量化交易中所谓的问题怎么解释

发布网友发布时间：2022-04-22 08:39

共2个回答

热心网友时间：2023-08-02 10:12

1. 区分好样本内数据和样本外数据，这个和机器学习很类似，样本内数据用于训练，样本外数据用于校验。这样做的目的是为了避免过拟合陷阱。
2. 收益的分布，看看你回测后所有交易的收益分布，看看你的收益来源是少数的几次大的收益还是来源多次的小的收益。来源于大的收益，你的收益波动性就很大，实盘往往会达不到你的效果。
3. 参数的稳定性。如果你某个参数过敏感，随便调整下就对收益影响很大，那你实盘的情况和模拟盘也有很大可能会有出入。
这类策略严格来说，避免了一些常见的坑，还是比较容易做到回测和实盘类似的。
对于高频交易来说，回测和实盘的差距就更大了，需要注意的点就更多了，简单列出几个吧：
1. 数据的精度，基本来说，这类策略需要是全部行情严格按照时间戳来回放，分钟级别的都太粗糙了。
2. 滑点问题，实盘很难避免滑点，你要估计出一个滑点的数字，在回测里扣除。
3. 行情的延迟问题，在回测里行情是没有延迟的，而在实盘行情必然有延迟，这部分也会对收益有很大影响。
4. 成交问题，有些策略，比如被动做市商策略，你需要自己模拟订单的撮合成交情况，这部分和实盘往往有很大差距，你需要尽可能的去近似。而你采用交易所提供的模拟撮合环境的话，基本上是不可信的。
5. 在实盘因为延迟的缘故，你还会遇到反向选择的问题，你也需要去评估实盘和回测这方面的差距。

热心网友时间：2023-08-02 10:12

量邦科技资深人士总结： (1)股票、基本面、新闻消息之间的关系不停变化记得2009年美股到达低点的时候，很多“低质”公司的回报大大高于“优质”公司的回报。
很多3块钱的“垃圾股”可以在很短时间内涨到10块钱，而高价的优质公司的股票想要翻一倍都要。