第12章 量化策略是如何开发出来？(第1/2 页)

在第十章中我们介绍了桥水基金的全天候策略。那么小伙伴们就有疑问了：一个这样的量化策略是如何做出来的了？难道是突然有了一个idea，设置A要几份，b买几份；然后就屁颠儿屁颠儿地跑去交易，等着日进斗金了吗？

当然不可能是这样，它需要经历从概念构想、编程实现、历史回测、策略优化，到模拟交易和最终的实盘投资多个环节的检验。

现在就由我为你揭开量化策略开发的神秘面纱，以一个通俗易懂的方式解读这一旅程。

一、策略构思

策略构思是量化策略开发的源头。

一切伟大的策略都始于一个闪光的思想。

无论你是通过阅读金融界的大神们的分享、券商的量化研报，还是翻阅经典交易书籍找到灵感，一个完整的策略想法应包括交易标的、进出场点、仓位管理等关键组成部分。

对于初学者，怎样的方法才是既简单又有效的呢？

这里有一个特别推荐的模型，那就是F-Score模型——一个非常适合新手且具有普遍适用性的基本面多因子选股方法。

当我们谈到价值投资，格雷厄姆和巴菲特这样的大师们经常会提到“以合理的价格买入优质的股票”。

但问题来了，“优质的股票”该如何界定呢？

这就是F-Score模型发挥作用的时候了。

简而言之，F-Score通过9个基于财务报表数据的评分因子来衡量一家公司的基本面，这9个因子覆盖了盈利能力、资产负债情况与现金流等多个方面。

总得分越高，表示该股票的质量越好，也就意味着它可能是一笔更值得投资的选择。

此外你也可以根据自己学到或者观察到有意义的指标加到里面来。

二、编程实现

有了策略的灵魂——想法之后，便需要通过编程将其具象化。

在量化投资的世界里，python和c++是最常用的编程语言。

python以其高效和易用性受到初学者的青睐，而c++则以其执行效率高在一些对速度要求极高的策略中得到应用。

当然，亦有量化平台提供了便捷的环境，如聚宽、优矿等，让策略编写变得更为简单。

这里特别介绍不需要编程就能用的果仁网。

（不过他家VIp挺贵的，大家可以先免费注册看一看）。

三、策略回测

编程完成后，接下来的关键步骤是回测。通过对历史数据的测试，我们能大致判断策略在过去的表现。

比如我在果仁网上输入了一个指标“净利润大于1000万”，回溯5年。

成绩非常的差，年化收益-25.75%。

这也说明单一指标很难跑赢市场。

而对于专业人士，这一过程需要尽量避免“未来函数”等错误，以确保回测结果的有效性。

回测不仅仅是验证策略历史表现的工具，更是检验其稳健性的关键环节。

四、策略优化

面对可能不尽人意的回测结果，策略优化成为必要的步骤。

调整参数、优化逻辑、分析风险，所有这些都是为了让策略更加契合市场的实际情况。

但需警惕，不可陷入过度拟合的泥潭中，丧失策略的泛化能力。

想象一下你在某个特定场景下穿着一件非常合身的衣服，这件衣服既舒适又完美地贴合你的身体，看起来很不错。

现在，如果你去购买衣服时，每次都要求定制一件100%完全贴合你这一次身材形态的衣服，那就可能会出现问题了。

过度拟合就好比买衣服时的这种情况，它发生在模型试图尽可能地“贴合”所有已有的数据点，以致于在面对新数据时变得不够灵活。

就像衣服定制得太贴身，一旦你的身材稍微有了变化，这件衣服可能就不合适了。

五、模拟交易

当策略通过历史检验后，下一步便是在实时市场中进行模拟交易。

这一过程能够帮我们发现可能在回测中忽略的市场细节和实际操作中的种种问题，如流动性限制、滑点损耗等。

专业人士有专业工具，而我们可以使用的工具是同花顺的模拟炒股：

大家可以看到一个模拟账户里有20w元模拟资金，这个是虚拟的，大家可以放心操作。

六、实盘交易