今日（8.18日）沪指跌1% 次新股集体爆发 环保、银行股走高 医药商业、传媒、证券等板块下挫。详情点击

来源：网络 发布时间：2023-08-18 16:12:57 点击量：

8月18日下午，A股收市，三大指数震荡走低，上证指数收跌1.00%，深证成指收跌1.75%，创业板指收跌1.31%。当天，两市成交额7447亿元，较上一交易日增量49亿元；北向资金净卖出超85亿元，大盘资金净流出超398亿元。两市股票呈现跌多涨少的态势，1065只股票上涨，4091只股票下跌。其中，37只涨停股、9只跌停股。板块方面，环保、燃气、港口航运、非汽车交运、银行、油气开采及服务、次新股、污水处理、航运概念等板块涨幅居前；医药商业、中药、酒店及餐饮、房地产服务、医疗服务、传媒、零售、证券、超级真菌、CRO概念、减肥药概念等板块跌幅居前。

上涨板块方面，环保板块领涨，国泰环保、建工修复、碧兴物联20CM涨停；次新股集体爆发，锴威特涨超109%，信宇人涨超37%；银行股震荡走高，常熟银行、贵阳银行涨超2%。医药商业板块领跌，华人健康、漱玉平民跌超11%，塞力医疗跌停；传媒板块持续下挫，卓创资讯跌超10%，姚记科技跌停。热门个股方面，昆仑万维跌超9%，天风证券跌超7%，中际旭创跌超5%。

什么是回测？

回测是将交易策略规则应用于一组历史定价数据。

就是说，如果我们定义了一套进入和退出资产组合的机制，并将这些规则应用于这些资产的历史定价数据，那么我们可以尝试了解这种“交易策略”在过去的绩效。

曾经有人说过“所有模型都是错误的，但是有些模型是有用的”。回测也是如此。那么它们的目的是什么？

回溯测试最终可以帮助我们确定,是否值得对一系列策略规则进行实时交易。它为我们提供了怎样的策略的想法可能过去已经执行了。从本质上讲，它使我们可以在分配任何实际资本之前过滤掉错误的策略规则。

生成回测很容易。不幸的是，回测结果不是实时交易结果。相反，它们是现实的模型。通常包含许多假设的模型。

软件回溯测试主要有两种类型：“ for循环”和“事件驱动”系统。

在设计回测软件时，总是需要在准确性和实现复杂性之间进行权衡。以上两种回测类型代表此折衷的任何一端。

回测陷阱

回测有很多陷阱。他们都担心回测只是现实的模型这一事实，一些较常见的陷阱包括：

· 样本内测试-当您使用相同的数据来“训练”交易模型以及对其进行“测试”时，就会发生这种情况。它几乎总是夸大策略的性能，超出实时交易所能看到的水平。这是因为尚未对看不见的数据进行验证，这可能与训练数据明显不同。从本质上讲，它是过度拟合的一种形式。

· 幸存者偏差-对于S＆P500等股票市场指数，会定期进行上市和退市，这会随着时间的流逝而改变其构成。由于没有考虑回测中不断变化的成分，因此交易策略会自动忽略那些因低市值而跌出该指数的公司，从而自动“选出赢家”。因此，在进行长期回测时，总是有必要使用无幸存者偏差的数据。

· 前瞻性偏差-未来的数据可能以非常微妙的方式“潜入”回测中。考虑在特定时间范围内计算线性回归比率。如果在同一样本中使用此比率，则我们隐式引入了将来的数据，因此可能会导致性能提升。事件驱动的回测器在很大程度上解决了这个问题，我们将在下面讨论。

· 市场制度变化-这涉及到股市“参数”不是固定不变的事实。即，产生库存移动的基础过程不需要具有保持时间恒定的参数。这使得难以归纳参数化模型（许多交易策略都是这种模型的实例），因此回测中的性能可能会高于实时交易中的性能。

· 交易成本-许多For-Loop回测都没有考虑基本交易成本，例如费用或佣金。在学术论文中尤其如此，在该论文中，回测在很大程度上不涉及交易成本。不幸的是，要找到无需交易成本即可获利丰厚的策略，却要在面对真实市场时却蒙受重大损失，这太容易了。典型的成本包括利差，市场影响和滑点。所有这些都应该在现实的回测中考虑。

回溯测试中还有一些更细微的问题，这些问题虽然很少讨论，但仍然非常重要。它们包括：

· OHLC数据-OHLC数据，即从诸如Yahoo Finance之类的免费站点获取的每日数据类型，通常是多种交换摘要的合并。因此，不太可能通过实时交易系统获得所看到的某些更极端的价值（包括当日的最高价和最低价）。需要将这种“订单路由”视为模型的一部分。

· 容量限制-回测时，很容易利用“无限”的钱。但是，实际上，资本以及保证金都受到严格限制。还必须考虑平均每日交易量（ADV）限制，尤其是对于那些我们的交易确实可能会改变市场的小型股。为了风险管理的目的，必须考虑这种“市场影响”的影响。

· 基准选择-衡量被回测策略所依据的基准选择是否是一个好的选择？例如，如果您正在交易商品期货并且对S＆P500美国股票指数持中立态度，那么使用S＆P500作为基准真的有意义吗？一篮子其他商品贸易基金是否更有意义？

· 稳健性-通过在回测中改变策略的开始时间，结果会发生巨大变化吗？对于长期策略而言，回溯测试是在星期一还是在星期四开始都没有关系。但是，如果对“初始条件”敏感，那么如何在实时交易中可靠地预测未来表现？

· 过拟合/偏差方差折衷-我们已经在样本内测试点中对此进行了一些讨论。但是，对于所有（受监督的）机器学习方法，过度拟合都是一个更广泛的问题。解决这个问题的唯一真实方法是仔细使用交叉验证技术。即使这样，我们也应该非常小心，不要仅仅将我们的交易策略调整为适合训练中的噪音。

· 心理宽容-量化金融中经常忽略心理学，因为（据说）通过创建算法系统将其删除。但是，它总是会蔓延，因为一旦实时部署，量化人员就有可能“修补”或“覆盖”系统。此外，回溯测试中似乎可以忍受的东西，可能在实盘交易中并不相同。如果您的回测股票曲线在其交易历史中的某个时刻显示出50％的亏损，那么您还可以在实时交易场景中使用它吗？

（申明：以上资料全部来自网络公开信息，不构成投资建议）