如何评估量化策略

如果一个量化策略参数，在回测中的收益很好，其它的一些指标也不错，这个策略能在以后的运行中取得不错的收益吗？

常常会有这样的情况，回测的数据惊人，但是在实际运行中收益不好或者亏损。

如何使策略在回测中能取得好收益，而且在未来的数据中也能得到好的收益，这样的策略，才是好的策略。

一个策略的好坏，主要有以下几个指标来判断

Alpha（阿尔法）

意义：

投资中面临着系统性风险（即Beta）和非系统性风险（即Alpha），Alpha是投资者获得与市场波动无关的回报。比如投资者获得了15%的回报，其基准获得了10%的回报，那么Alpha或者价值增值部分就是5%

公式：

image

• R_p = 策略年化收益率
• R_m = 基准年化收益率
• R_f = 无风险利率（默认是0.04）
• β_p = 策略beta值

根据公式得出：当 α > 0 ，策略相对于风险，获得了超额收益； α = 0，策略相对于风险，获得了适当收益； α < 0，策略相对于风险，获得了较少收益

Beta（贝塔）

意义：

Beta表示投资的系统性风险，反映了策略对大盘变化的敏感性。例如一个策略的Beta为1.5，则大盘涨1%时，策略可能涨1.5%，反之亦然；如果一个策略的Beta为-1.5，说明大盘涨1%的时候，策略可能跌1.5%，反之亦然

公式：

image

• D_p = 策略每日收益
• D_m = 基准每日收益
• Cov(D_p,D_m) = 策略每日收益与基准每日收益的协方差
• Var(D_m) = 基准每日收益的方差

当 β<0，投资组合和基准的走向通常相反，如空头头寸类。如果β=0，投资组合和基准的走向没有相关性，如固定收益类。0<β<1,投资组合和基准的走向相同，但是比基准的移动幅度更小。如果β=1，投资组合和基准的走向相同，并且和基准的移动同谋贴近。如果β>1，投资组合和基准的走向相同，但是比基准的移动幅度更大

Sharpe（夏普比率）

意义：

Sharpe表示每承受一单位总风险，会产生多少超额报酬，可以同时对策略的收益与风险进行综合考虑

公式：

image

• R_p = 策略年化收益率
• R_f = 无风险利率（默认值为0.04）
• σ_p = 策略收益波动率

Sortino（索提诺比率）

意义：

Sortino 表示每承担一单位的下行风险，将会获得多少超额回报

公式：

image

• R_p = 策略年化收益率
• R_f = 无风险利率（默认值为0.04）
• σ_pd = 策略下行波动率

Information Ratio（信息比率）

意义：

Information Ratio 是用来衡量单位超额风险带来的σ_p = 策略收益波动率。信息比率越大，说明该策略单位跟踪误差所获得的超额收益越高，因此，信息比率较大的策略的表现要优于信息比率较低的基准。合理的投资目标应该是在承担适度风险下，尽可能追求高信息比率

公式：

image

• R_p = 策略年化收益率
• R_m = 基准年华收益率
• σ_t = 策略与基准每日收益差值的年化标准差

Volatility（策略波动率）

意义：

公式：

image

• r_p = 策略每日收益第
• r^- _p = 策略每日收益的平均值 = lnΣi=lnrp
• n = 策略执行天数

Benchmark Volatility（基准波动率）

意义：

Benchmark Volatility 用来测量基准的风险性，波动越大代表基准风险越高

公式：

image

• r_m = 其次每日收益第
• r^- _m = 基准每日收益的平均值 = lnΣi=lnrm
• n = 策略执行天数

Max Drawdown（最大回撤）

意义：

Max Drawdown 描述策略可能出现最糟糕的情况，最极端可能的亏损

公式：

image

• P_x, P_v = 策略某日股票和现金的总价值

策略回测如何使得参数不过拟合？

1、在回测中不使用全部数据，只使用部分数据，其它数据用来验证，只有在回测和验证的数据中的效果差不多，才是一个好的策略。

有时候，回测的数据很好，但验证的数据不好，或者两者相差过大，我觉得也不是好的策略。一个好的策略要求回测跟验证的收益差异不能太大。

并且验证数据要搞好几份，这样才能找到较好的策略参数。

2、能不能使用 AI
能不能使用机器学习或者神精网络深度学习，通过对回测数据进行再次学习，来保证策略不仅对于历史数据有效，而对未来的数据同样有效。由于我对这方面不是很懂，希望在这方面有研究的可以教我。