Edge
Chrome
Firefox
我们每个人都很容易受到网络言论的影响，从而在尚未真正实践之前，就对某些投资方法形成偏见。刚开始接触投资时，价值投资的声音格外强势，技术分析常常被贬低为投机、赌博、甚至“不入流”。然而，随着我逐渐进入市场并进行真实交易，我才开始理解：价值投资的理论基础是“市场参与者都是理性人”这一前提，而现实市场远非如此。正因如此，公司基本面与股价涨跌之间，并不存在一一对应的关系。
后来我开始尝试技术分析，也逐渐意识到它并非外界言语描述的那般“一无是处”。技术分析确实能帮助我们识别资金派发阶段，避免盲目地去接最后一棒；但它的局限性也同样明显——主观性太强。过度依赖主观判断，会让许多投资者产生错误的自信，以为自己能够凭借图形、均线、形态来精准把握市场。
为了减少这种主观干扰，我又逐步接触到量化投资。在量化体系中，一切以数据和因子为准，交易高度依赖客观规则，这让我看到了另一种思路：让系统交易来执行，不让情绪插手。
但与此同时，量化也存在自身的问题——因子会失效。市场结构不断变化，你无法依赖某一个因子走完全程，也无法保证模型永远有效。量化的透明度有限，有时甚至像一个“黑盒”，你难以判断某个因子会在什么时候、因为什么原因突然失效。
归根到底，我的体会是：
三种方法——价值、技术、量化——都不是完美的。投资不是寻找唯一真理，而是在认清其假设、优点与局限性的基础上，找到适合自己、能长期执行的那条路。
后来我开始尝试技术分析，也逐渐意识到它并非外界言语描述的那般“一无是处”。技术分析确实能帮助我们识别资金派发阶段，避免盲目地去接最后一棒；但它的局限性也同样明显——主观性太强。过度依赖主观判断，会让许多投资者产生错误的自信，以为自己能够凭借图形、均线、形态来精准把握市场。
为了减少这种主观干扰，我又逐步接触到量化投资。在量化体系中，一切以数据和因子为准，交易高度依赖客观规则，这让我看到了另一种思路：让系统交易来执行，不让情绪插手。
但与此同时，量化也存在自身的问题——因子会失效。市场结构不断变化，你无法依赖某一个因子走完全程，也无法保证模型永远有效。量化的透明度有限，有时甚至像一个“黑盒”，你难以判断某个因子会在什么时候、因为什么原因突然失效。
归根到底，我的体会是：
三种方法——价值、技术、量化——都不是完美的。投资不是寻找唯一真理，而是在认清其假设、优点与局限性的基础上，找到适合自己、能长期执行的那条路。
0
认知偏差在量化策略中并不会消失，而是从“情绪化执行”转移到“模型与参数的构建”。
在执行层面，量化通过完全规则化与自动化，可以有效避免由于近因效应与锚定效应带来的追涨杀跌、死守成本、情绪化调仓等问题。然而在策略设计层面，这两种偏差往往以更加隐蔽的形式存在：
近因效应表现为对近期数据、短窗口因子和趋势延续的过度依赖，使策略天然倾向于“线性外推”；
锚定效应表现为对看似合理的阈值（如止损比例、低价标准、窗口期、持仓上限）的固化，这些数值往往并非统计意义上的最优点，而是源于人脑对“好看回测”或“主观经验”的锚定。
这两个偏差共同作用形成了策略构建中的核心风险：过拟合。
因此，量化交易的关键不是简单“消灭偏差”，而是认识偏差、利用偏差，并通过稳健化、交叉验证、正则化与参数敏感性分析来控制偏差，使策略能够脱离特定历史环境而在未来环境中保持稳健。
那如何避免策略因子的过拟合，感觉又是一个沉重的课题。
在执行层面，量化通过完全规则化与自动化，可以有效避免由于近因效应与锚定效应带来的追涨杀跌、死守成本、情绪化调仓等问题。然而在策略设计层面，这两种偏差往往以更加隐蔽的形式存在：
近因效应表现为对近期数据、短窗口因子和趋势延续的过度依赖，使策略天然倾向于“线性外推”；
锚定效应表现为对看似合理的阈值（如止损比例、低价标准、窗口期、持仓上限）的固化，这些数值往往并非统计意义上的最优点，而是源于人脑对“好看回测”或“主观经验”的锚定。
这两个偏差共同作用形成了策略构建中的核心风险：过拟合。
因此，量化交易的关键不是简单“消灭偏差”，而是认识偏差、利用偏差，并通过稳健化、交叉验证、正则化与参数敏感性分析来控制偏差，使策略能够脱离特定历史环境而在未来环境中保持稳健。
那如何避免策略因子的过拟合，感觉又是一个沉重的课题。
0
很遗憾，现在还有办法在本地上面进行测试，主要在本地上缺少对应的数据和回测pipeline
生成一万个“随机版本”的策略：
• 随机打乱买入顺序
• 随机化买入时机
• 随机删掉 10–30% 的信号
• 随机加入噪声信号（伪信号）
• 随机屏蔽行业、屏蔽一定比例样本
• 随机选择不同的回测起点
• 随机加入滑点爆炸版本
然后你观察：
→ 真策略的收益分布 > 随机策略的收益分布多少？
如果真策略收益落在：
• 前 5% → 该策略可能有能力
• 前 1% → 可能有稳定 alpha
• 前 0.1% → 非常可能是真能力
• 前 0.01% → 基本排除运气
如果真策略落在：
• 前 30%~70% → 完全可能是假策略，纯噪声
• 前 50% → 和随机没差
• 落后于中位数 → 你以为赚钱其实是“回测过拟合”
这套方法在量化圈是 判别策略真能力的黄金标准。
Bootstrap 重采样
你把策略的信号 随机打乱、随机重排、随机加噪声，生成一万个“随机版本”的策略：
• 随机打乱买入顺序
• 随机化买入时机
• 随机删掉 10–30% 的信号
• 随机加入噪声信号（伪信号）
• 随机屏蔽行业、屏蔽一定比例样本
• 随机选择不同的回测起点
• 随机加入滑点爆炸版本
然后你观察：
→ 真策略的收益分布 > 随机策略的收益分布多少？
如果真策略收益落在：
• 前 5% → 该策略可能有能力
• 前 1% → 可能有稳定 alpha
• 前 0.1% → 非常可能是真能力
• 前 0.01% → 基本排除运气
如果真策略落在：
• 前 30%~70% → 完全可能是假策略，纯噪声
• 前 50% → 和随机没差
• 落后于中位数 → 你以为赚钱其实是“回测过拟合”
这套方法在量化圈是 判别策略真能力的黄金标准。
0
普通投资者在市场中的致命结构性缺陷：股池过小且过热
在市场中，普通投资者面临一个结构性弱点：他们真正能看到的股票池极度狭窄，几乎都来自最热门的 1%～2% 的股票。这些股票之所以进入视野，是因为机构、游资、KOL 已经提前布局、提前拉升、提前讲故事。当普通投资者看到它们时，右侧行情已走完大半，Alpha 被提前吃掉，只剩下随大盘涨跌的 Beta。于是他们在最拥挤、最贵、最火的时候进场，在热度衰退、机构出货时成为流动性出口，最终陷入“高位接盘 → 低位止损”的循环。股池太小、太热，是普通投资者长期跑不赢市场的根本原因。
11
赞同来自: gaokui16816888 、Cogitators 、wtpgajm 、daimozs 、Marlon627 、 、 、 、 、 、更多 »
成功不是看你第一次选择什么，而是看你能尝试多少次。医生属于正态分布，稳定但上限有限；创业属于幂律分布，低概率但可能暴击。尝试次数少的人应该选正态分布的路径；能多次尝试的人才能去赌幂律长尾的极端成功。职业、创业、投资都是同一个道理——分布决定机会，尝试次数决定命运。
如果投资者的本金是生活的重要的一部分，失去了会对生活产生重大影响，那理应选择安稳的策略来进行投资，但是如果还年轻，本金对不会影响到生活和工作，那就应该多去尝试一些期望较小而方差比较大的策略，要是足够幸运的话，也能够碰到期望较大，方差较大的策略。
如果投资者的本金是生活的重要的一部分，失去了会对生活产生重大影响，那理应选择安稳的策略来进行投资，但是如果还年轻，本金对不会影响到生活和工作，那就应该多去尝试一些期望较小而方差比较大的策略，要是足够幸运的话，也能够碰到期望较大，方差较大的策略。
京公网安备 11010802031449号