分享
注册
1分钟入驻>
+微信
首发回答
1. 过拟合（Overfitting）
回测中过度优化因子参数或依赖历史特定模式，导致模型泛化能力差。例如：基于某段时间高波动行情拟合的均值回归策略，在低波动市场失效。
应对：采用样本外检验（Out-of-Sample Testing），保留部分数据用于实盘前验证；限制因子数量，避免模型复杂度超过数据承载能力。
2. 交易成本被低估
回测中未充分考虑手续费、滑点、冲击成本。例如：高频策略回测中假设滑点为 0.01%，但实盘可能达 0.1%，导致收益大幅缩水。
应对：在回测中加入成本模拟模块，按实际交易环境设置费率和滑点参数。
3. 市场结构变化
实盘时市场参与者结构、流动性、政策规则等与回测期不同。例如：回测基于 2019 年 A 股数据（散户主导），但 2023 年机构化程度提升，量价因子有效性下降。
应对：定期监测因子 IC 值、多空组合夏普比率，若出现持续衰减，及时重构模型。
4. 数据偏差（Survivorship Bias）
回测数据包含退市股票（存活偏差）或使用未来数据（Look-ahead Bias）。例如：用当前财报数据筛选股票，但实盘时需等待财报发布，存在时间差。
应对：使用前复权数据，剔除退市股票，确保回测数据与实盘数据获取逻辑一致。
5. 执行风险
交易系统延迟、订单路由故障、API 接口不稳定等导致信号未及时执行。例如：量化模型触发止损信号，但因系统卡顿延迟成交，扩大亏损。
应对：采用低延迟交易系统，进行压力测试，确保订单执行效率；设置备用节点和容错机制。
发布于2025-5-22 01:35 武汉
当前我在线
直接联系我
秒答
关注
分享
追问
踩 
举报
搜索更多类似问题 >
137
电话咨询
咨询
15372872601 
