策略建模基础：策略的定义与表示、策略空间、策略评估指标
好，咱们正式开始聊策略建模。说实话，很多人一上来就撸代码，结果策略跑出来自己都看不懂。我见过太多这样的项目了——策略定义不清，评估指标混乱，最后根本没法上线。
这一节，咱们把地基打牢。你想想看，盖楼之前总得先画图纸吧？策略建模就是那张图纸。
策略的定义与表示
先问个问题：什么是策略？
在我眼里，策略就是一个从状态到动作的映射函数。说白了，就是「在什么情况下，做什么事」。
举个例子，一个简单的交易策略：
# 策略定义：移动平均线交叉
def strategy(data):
if data['ma5'] > data['ma20']:
return 'buy' # 金叉，买入
elif data['ma5'] < data['ma20']:
return 'sell' # 死叉，卖出
else:
return 'hold' # 持有不动
嗯，这里要注意：策略的表示方式有很多种。我个人习惯把它们分成三类：
- 规则型策略：if-else 写死的逻辑，简单直观，但灵活性差
- 参数化策略：比如 y = wx + b，通过调整参数来改变行为
- 函数型策略：用神经网络等复杂函数逼近，表达能力最强
策略空间
策略空间，就是所有可能策略的集合。这个概念很重要，因为它决定了你的搜索范围有多大。
你想想看，如果策略空间太小，可能找不到最优解；如果太大，搜索起来又太慢。这就像找钥匙——你是在一个抽屉里找，还是在整个小区里找？
策略空间通常由几个维度决定：
| 维度 | 说明 | 示例 |
|---|---|---|
| 参数空间 | 策略中可调参数的范围 | 移动平均的周期数：5~200 |
| 动作空间 | 策略可以执行的动作集合 | {买入, 卖出, 持有} |
| 状态空间 | 策略依赖的输入信息 | 价格、成交量、技术指标 |
我曾经犯过一个错误：把策略空间设得太大，结果搜索了三天三夜都没收敛。后来我学乖了，先缩小参数范围，找到大致方向后再精细调整。
下面这张图展示了策略空间的核心结构：
策略评估指标
策略建好了，怎么判断好坏？这就得靠评估指标了。我一般从三个维度来评估：收益、风险、鲁棒性。
收益指标
收益是最直观的，但也是最容易骗人的。我见过有人拿「年化收益率 500%」的策略来炫耀，结果一看回测周期只有一个月。
常用的收益指标：
- 累计收益率：总赚了多少，简单粗暴
- 年化收益率：把收益换算成年化水平，方便比较
- 夏普比率：每承担一单位风险能获得多少超额收益
- 最大回撤：从最高点到最低点的跌幅，这个很关键
风险指标
风险是什么？说白了就是不确定性。一个策略今天赚 10%，明天亏 20%，你敢用吗？
我常用的风险指标：
| 指标 | 含义 | 理想值 |
|---|---|---|
| 波动率 | 收益率的波动程度 | 越低越好 |
| 最大回撤 | 历史最大亏损幅度 | 小于 20% |
| VaR (风险价值) | 在给定置信水平下的最大可能损失 | 根据风险偏好定 |
| 下行风险 | 只考虑亏损时的波动 | 越低越好 |
嗯，这里要特别说一下最大回撤。我曾经有个策略，年化收益 30%，看着挺美。结果最大回撤 45%——也就是说，如果你在最高点买入，得亏掉将近一半。这种策略你敢实盘吗？反正我不敢。
鲁棒性指标
鲁棒性，就是策略在不同市场环境下的适应能力。说白了，换个时间段、换个品种，你的策略还灵不灵？
我一般这样测鲁棒性：
# 鲁棒性测试示例
def robustness_test(strategy, data_list):
results = []
for data in data_list: # 不同市场环境的数据
perf = backtest(strategy, data)
results.append(perf['sharpe_ratio'])
# 计算稳定性
mean_perf = np.mean(results)
std_perf = np.std(results)
# 鲁棒性得分：均值高且标准差低
robustness_score = mean_perf / (std_perf + 1e-6)
return robustness_score
鲁棒性差的策略有个典型特征：回测时曲线漂亮得像艺术品，一上实盘就崩。为什么会这样？因为回测数据里没有「意外」，而真实市场永远充满意外。
最后总结一下我的评估流程：
- 先看收益——能不能赚钱
- 再看风险——会不会亏大钱
- 最后看鲁棒性——换个环境还灵不灵
这三个维度缺一不可。我见过太多人只盯着收益，结果被风险一巴掌拍死。记住：活得久比赚得快更重要。
好了，策略建模的基础就聊到这儿。这些概念看着简单，但真正用好需要大量实践。你可以在自己的项目里试试，从定义策略开始，一步步搭建评估体系。