本文主要面向兩類讀者，第一類是正在努力尋找一份基金管理公司量化交易員工作的求職者，第二類是期望嘗試開啟自己“散戶”算法交易事業(yè)的人士。

　　量化交易是數(shù)量金融學(xué)（注1）中一個(gè)極其艱深復(fù)雜的領(lǐng)域。若要通過面試或構(gòu)造你自己的交易策略，就需要你投入大量的時(shí)間學(xué)習(xí)一些必備知識(shí)。不僅如此，它還需要你在MATLAB、R或Python至少一門語言上具備豐富的編程經(jīng)驗(yàn)。隨著策略交易頻率的增加，技術(shù)能力越來越重要。因此，熟悉C/C++是重中之重。

　　一個(gè)量化交易系統(tǒng)包括四個(gè)主要部分：

　　策略識(shí)別：搜索策略、挖掘優(yōu)勢(shì)（注2）、確定交易頻率?；厮轀y(cè)試：獲取數(shù)據(jù)、分析策略性能、剔除偏差。交割系統(tǒng)：連接經(jīng)紀(jì)商、使交易自動(dòng)化、使交易成本最小化。風(fēng)險(xiǎn)管理：最優(yōu)資本配置、最優(yōu)賭注或凱利準(zhǔn)則、交易心理學(xué)。

　　我們首先來談?wù)勅绾巫R(shí)別一個(gè)交易策略。

　　策略識(shí)別

　　所有量化交易流程都肇始于一個(gè)初期研究。這個(gè)研究流程包括搜索一個(gè)勝率差策略、檢驗(yàn)它是否適合你可能正在運(yùn)作的策略組合、獲取任何測(cè)試策略時(shí)所需數(shù)據(jù)、努力優(yōu)化策略使其收益更高且（或）風(fēng)險(xiǎn)更低。如果你是一個(gè)“散戶”交易員，一定要清楚自己的資金是否充足，以及交易成本對(duì)策略的影響。

　　通過各種公開數(shù)據(jù)搜索可盈利的策略實(shí)際上十分簡(jiǎn)單，并沒有大家想的那么難。研究學(xué)者會(huì)定期發(fā)表理論交易結(jié)果（雖然大多為交易成本總額）。一些數(shù)量金融學(xué)主題博文也會(huì)詳細(xì)討論策略。交易期刊還會(huì)簡(jiǎn)報(bào)一下基金管理公司使用的一些策略。

　　你可能會(huì)問，個(gè)人與公司怎么可能愿談他們的可盈利策略，特別是當(dāng)他們知道，如果其他人“復(fù)制相同的策略”，長(zhǎng)期而言它終將失效。原因就在于，他們通常不會(huì)透露具體的參數(shù)以及他們所使用的調(diào)參方法，而這些優(yōu)化技能才是把一個(gè)表現(xiàn)平庸的策略調(diào)成一個(gè)回報(bào)豐厚的策略所需的關(guān)鍵技術(shù)。實(shí)際上，若要?jiǎng)?chuàng)建你自己的、獨(dú)一無二的策略，一個(gè)最好的法子就是尋找相似的方法，爾后執(zhí)行你自己的優(yōu)化程序。

　　你所看到的很多策略都可歸入均值回歸交易策略、趨勢(shì)跟隨或動(dòng)量交易策略兩類。均值回歸策略試圖利用這么一個(gè)事實(shí)：“價(jià)格序列”（如兩個(gè)關(guān)聯(lián)資產(chǎn)的價(jià)差）存在一個(gè)長(zhǎng)期均值，價(jià)格對(duì)均值的短期偏離終將回歸。動(dòng)量交易策略則試圖“搭上市場(chǎng)趨勢(shì)的順風(fēng)車”，利用投資心理和大基金結(jié)構(gòu)信息在一個(gè)方向積聚動(dòng)量，跟隨趨勢(shì)直至回歸。

　　定量交易還有一個(gè)重要方面，即交易策略的頻率。低頻交易（LowFrequencyTrading,LFT）通常指持有資產(chǎn)超過一個(gè)交易日的策略。相應(yīng)地，高頻交易（HighFrequencyTrading,HFT）通常指持有資產(chǎn)一個(gè)交易日的策略。超高頻交易（Ultra-HighFrequencyTrading,UHFT）指持有資產(chǎn)的時(shí)常達(dá)秒級(jí)與毫秒級(jí)的策略。雖然散戶可以進(jìn)行HFT與UHFT交易，但也只是在你掌握了交易“技術(shù)?！保ㄗ?）與訂單簿動(dòng)力學(xué)（注4）的詳細(xì)知識(shí)后才有可能。本篇入門文章，我們不會(huì)對(duì)這些問題做任何深入探討。

　　策略或策略集合一旦確定，現(xiàn)在就需要在歷史數(shù)據(jù)上測(cè)試其盈利能力，這就進(jìn)入了回溯測(cè)試的工作范圍。

　　回溯測(cè)試

　　回溯測(cè)試的目標(biāo)是提供證據(jù)，佐以證明通過以上流程所確定的策略，無論是應(yīng)用于歷史（訓(xùn)練）數(shù)據(jù)還是測(cè)試數(shù)據(jù)（注5）均可盈利。它可以反映該策略未來在“真實(shí)世界”中的預(yù)期表現(xiàn)。由于種種原因，回溯測(cè)試不能保證一定成功。這或許就是量化交易最為微妙之處，由于它包含了大量的偏差，我們必須盡盡力仔細(xì)審查并剔除它們。我們將討論幾種常見類型的偏差，包括先窺偏差（注6）、幸存者偏差（注7）與優(yōu)化偏差（亦稱“數(shù)據(jù)窺視偏差”，注8）?；厮轀y(cè)試中其他幾個(gè)重要方面，包括歷史數(shù)據(jù)的可用性與清潔度、真實(shí)交易成本及可靠回測(cè)平臺(tái)上的決定。我們會(huì)在后續(xù)“交割系統(tǒng)”一節(jié)深入討論交易成本。

　　策略一旦確定，我們就需要獲取歷史數(shù)據(jù)，并藉此展開測(cè)試，如有可能還可改進(jìn)策略?，F(xiàn)在賣數(shù)據(jù)的很多，所有資產(chǎn)類型的數(shù)據(jù)都有。通常，數(shù)據(jù)的質(zhì)量、深度、時(shí)間間隔不同，其價(jià)格也不同。剛?cè)腴T的量化交易員（至少零售等級(jí)）最初使用雅虎金融板塊（YahooFinance）的免費(fèi)數(shù)據(jù)就行。對(duì)于數(shù)據(jù)供應(yīng)商，這里不再贅言。我想重點(diǎn)談一談處理歷史數(shù)據(jù)時(shí)，時(shí)常遇到的問題。

　　對(duì)于歷史數(shù)據(jù)，人們主要關(guān)心的問題，包括數(shù)據(jù)精度或清潔度、幸存者偏差、應(yīng)對(duì)如分發(fā)紅利、拆分股票等公司行為的調(diào)整。

　　精度與數(shù)據(jù)整體質(zhì)量有關(guān)，無論數(shù)據(jù)是否包含錯(cuò)誤。有時(shí)錯(cuò)誤容易識(shí)別，比如使用一個(gè)窄帶濾波器（注9），就可以找出時(shí)間序列數(shù)據(jù)中的“窄帶”并更正它們。其他時(shí)候，錯(cuò)誤又很難甄別，經(jīng)常需要根據(jù)多個(gè)數(shù)據(jù)供應(yīng)商提供的數(shù)據(jù)進(jìn)行對(duì)比檢查。幸存者偏差通常是免費(fèi)數(shù)據(jù)集或廉價(jià)數(shù)據(jù)集的一個(gè)”特征“。對(duì)于一個(gè)帶有幸存者偏差的數(shù)據(jù)集，它不包含已經(jīng)不再交易的資產(chǎn)數(shù)據(jù)。不再交易的證券，則表示已經(jīng)退市或破產(chǎn)公司的股票。如果數(shù)據(jù)集中含有此類偏差，策略在此數(shù)據(jù)集上的測(cè)試表現(xiàn)可能比在”真實(shí)世界“里表現(xiàn)的更好，畢竟歷史”贏家“已經(jīng)被預(yù)先篩選出來，作為訓(xùn)練數(shù)據(jù)使用。公司行為即公司開展的常引發(fā)原始價(jià)格階梯形變化的”邏輯“活動(dòng)，它不應(yīng)該計(jì)入價(jià)格收益。公司分發(fā)紅利和拆分股票行為是引發(fā)調(diào)整的兩個(gè)常見行為，二者無論發(fā)生哪一種，都需要進(jìn)行一個(gè)”回調(diào)“的流程。我們一定要留心，不要把股票拆分和真實(shí)收益調(diào)整混為一談。許多交易員在處理公司行為時(shí)都碰過壁！

　　為了開展回溯測(cè)試，我們必須使用一個(gè)軟件平臺(tái)。你可以選擇一個(gè)專門的回測(cè)軟件如Tradestation，一個(gè)數(shù)值平臺(tái)如Excel或MATLAB，或者一個(gè)用Python或C++完全自主實(shí)現(xiàn)的平臺(tái)。對(duì)于Tradestation（或類似平臺(tái)）、Excel或MATLAB，我不作過多介紹。我比較推崇的是創(chuàng)建一個(gè)內(nèi)部技術(shù)棧。這么做的一個(gè)好處是可以實(shí)現(xiàn)回溯測(cè)試軟件與執(zhí)行系統(tǒng)的無縫集成，甚至還可以添加一些高級(jí)的統(tǒng)計(jì)策略。對(duì)于HFT策略，更應(yīng)該使用自主實(shí)現(xiàn)的系統(tǒng)。

　　在做系統(tǒng)回測(cè)時(shí)，一定要量化表示系統(tǒng)性能。定量策略的“業(yè)界標(biāo)準(zhǔn)”度量為最大資金回挫與夏普比率。最大資金回挫表示一段時(shí)間（通常一年）內(nèi)賬戶資金曲線從波峰至波谷的最大跌幅，常使用百分比表示。由于大量的統(tǒng)計(jì)因素，LFT策略比HFT策略的資金回挫更高。歷史回測(cè)會(huì)顯示過去的最大資金回挫，它能夠較為貼切地反映策略的未來資金回挫情況。第二個(gè)度量指標(biāo)是夏普比率，它被啟發(fā)式地定義為“超額收益均值與超額收益標(biāo)準(zhǔn)差的比值”。這里，超額收益表示策略收益超出某個(gè)預(yù)定基準(zhǔn)，如標(biāo)普500或三月期短期國(guó)債（收益）的額度。注意人們通常不使用年化收益指標(biāo)，因?yàn)樗雎粤瞬呗圆▌?dòng)性的影響，而夏普比率卻考慮到了這一點(diǎn)。

　　如果經(jīng)過回測(cè)，策略的夏普比率很高且其最大資金回挫已經(jīng)最小化，則可以認(rèn)為它趨于無偏，下一步就是要搭建一個(gè)交割系統(tǒng)。

　　交割系統(tǒng)

　　交割系統(tǒng)是一個(gè)方法集合，由它來控制交易策略生成的交易列表的發(fā)送和經(jīng)紀(jì)商的交割行為。事實(shí)上，交易可以半自動(dòng)、甚至全自動(dòng)生成，而執(zhí)行機(jī)制可以手動(dòng)、半自動(dòng)（即“點(diǎn)擊一次交割一項(xiàng)”）或者全自動(dòng)。盡管如此，對(duì)于LFT策略，手動(dòng)和半自動(dòng)技術(shù)卻比較常見；對(duì)于HFT策略，則必須創(chuàng)建一個(gè)全自動(dòng)交割機(jī)制，由于策略和技術(shù)彼此依賴，還要經(jīng)常與交易指令生成器緊密相接。

　　在搭建交割系統(tǒng)時(shí)，我們需要考慮幾個(gè)關(guān)鍵因素：連接經(jīng)紀(jì)商的接口、交易成本（包括傭金、滑動(dòng)價(jià)差與價(jià)差）最小化、實(shí)時(shí)系統(tǒng)與回測(cè)時(shí)系統(tǒng)性能的差異。

　　聯(lián)系經(jīng)紀(jì)人的方法有很多，你可以直接電話聯(lián)系他，也可以通過一個(gè)全自動(dòng)高性能的應(yīng)用程序接口（API）實(shí)現(xiàn)。理想情況，就是希望交割交易的自動(dòng)化程度盡可能高。這樣一來，你不僅可以脫開身集中精力進(jìn)行深入研究，還能運(yùn)行多個(gè)策略、甚至HFT策略（實(shí)際上，如果沒有自動(dòng)化交割，HFT根本不可能）。前面說過的幾種常用回溯測(cè)試軟件如MATLAB、Excel和Tradestation，對(duì)于LFT策略或簡(jiǎn)單策略都是不錯(cuò)的選擇。但是，如果要做真正的HFT，你就必須要構(gòu)造一個(gè)用高性能語言（如C++）編寫的內(nèi)部交割系統(tǒng)。說個(gè)我的親身經(jīng)歷，以前受聘于一家基金管理公司，我們有一個(gè)十分鐘的“交易周期”，每隔十分鐘下載一次新的市場(chǎng)數(shù)據(jù)，然后根據(jù)這十分鐘的信息進(jìn)行交割。這里用的是一個(gè)優(yōu)化的Python腳本。對(duì)于任何處理分鐘級(jí)或秒級(jí)頻率數(shù)據(jù)的工作，我相信C/C++更理想。

　　在一家大型的基金管理公司，交割系統(tǒng)的優(yōu)化通常不在量化交易員的工作范圍。但是，在小點(diǎn)的公司或高頻交易公司，交易員就是交割人，所以技術(shù)面越廣越好。你要想進(jìn)一家基金管理公司，一定要記住這一點(diǎn)。你的編程能力不說比你的統(tǒng)計(jì)學(xué)和計(jì)量經(jīng)濟(jì)學(xué)稟賦更重要，至少也同樣重要！

　　另外一個(gè)屬于交割系統(tǒng)的重要問題是交易成本最小化。一般地，交易成本由三部分構(gòu)成：傭金（或稅收）、損耗與價(jià)差。傭金是向經(jīng)紀(jì)商、交易所和證券交易委員會(huì)（或類似政府監(jiān)管機(jī)構(gòu)）支付的費(fèi)用；滑動(dòng)價(jià)差是你的預(yù)期交割價(jià)位與真實(shí)交割價(jià)位的差值；價(jià)差則是待交易證券的賣出價(jià)與買入價(jià)之差。注意價(jià)差不是常數(shù)，它依賴于市場(chǎng)當(dāng)前流動(dòng)性（即買單和賣單數(shù)量）。

　　交易成本是決定一個(gè)策略是高夏普比率且盈利豐厚，還是低夏普比率且極不盈利的關(guān)鍵。根據(jù)回溯測(cè)試正確預(yù)測(cè)未來的交易成本很具有挑戰(zhàn)性，你需要根據(jù)策略頻率，及時(shí)獲取帶有賣出價(jià)與買入價(jià)信息的歷史交易數(shù)據(jù)。為此，大型基金管理公司量化交易的整個(gè)團(tuán)隊(duì)都專注于交割優(yōu)化。當(dāng)基金管理公司需要拋售大量交易時(shí)（原因五花八門），如果向市場(chǎng)“傾瀉”大批股票，會(huì)迅速壓低價(jià)格，可能都來不及以最優(yōu)價(jià)格交割。因此，縱使遭受損耗風(fēng)險(xiǎn)，基金管理公式也會(huì)選擇使用算法交易，通過“打點(diǎn)滴”的方式向市場(chǎng)出單。此外，其他策略如若“捕到”這些必要性條件，也能利用市場(chǎng)失效（獲利）。這是基金結(jié)構(gòu)性套利的內(nèi)容。

　　交割系統(tǒng)最后一個(gè)主要問題關(guān)系到策略的實(shí)時(shí)性能與回測(cè)性能的差異。這種差異由多種因素造成，比如我們?cè)凇盎厮轀y(cè)試”一節(jié)已經(jīng)深入討論過的前窺偏差與最優(yōu)化偏差。然而，對(duì)于有些策略，在部署之前不易測(cè)得這些偏差。這種情況對(duì)于HFT最為常見。交割系統(tǒng)和交易策略本身均可能存在程序錯(cuò)誤，回溯測(cè)試時(shí)沒有顯現(xiàn)卻在實(shí)時(shí)交易時(shí)出來搗亂。市場(chǎng)可能受到繼交易策略部署后的一場(chǎng)政變的影響，而新的監(jiān)管環(huán)境、投資者情緒與宏觀經(jīng)濟(jì)形勢(shì)的變化也均可能導(dǎo)致現(xiàn)實(shí)市場(chǎng)表現(xiàn)與回溯測(cè)試表現(xiàn)的差異，從而造成策略盈利性上的分歧。

　　風(fēng)險(xiǎn)管理

　　量化交易迷宮的最后一塊是風(fēng)險(xiǎn)管理程序。風(fēng)險(xiǎn)包含我們之前談?wù)摰乃衅?。它包括技術(shù)風(fēng)險(xiǎn)，比如所有在交易所的服務(wù)器突然發(fā)生硬盤故障。它還包括經(jīng)紀(jì)風(fēng)險(xiǎn)，如經(jīng)紀(jì)商破產(chǎn)（此說并非危言聳聽，最近引發(fā)恐慌的明富環(huán)球就是一個(gè)例子，注10）?？偠灾?，它覆蓋了幾乎所有可能干擾到交易實(shí)現(xiàn)的因素，而其來源各不相同。目前已經(jīng)有成套的書籍介紹量化交易策略的風(fēng)險(xiǎn)管理，本人也就不再對(duì)所有可能的風(fēng)險(xiǎn)來源做詳細(xì)說明。

　　風(fēng)險(xiǎn)管理還包括投資組合理論的一個(gè)分支，即所謂的“最優(yōu)資本配置”，涉及到如何將資本分配給一組策略、如何將資本分配給策略內(nèi)不同交易的方法。這是一個(gè)復(fù)雜的領(lǐng)域，依賴于一些高級(jí)數(shù)學(xué)知識(shí)。最優(yōu)資本配置與投資策略杠桿通過一個(gè)名為凱利準(zhǔn)則（注11）的業(yè)界標(biāo)準(zhǔn)建立聯(lián)系。本文是一篇入門文章，我在此不詳談其計(jì)算。凱利準(zhǔn)則對(duì)策略收益的統(tǒng)計(jì)性質(zhì)做過一些假設(shè)，但是它們?cè)诮鹑谑袌?chǎng)中并不一定成立，交易員因此在實(shí)現(xiàn)時(shí)通常會(huì)有所保留。

　　風(fēng)險(xiǎn)管理的另外一個(gè)關(guān)鍵成分涉及到交易員自身心理因素的處理。盡管大家都承認(rèn)，算法交易若無人為干涉，不太容易出現(xiàn)問題。交易員在交易時(shí)，稍不留神仍然可能會(huì)摻入許多認(rèn)知偏差。一個(gè)常見的偏差是厭惡規(guī)避，當(dāng)人發(fā)現(xiàn)損失已成定局，其所帶來的痛苦，可能會(huì)麻痹人的行為，不能做到及時(shí)拋盤止損。類似地，由于太過憂心已經(jīng)到手的收益可能賠掉，人們可能也會(huì)過早拋盤收利。另外一個(gè)常見的偏差是所謂的近期偏好偏差：交易員太看重近期事件而非長(zhǎng)遠(yuǎn)地看問題。此外，當(dāng)然不能落下“恐懼與貪婪”這對(duì)經(jīng)典的情緒偏差。這兩種偏差常導(dǎo)致杠桿不足或杠桿過度，造成爆倉(cāng)（賬戶資產(chǎn)凈值近乎為零或更糟）或盈利縮水的局面。

　　總結(jié)

　　由此觀之，量化交易是數(shù)量金融學(xué)中一個(gè)雖趣味十足但極其復(fù)雜的領(lǐng)域。我對(duì)這個(gè)話題的討論淺嘗輒止，文章就已經(jīng)這么長(zhǎng)了！我在文中三言兩句帶過的問題，已經(jīng)有大量的相關(guān)書籍和論文出版。因此，在你申請(qǐng)量化基金交易職位前，務(wù)必要進(jìn)行大量的基礎(chǔ)調(diào)研，至少應(yīng)當(dāng)具有統(tǒng)計(jì)學(xué)和計(jì)量經(jīng)濟(jì)學(xué)的廣泛背景，以及使用MATLAB、Python或者R程序語言實(shí)現(xiàn)的豐富經(jīng)驗(yàn)。如果應(yīng)對(duì)的是更加復(fù)雜的高頻端策略，你的技能組合可能還要包含Linux內(nèi)核修改、C/C++、匯編編程和網(wǎng)絡(luò)延遲優(yōu)化。

　　如果你有興致創(chuàng)建自己的算法交易策略，我的頭條建議就是練好編程。我偏向于盡可能多地自己實(shí)現(xiàn)數(shù)據(jù)采集器、策略回溯測(cè)試系統(tǒng)和交割系統(tǒng)。如果你自己有投錢做交易，而你又了解系統(tǒng)是否已經(jīng)通過充分測(cè)試，還知曉其存在的缺陷和特殊問題，你怎么可能夜里睡不踏實(shí)？如果把它外包出去，短期內(nèi)也許節(jié)省了時(shí)間，但長(zhǎng)期來看可能成本巨大。

　　譯注：

　?。?1）.數(shù)量金融學(xué)（QuantitativeFinance），也稱金融工程學(xué)或金融數(shù)學(xué)，通過高級(jí)數(shù)學(xué)理論量化分析金融產(chǎn)品，為金融市場(chǎng)提供了多樣性的金融衍生產(chǎn)品，在豐富投資選擇的同時(shí)也帶來了隱患，比如2008年金融危機(jī)。從事數(shù)量金融工作的人常使用“礦工”（Quant）自嘲，由于使用大量的高級(jí)數(shù)學(xué)技術(shù)也有人稱他們火箭科學(xué)家。

　?。?2）.挖掘優(yōu)勢(shì)（ExploitinganEdge）并無特別明確的上下文關(guān)系。如果以“邊界”理解，也不恰當(dāng)，畢竟常用于表達(dá)數(shù)學(xué)邊界含義的是另外一個(gè)詞‘Bound’。所謂挖掘優(yōu)勢(shì)，即對(duì)搜索到的多個(gè)策略進(jìn)行對(duì)比，選擇最佳的一個(gè)使用。

　　（03）.技術(shù)棧（TechnologyStack）實(shí)際上是提供應(yīng)用服務(wù)的系統(tǒng)所使用的各種技術(shù)，若從分層角度來看，各種技術(shù)層疊相連、彼此分工協(xié)作，好像一個(gè)“棧”。如果有人對(duì)各種技術(shù)都有頗深造詣，那么他（她）就可稱作是一名“全棧工程師”（FullStackEngineer），通俗點(diǎn)就是一多面手、全才，在業(yè)界絕對(duì)炙手可熱。

　?。?4）.根據(jù)交易機(jī)制，證券市場(chǎng)可以分成報(bào)價(jià)驅(qū)動(dòng)市場(chǎng)（Quote-drivenMarket）、訂單驅(qū)動(dòng)市場(chǎng)（Order-drivenMarket）。訂單簿動(dòng)力學(xué)（OrderBookDynamics）則是根據(jù)訂單驅(qū)動(dòng)市場(chǎng)的信息，探索訂單量、流動(dòng)性與價(jià)格之間的動(dòng)力關(guān)系。其主要目的是使用高頻交易訂單簿當(dāng)前數(shù)據(jù)信息預(yù)測(cè)其短期狀態(tài)，以輔助做出最佳投資決策。

　?。?5）.量化交易中使用的每種投資策略實(shí)際上就是一個(gè)數(shù)學(xué)模型。在搜索投資策略時(shí)，存在各種各樣的模型，如何選擇呢？可以對(duì)投資策略做回溯測(cè)試（Backtesting），檢測(cè)模型在歷史數(shù)據(jù)中的表現(xiàn)。然而，這里就出現(xiàn)一個(gè)問題，模型中可能存在各種參數(shù)，選擇不同的參數(shù)對(duì)于模型性能的影響也是不同的，為此就需要在測(cè)試之前進(jìn)行一個(gè)模型參數(shù)調(diào)優(yōu)的過程。典型的做法是將完整的歷史數(shù)據(jù)分割成多份，最簡(jiǎn)單地是分成兩份：一部分做訓(xùn)練樣本，另外一部分作為測(cè)試數(shù)據(jù)。如果首先抽樣得到訓(xùn)練樣本，那么余下的數(shù)據(jù)就是測(cè)試數(shù)據(jù)（Out-of-SampleData）。

　?。?6）.由于利用歷史數(shù)據(jù)回測(cè)時(shí)，策略在實(shí)際運(yùn)作中使用的信息與歷史數(shù)據(jù)回測(cè)時(shí)使用的信息不同，比如策略“日均價(jià)達(dá)到10元賣出”在實(shí)時(shí)運(yùn)作時(shí)，只能得到開盤至當(dāng)前的價(jià)格數(shù)據(jù)，從而無從獲得日均價(jià)的數(shù)據(jù)。它如同一部穿越劇，屬于典型的先窺偏差（Look-aheadBias）。

　?。?7）.用于回測(cè)的歷史數(shù)據(jù)通常都會(huì)經(jīng)歷一個(gè)預(yù)處理的過程，將部分?jǐn)?shù)據(jù)刪除。比如，由于私有化或收購(gòu)的退市股票，只存在部分交易數(shù)據(jù)，可能會(huì)從數(shù)據(jù)集中剔除，只使用那些一直處于交易狀態(tài)的數(shù)據(jù)進(jìn)行回測(cè)。這種只使用預(yù)先篩選的幸存者數(shù)據(jù)進(jìn)行回測(cè)所產(chǎn)生的偏差稱作幸存者偏差（SurvivorshipBias）。關(guān)于幸存者偏差，有個(gè)二戰(zhàn)的故事讀者可以讀讀。

　?。?8）.優(yōu)化偏差（OptimisationBias），亦稱“數(shù)據(jù)窺視偏差”（Data-snoopingBias），從機(jī)器學(xué)習(xí)的角度來看，這即是過擬合，經(jīng)過過度優(yōu)化，策略雖然在歷史數(shù)據(jù)測(cè)試集上表現(xiàn)不錯(cuò)，然而在實(shí)際應(yīng)用時(shí)卻差強(qiáng)人意。

　　（09）.窄帶濾波器（SpikeFilter）主要用于處理時(shí)間序列數(shù)據(jù)的大幅波動(dòng)。一般而言，時(shí)間序列數(shù)據(jù)的移動(dòng)變化較為平緩，為了探測(cè)數(shù)據(jù)中可能包含的異常數(shù)據(jù)，可以使用一個(gè)濾波器，將波動(dòng)變化異常（設(shè)定閾值）的數(shù)據(jù)進(jìn)行變換，恢復(fù)到正常范圍，反之則保持不變。由于異常數(shù)據(jù)呈現(xiàn)扁平長(zhǎng)窄帶狀，窄帶濾波器名稱由此而來。

　?。?0）.明富環(huán)球（MFGlobal）是全球最大的商品期貨經(jīng)紀(jì)商之一，數(shù)月之內(nèi)在歐洲主權(quán)債券上的投資達(dá)到63億美元，接近其資本的6倍，其杠桿率飆升至40:1。由于歐債危機(jī)，其信用評(píng)級(jí)跌至垃圾級(jí)，2011年10月31日向法院提交破產(chǎn)保護(hù)申請(qǐng)。

　?。?1）.1956年，貝爾實(shí)驗(yàn)室的工程師約翰·拉里·凱利（JohnLarryKelly）在研究長(zhǎng)距離電話通訊噪聲問題時(shí)推導(dǎo)出的一個(gè)公式，由于意外在21點(diǎn)、賭馬等博彩游戲中獲得成功，后來廣泛應(yīng)用于證券投資領(lǐng)域，即凱利準(zhǔn)則（KellyCriterion）。由于長(zhǎng)距離通話存在隨機(jī)噪聲，凱利研究如何傳輸信號(hào)，從而保證傳輸速率最大。如果將其應(yīng)用于賭博，就可以確定每次的賭注大小從而贏的最多。