在前面几篇博客里已经谈到了一个交易模型必须在训练数据集和检验数据集上均同时至少在0.05的显著性下有效拒绝了随机假设，这个模型才具备了实盘操作的基本前提。
那么，除此之外，还有哪些因素要考虑呢？
年化收益率自然是首先要考虑的第一要素。在这里要提醒朋友们要注意的一点是一定要用几何平均年化收益率，而不要用算数平均年化收益率。举个简单的例子：一个交易模型如果在第一年收益率为100%，第二年收益率为-50%，那么，这二年的算术平均年化收益率为25%，几何平均年化收益率为0，显然后者更符合实际情况。几何平均年化收益率低于算数平均年化率，因此，很多基金公司在忽悠基民们时都是只提供基金的往年算术平均年化收益率。
收益的波动性是要考虑的第二要素。一般是用标准差这个统计指标来衡量，或者更进一步，用夏普系数（超额收益率除以标准差）来衡量。一般而言，夏普系数越高，代表稳定性越高。但是这里有个很大的隐患就是，无论是价格的对数收益率分布，还是交易模型的每次交易的收益率分布（我的所有的交易模型的收益率分布都和价格分部一样，均有明显的尖峰和肥尾），均不服从正态分布，也就是说标准差是不收敛的。那么，如果仅仅用过去的标准差来模拟未来的标准差，就会存在较大的隐患。一个很典型的例子就是长期资本管理公司，在倒闭前的前几年，其夏普系数一直是非常不错的。为了弥补这一不足，我们一般会同时考虑收益的最大回撤百分比。即便采用最大回撤百分比后，相比于标准差而言，已经大大提高了对交易模型绩效和稳定性的要求（因为一般情况下最大回撤要明显高于标准差），但是，仍然存在同一个隐患，那就是历史的最大回撤百分比不代表未来，未来也有可能出现更大的回撤。为了进一步提升安全空间，我们一般是把最大回撤百分比乘以2。举个例子：如果一个交易模型几何年化收益率达到了50%，最大回撤达到了30%，以30%回撤的风险追求50%的收益，看上去是值得做的。但是，如果考虑到未来的回撤可能更大，为了安全期间将未来可能的回撤在现有基础上乘以2，那么意味着追求50%的收益要承受的是回撤60%的风险，那么，这个模型就不值得做了。这个思想和巴菲特的安全空间类似。巴菲特说，在买入一只股票时，不仅仅是要求股票低于公司未来的价值，而且是要求股票明显低于公司未来的价值，这样才有足够的安全空间，以防止即使在最终事实低于预期时仍有一定的盈利的机会。
以上两个要素（几何平均年化收益率和最大回撤百分比）是我在评估交易模型时的最主要的两个因素，最低要求是几何平均年化收益率是历史最大回撤百分比的2倍以上，我个人一般要求的是3倍以上。对于标准差和夏普系数我没有明确的要求，其实，一般能在0.05的显著性下有效拒绝随机假设的模型，其夏普系数不会很差的，因为要是波动性非常***如主要收益来自于偶尔的那一两次大的交易），这个模型是很难在0.05的显著性下有效拒绝随机假设的。有的交易测试软件里会有收益曲线的R平方值、扣除最大一次收益后的年化收益等指标，这些也可以适当参考。但是，我觉得最最重要的是必须在训练数据集和检验数据集上均同时至少在0.05的显著性下有效拒绝了随机假设。一个仅仅针对训练数据集的交易模型，经过数据拟合后很容易在各个统计指标上表现优秀，说的夸张点优化为100%的胜率也是可以的，但没有任何意义。没有经过检验数据集的随机假设拒绝，再完美的表现数据也是白搭。
如果一个交易模型满足了上述所有的要求，那么就基本具备了实盘上线的条件。当然，最稳妥的是，继续用未来的数据做一段时间的检验，如果仍然拒绝随即假设，那这个模型的有效性进一步增加了。但是，时间也是成本，尤其是非高频交易的模型，要想积累足够的交易记录来继续有效拒绝随机假设，需要的时间可能要半年以上甚至更久。而且，不仅等待的时间是成本，还有一个担心是，时间越久，市场的驱动因素变化的可能性越大，那个模型背后隐藏的影响市场运动的那个因素所起的作用可能就变小了。等到你好不容易在新的时间下熬了一年半载证明模型继续有效，但是由于市场驱动因素的变化，未来模型开始步入衰败，那就悲催了。
那么，何时上线最好呢？这个没有最佳答案。这个我觉得和在已经有过明显上涨的上升趋势下何时入场交易类似。风险偏好高的可以立即入场交易，风险偏好低的可以等待回调后再入场。前者的好处是可以立即获取可能的收益，坏处是可能正好碰上收益回撤，得熬一段后才能拨开云天见月明，后者则相反，好处是可能会减少收益回撤的可能，坏处是万一模型继续无回撤的往上走，就错过了收益。心理素质不好的或者对模型信心度不高的朋友建议选择后者。
1人赞赏收藏
