3、量化投资基础：概念、策略、回测与评价指标

各位同学，欢迎来到量化投资的世界。说实话，我当年刚入行时，也以为量化就是写几行代码自动买卖。后来踩了不少坑才明白——量化投资的核心，是把投资逻辑变成可执行的规则，再用历史数据去验证它。

这一章，我们先把地基打牢。我会带你搞清楚四个关键问题：量化投资到底是什么？有哪些常见的策略类型？怎么搭建回测框架？以及，如何评价一个策略的好坏？

3.1 量化投资概念：从直觉到规则

量化投资，说白了就是用数学模型和计算机技术来做投资决策。它不是玄学，而是把「我觉得这只股票会涨」变成「当市盈率低于15倍且ROE大于20%时买入」这样的硬规则。

我个人习惯把量化投资拆成三个要素：

• 数据：价格、成交量、财务指标、舆情数据等
• 模型：统计模型、机器学习模型、规则引擎等
• 执行：自动化交易、风险控制、资金管理

我在项目中遇到过不少新手，一上来就搞复杂的深度学习模型。结果呢？过拟合严重，实盘一跑就亏。我的建议是：从简单的规则开始，先跑通流程，再逐步优化。

3.2 策略类型：你适合哪一种？

量化策略五花八门，但万变不离其宗。我按自己的经验，把它们分成四大类：

策略类型	核心逻辑	典型例子	适合人群
趋势跟踪	追涨杀跌，相信趋势会延续	双均线策略、海龟交易法则	喜欢顺势而为的投资者
均值回归	价格偏离均值后会回归	布林带策略、配对交易	喜欢低买高卖的投资者
因子策略	用特定因子筛选股票	价值因子、动量因子、质量因子	偏好基本面分析的投资者
统计套利	利用价格关系的统计偏差	协整配对、跨期套利	数学功底较强的投资者

你想想看，我们这门课要做的碳中和主题轮动策略，本质上属于因子策略的变种。我们会用碳排放强度、新能源营收占比等因子来筛选股票，再根据动量或估值进行轮动。

3.3 回测框架介绍：让历史告诉你答案

回测，就是用历史数据模拟策略的表现。一个好的回测框架，应该包含以下模块：

• 数据模块：获取、清洗、对齐数据
• 策略模块：定义买卖规则
• 执行模块：模拟交易过程（考虑滑点、手续费）
• 评价模块：计算绩效指标

我个人比较喜欢用 backtrader 这个框架，它灵活且社区活跃。下面是一个最简单的回测示例：

import backtrader as bt

class MyStrategy(bt.Strategy):
    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(self.data.close, period=20)

    def next(self):
        if self.data.close[0] > self.sma[0]:
            self.buy()
        elif self.data.close[0] < self.sma[0]:
            self.sell()

cerebro = bt.Cerebro()
cerebro.addstrategy(MyStrategy)
# ... 添加数据、设置初始资金等
cerebro.run()

嗯，这里要注意：回测结果漂亮不代表实盘也能赚钱。为什么？因为回测存在幸存者偏差、前视偏差、过拟合等问题。我曾经做过一个策略，回测年化收益50%，实盘一跑直接亏了20%。后来发现是数据里包含了未来信息——这就是典型的前视偏差。

3.4 绩效评价指标：如何衡量策略好坏？

评价一个策略，不能只看收益率。我一般会看四个核心指标：

3.4.1 年化收益率

把总收益率换算成年化形式，方便不同策略之间比较。公式很简单：

年化收益率 = (1 + 总收益率) ^ (1 / 年数) - 1

3.4.2 最大回撤

从最高点到最低点的最大跌幅。这个指标衡量的是策略的「抗风险能力」。我个人习惯把最大回撤控制在20%以内，超过这个数，心理压力会非常大。

3.4.3 夏普比率

衡量每承担一单位风险，能获得多少超额收益。公式是：

夏普比率 = (策略年化收益率 - 无风险利率) / 策略年化波动率

一般来说，夏普比率大于1算不错，大于2算优秀。我见过最夸张的一个策略，夏普比率做到了3.5，但后来发现是数据出了问题。

3.4.4 其他指标

• 胜率：盈利交易次数 / 总交易次数
• 盈亏比：平均盈利 / 平均亏损
• 卡玛比率：年化收益率 / 最大回撤

3.5 知识体系总览

下面这张图，是我自己整理的量化投资基础框架。你可以把它当作本章的「地图」：

这张图把本章的核心内容串起来了。从概念出发，到策略类型，再到回测框架，最后用绩效指标来评价。后面的章节，我们会一步步把这个框架填满。

---

公众号:蓝海数据掘金营，微信deep3321