第4章衰减检测方法

4、衰减检测方法：夏普比率趋势分析、收益衰减曲线拟合、P&L滚动窗口统计、交易信号质量监控

策略衰减，说白了就是你的赚钱机器开始生锈了。

我见过太多团队，策略回测时曲线漂亮得像教科书，实盘三个月后却开始稳定亏损。为什么？因为他们没有一套系统的衰减检测机制。今天我就把这套方法掰开揉碎了讲给你听。

4.1 夏普比率趋势分析

夏普比率，量化圈最熟悉的陌生人。很多人只看它的绝对值，却忽略了它的趋势变化。

我个人习惯，每周计算一次滚动夏普比率。窗口期选60个交易日，步长5天。这样能画出一条夏普比率的时间序列曲线。

核心逻辑：如果夏普比率连续4周低于历史均值的1个标准差，策略大概率在衰减。

为什么会这样？你想想看，夏普比率衡量的是单位风险下的超额收益。当策略失效时，要么收益下降，要么波动率上升，或者两者同时发生。无论哪种情况，夏普比率都会掉头向下。

import numpy as np
import pandas as pd

def rolling_sharpe(returns, window=60, rf=0.02/252):
    """
    滚动夏普比率计算
    returns: 日收益率序列
    window: 滚动窗口
    rf: 无风险利率（日化）
    """
    rolling_mean = returns.rolling(window).mean()
    rolling_std = returns.rolling(window).std()
    sharpe = (rolling_mean - rf) / rolling_std * np.sqrt(252)
    return sharpe

# 使用示例
daily_returns = pd.Series([...])  # 你的收益率数据
sharpe_series = rolling_sharpe(daily_returns)
# 检测衰减：最近4周均值 vs 历史均值
recent_avg = sharpe_series[-20:].mean()
historical_avg = sharpe_series[:-20].mean()
if recent_avg < historical_avg - sharpe_series[:-20].std():
    print("⚠️ 夏普比率显著下降，策略可能衰减")

我的经验：曾经有个高频策略，夏普比率从3.2缓慢降到2.1，团队觉得还在2以上就没管。结果一个月后直接崩到0.8。后来我定了个规矩：夏普比率连续3周下降，不管绝对值多少，先降仓位再说。

4.2 收益衰减曲线拟合

这个方法更直观。你把累计收益画出来，然后用不同的函数去拟合它。

正常策略的累计收益曲线，应该近似一条直线（如果收益稳定）或者指数曲线（如果复利效应明显）。但如果它开始走平，甚至变成对数曲线，那就是衰减的信号。

我常用的拟合模型有三种：

模型	公式	衰减含义
线性	y = a·t + b	收益稳定，无衰减
对数	y = a·ln(t) + b	收益增速放缓，早期衰减
指数衰减	y = a·(1 - e^(-b·t))	收益趋于饱和，严重衰减

怎么用？把最近90天的累计收益数据拿出来，分别用这三个模型拟合，看哪个的R²最高。如果对数或指数衰减模型的拟合优度明显高于线性模型，那就要警惕了。

from scipy.optimize import curve_fit
import numpy as np

def detect_decay(cumulative_pnl, days=90):
    """
    检测收益曲线是否衰减
    cumulative_pnl: 累计收益序列
    """
    y = cumulative_pnl[-days:]
    x = np.arange(len(y))
    
    # 线性拟合
    def linear(x, a, b):
        return a * x + b
    
    # 对数拟合
    def log_fit(x, a, b):
        return a * np.log(x + 1) + b
    
    # 指数衰减拟合
    def exp_decay(x, a, b):
        return a * (1 - np.exp(-b * x))
    
    # 计算R²
    def r_squared(y_true, y_pred):
        ss_res = np.sum((y_true - y_pred) ** 2)
        ss_tot = np.sum((y_true - np.mean(y_true)) ** 2)
        return 1 - (ss_res / ss_tot)
    
    # 拟合并比较
    models = {'linear': linear, 'log': log_fit, 'exp': exp_decay}
    results = {}
    
    for name, func in models.items():
        params, _ = curve_fit(func, x, y, maxfev=5000)
        y_pred = func(x, *params)
        results[name] = r_squared(y, y_pred)
    
    # 如果对数或指数模型的R²更高，说明衰减
    if results['log'] > results['linear'] or results['exp'] > results['linear']:
        return True, results
    return False, results

注意：拟合方法对数据长度敏感。窗口太短（<30天）容易误判，窗口太长（>180天）反应太慢。我个人推荐90天，不长不短刚刚好。

4.3 P&L滚动窗口统计

这个方法我用了五年，简单粗暴但极其有效。

把P&L按固定窗口滚动统计，看几个关键指标的变化趋势：

日均盈亏：窗口内平均每天赚/亏多少钱
盈亏比：盈利交易平均金额 / 亏损交易平均金额
胜率：盈利交易占比
最大回撤：窗口内的最大资金回撤

我曾经用这个方法抓到一个策略的早期衰减信号。当时日均盈亏从+2.3万慢慢降到+1.1万，但胜率反而从52%升到了58%。乍一看好像还不错？但盈亏比从1.8降到了0.9。这说明策略在靠小盈利堆胜率，但一亏就是大钱。典型的衰减前兆。

def rolling_pnl_stats(trades, window=50):
    """
    滚动P&L统计
    trades: DataFrame，包含'pnl'列
    window: 滚动窗口大小
    """
    trades['rolling_avg'] = trades['pnl'].rolling(window).mean()
    trades['rolling_win_rate'] = (
        trades['pnl'].rolling(window).apply(
            lambda x: (x > 0).sum() / len(x)
        )
    )
    trades['rolling_profit_ratio'] = (
        trades['pnl'].rolling(window).apply(
            lambda x: x[x > 0].mean() / abs(x[x < 0].mean())
            if len(x[x < 0]) > 0 else np.inf
        )
    )
    trades['rolling_max_dd'] = (
        trades['pnl'].rolling(window).apply(
            lambda x: (x.cumsum().cummax() - x.cumsum()).max()
        )
    )
    return trades

# 检测衰减信号
stats = rolling_pnl_stats(your_trades)
if (stats['rolling_avg'].iloc[-1] < stats['rolling_avg'].iloc[-window:].mean() * 0.7
    and stats['rolling_profit_ratio'].iloc[-1] < 1.2):
    print("⚠️ P&L滚动统计显示策略衰减")

避坑指南：我曾经把窗口设成20天，结果频繁误报。后来改成50天，误报率降了80%。窗口太小噪音太大，窗口太大又滞后。50天是个不错的平衡点。

4.4 交易信号质量监控

这是最容易被忽视的检测维度。很多人只看钱，不看信号本身的质量。

交易信号质量监控，说白了就是检查你的策略是不是还在按预期逻辑执行。我主要监控三个指标：

信号触发率：实际触发的信号数量 / 理论可触发的机会数量。如果这个比例突然下降，说明市场结构变了，策略的入场条件不再容易满足。
信号命中率：触发后盈利的信号 / 总触发信号。这个指标比胜率更敏感，因为它只看信号本身，不看仓位大小。
信号延迟：从信号产生到实际成交的时间差。高频交易里，延迟增加往往意味着流动性变化或市场微观结构改变。

嗯，这里要注意。信号质量监控不能只看绝对值，要看趋势。我习惯把这三个指标画成K线图，每天更新。一旦某个指标连续5天偏离历史均值2个标准差，我就手动复盘。

def signal_quality_monitor(signals, window=30):
    """
    交易信号质量监控
    signals: DataFrame，包含'triggered', 'profitable', 'latency'列
    """
    # 信号触发率
    signals['trigger_rate'] = (
        signals['triggered'].rolling(window).mean()
    )
    # 信号命中率
    signals['hit_rate'] = (
        signals['profitable'].rolling(window).mean()
    )
    # 信号延迟
    signals['avg_latency'] = (
        signals['latency'].rolling(window).mean()
    )
    
    # 检测异常
    for col in ['trigger_rate', 'hit_rate', 'avg_latency']:
        recent = signals[col].iloc[-5:].mean()
        hist_mean = signals[col].iloc[:-5].mean()
        hist_std = signals[col].iloc[:-5].std()
        
        if abs(recent - hist_mean) > 2 * hist_std:
            print(f"⚠️ {col} 异常偏离，当前值: {recent:.3f}, 历史均值: {hist_mean:.3f}")
    
    return signals

总结一下：四种检测方法各有侧重。夏普比率趋势看整体风险调整收益，收益曲线拟合看增长形态，P&L滚动统计看交易细节，信号质量监控看执行层面。我建议四种方法同时用，交叉验证。单一指标出问题可能是噪音，两个以上同时报警，那基本就是真衰减了。

这四种方法，说白了就是给策略做体检。夏普比率是血常规，收益曲线是CT扫描，P&L统计是心电图，信号质量是尿检。单项异常不一定有事，但多项异常同时出现，那肯定得住院了。

我建议你把这套检测流程做成自动化脚本，每天开盘前跑一遍。别等到亏钱了才想起来检查，那时候黄花菜都凉了。

📚 课程目录

4、衰减检测方法：夏普比率趋势分析、收益衰减曲线拟合、P&L滚动窗口统计、交易信号质量监控

4.1 夏普比率趋势分析

4.2 收益衰减曲线拟合

4.3 P&L滚动窗口统计

4.4 交易信号质量监控