如何降低交易策略失效風險
雖然我不像 FinLab 財經實驗室的韓 P 那樣是資料科學專家,但隨著開發出來的策略失效次數增加,虧損的教訓也越來越多,應該可以稍微深入分享,我是怎麼盡量避免策略太快失效的。畢竟「三折肱成良醫」也不是沒有道理(?
策略為什麼會失效?
策略失效有許多原因。若不自覺用到未來資料,會造成前視偏誤(look-ahead bias)。 另一個更常見的問題是數據窺探偏誤(data-snooping bias):過度優化參數, 讓回測績效看起來比實際更好,卻無法保證未來也有類似表現。
降低偏誤的四種方法
-
增加樣本量
對低頻交易者來說,實務上不一定能取得更多資料。有人會用自助抽樣法(bootstrap)增加樣本,但考量市場交易機制的變動,以及資料在時間上的相依性,我認為實際能增加的有效樣本有限。因此,我自己主要用蒙地卡羅模擬來檢視較差的可能結果。 -
控制優化次數
不要反覆修改參數,直到找到一組「剛好」表現好的設定。就像不會射飛鏢的人也可能碰巧射中紅心,這種結果未必能重現。 -
樣本外回測
將歷史資料分成兩部分:先用第一部分優化參數,再用第二部分檢視回測效果。比較兩部分的表現,挑選在不同時段都相對穩健的參數,降低只貼合特定資料的風險。 -
敏感度分析
也就是 Discord 論壇中常提到的「搖晃參數」。透過尋找參數高原,觀察參數稍微變動時,模型在不同樣本中的績效。我會先設定優化範圍,再評估敏感度,避免過早固定單一參數。理想情況下,參數微調不應讓各項指標大幅惡化。
我的實務做法
我會同時使用後三種方法:放寬篩選條件、適度優化參數,再上下微調參數,檢查策略在不同時間段的表現是否接近,盡量提高它對市場變動的適應力。
優化時,我主要想提升風險報酬比,但也會一併檢視夏普比率、索提諾比率、歐米茄比率與最大回撤,朝多目標最佳化的方向評估。盲目追求回測中的最高績效,可能只是在追逐未來難以重現的數字;我更希望找到能持續穩健運行的方法。