五量化交易全流程( 二 ) _事件驱动

回测是量化投资研究中的一个基本方法。简单定义，回测就是针对历史价格设定的一系列的交易规则，从而得到交易规则的历史业绩表现。
具体地说就是，针对一系列的资产，我们设定一个机制，用来选择，什么时间持有资产，什么时间清空资产。再加上资产本身的历史价格，我们就能计算出这个"交易策略"在历史业绩中的表现，比如，年化收益率、波动率、最大回撤等。
有句话用于描述回测非常合适， "所有的模型都是错的，但有一些是有用的" 。我们并不能保证历史回测表现好的模型在将来就一定能赚钱。那么回测的目的又是什么呢？
简单地说就是，回测结果可以让我们过滤很多不好的模型。是否选择上线某个策略，我们需要参考很多信息，历史回测是其中一个非常重要的参考依据。如果历史回测都表现不好，那么我们很难相信这个策略在将来会表现得很好。
总之，回测好的策略不一定赚钱，但回测不好的策略基本上是不可能赚钱的。所以回测对于我们筛选策略，还是有相当大的重要性的。事实上，不少投资经理，在没有实际去回测某个指标的有效性的情况下，依然还是在凭感觉使用。我并不认为这是一种理性的方式。当然，这也是有客观原因的，比如，很多投资经理，使用的主观投资方法，完全不会编程，平时又很忙，让他们自行编写程序进行回测，似乎也不可能。这一点目前国内基金行业需要提高的一个地方。投资行业中的竞争可以用惨烈来形容，高手间的博弈，你比别人好一点点，积累下来，结果可能就是天差地别。所以既然这块有可以提高的空间，那么为什么不去尝试做呢？
回测系统的种类
回测系统一般包含三种类型， "for循环"系统、"向量化"系统、"事件驱动"系统。这三种系统的区别主要在于程序结构逻辑上。下面对这三种方式做一个简单的介绍。
"向量化"系统
"向量化"计算是一种特殊的计算方式，意思是用矩阵运算的方式来进行程序的编写。这种编写方式多见于、、R等带有科学计算性质的语言中，最大的好处是速度快。因为在科学计算中，矩阵运算由于频繁使用，所以其是经过专门优化的。比如，对于将两个数组中的元素一一对应相加的操作，使用向量化的方式，比使用迭代循环的方式，两者的速度差距很可能是十倍甚至百倍。
所以"向量化"系统最大的优势就是速度快，特别适合于需要大量优化参数的策略。实际上，最近正火热的"深度学习" ，其本质就是各种矩阵运算，如何优化矩阵运算的速度，其实是一个框架需要考虑的非常重要的特性。
"向量化"系统的主要缺陷就是，对于一些复杂的逻辑是无法实现的。比如说，有一类逻辑具有"路径依赖性" ，也就是说，当前值的计算需要依赖于前一个值的计算结果。由于向量化计算是同时计算出所有的值，所以这类"路径依赖"的问题是无法用向量化来计算的。对于这种情况，我们不得不使用迭代循环的方式来进行计算。

五 量化交易全流程( 二 )

五量化交易全流程( 二 )