五量化交易全流程( 四 ) _事件驱动

□实现策略逻辑复杂。事件驱动系统中，有大量的事件对应的行动需要自行定义，这会让编程变得比较复杂，对于很多简单的策略来讲，有点杀鸡用牛刀的感觉。
□速度很慢。事件驱动的特点就决定了它的运行速度不会很快。在有大量参数需要优化的时候，事件驱动系统就会变得非常难用。

文章插图
总的来说，并没有哪一种方法可以包打天下，都要具体问题具体分析。比如，策略逻辑很简单，但需要优化的参数很多，这种情况就适合使用向量化系统。若策略无法向量化实现，但又想快速进行验证，这种情况就比较适合采用For循环系统。若策略参数已经确定，想比较真实地进行模拟，这种情况就适合使用事件驱动系统。
所以理想情况下，这三种系统最好都要会使用。
回测的陷阱
在回测的时候，会遇到很多陷阱，让回测结果出现偏差。其实很多陷阱都是可以避免的。比较常见的陷阱一般包含以下几种情况。
□ 样本内回测。如果我们使用同样的样本数据去训练模型（参数优化）并得到测试结果，那么这个测试结果一定是被夸大的。因为这里的训练是纯粹针对已知的数据进行训练，并没有对未知的数据进行测试。所以在实盘的时候，表现会差得很远。这是一种过度拟合的形式。
□ 幸存者偏差。比如将市面上的对冲基金业绩表现做一个综合性指数，这个指数其实并不能代表对冲基金的真实业绩，因为业绩很差的那些基金都已经不存在了。在编制指数的时候，如果不对这种情况加以考虑，就会产生很大的偏差，因为最差的那一部分并没考虑进来。
□ 前视偏差。在进行回测的时候，有时候我们会不小心使用未来的数据（又称为"未来函数") 。举个例子，假设我们使用线性回归，计算了某段时间内价格的斜率，如果在这段时间内，我们又用到了这个斜率，那么这就是使用了未来数据。有时候，如果历史回测表现得非常好，甚至是惊艳，那么就需要注意了，这很有可能是因为使用了未来数据。这种情况比较严重。
□ 交易成本。交易成本在回测中其实非常重要。假如我们将交易成本设为0 ，那么在训练模型的时候，筛选出来的模型往往都是交易频率非常高的模型。这些交易频率非常高的模型在0成本的时候表现非常好。但是一旦加入了交易成本，这些模型就会一落千丈。所以在回测的时候，一定要加入合理估计的交易成本。
□市场结构转变。在进行长时间的回测的时候，经常会忽视这个问题。比如，国内的期货品种，有的品种有夜盘交易，夜盘交易的时间还变化过好几次。在进行回测的时候，如果不能对应地做出合理的调整，那么也会出现一定的问题。
回测中的其他考量
对于回测，其实还有很多细节和问题需要考虑，具体如下。
□ 数据的准确性。获取数据有很多种来源。没有人能打包票，百分之百地确定数据一定是准确的。但是我们应该在一定的成本范围内，尽量保证数据的准确性。所以开始的数据清洗工作就显得异常重要了。当然，会有很多供应商号称自己提供的数据是经过认真清洗的，但我们不能完全信任他们。毕竟承担投资决簧结果的是投资者，而不是他们。

五 量化交易全流程( 四 )

五量化交易全流程( 四 )