《量化交易》 作 者：（加）欧内斯特·陈

不同证券的交易成本相差也很大。如果你的指令规模不比最佳买卖报价的平均规模大很多，交易成本通常可以用平均买卖差价的一半再加上佣金来估计。例如，标准普尔500 指数成分股的平均交易成本（不考虑佣金，这取决于你的经纪商）大约是5 个基点（即万分之五）。这里，对一个交易循环中的买入和卖出计作两次交易成本。一个先买后卖的来回交易被视作两笔交易，因此，这个例子中的一个来回交易的成本是10 个基点。E－迷你标准普尔500 期货合约的交易成本大约是1 个基点。有时，策略的作者会说明他们的回测业绩中考虑了交易成本，但更多时候并不会这么做。如果没有说明，你就得假设回测结果没有考虑交易成本，从而得判断在考虑成本后策略是否仍然有效。

交易成本影响策略的一个例子是， E－迷你标准普尔500 期货合约的简单均值回归策略。这项策略基于布林线指标：每当价格超过移动平均值的正负两个标准差时，相应卖空或者买入。当价格回到移动平均值的正负一个标准差之内时清仓。如果允许每5 分钟建仓和清仓一次，你会发现不计交易成本时夏普比率大约为3一一当然非常出色！不幸的是，如果扣除1 个基点的交易成本，夏普比率则变成了一3
，变成了完全无利可图的策略。

交易成本影响策略的另一个例子可见例3.7。



2. 2. 4 数据有无存活偏差？


股票价格的历史数据库往往不包括那些由于破产、退市、兼并或收购而消失的股票，因此存在所谓的存活偏差，因为数据库中只有幸存者。（共同基金或对冲基金的历史数据库中也不包含那些已经倒闭的基金，同样存在存活偏差。）使用有存活偏差的数据进行回测是很危险的，因为会夸大策略的历史业绩。这在策略有“价值”偏好时（倾向于买便宜的股票）尤为突出，因为有些股票便宜的原因是公司即将破产。．如果你的策略只包含那些当时非常便宜但却存活下来的股票（而且可能已经兴盛），而忽略那些退市的股票，回测的结果当然会比交易员当时的实际经历要好得多。

所以，当你读到一个有着良好业绩的“便宜时买进”的策略时，有必要问问策略的作者，回测是否使用的是无存活偏差的数据。否则的话，要谨慎对待（见例3. 3 的策略）。



2. 2. 5 策略的业绩如何随时间变化而变化？


许多策略10 年前的业绩要远远好于现在，至少从回测结果来看如此。那时，采用量化策略的对冲基金并不多。并且，买卖差价也比现在大得多，所以，如果用今天的交易成本做固测，会不现实地抬高早年的收益。

有存活偏差的数据也会使得早年业绩过好。存活偏差影响早年业绩的原因在于，回测回溯的越早，消失的股票也就越多。有些股票消失是因为已经破产倒闭，一个纯多头策略在回测的早期会比当年实际的盈亏看起来好。因此，在判断一项策略的适用性时，要重点关注其最近几年的业绩，而不要被包括早年光鲜数字的总体业绩欺骗。

最后，金融市场的“状态转换”，也意味着早年的金融数据并不能简单地应用于今天的相同模型。证券市场监管的变化（如第5 章中提到的股票价格采用十进制报价或卖空规定的取消）或其他宏观经济事件（如次贷市场的崩溃），都能导致重要的制度转换。

很多具备统计思维的读者很难接受这一点。他们中的很多人会认为，数据越多，回测在统计上就越可靠。但这其实只对由平稳过程产生的金融时间序列来说才是正确的。不幸的是，由于前面提到的原因，金融时间序列显然是非平稳的。

将状态转换纳入一个复杂的“超级”模型是可能的（例7. 1 中我会讨论这个问题），但如果只要求模型相对近期的数据业绩良好，会使事情简单很多。



2. 2. 6 策略是否存在数据迁就偏差？


如果你构建一个有100 个参数的策略，完全可能通过优化参数，使历史业绩看起来非常棒。同样可能的是，该策略的未来业绩与回测结果截然不同、非常精糕。这么多参数，只是使模型与过去发生但未来不会再重现的任何偶然历史事件吻合。实际上，即使只有一两个参数（如建仓和清仓阔值），也很难避免所谓数据迁就偏差，第3 章会讨论怎样减小数据迁就偏差的影响。一般而言，策略的规则越多，模型的参数越多，就越有可能遭遇数据迁就偏差。能经得起时间考验的往往是简单的模型。