如何选择量化交易模型

但是在量化交易发展到高度发达的今天，量化模型的获取有很多种渠道。比如： 1 根据交易经验自己编程来开发； 2 通过量化交易社区来获取（如 AlgoBuy.com, Tradency ，QuantConnect, Quanttopian 等）模型信号； 3 直接购买（如MQL5等）。 4 采用大数据挖矿技术来产生策略。 所以策略的获取渠道是有很多种的，要获得交易策略并不太难。很多交易者即便获得了一些不错的策略，依然无法取得盈利，就将问题归咎于没有找到好的策略。

因此“交易没有圣杯”成为很多人否定交易策略的口头禅，其实这个世界上是有”圣杯”的，只是每个人对”圣杯”的定义不同， 打个很简单的比喻，从过去一百年的历史来看，单独持有标普500指数ETF获得的平均年化收益率达到10%，单独持有黄金的年化收益率达到5-6%。如果从一百年的历史来看，单独持有这两个品种的策略就是圣杯，但是很多人同样购买黄金或是标普指数依然赚不到钱是因为： 1 持有时间不够长，高点进去回撤就止损了； 2 杠杆过高，没扛过回撤就爆仓了。

因此，我们讨论的目标就是如何通过模型的选择，构建自己心中的交易“圣杯”。

既然是量化模型，就是对交易的历史数据的分析来构建的，所以任何交易的根本原则就是利用历史来预测未来。那么未来可交易的最基本要求就是过去的价格变化逻辑未来依然大概率成立。另外很多策略的产生是通过对历史数据的过度拟合产生的，也就是说历史数据的很多变化本来是噪声，但是策略通过拟合将他变成了交易逻辑,这个在未来大概率是无法适用的。 几乎任何我们选择的策略都有不错的回测效果，因此策略选择上我们重要的是剔除掉过拟合的策略。

策略入围条件– 品种适应性

一个策略的设计如果能符合交易的逻辑，那么通过参数的调整，能够适应很多的品种，那么我们也可以认为该策略是很好的。因为不同的品种之间的特性存在区别，比如外汇和股票的波动特性完全不一样，指望通过同样的参数去交易完全不同的品种还能取得很好的效果是不太现实的。

参数入围条件– 样本外适应性

在获得了一个好的策略后我们会选择一些标的来进行优化参数，然后需要评估策略参数样本外的适应性。我们可以这样分析：
比如策略拟合了过去10年的数据，回测效果不错，我们还需要再评估样本外比如再往前10年的测试效果，是否依然取得不错的效果？我们不能要求测试效果同样好，但是至少可以达到能接受的水平。另外我们如果测试其他的品种，能否依然取得不错的结果？
需要注意的是，我们不能期望测试所有的品种效果都很好，这是不可能实现的，因为不同的品种有不同的特征，如果全市场都存在同一特征那么一定很快被发现并被市场自然消灭。策略学习的一定是适合该品种或者类似品种的规律，因此，我们如果能找到3-5个合适的其他品种，测试比如同样10年的业绩依然可以取得不错的业绩，也就是说通过学习一部分样本数据，在不改变参数的情况下3-5倍以上的样本外数据测试效果可以接受，那么我们基本上可以认为该策略是可信的。为了避免随机偏差，总的回测交易次数也需要考虑的重点。

当然上面所有测试的前提是保证测试准确性无误的前提下。怎么保证测试准确性呢？ 是一定需要通过Tick数据吗？ 其实不然，如果策略的交易逻辑是每次K线开盘收盘的时候判断，我们采用Open Price就可以了，这样的准确性和回测速度都会很快， 如果策略做了很多K线内或者是每个Tick基于纯价格进行判断，那么才需要更小更精准的时间周期来判断。

最简单的判断回测有效性的方法就是让策略交易一段时间，然后将这段时间来进行回测，如果真实交易和回测完全一样，那么回测就是准确的。