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：
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：
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 基本只看一次。
慢慢变成一个很简单的判断：
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：
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。
