ML4T · 第 5 章 策略评估与组合优化

ML4T · 第 5 章 策略评估与组合优化

章节摘要:本章属「评估篇」,是全书的验证核心。讲清如何系统化评估策略与配置组合。先用向量化回测做快速的信号收益评估,再用事件驱动回测引擎 backtrader 贴近实盘模拟撮合;然后引入 pyfolio 标准化绩效分析套件,输出夏普、最大回撤、换手率等核心指标;接着讲 Markowitz 均值方差优化与有效前沿,解决「给定预期,如何配权」的问题;最后用凯利公式从胜率与赔率推导最优仓位。本章共 5 节,前置依赖为「第 4 章」。

学习目标

阅读完本章,你应当能够:

1. 用向量化回测快速评估信号收益。
2. 用 backtrader 做事件驱动的贴近实盘回测。
3. 用 pyfolio 输出标准化的策略绩效报告。
4. 用均值方差优化求解组合权重与有效前沿。
5. 用凯利公式从胜率与赔率推导最优仓位。

⚠️ 本章涉及策略回测,仅供学习研究,历史回测不代表未来收益,夏普高不等于实盘可盈利。

核心概念速览

回测的快与准是一对矛盾:向量化快但失真,事件驱动慢但贴近实盘。

子章节导航

01 向量化回测

用 NumPy/pandas 向量化运算快速评估信号收益。

02 事件驱动回测 backtrader

用 backtrader 按事件序列模拟撮合,贴近实盘。

03 pyfolio 绩效分析

pyfolio 标准化绩效报告:夏普、最大回撤、换手率、回撤期。

04 均值方差优化

Markowitz 均值方差、有效前沿、权重求解。

05 凯利公式

从胜率与赔率推导最优仓位,理解杠杆边界。

子章节之间的逻辑关系

本章第 01 节(向量化) ──► 第 02 节(事件驱动) ──► 第 03 节(pyfolio)
   │
   ▼
第 04 节(均值方差) ──► 第 05 节(凯利公式)
   │
   ▼
下一章(第 6 章 机器学习流程与交叉验证)
​

前置知识与后续延伸

前置知识:

• 第 4 章(已有可回测的因子)

后续延伸:

• 第 6 章机器学习流程会用本章的回测工具评估模型信号
• 第 8 章 ML4T 端到端工作流把本章方法串联成完整流程