【教学】什么是量化投资和策略历史回溯？

什么是量化投资？

量化投资，最有名的当属1988年在美国成立的大奖章基金，随后11年的平均年化收益高达67.5%，扣除44%的收益分成和5%的管理费后，给投资人的平均年回报率高达35%，把巴菲特和索罗斯甩出10条街，被称为华尔街的印钞机。

神奇的是，大奖章基金的创始人并不是金融人士，而是两位来自校园的数学教授——西蒙斯和埃克斯，决定基金每一笔交易的也不是基金经理或者操盘手，而是电脑，准确的说，是运行在电脑上的量化投资策略。这才是大奖章基金最牛逼，或者说之所以这么牛逼的地方——量化投资。

什么是量化策略？

量化策略是一套完整的交易算法规则，详细定义了买卖的触发条件和仓位管理，包括：

  • 什么条件发生时，买什么，买多少？
  • 什么条件发生时，卖什么，卖多少？

    什么是策略回溯(backtesting)？

    策略回溯就是用简单粗暴的试错方法来对历史数据进行测试。就像走迷宫，大多人类一般就是使用回溯法，当走到一条死路，就往回退到前一个岔路，尝试另外一条，直到走出。

    量化研究主要是用历史数据进行回溯研究，所有的策略收益等统计指标都只能代表历史，但是未来怎样，需要持续的跟踪与研究。因此不要用历史来预测未来，而是要用新纳入的数据，对策略进行持续的跟踪验证与优化。这也是量化大师策略可以“发布”的重大意义，策略一旦发布到云端，策略将在每天自动的按照新纳入的数据进行回溯计算，并更正策略回溯报告（修正后的策略统计数据可能变好，也可能变坏）。

    当然，这种每天回溯的机制也给部分用户带来了困扰，尤其是还不太了解量化策略研究的投资者。因为新纳入的数据不仅仅增加了“新的数据”，还有可能对“旧的”、“脏的”股票历史行情数据进行了清洗更正（包括但不限于除复权数据调整、财报数据调整、高频数据数据补全等等），这样可能会导致策略回溯计算后，前后策略发生了变化。

    如果想在量化这条路上走的更远，这个周而复始的研究过程是必须的。我们量化大师在对历史行情数据进行清洗的过程中，使用了三家金融数据商的数据进行了较差对比校验，但发现三家数据上的数据往往都有差异，这时就需要人工介入对数据进行审核更正，这时往往会导致平台上已发布的策略数据，因为历史数据的变动而发生变动。

    注意：只有那些对于策略参数较为敏感的策略，才会因为历史数据的细微变化，而产生较大的变动，尤其是单仓位轮动的策略，我们这里强烈建议，策略跟踪者可以根据自身风险偏好，来选择策略。

    延伸阅读
    什么样的策略算是好的策略？
    如何寻找适合自己的交易系统


    策略历史回溯目的是什么？

    回溯检验的目的是提供历史数据证据，剔除偏差，证明策略的盈利预期。

    剔除偏差包括剔除先窥偏差（Look-Ahead Bias）、幸存者偏差（biais par survie）、数据透视偏差（Data-Snooping Bias）。

    简单介绍一下这三种偏差： 

    先窥偏差是误将当时之后的数据作为了当时数据，比如在年报公布前使用年报后的市盈率，在收盘前使用收盘价。将未知当做已知，会使回测收益率偏高。 

    幸存者偏差是误排除了目前已被退市或因其它原因消失的品种。将已淘汰的品种排除掉，只留下幸存者，也会使回测收益率偏好。它与先窥偏差的错误其实是一样的，都是错误了使用了未来的数据，只不过先窥偏差是主观上存在的偏差，幸存者偏差是客观上存在的偏差。 

    数据透视偏差，它还有个名字叫做优化偏差（Optimisation Bias），类似于机器学习算法中的“过拟合”(Overfit)，主要是指过度优化模型参数（也包括其它令参数失效的因素）。要避免这个错误，参数不要太多，优化参数时需要样本足够多，并进行样本外测评和敏感性分析，优化的理由最好经济学上的道理、或者源于透彻研究过的市场现象，而不是根据一些试错法则，从而使参数可以覆盖过去以及未来更广泛的数据。