复盘与研究日志：让每次实验可追溯

为什么要写研究日志#

三个直接的理由：

• 防止重复劳动：没有记录，你会在半年后满怀兴奋地”重新发现”一个自己早已否定过的想法；
• 让结论可审计：当策略实盘表现和回测不符时，你需要回溯当初的每个假设和参数，找出分歧点；
• 对抗记忆的美化：人会不自觉地记住成功、淡忘失败。白纸黑字的记录是对抗这种偏差的唯一手段。

更深一层：被否定的实验和成功的实验同样有价值。“动量在这个品种、这个周期上没用”本身就是一条值得付费的知识——前提是你记下来了。

日志还有一个隐性收益：它会改变你做实验的方式。当你知道每个实验都要写下假设和结论时，你会自然地放慢速度、想清楚再动手，而不是漫无目的地调参数”看看会怎样”。研究质量的提升，往往就是从这个小小的摩擦力开始的。

一条合格的实验记录长什么样#

日志不需要华丽，但需要结构。流水账式的”今天跑了个回测，效果不错”几乎没有信息量，三个月后你既不知道跑的是什么，也不知道”不错”是相对什么而言。一条记录至少要包含五个要素，缺一个，实验的价值就打折扣：

注意”参数”一栏要求写下尝试过的组合数。这直接对应过拟合课里的原则：试了 100 组挑出来的最优结果，和只试了 3 组的结果，可信度完全不同。

“结论”一栏则要求你明确表态：假设是被支持、被否定，还是存疑。存疑不是和稀泥，而是一个正当的状态——比如样本太短、结果对某个参数过于敏感，此时诚实地写”证据不足”比勉强下结论更专业。同时把”下一步”写清楚：是设计新实验继续验证，还是归档放弃。没有下一步的实验记录，很容易变成无人认领的烂尾楼。

版本管理与随机种子#

日志解决”想法可追溯”，工程手段解决”结果可复现”：

• 代码进 Git：每次实验对应一次提交，日志里记下 commit 哈希。三个月后按哈希检出代码，就能原样重跑。不要用”策略_final_v3_真最终版.py”这种文件名管理版本，那是混乱的开始；
• 数据快照：数据源会修订历史数据（复权因子更新、错误修正），今天下载的”2020 年的价格”可能和一年前下载的不完全一样。重要实验最好保存当时用的数据文件或记录其版本；
• 固定随机种子：凡是涉及随机性的环节（抽样、机器学习模型初始化），显式设定种子并写进日志，否则同一份代码每次跑出的数字都不一样，你将无法区分”改进”和”随机波动”。

1
import numpy as np
2
import random
3

4
SEED = 42
5
np.random.seed(SEED)
6
random.seed(SEED)
7
# 日志中记录：seed=42, commit=a1b2c3d, data=etf_daily_20240630.parquet

警惕”抽屉效应”：只记成功的实验#

抽屉效应指失败的实验被塞进抽屉、只有成功的被展示。在个人研究里它同样致命：如果你试了 50 个想法、只记住表现最好的那个，这个”最好”很大概率只是运气——50 次抽签总有一次抽到好签。

对策是把纪律前置：

1. 先登记、后实验：动手写代码之前，先在日志里写下假设和预期，防止事后”改口”；
2. 失败也要写结论：每条记录必须有明确的收尾，哪怕只有一句”否定，原因是样本外衰减”；
3. 定期复盘统计：每月数一数，本月做了多少实验、否定了多少。如果”成功率”高得离谱，多半是筛选出了问题。

顺便说，市面上你看到的策略分享也普遍带有抽屉效应——没人展示自己失败的一百次尝试。理解了这一点，你对”网上看到的神奇策略”就会多一层天然的免疫力。

一个可以直接用的 Markdown 模板#

1
# 实验编号：EXP-2026-07-20-01
2
- 日期：2026-07-20
3
- 假设：（一句话，可被证伪）
4
- 数据：来源 / 品种 / 区间 / 快照文件名
5
- 方法与参数：规则简述；关键参数；共尝试参数组合数
6
- 环境：commit 哈希；随机种子
7
- 结果：年化收益 / 最大回撤 / 换手率 / 样本内外对比
8
- 结论：支持 / 否定 / 存疑（说明理由）
9
- 下一步：（或"归档，不再推进"）

把模板存成文件，每次实验复制一份填写，五分钟就能完成。编号建议用”日期加当日序号”的格式，方便排序和引用；所有日志放进仓库的一个固定目录，和代码一起提交。坚持三个月，你会拥有一份别人拿不走的研究资产：一张记录着你验证过什么、否定过什么、还欠什么的认知地图。

本课小结#

• 研究日志防重复劳动、让结论可审计、对抗记忆的美化。
• 一条合格记录包含假设、数据、参数、结果、结论五要素。
• commit 哈希、数据快照、随机种子三件套保证实验可复现。
• 先登记后实验、失败也写结论，是对抗抽屉效应的核心纪律。
• 被否定的实验是资产，不是垃圾。

动手练习：用上面的模板，把前几课做过的双均线回测补写成一条正式的实验记录，包括你试过的所有参数组合和最终结论，并提交到 Git 仓库。