探索未知：alpha测试的神秘序章【量化理论】

我叫补三补四，很高兴见到大家，欢迎一起学习交流和进步

今天来讲一讲alpha策略制定后的测试问题

策略回测（Backtesting）

主要有两种不同的回测机制，一种是向量化回测，另一种是事件驱动回测

策略回测的需求广泛，因此市面上也提供了大量的回测系统，有商用软件、开源框架二次开发、也可以自己开发，越是自由度偏高的搭建回测选项，可以为自己提供的回测方案就越灵活，越个性化，缺点在于开发难度会偏高，在确定自己的交易策略后，根据历史数据我们可以很明确得出自己在什么时间会持有什么资产

回测的方式有很多，如事件驱动的回测系统就会根据实盘交易来进行回测，优点是回测和交易使用了同一套代码，便于维护，而且最大程度模拟了真实情况避免了未来函数，缺点是实现其框架搭建学习成本较高，以及为了等第二天的数据无法快速达到目的；for循环回测系统会对每一个值进行遍历，在数据体量较大而且我们还用的是python的情况下，直接双重buff叠加，虽然有较多的数据集，但是运行速度慢，并且测试和实盘训练出来是两种参数，不便维护

IQC提供了在线回测平台，在其中参赛者可以专注于策略的优化和构建，无需自行搭建复杂的回测系统

IQC回测方法

IQC官方教程当中的回测方法大体是这样：

1. 评估每支股票的alpha值，以产生给定日期的alpha向量，然后（归一化）将其变为变为0-1之间平均分布的值，报酬率最低的股票，有最大值，反之亦然。
2. 用向量化中，每个值减去组中向量权重值的平均值，使所有向量中的所有值和为零（中立化）
3. （标准化）使得alpha向量内数值绝对值总和为1—>（x/sum（））
4. 平台会通过虚拟资金进行分配（按权分配资金）做多能赚钱的股票，做空不看好的股票，这称为多空市场中立
5. 计算alpha值在测试样本对应的损益时期和到结束为止累计到损益，并画PnL Chart（数据可视化）

官方推荐的测试集至少在5年以上

假设一共有80支股票，（有十个行业，每个行业八支股票）模拟平台将根据行业分为十组，对每组进行运算，最后将每个组的损益想加

这种回测系统被称为向量回测系统

注意：

如果将decay（预测能力衰减）置入alpha设定值，必须进行一个额外的步骤计算：最终的alpha权重用今天的alpha值和前一天的decay值根据加权平均公式计算

在官方的教程当中笔者有一个地方存疑：

笔者认为报酬率最低的股票用的应该是最小值，希望能有同学来分享一下自己的见解笔者认为报酬率最低的股票用的应该是最小值，希望能有同学来分享一下自己的见解

回测过程的常见问题：

1. 不要拿测试集里面的数据去训练样本
2. 成分股如果只有经过市场筛选的幸存者容易造成其表现优于真实市场的平均表现
3. 要拿未知的数据进行测试
4. 要注意设置合适的交易成本
5. 在长时间的回测当中要注意市场结构的转变

IQC平台将会向你展示两种形式的回测结果，一种是综合表现参数，另一种是对综合表现参数的详细分析

综合表现参数

综合表现参数包括 受益 PnL信息比率或夏普比率 换手率和回撤

收益：

模拟当中的年收益代表当年每日收益的平均值，日收益率的计算方法为：（今日收盘价-昨日收盘价）/昨日收盘价

PnL：

该策略产生的盈亏：每只股票的仓位与其日收益的乘积相加

信息比率/夏普比率：

提供风险调整后的收益，更具一致性的信息比率说明预测信号在不用年份里都具备良好的表现

换手率：

代表信号交易的成本：交易值与持有值的比率

（换手率低于40%）

回撤：

在回测的任何一年当中，产生的最大亏损百分比

（收益与回撤的比率大于1）

综合表现参数的详细分析提供如何剖析这些参数的详细分析，包括资本分布 回补 夏普比率 不用行业和板块的PnL图表等等

样本外测试（Out-of-Sample Testing，OOS）

样本外测试和回测是金融领域中用于评估交易策略或模型性能的两种相关但不同的方法。样本外回测是与回测相互补充的环节。

在IQC当中，对于样本外回测有两个阶段：首先会给出8个基础测试，第二种测试是两个性能测试

1.检测重量测试：确保没有把中金压在极少数股票上来保证alpha的多样化，（所有权重都小于10%）

（在IQC当中有MAX STOCK WEIGHT将其设置为0.1即可

2.子股票池测试：确保alpha值不是来自所选择子股票池当中一组非常少的股票

3.超股票池测试：alpha在一个特定的更大股票池当中计算的锐度大于alpha本身夏普值的0.7倍

4.排序夏普测试：最大的两端权重优良（不能过高）

5.偏差测试：检测alpha中是否存在任何前向偏差（不使用模拟数据更近的数据）

（确保在需要的地方编写了编写di-delay）

6.相关性测试：alpha与外部alpha相关性小

7.IS夏普测试和OS夏普测试：剔除真实alpha中的任何随机噪声；从真实的alpha中分离出随机噪声，alpha要满足不同时段对夏普比率的要求设定

（可以尝试使用逻辑参数，但尽量不要对alpha做太多拟合）

 8.新高测试：当提交的alpha累计损益曲线达到新高，测试通过