金母鸡量化教学场：量化模型中良好的数据组成部分（一）

宽客使用各种方法度量模型的“好坏”。无论对于样本内数据还是样本外数据都是真实存在的，今天我们要讨论的是良好的模型组成部分都有哪些？

一、累积盈利图

累积盈利图是检验过程最有力的输出量，因为正如人们所说的，图胜千言。从累积盈利图可以看出，策略能否盈利、平稳性如何以及存在着何种下行风险，适用于哪些情况。当这个策略在测试阶段时持续盈利，但回报流是呈波浪起伏的，而且很长一段时间内不够活跃（一些情况下持续几年），有时大幅亏损，有时获得巨额盈利。研究员能够通过累积盈利图立即看出这个策略存在着实际问题。

二、平均收益率

平均收益率表明策略在过去实际运行情况如何（即盈利情况如何)。如果策略在测试阶段效果不佳，那么实际情况下策略就不可能奏效。正如后面所看到的，测试让研究者相信，交易中盈利是一件极其容易的事情。令人遗憾的是，这种错觉主要归因于大量的致命陷阱。

三、收益率随时间的变异性

收益率随时间的变异性描述的是平均收益率的不确定性，该指标有助于研究员判断是否应该持有某交易策略。通常情况下，收益率变异性越小，策略越优。这个思想使得研究员应该对不确定性较低的既定收益率的策略更有信心，这是另一种测量收益一致性的方法。

四、波峰波谷间的最大降幅

波峰波谷间的最大降幅测量的是盈利曲线中从任意一个累计波峰开始的最大回测。策略的回测越低，策略越优。许多宽客不仅仅分析一个回测，而是分析多个回测以了解他们策略的极端和常规下行风险。分析下跌之后的恢复时间也很重要，有助于研究员理解模型极差表现之后的行为。回复时间较长通常是不受欢迎的，因为这暗示着，如果策略在某个时间发生大量损失，将在很长时间内保持负值。存在的问题就是样本偏差，这表明所使用的判定“最坏”，降幅的样本并不是整个可能结果的良好代表。相反，虽然回测时间很“长”，覆盖了有利于策略的整个时间段，也将低估潜在的下行风险。

对于这个问题并没有太多的解决方案：计算下行风险的样本要么足够大，以至于能够覆盖很大范围内的市场体制以及有利的和不利的环境（尤其与策略测试相关的环境），要么不能覆盖。如果样本并不足够大，不能代表所有可能情况，那么宽客只能对环境变得恶劣时的最坏亏损做出一些判断。

很明显，这个判断很大程度上依赖于研究员的判断。即使这样，这最多也只是一个粗略估计。此外，最大历史下行也仅仅是一个有偏样本产生的可能结果。基于这些成千上万的历史重复采样数据，可以计算出每一种情况的最大下行，对策略的潜在下行风险估计更稳健。