策略改进
有一些常用方法可用来改进初次回测业绩不佳的策略。如何在改进策略时不引进数据迁就偏差，并保持少参数的简单模型，更像是艺术而非科学。一个与参数优化相同的指导原则是：任何策略改进要同时提高训练集和测试集的业绩。
经常有一些非常简单的策略，为交易员所共知，收益在不断下降，但仍然盈利。股票配对交易就是一个例子。收益下降的原因在于众多交易员会利用这种套利机会，从而逐渐消除盈利。然而，通常会对基本策略进行微小调整，来提升收益。
这些微小调整往往不如基础策略那样为人熟知，因此交易员也很少采用。比如有时会排除某只或某组特定股票。例如，交易员会倾向于从技术交易程序中排除价格易受消息影响的医药股，或面临并购的股票。还可以改变进出市场的时间或交易频率,甚至简单到选择一组不同的股票。如例3. 7就可以看到，一项策略应用于小盘股时夏普比率很出色，而应用于大盘股时却非常糟糕。
策略的改进，最好基于经济学基本原理，或者透彻研究过的市场现象，而不是依据一些主观的试错法则。否则，就有可能产生数据迁就偏差。
我们改进一下例3.7中的均值回归策略。考虑交易成本后，2006年策略的夏普比率从0.25变为一3.19。对策略仅做一下改动:在市场开盘而非收盘时更新头寸。将MATLAB代码中所有的“cl”改为“cp”。
你会发现，不考虑交易成本，夏普比率会增加到4.43；考虑交易成本后，夏普比率也增加到有利可图的0.78!用标准普尔400中盘股指数和标准普尔600小盘股指数的成分股进行回测，会进一步提高夏普比率，这留给读者自行练习。
小结
策略业绩的真实历史模拟过程叫做回测。回测的依据在于假设策略的未来业绩会与过去业绩一致，不过你的投资经理会不厌其烦地告诉你，没有人能保证一定会这样。
在进行真实历史回测，以及减少未来业绩偏离回测业绩时，会牵涉许多细节问题，包括：
·数据：分拆和股息的调整，日最高、最低价的噪声，存活偏差。
·业绩度量：年化夏普比率和最大挫跌。
·前视偏差：在过去的交易决策中使用无法得到的事后信息。
·数据迁就偏差：拟合历史数据时使用过多参数，可以用大样本数剧、样本外测试和敏感性分析来避免此类偏差。
·交易成本：交易成本会影响策略业绩。
·策略改进：通过策略的微小调整来优化业绩的常见方法。
通过本章的学习，并做了例子和练习之后,你就有了一些实践经验，知道了如何检索历史数据以及使用EXCEL或MATLAB回测策略。
测试策略时,由于时间和其他条件的限制，不可能避免所有陷阱。这种情况下，可以略过一些预防措施，快速感受一下这个策略是否具有潜力，是否值得做进一步检验。有时，最严格和仔细的回测都无法查验出来的问题，通过几个月的仿真交易或真实交易就会显现出来。在模型应用过程中，会经常遇到这些问题。
一旦对策略进行回测并得到合理业绩后，就为下一步开展交易事业做好了准备。
