1.4 交易策略于何時無須被回測

我們之前曾費盡唇舌使你信服：你應該在交易之前對每一種交易策略進行回測。那為什么我們還要反對回測某些交易策略呢？事實是：一些已經出版發表的交易策略存在著明顯的瑕疵，對它們進行的考量純屬浪費時間，而如果你知道在回測系統中某些策略普遍存在著一些誤區，那你就可以在不了解相關細節的情況下決定是否回測某些交易策略。我們可以參看一些案例。

例證1：某個特定的交易策略在回測系統中的年化收益率為30%，夏普比率為0.3，最大跌幅持續期限為2年。

事實上，沒有哪個交易者（與投資者相對而言）會對“沉寂”兩年的金融產品及相應的交易策略感興趣。較低的夏普比率配以長期的低迷時限意味著相應的交易策略不具備可持續性。但是，如果平均收益率較高，那就意味著這可能只是偶然出現的，當我們開始實際交易時，此種情境不太可能重演；另一種說法是：高收益率可能是因數據探測過程中的偏差所致，同時，長期的低迷行情也會使相應的交易策略無法通過交叉驗證方法的測試。因此，我們不要厭惡回測那些高收益率、低夏普比率的交易策略；還有，我們也同樣不要厭惡回測那些附著超出你或你的投資人所能承受的最大跌幅期限的交易策略。

例證2：一份原油期貨的多頭合約的收益率在2007年為20%，夏普比率為1.5。

當我們對2007年原油之即月期貨合約進行檢測時，我們發現其收益率為47%，夏普比率為1.7，應用相關策略還不如直接購買原油期貨并持有一段時間！而其中的寓意在于，我們必須選擇一個合適的標準來衡量相應的交易策略，而此間多頭策略的合理標準就是“買入并持倉”所產生的收益率，此乃信息收益率，而不是夏普比率。

例證3：一個應用“低買高賣”的交易策略的回測系統在年初遴選了10只最為廉價的股票，并持有1年——于2001年，其收益率為388%。

這里，我們的第一個問題是：在解讀標題項下的策略時，我們的回測系統所采用的股票數據庫能否剔除所謂的“生存偏差”呢？換句話說，相應數據庫是否包含那些退市的股票呢？如果數據庫只包含那些一直存活至今天的股票，那就意味著相應策略可能是于2001年年初碰巧買到了非常便宜的幸存下來的股票，時過境遷之后，恰巧實現了388%的收益率，而如果相關數據庫包括那些退市的股票，那么，因應相關策略所選擇的股票而構建的投資組合的損失將會是100%——如果我們在2001年運行上述策略，那我們的實際損失就是100%，而回測系統所顯示的388%的收益率就是一個被高估的數據，是永遠不會變成現實的。如果我這里對相應數據有可能涵蓋退市股票的事件不做特殊強調的話，那我們的回測系統就會因“生存偏差”的問題遭受損失，而由此生成的收益率數據就會被高估。

例證4：某種神經網絡交易模式——回測系統當中包含100個節點，夏普比率為6。

一看到神經網絡交易模式這個術語，我就緊張，更不用說它還附帶100個節點，而你所需要掌握的信息是：神經網絡各節點的數量與相關樣本內訓練數據所填充的參數的個數成正比。而系統中的參數至少有100個，那么，我們可以于任意時間序列填充相應的交易模型，進而生成不切實際的夏普比率，但是，在數據檢測過程中的偏差會使相應的模型缺乏預見性，即顯得滯后。

例證5：一個高頻交易的E-迷你標普500指數期貨的交易策略在回測系統中顯示的年化收益率為200%，夏普比率為6，持有時限為50秒。

我們能夠回測高頻交易策略嗎？一般來說，高頻交易策略的效應取決于訂單的形式以及相應的運行方法，但更為關鍵的是，相應策略的效應主要依賴于相關市場的微觀結構，即使我們擁有全部的歷史性的訂單數據，但高頻交易策略的收益主要依仗的是市場參與者之間的相互影響。但這里有一個問題，即“海森堡測不準原理”是否生效呢？該原理的中心思想是：某個交易者每植入或者運行一個訂單，都有可能改變其他市場參與者的行為。因此，所謂的對高頻交易策略的回測是充滿變數的。

人生苦短，我們沒有時間對每一個交易策略進行回測與解讀，某些人只是希望找出回測系統中存在的具有普遍性的缺陷，進而幫助你選出值得回測的交易策略。