学习模型的过拟合(训练误差 vs 测试误差,正则化,Dropout)。
• 本节:策略回测的过拟合(多重比较,CSCV/PBO,参数稳健性)。

两者根源相同——「在大量尝试里挑最优」必然伴随过拟合,但应对方法不同:模型用正则化,策略用样本外验证与 CSCV。量化研究者需同时掌握两套工具。

本节要点回顾

1. 核心指标:夏普(风险调整)、最大回撤/Calmar(尾部风险)、胜率/盈亏比(分布特征);综合看才有全貌,夏普基于正态假设忽略厚尾。
2. 资金管理(系列 11):凯利(理论最优但需真参数)、固定比例(实务常用 1~2%)、波动率目标(风险稳定)、金字塔加仓(顺势放大);决定策略生死。
3. 多重比较:大量参数组合挑最优易假阳性;Bonferroni 校正、参数稳健性、样本外验证应对。
4. CSCV/PBO(华泰 AI 22):对称交叉验证,统计训练集最优在测试集的排名;PBO 量化过拟合概率,PBO>50% 大概率过拟合。
5. 稳健性流程:样本外、walk-forward、参数敏感性、多周期多品种、CSCV、成本敏感性、压力测试;全通过才实盘。
6. 绩效归因:赚的是趋势 alpha、危机 alpha,还是因子/行业暴露?用 Barra 框架拆解,识别「真 alpha vs beta」。
7. 与第 6 章呼应:模型过拟合(正则化)与策略过拟合(样本外/CSCV)根源相同、应对不同。

本章结束。下一章我们进入第 12 章 数据、回测与工具生态——讲支撑量化研究的基础设施,先看「数据源与另类数据」。