偏差控制与验证

定义

前视偏差是指策略使用了在做出交易决策时实际上无法获得的信息。最常见的形式，是用第 T 根 K 线的收盘价产生信号，然后同样以第 T 根 K 线的收盘价执行交易。现实中，收盘价要等 K 线收盘后才能知道，而此时市场已经收盘。

我们同时防范的其他前视偏差形式

• 使用第 T 根 K 线的最高价/最低价触发止损——这些数值要等 K 线收盘后才能知道
• 指标计算引用了“未来”的周期（例如居中移动平均线）
• 使用整个数据集的最小值/最大值进行标准化，而不是滚动最小值/最大值
• 策略参数在整个区间内优化，然后又在同一区间内测试
• 盈利超预期信号在公告日期之前就使用了实际每股收益（EPS）

幸存者偏差是指回测只纳入目前仍在交易所上市的股票。在测试期间破产、被收购或退市的公司被排除在外——尽管它们在当时都是有效的交易标的。结果是历史收益看起来比实际好得多，因为所有“输家”都已被悄悄地从数据集中剔除。

过拟合是指策略在历史数据上被过度优化，以至于实际上只是“记住”了过去，而没有学到可以推广的规律。一个有 12 个参数、全部用 3 年数据调优的策略，会呈现出亮眼的历史表现，却会在实盘交易中立刻失效。

我们如何检测并防止过拟合

选择偏差是指选取哪些标的进行回测，在有意或无意之间受到这些标的过往表现的影响。如果只在过去十年涨幅最大的股票上测试动量策略，结果必然带有偏差。

优化偏差是过拟合的一种特定形式。当你对数百种参数组合进行网格搜索并挑选表现最佳者时，你找到的并不是“真正”的最优参数，而是由于随机噪声恰好在该段历史区间表现最好的参数。

我们的优化规则

• ● 策略参数在运行样本内回测之前就已设定
• ● 如果使用优化，只在训练集上进行——绝不在验证集上进行
• ● 我们会报告优化曲面（而不仅仅是峰值），让读者可以看到稳健程度
• ● 我们倾向选用位于平坦高原的参数值，而不是狭窄的峰值
• ● 滚动前推优化：定期重新优化参数，模拟真实的自适应管理

样本外（OOS）测试是最重要的验证步骤。策略在训练集上开发并优化完成后，会在一段完全独立的保留区间内测试一次。OOS 结果不能用于进一步修改策略——否则该保留区间就不再是真正的样本外。

滚动前推测试

滚动前推测试是更精细的 OOS 测试形式，模拟真实交易者定期重新优化策略的过程。我们不采用单一固定的训练/测试划分，而是使用滚动窗口：用最初 N 根 K 线优化，在随后 M 根 K 线上测试，向前推进 M 根 K 线，然后重复。