有句话说得非常好：量化交易重在思想，而不在用何种交易平台。但是如果量化平台中有过多的 “ 黑盒子 ” 、或者限制过多细节，那也就意味着其已经失去本身的意义。
毫无疑问，在量化语言中，Python/C++ 有着举足轻重的地位。它既能快速开发，又不失灵活。如果你还在用由 EasyLanguage 作为开发语言的量化平台。说明你还停留在上个世纪。如果你不以为然，说明你还没被这类 “ 黑盒子 ” 坑过。
很巧，这个月初，一个偶然的机会，参加了一个本地的宽客聚会。本着开阔思路的目的，兴致勃勃冲了进去，里面的情况似这样的：
主讲者全程无私分享了他在 TC 软件上回测的 45°角的绩效报告，泛泛而谈了1个多小时。以为有所收获，结果听了半天，居然是个广&#$*%*告。如同下图，跟那些卖策略的文章一样，你有没有想过，这种近乎完美的曲线是怎么来的？
今天我就用最普通的策略，来教你怎么做成这种曲线。如果你能深刻理解这篇内容，你就学会了如何来甄别量化投资策略的好坏。
在讲之前，我们先来了解一些概念。在统计学中，如果我们要确认某种规律，并确保该规律具有统计意义，那么，我们就需要计算这个规律的 T 值和 P 值。
如果 T 值为 2 左右，那么其对应的 P 值就为 0.05 左右。换句话说，该统计结果有效的概率为 95% 。这也意味着，在这种情况下得到的统计结果，有 5% 的概率有可能假象。这个标准，我们称为 “ 2 倍标准差 ” 。
有时候，在一些精确度要求比较高的实验中， “ 2 倍标准差 ” 的误差率未免太高，因此需要提高确认结果的门槛，把这个标准提升到 3 倍，甚至 5 倍标准差。如下图：
从图中，我们可以看到，如果 T 值越大，P 值越小，产生的结果误差率就越小。如果 T 值是 5 倍的标准差，那么该结果的有效率为 99.999%。因此，标准差倍数越高，T值越高，统计结果就越可信。
早在上个世纪 60 年代，物理学家们就从理论中提出了 “ 希格斯玻色子 ” 存在的可能性。并且在2010年，物理学家们就已经发现了希格斯玻色字，但当时的发现仅仅是3倍的标准差，因此没有认可。直到 2013 年，其发现的可靠性达到了5倍标准差时，才真正确认该粒子确实存在。
那么，为什么 2 倍标准差与 5 倍标准差相差这么大？答案是，理论上希格斯玻色字会在约每 10 亿次碰撞中产生一次。如果偶尔出现一次并不能证明该粒子确实存在，因此为了证明该粒子存在，就需要上千万亿次的碰撞。
在任何实验中，结果都有运气的成分。因此也可能会导致虚假的结果。重复实验的次数越多，偶然碰到假象的概率就越高。这也就是为什么要把检验标准提高到5倍标准差的原因。
但是，在金融研究行业 5 倍标准差这个规则，并没有被采纳。目前绝大多数金融量化研究，都是以 2 倍标准差作为检验结果的标准，甚至都没有用标准差，这就导致很多金融研究得出的结论并不一定经得起推敲。
如果一家基金向投资者呈现出下图左边那张回测绩效，相信绝大多数投资者都会眼前一亮。该投资策略有非常稳健的表现，而且几乎没有大幅度回撤。
且慢，如右图所示，真实的情况就在里面。原来左边的回测曲线只是众多回测中表现最好的一只而已。也就是说在左边那个回测中，背后还有众多表现更差的情况。显而易见，未来的投资回报不可能会重复下去。
这个简单的例子，告诉我们：再烂的策略，只要样本量足够大，也能产生出 “ 以假乱真的 ” 绩效报告。
华尔街流行着这样一个笑话：假设市场上有1000只参与投资的猴子，第一年，淘汰500只输给大盘的猴子。
第二年再淘汰一半，剩下250只猴子。
等到第三年末，剩下125只猴子。
..........
到了第九年，还剩下最后一个猴子。然后你看啊看，左看看右看看就觉得眼熟。最后看到财经杂志封面一下子想起来， “ 噢，这不就是巴菲特吗！”
当然这只是一个笑话，而我想表达的意思是：如果有1000个基金经理，那么在10年后，大约有10个基金经理会连续10年跑赢大盘战胜市场。但这完全是随机和运气决定的，和基金经理们的技能一点关系都没有。
回到我们的话题，做一个45°的回测曲线 ~ 由上面的理论，我们可以这样做：
首先，打开TC软件（任何一个量化软件都可以），然后在国内商品期货50个品种中，剔除农产品，不要问为什么，懂得自然懂。然后根据成交量排名，保留前75%的品种，算下来大概20多个品种左右。
接下来，每个品种固定一个时间周期建一个图表，如果你的电脑够配置不是太差，你可以各建十个周期，分别是：5分钟、10分钟、15分钟、30分钟、45分钟、60分钟、2小时、3小时、4小时、日线，并且把每个时间周期保存成一个工作区，并且所有的图表加载一个优化过的策略。如下图的例子（只是一个工作区），就像这样：
OK，一切就绪...Duang~
一个近乎完美的回测就这么成了。而且无论你怎么变换周期，回测曲线始终都是45°向上。
我始终相信「知者不言，言者不知」，太阳底下没有新鲜事。我的本意并非教你怎么去伪造，而是提醒你：绝大部分在网上发表，或者向投资者兜售的量化交易策略，都可能是骗人的假货。
研究是量化交易的核心，最好的宽客获得成功很大程度得益于精心设计的、缜密的和从不懈怠的研究。一个还没有被反例驳斥为不正确的理论，只能暂时认为是正确的。
如果你有幸看到这篇文章，希望你可以从中学到一些有用的知识，提高自己的警惕程度，不要轻易堕入虚假的策略陷阱。
