前阵子发了个小频率动量策略，当时回测看着还行，但实盘一跑就开始露问题。

最近刚好在看《打开量化投资的黑箱》第九章，且根据 v 友建议，顺手把自己那一套研究流程从头捋了一遍，相当于是给之前那个策略“补课”。

1. 策略起点

之前做动量，基于一个很直觉的想法：

👉 涨得多的继续涨

当时没太多犹豫，直接写代码+回测。

现在回头看，更像是一个“没被明确表达的假设”。

现在会刻意把这一步写清楚一点：

• 是基于经济逻辑？
• 还是纯数据挖出来的？

简单给自己加了一条约束：

if 没有清晰逻辑:
    回测再好也不直接用

2. 数据

之前策略有个问题其实一直没认真处理数据。

现在回头看，这一块基本决定了上限。

（ 1 ）幸存者偏差

用当前成分股回测历史，这个坑就不展开了。

（ 2 ）时间对齐

之前直接拼不同频率数据，本质就是未来函数。

现在我给自己加了个很简单的检查：

👉 每一份数据都问一句：当时能不能拿到

顺手也把数据源换成了直接拉 API ，至少链路是“接近实盘”的：

import requests
import pandas as pd

API_KEY = "YOUR_ALLTICK_API_KEY"

def get_price_data(symbol="AAPL"):
    url = "https://api.alltick.co/marketdata/stock/history"
    params = {
        "symbol": symbol,
        "start_date": "2020-01-01",
        "end_date": "2023-01-01",
        "interval": "1d",
        "apikey": API_KEY
    }
    res = requests.get(url, params=params)
    data = res.json()["data"]
    df = pd.DataFrame(data)
    df["date"] = pd.to_datetime(df["date"])
    return df

df = get_price_data()

# 基础清洗
df = df.sort_values("date")
df["close"] = df["close"].fillna(method="ffill")
df = df[df["volume"] > 0]

这块其实没什么技术含量，但好处是：

👉 回测用的数据结构，跟以后实盘用的是同一套来源

3. 回测：开始老老实实加“现实约束”

之前那版动量策略的问题是：

👉 默认理想成交

现在基本都会强制加：

• 成本
• 简单滑点
• 信号延迟

举个最简单的均线例子：

df['ma20'] = df['close'].rolling(20).mean()

df['signal'] = (df['close'] > df['ma20']).astype(int)

df['returns'] = df['close'].pct_change()
df['strategy'] = df['signal'].shift(1) * df['returns']

cost = 0.0005
df['strategy_net'] = df['strategy'] - cost * df['signal'].diff().abs()

一旦把成本加进去，很多策略当场变脸。

现在对回测的理解更偏向：

👉 这是一个“历史条件下的生存测试”

4. 参数优化：开始刻意“反着来”

之前是找最优参数，现在是故意破坏它：

for p in [17, 20, 23]:
    跑一下

不稳的策略，一动就崩。

再加一个基本操作：

train = df[df['date'] < '2021-01-01']
test = df[df['date'] >= '2021-01-01']

test 基本只看一次。

慢慢变成一个很简单的判断：

• 能扛参数扰动的 → 再看
• 需要精调的 → 基本放弃

这一轮下来，有个挺明显的变化：

👉 不太会被“完美回测”骗了

以前是：

• 曲线好看 = 可以上

现在更像是：

if 解释不了 + 不抗扰动:
    默认不可用

有点反直觉的是：

能用的策略变少了， 但心里反而更踏实一点。