实战大数据 | 量化策略之样本外数据测试的必要性

实战大数据 | 量化策略之样本外数据测试的必要性

• NO：01
  人的一生，从小到大、从大到老，其实是一个不断犯错，又纠正，又犯错的过程，几乎谁也无法例外。或许曾经犯下许多，在现在看来很低级的错误；亦或许错过许多上车的机会，比如：房地产、互联网、数字货币等等......先别管是不是泡沫，就问你泡沫来的时候，你在不在场？
  
  以至于，常听人说：
  「我当初就不该……」
  「假如……我会……」
  
  我曾经抱着这个问题，很长时间都不能释怀，后来才渐渐明白。其实，这并不是一件值得恐惧的事情，因为当时每个选择，无论是对还是错，都将让我们远离预先设定的结果，走向一片未知；而我们的反思，只是在历史数据之外，开启了上帝视角。
  
  
• NO：02
  我见过许许多多交易系统，回测的时候成功率可以达到50%以上。在这么高胜率的前提下，还可以有1：1以上的盈亏比。可是，无一例外，这些系统一旦付诸实盘，基本上都是亏损的。导致亏损的原因有很多，其中就有，在回测的时候，不经意间，从右往左看，开启了上帝视角。
  
  
  
  然而，交易就是这样一件纠结的事情，事后回看无比清晰，但如果我们不带上帝视角的光环，回到当初，依然不知所措。这就牵扯到量化的根源问题——历史数据的局限。那么，如果仅仅用有限的历史数据，来检验交易系统，则很难避免“看着后视镜开车”的问题。
  
  
• NO：03
  但在数据有限的情况下，怎么尽可能的充分利用有限的数据对交易策略进行全面的检验？通常有两种方法：递推式检验和交叉式检验。
  
  递推式检验的基本原理：用前一段较长的历史数据去训练模型，并用随后相对较短的数据去检验模型，然后不断地向后移动取数据的窗口，重复训练与检验的步骤。
  
  
  
  1、训练数据：2000年至2001年，测试数据：2002年；
  2、训练数据：2001年至2002年，测试数据：2003年；
  3、训练数据：2002年至2003年，测试数据：2004年；
  4、训练数据：2003年至2004年，测试数据：2005年；
  5、训练数据：2004年至2005年，测试数据：2006年；
  
  ...以此类推...
  
  最后对（2002年、2003年、2004年、2005年、2006年...）的测试结果进行统计，来综合评估策略表现。
  
  如下图，可以直观的解释递推式检验的原理：
  
  
  
  上图分别展示了递推式检验的两种方法。
  
  第一种：每次检验时，测试数据比较短，测试次数较多。
  第二种：每次检验时，测试数据比较长，测试次数较少。
  
  在实际应用中，可以通过改变测试数据的长度，进行多次测试，用来判断模型在应对非平稳数据的稳定性。
  
  
• NO：04
  交叉式检验的基本原理：把全部数据等分为N个部分，每次用其中的N-1个部分做训练，用剩下的部分做检验。
  
  
  
  把2000年至2003年按照每年划分，分为4个部分。那交叉校验的操作过程如下：
  1、训练数据：2001-2003，测试数据：2000；
  2、训练数据：2000-2002，测试数据：2003；
  3、训练数据：2000、2001、2003，测试数据：2002；
  4、训练数据：2000、2002、2003，测试数据：2001；
  
  
  
  如上图所示：交叉式检验最大的优点就是充分的利用有限的数据，每个训练数据同样也是测试数据。但交叉检验应用到策略模型的检验时也存在明显的缺点：
  
  1、当价格数据非平稳时，模型的测试结果往往不可靠。例如，用2008年的数据做训练，用2005年的数据做测试。很有可能2008年的市场环境与2005年相比发生了很大的变化，所以模型测试的结果不可信。
  
  2、与第一条类似，在交叉检验中，如果用最新的数据训练模型，而用较老的数据测试模型，这本身就不怎么符合逻辑。
  
  
• NO：05
  另外，在对量化策略模型进行检验时，无论是递推式检验还是交叉式检验都遇到到数据重叠的问题。
  
  
  
  在开发交易策略模型时，大部分的技术指标是基于一定长度的历史数据。例如，利用趋势性指标，计算过去50天的历史数据，而下一个交易日，该指标又是该交易日前50天的数据计算得出，那么计算这两个指标的数据有49天是相同的，这会导致每相邻两天该指标的变化很不明显。
  
  
  
  数据重叠会导致以下影响：
  
  1、模型预测的结果变化缓慢导致持仓变化缓慢，这就是我们常说的指标的滞后性。
  
  2、对模型结果检验的一些统计值不可用，由于重复数据导致的序列相关，使得一些统计检验的结果不可靠。
  
  
• NO：06
  优秀的交易策略应该能够在未来具有获利性。样本外测试，除了能客观检测交易策略外，更能有效率节省宽客的时间。
  
  大部分情况下，直接采用全部样本的最优参数，投入实战是非常危险的。
  
  如果对进行参数优化的时间点前的所有历史数据进行区分，划分为样本内数据与样本外数据，先利用样本内数据进行参数优化，再利用样本外数据进行样本外测试，则可以将这种错误排查出来，与此同时还能检验优化后的策略是否适用于未来的市场。
  
  
• NO：07
  就如同交易一样，我们永远没有办法穿越时间，为自己做一个一点错误都没有的正确决定。如果有上帝之手或者从未来穿越回来能力，那么不经过测试，直接上线实盘交易，也能赚的盆满钵满。而我等凡人，则必须在历史数据中检验我们的策略。
  
  可是，即便拥有庞大数据的历史，但面对浩瀚无尽且不可预测的未来，历史就显得极度匮乏。所以基于历史自下而上倒推出来的交易系统，终究会随着时间而沉没。因为历史不能穷尽未来。因此一个完整的正期望交易系统必须由其内在原理/逻辑所支撑。
  
  
  
  
• NO：08
  我们 ( BotVS 量化交易平台 ) 旨在改变当前量化圈无干货，交流闭塞, 骗子横行的现状，打造一个更纯净的量化圈子。这个世界从来没有人创造知识与理论，它们只是早已存在等待我们发掘。
  
  
  
  分享是一种态度，更是一种智慧！
  

宽客在线
作者 Hukybo