第 11~13 章：回测的谎言、统计学地基与防弹系统

第十一章：实盘不如回测的四个原因#

系统商贩用”5000 美元五年变 100 万”的广告收割韭菜，但费思指出，连诚实的研究者也会系统性高估自己。实盘与回测的落差有四个来源：

1. 交易者效应：一个方法最近赚了大钱，就会有更多人用它，优势被拥挤磨平——物理学里观察改变对象，市场里赚钱改变市场；
2. 随机效应：回测期恰好是这个系统的幸运区间。书里用随机入场做对照实验，纯运气也能跑出让人心动的十年业绩；
3. 优化悖论：选参数这件事本身注定了回测偏乐观——你挑的就是历史上最好看的那个点，而它落在未来最优点上的概率很低。注意他的立场很微妙：优化是应该做的（找到参数的稳健区域），错的是把优化后的历史数字当成未来的期望；
4. 过度拟合：规则越多、越贴合历史细节，拟合的噪声越多。加一条规则历史收益立涨，多半是坏消息。

第十二章：把回测放回统计学#

回测的本质是用样本推断总体，于是两条铁律：样本要够大（几百笔交易起步），样本要有代表性（覆盖不同市场状态）。在此之上，费思提出三个更稳健的度量，专治第 7 章埋下的”日期敏感”问题：

• RAR%（回归年化收益）：对净值曲线做线性回归取斜率，代替两点连线的 CAGR——起止点挪几个月，RAR% 只动零点几个百分点，CAGR 能动好几个点；
• R-cubed（稳健风险回报比）：RAR% ÷ 五次最大回撤的平均值（含回撤长度调整）——不再被单次最深回撤绑架；
• 稳健夏普：RAR% ÷ 月度收益年化标准差。

再配三个体检动作：参数扰动（把参数改动 20~25% 再看结果：布林带系统 RAR% 只从 59% 掉到 58%，R-cubed 却从 3.67 掉到 2.18——回测到实盘大概就是这种落差）；滚动优化窗口（只用截止某年的数据选参数，再看其后两年的表现，逐窗口前推——即今天的 walk-forward）；蒙特卡洛（重排/重抽净值路径，看回撤分布而非单一路径）。

第十三章：防弹 = 分散 × 简单#

既然无法预知未来属于哪种市场状态，就不要把命押在单一系统上。费思用生态系统类比：靠单一物种的生态系统撑不过气候变化，靠单一系统的账户撑不过市场结构变化。防弹的两根支柱：

• 分散：多市场 × 多系统。两个 MAR 各 1.0 的低相关系统组合，回撤错峰，整体风险回报显著优于任何单个系统；
• 简单：规则越少，对特定市场状态的依赖越少，系统死亡的概率越低。

外加一条纪律：按远低于回测最优的杠杆交易——为回测与现实之间的落差预留安全边际。

对应本平台#

• 平台的 IC 分析默认全区间一把梭，你可以手动切前后两半对照——这就是最朴素的样本外检验；正经的滚动窗口检验值得作为 策略回测 的下一个功能来实现；
• 把”参数扰动”变成习惯：在 因子分析 里把回看窗口 20 改成 15 和 25 各跑一遍，三组结果差异大，就当它是运气。

本页带走的三句话#

1. 实盘不如回测的四大原因：拥挤、运气、优化悖论、过拟合——先默认全占，再逐项排除；
2. 用 RAR% 和 R-cubed 这类”挪日期挪不动”的指标替代 CAGR 和 MAR 做决策；
3. 防弹不靠找到更好的系统，靠分散、简单和低于最优的杠杆。