海龟交易法则第五章：系统回测与样本外验证

“历史数据里总能找到完美的系统。问题在于，它只在历史里完美。” —— 柯蒂斯·费思

华尔街背景

费思在书中花了大量篇幅讨论一个反直觉的现象：回测曲线越漂亮，实盘失败的概率往往越高。

原因在于，当你反复调整参数直到历史表现最优时，你并没有发现市场规律，你只是在描述这段历史恰好发生了什么。这就是过度拟合（Overfitting）——用足够多的参数，你可以完美解释任何一段过去，却对未来毫无预测力。

股市交易应用

1. 过度拟合的四个典型信号

• 参数过多： 一个包含七八个可调参数的系统，几乎必然是拟合出来的。海龟系统的核心参数只有三个：突破周期、N 的计算窗口、止损倍数。
• 参数极度敏感： 若 20 日突破盈利丰厚，而 19 日和 21 日突破却亏损，说明你找到的是数据噪声而非真实规律。
• 交易样本过少： 用 15 笔交易验证出来的“优势”不具备统计意义。
• 完美的净值曲线： 真实的趋势系统必然包含长期横盘与深度回撤。一条平滑上升的回测曲线本身就是警报。

2. 参数高原 vs. 参数尖峰

这是本章最实用的判断工具：

• 参数尖峰（危险）： 突破周期 20 日年化 30%，19 日年化 8%，21 日年化 6%。
• 参数高原（可靠）： 突破周期 18–25 日的年化回报都在 18%–24% 之间。

结论：宁可选择参数高原中央的次优参数，也不要选择尖峰上的最优参数。 高原意味着系统对参数不敏感，因而更可能捕捉到了真实的市场结构。

3. 样本外验证的标准做法

• 将历史数据切分为样本内（约 70%）与样本外（约 30%）两段。
• 所有参数选择、规则调整只允许在样本内完成。
• 样本外数据只能使用一次。若样本外表现显著劣于样本内，系统作废——不允许“再回去调一调然后重测”，那会立刻污染样本外数据。

4. 别忘了成本

回测最常见的致命疏漏是忽略交易成本。假设一套系统每年交易 200 次，单次往返成本（佣金 + 滑点）为 0.15%，则每年被侵蚀 30% 的绝对收益。许多“回测年化 25%”的高频系统，计入成本后期望值为负。

风险管理守则

1. 先划定样本外，再开始研究： 在看任何结果之前就把最近 30% 的数据封存。这是防止自我欺骗的唯一有效方法。
2. 选高原不选尖峰： 参数微调即导致业绩剧变的系统，一律放弃。
3. 成本按最坏情况估算： 滑点按实际成交的两倍计入。若系统在悲观成本假设下仍为正期望值，才值得投入真实资金。

与退休组合的关系

对退休投资者而言，本章的价值主要是防御性的：它解释了为什么那些宣传“回测年化 30%”的量化产品、订阅信号或交易课程通常不可信。学会识别过度拟合，你就能否决绝大多数不该碰的产品——这比找到一个好策略更能保护退休资产。