交易学习手册（七）：优势从哪里来——分析方法、市场异象与检验

你找到了一个指标。回测很漂亮：过去五年，它每次发出信号之后平均涨 3%。

你上手做了二十笔，净结果是负的。

指标没坏，回测也没造假。问题出在一个你没问的问题上：如果这个规律这么好用，为什么它还在那里等着你？

前六篇讲的是机制和数学：确定的、可查证的、不会过期的东西。它们决定你能不能留在牌桌上，但它们本身不产生任何收益。这一篇处理另一半问题：收益从哪里来。

需要先承认一件事：这一篇不可能给你一个优势。真有效的信号一旦被公开就开始被套利掉——这不是谦虚，是第五节要用数据说明的一个可测量的现象。这一篇能做的是别的三件事：

1. 把「优势」这个词拆成四个具体的来源，看看你现实中能拿到哪个
2. 梳理哪些规律有像样的证据，哪些没有，以及有证据的那些衰减得多快
3. 给一套检验方法，让你能判断自己手上的想法是真信号还是噪声

本文仅用于记录和普及基础知识，不构成投资建议。文中提到的任何指标、异象或策略都不是推荐。

一、有效市场假说：约束条件，不是判决

任何关于「我能通过分析跑赢市场」的想法，都要先面对这个理论。

Eugene Fama 提出的有效市场假说（EMH）有三种强度：

形式	主张	如果成立，则无效的方法
弱式	价格已反映全部历史价格信息	技术分析
半强式	价格已反映全部公开信息	技术分析 + 基本面分析
强式	价格已反映全部信息（含内幕）	一切方法

现在的主流认识大致是：强式基本被否定（内幕交易确实能赚钱，这也是它违法的原因）；弱式和半强式在流动性好的大市场里近似成立，但存在可测量的偏离。

一个更有用的替代框架是 Andrew Lo 提出的适应性市场假说：市场效率不是一个是非题，而是随参与者结构、资本量和竞争程度动态变化的。一个策略可以在某段时期有效、在资本涌入后失效、在参与者退出后重新有效。

这个框架的实际含义：

打个比方

把「优势」想成地上掉的钱。

一条每天有十万人走过的大街，地上不太可能有钱躺着——不是因为没人掉钱，是因为掉了几秒钟内就被捡走了。而一条没什么人走的小巷，钱可能在那儿躺一整天。

这个比方能一次说清好几件事：

为什么大盘股上很难有优势     那条街上人太多了
为什么小市值标的上更可能有     那条巷子没人走
为什么公开的优势会衰减        你把巷子的位置发到网上了
为什么优势会"复活"           人走光之后，钱又开始能躺住了

⭐ 所以问题不是「市场有效吗」，而是「在这个具体的角落里，现在有多少聪明的钱在做同一件事」。

⚠️ 但这个比方还有一半，很多人只记住了前一半：没人走的巷子，通常有没人走的理由。 那里可能流动性极差（你捡得起来但换不成钱）、可能信息不透明（你看到的"钱"是假的）、可能干脆是个陷阱。天下没有免费的午餐，也没有免费的低效率。

在苹果公司的股票上，你面对的是全世界数千名全职分析师和无数台低延迟服务器。在一个市值很小、无人覆盖的标的上，信息优势更可能存在——但那里的流动性风险和欺诈风险也高得多。

天下没有免费的午餐，也没有免费的低效率。

二、优势的四个来源，以及你现实中能拿到哪个

「优势（edge）」不是一个笼统的褒义词。它只有四种具体形态。

来源一：信息优势

你知道别人不知道的事。

• 合法路径：一手调研、专有数据集（信用卡消费流水、卫星图像、招聘数据）、行业内的专业背景
• 现实约束：内幕信息交易违法；另类数据集的年费通常在数万到数十万美元量级，是机构的游戏
• 散户可得性：⭐☆☆☆☆ 除非你的职业本身就在某个行业深处，且必须小心合规边界

来源二：分析优势

大家看同样的信息，你解读得更好。

• 现实约束：在有大量分析师覆盖的大盘股上，这几乎不存在。在无人覆盖的小市值公司、复杂的资本结构、分拆重组等特殊情形中，它更可能存在
• 代价：需要投入的时间是全职级别的
• 散户可得性：⭐☆☆☆ 理论上可得，但需要真实的深度工作，且回报高度集中在你能覆盖的极少数标的上

来源三：速度优势

你比别人先做出反应。

• 现实：这是高频交易公司的战场，竞争尺度是微秒。他们花钱买交易所机房里离撮合引擎更近的机柜位置
• 散户可得性：☆☆☆☆ 不要在这个维度上竞争。 你的网络延迟比他们慢几个数量级

来源四：行为与结构优势

这是散户唯一有真实优势的维度，而且它经常被低估。

⚠️ 被低估的原因值得说一句：前三种优势听起来都像"能力"——知道得更多、算得更准、跑得更快，符合人们对"高手"的想象。而这一种听起来像"什么都不做"，一点都不性感。

但回到上面那个比方：你的优势不是眼力更好，是你可以在巷子口站三年。而机构不能——他们每个季度都要向人解释自己为什么还站在这儿。

机构受到的约束，你没有：

机构的约束	你的自由
季度/年度业绩考核，跑输就有职业风险	可以承受三年跑输而不用向任何人解释
客户在低点赎回，被迫在最差时点卖出	没有赎回压力，只要不用杠杆
规模太大，小市值和小流动性池子进不去	规模小是优势，能玩的角落更多
必须持续持仓（现金拖累业绩）	可以长期空仓，不交易也是一种仓位
需要跟踪基准，不能偏离太远	不需要跟任何指数比较

同时，行为纪律本身就是优势的一种：在第一篇引用的研究里，绝大多数散户的亏损不是因为分析错误，而是因为换手过高、追涨杀跌、在恐慌时卖出。不做这些事，就已经领先了群体的平均水平。

一个诚实的推论

对绝大多数人，可实现的优势排序是：

行为与结构优势  >>  分析优势  >  信息优势  >  速度优势
      ↑                                        ↑
   唯一可靠的                              不要去碰

如果你说不清自己的优势属于哪一类，那默认答案是：没有优势。这时最合理的做法不是更努力地找信号，而是降低换手率、降低成本、拉长持有期——把唯一真实的那项优势用满。

第 46 篇把这一段展开成了一整篇，并给出两条这里没说的性质：它是全手册唯一「公开也不衰减」的优势（因为它不是信息差，无法被套利）；以及它必须被拆成加数项（成本、频率、不被迫出场、税——即使你毫无优势也成立）和乘数项（一致执行——⚠️ 作用在负数上仍是负数）。

三、基本面分析

股票：它在回答什么

基本面分析试图估算一家公司的内在价值，然后与市场价格比较。

核心材料是财务报表（美股公司需向 SEC 提交 10-K 年报和 10-Q 季报，可在 EDGAR 免费查阅原文）：

• 利润表：收入、成本、利润 —— 赚不赚钱
• 资产负债表：资产、负债、股东权益 —— 家底和杠杆
• 现金流量表：经营/投资/融资现金流 —— 钱是不是真的进来了

第三张表值得特别注意。利润受会计政策影响的空间比现金大得多，长期的「有利润但没有经营现金流」是一个值得追问的信号。

常用指标及其局限：

指标	含义	局限
P/E	市盈率	亏损公司无意义；周期股在盈利高点 P/E 最低
P/B	市净率	对轻资产公司参考价值低（见第五节的价值因子讨论）
EV/EBITDA	含债务的估值	EBITDA 忽略了真实的资本开支
自由现金流	可自由支配的现金	高增长期可能为负但不代表差
ROE	净资产收益率	可以靠加杠杆做高
毛利率/毛利资产比	盈利能力	见第五节的质量因子
负债率	财务杠杆	行业间不可比

没有任何单一指标可以用来筛选。 低 P/E 可能是便宜，也可能是市场正确地预期了盈利下滑——这被称为价值陷阱。

会计红旗：可检查的清单

上面说「现金流量表最难粉饰」，这里把它展开成可以逐项核对的东西。

这些不是造假的证据，它们是需要解释的异常——找不到合理解释时，才成为问题。

数字层面

红旗	为什么值得追问
应收账款增速持续超过收入增速	可能是激进确认收入，或向渠道压货
存货增速持续超过收入增速	可能是滞销，未来面临减值
经营现金流长期低于净利润	利润没有变成现金
毛利率显著高于同业且无机制解释	需要能说清楚优势来自哪里
每年都出现的「一次性」费用	一次性项目连续出现，就不是一次性的
收入确认政策与同业不同	可比性问题，也可能是选择的结果

第三行有学术支撑：Sloan（1996）记录了应计项目异象——利润中由应计（而非现金）构成的比例越高，公司后续的股价表现越差。这是把「现金流比利润重要」这句话变成可测量指标的经典工作。

治理与披露层面

这一类往往比数字更值得警惕，因为它们更难被粉饰：

• 🚩 审计师变更，尤其是从大所换到小所
• 🚩 财报延迟提交（美股会有 NT 10-K / NT 10-Q 备案，公开可查）
• 🚩 业绩重述（restatement）
• 🚩 披露内部控制存在重大缺陷
• 🚩 CFO 频繁更换
• 🚩 大量关联方交易
• 🚩 公司结构异常复杂、存在大量表外实体

以上项目在美股都要向 SEC 备案，可在 EDGAR 检索。

怎么用

这份清单的正确用法是排除，不是选股。它回答的是「这家公司是否存在需要解释的异常」，而不是「这家公司会不会涨」。

按第二节的框架，认真做这件事属于分析优势——它需要真实的时间投入，回报也集中在少数标的上。但它有一个特点：它排除掉的是尾部风险，而尾部风险不需要预测能力就能规避。

加密资产：基本面是什么

这是一个更困难的问题，因为多数代币不产生现金流，传统估值方法无处着力。

可以考察的维度：

• 代币经济学（Tokenomics）：总供应、流通供应、通胀率、销毁机制
• 解锁计划（Vesting）：⚠️ 这是最容易被忽略、影响最直接的一项。 团队和早期投资者的代币在何时解锁、解锁多少。大额解锁带来持续的、可预期的卖压。而「可预期」意味着这是少数不需要预测能力就能观察到的因素
• 持币集中度：前若干地址持有多少比例。高度集中意味着少数地址的行为可以决定价格
• 真实收入：协议是否有实际的手续费收入，收入是否流向代币持有者
• 实际使用：活跃地址、交易笔数——注意这些指标可以被低成本地伪造（自己给自己转账）

关于 **TVL（总锁仓价值）**要特别注意：它是被引用最多、也最容易误导的指标。TVL 会因为币价上涨而自动上涨（同样数量的币，价值更高），可以通过循环借贷被重复计算，还可以靠短期高额补贴买来。TVL 上升不等于协议在变好。

一个诚实的说法是：加密资产的估值缺少公认的框架。多数所谓的估值模型是在为已有的价格寻找理由。

四、技术分析：按证据强度分层

技术分析假设价格走势中包含可利用的信息。这个领域的说法很多，但证据质量差异极大，值得分层来看。

⭐ 这一节给的是分层；完整的地图（十二类工具、按信息含量重排、以及为什么证据强度恰好按自由度排序）在第 34 篇。那一篇还给了一个框架来解释本节的分歧：测量 / 纪律 / 预测是三种用途，同一个工具在三格里的可靠性差一个数量级。

有相对较好研究支持的

动量效应、波动率聚集——这两项证据较强，放在下一节和市场异象一起详细展开。

成交量与流动性。前面几篇讲的订单簿深度、价差，是可观察且有直接因果机制的。这不是预测，是现状的测量。

证据混杂的

支撑与阻力。存在部分自我实现的机制：很多人在同一个整数关口或前高附近下单，这确实会造成订单簇集。但「哪条线是有效的支撑」在事后总能找到，在事前难以确定。

趋势跟随。作为一类策略，趋势跟随（尤其在期货和商品上）有较长的实盘业绩记录，也有学术研究支持。但它的典型特征是低胜率、高盈亏比、长期横盘中持续小亏——多数人心理上执行不了。这恰好呼应第二节：它的优势与其说来自信号，不如说来自能坚持执行信号的能力。

⭐ 这些特征不是巧合，而是「亏损截断 + 盈利放任」这条规则的必然推论——它产生的是一个凸的收益结构，横盘期的小亏就是权利金。完整拆解见第 30 篇，那里还有一个更硬的约束：单品种上你可能永远拿不到统计显著性。

基本没有稳健证据的

大部分振荡指标的固定参数用法。RSI 超过 70 就超买、跌破 30 就超卖，MACD 金叉买入死叉卖出——这类规则在样本外测试中很少表现出稳定的正期望值。它们的参数（14 日、12/26/9）是历史沿袭，没有理论依据。

需要说明的是：这不代表看这些指标的人都在亏钱。一个交易者可能用 RSI 作为构建纪律的工具，而他真正的优势来自仓位管理和情绪控制。但把指标本身当作预测来源，缺乏证据支持。

复杂形态与画线体系。头肩顶、各类波浪计数、斐波那契目标位等，共同的问题是事后可识别、事前不可证伪。如果一个方法在走势发生后总能解释、但在发生前给不出可验证的判断，它就不是一个可检验的方法。

一个中立的定位

技术分析最扎实的用途，是确定止损应该放在哪里——一个结构上有意义、被击穿就说明判断错了的位置。

这个用途不依赖预测能力，而且它直接服务于第六篇的仓位公式。

五、有较强证据的市场异象

「异象（anomaly）」指的是无法被标准资产定价模型解释的、系统性的超额收益模式。下面几个是学术界研究最充分、重复验证最多的。

读之前请先记住：这些全部是「组合层面的统计规律」，不是对单只标的的预测。 它们的实现方式是同时持有几百只股票的多空组合，持有数年，而不是「买一只动量股」。

动量（Momentum）

主张：过去 3–12 个月表现好的股票，在接下来的 3–12 个月倾向于继续跑赢。

证据：Jegadeesh 和 Titman 1993 年的论文首次系统记录。此后在多个国家、多个资产类别（股票、商品、外汇、债券）和多个时间段被重复验证，是最稳健的异象之一。

代价：动量崩溃。Daniel 和 Moskowitz 在 Momentum Crashes（2016）中记录了这个特性——在市场大跌后的反弹阶段，动量策略会遭遇极端的、快速的回撤。1932 年和 2009 年是两个典型例子。它的收益分布是左偏的：平时稳定小赚，偶尔巨亏。

实务问题：动量需要高换手率来维持，交易成本吃掉相当一部分学术收益。

价值（Value）

主张：估值低的股票长期跑赢估值高的股票。

证据：Fama 和 French 1992/1993 年的工作把它确立为一个定价因子（HML）。历史样本上的证据很强。

代价：价值因子经历了长达十余年的显著跑输（大致从 2007 年到 2020 年）。这段时间足以让任何机构的基金经理丢掉工作，也足以让任何个人放弃。关于原因的争论仍在继续，一个主要观点是：账面价值这个指标在无形资产（软件、品牌、研发）主导的经济中失去了原有的意义。

这是一个重要的教训：一个有几十年学术证据支持的因子，可以连续十几年不工作。「长期有效」和「你能等到那个长期」是两回事。

规模（Size）

主张：小市值股票跑赢大市值股票。

证据：Banz 1981 年提出。

代价：这是异象衰减的教科书案例。在原始论文发表后，规模溢价在美国市场大幅减弱甚至消失。后续研究表明原始效应中相当部分来自极微小市值的股票（流动性极差、实际不可交易）以及一月效应等季节性因素。

低波动（Low Volatility / Betting Against Beta）

主张：低波动、低 Beta 的股票，风险调整后收益反而更高——这与 CAPM 的预测相反。

证据：Ang、Hodrick、Xing、Zhang（2006）和 Frazzini、Pedersen 的 Betting Against Beta（2014）。

解释：多数投资者受杠杆约束，无法通过给低风险资产加杠杆来提高收益，于是转而直接买高 Beta 股票，把它们的价格推高、未来收益压低。

注意：这个策略的学术形式需要对低 Beta 组合加杠杆才能达到目标收益水平——而加杠杆把你带回第六篇的所有问题。

质量 / 盈利能力（Quality）

主张：高盈利能力（如高毛利资产比）的公司跑赢低盈利能力的公司。

证据：Novy-Marx（2013）。Fama-French 在 2015 年将盈利能力（RMW）和投资（CMA）纳入五因子模型。

注意：「质量」的定义在不同研究和不同产品中差异很大，缺少统一标准，这使得它比动量和价值更难比较。

波动率聚集

主张：「大波动之后往往跟着大波动」。

证据：这是时间序列上极其稳健的统计性质，GARCH 类模型的基础。

关键限制：它预测的是波动幅度，不是方向。它对风险管理有直接价值——高波动期应减小仓位——但不能用来判断涨跌。这可能是这一节里唯一一个可以直接、安全地用在个人交易上的规律，而且它服务的是第六篇而不是这一篇。

六、优势会衰减：复制危机

上一节的异象都有像样的证据。但下面这组研究，是这一整篇里最应该被记住的部分。

公开会杀死优势

McLean 和 Pontiff 在 Does Academic Research Destroy Stock Return Predictability?（Journal of Finance, 2016）中，重新测试了 97 个已发表的、有显著预测能力的因子。他们比较了三个时期的收益：

时期	相对原论文样本内收益
论文样本期内	100%（基准）
样本期之后、论文发表之前	约 −26%
论文发表之后	约 −58%

两个数字各自说明一件事：

• −26% 部分来自原论文中的数据挖掘成分（样本内被高估了）
• −58% 中额外的那部分，来自发表本身——资本看到论文后涌入，把机会套利掉

结论直白：一个策略被写进论文（或博客、或推文）之后，它的收益大约减半。

更糟：很多异象根本不成立

Hou、Xue 和 Zhang 在 Replicating Anomalies（Review of Financial Studies, 2020）中，用统一的方法重新检验了 452 个已发表的异象。在恰当处理微小市值股票（用市值加权而非等权，避免结果被无法实际交易的微盘股主导）后：

约三分之二的异象无法在统计上重复出来。

也就是说，已发表的金融学文献中，很大一部分「发现」经不起严格复制。

显著性门槛本身就设错了

Harvey、Liu 和 Zhu 在 …and the Cross-Section of Expected Returns（Review of Financial Studies, 2016）中提出了一个更根本的批评：金融学界几十年来测试了数百个因子，但每一个都用 t > 2.0 的标准判断显著性。

在如此大规模的多重检验下，t > 2.0 会产生大量假阳性。他们论证合理的门槛应当提高到 t > 3.0 左右——按这个标准，大多数已发表的因子不再显著。

这三项研究合起来的含义

1. 你在网上看到的任何策略，都已经过了它最好的时候。 免费的、公开的、被广泛讨论的，按定义是竞争最激烈的。
2. 回测出来的漂亮曲线，先假设有一半是假的。 这不是悲观，是上面的实证结果。
3. 真正的优势有保质期。 一个可持续的做法不是找到「圣杯」，而是接受你需要持续地重新验证和替换。
4. 对个人而言，这再次指向第二节的结论：行为与结构优势不会被套利掉，因为它来自你的约束比机构少，而不是来自某个信号。

七、链上分析

这是加密市场独有的：区块链的所有交易公开可查。

有实际价值的观察：

• 交易所净流入/流出：大量代币转入交易所可能预示卖压（但也可能只是做市商调仓）
• 大额持有者地址变动
• 稳定币供应量变化
• 合约层面的资金费率、未平仓合约量、清算数据——这些是当前状态的直接测量，不是预测

局限也很明确：

• 地址不等于人。一个人可以有无数地址，交易所的冷热钱包会造成巨额的虚假信号
• 归因依赖第三方标注，而这些标注可能过时或错误
• 链下交易不可见。CEX 内部的交易不上链，而这部分成交量占比很大
• 可以被刻意制造。知道有人在看这些指标，就有人会去制造这些指标

链上数据的最佳用途和波动率类似：测量当前的市场状态（尤其是杠杆水平），而不是预测方向。

⭐ 这一节是清单，第 43 篇是分层：那里按「依赖多少假设」把链上指标排成五层，并给出一条关键区分——链上原始数据可复现，但链上指标不一定可复现，因为大多数指标依赖私有的地址标注。⚠️ 而流行度恰好和可信度相反。

八、还有一类：不依赖方向预测的策略

这一整篇讨论的都是「怎么判断涨跌」，但值得指出：方向性下注是一个选择，不是交易的定义。

做市、期现基差套利、资金费率套利这几类做法，收益不来自预测方向，而来自为别人承担某种他们不想承担的东西——做市承担库存风险和逆向选择，基差类策略为杠杆做多者提供对手方。

必须同时说清楚的是：它们不是免费的钱。 价格风险被对冲掉了，但它被换成了对手方风险和操作风险，而后者更容易被低估——因为它平时完全不波动，直到一次性归零。FTX 上有大量这类「市场中性」仓位，最终全部损失。中性的是价格敞口，不是对手方敞口。

还有一个更微妙的陷阱：这类策略的收益分布是左偏的（平时稳定小赚、偶尔巨亏），而夏普比率对左偏分布系统性高估。一个看起来完美的低波动策略，可能只是那次归零事件还没发生。

这一类内容展开较多，单独放在了第十篇，包括做市的逆向选择模型、基差的无套利定价与真实资本效率、以及为什么低波动是过度加杠杆的最大诱因。

对本篇而言，只需要记住一个可迁移的结论——面对任何号称「稳定年化 XX%」的东西，问三个问题：

这个收益是谁付的？它承担的是什么风险？最坏情况下会损失多少？

说不出对手方是谁的收益，就不要碰。

九、怎么判断一个想法值不值得实盘

这一节是这篇里最实用的部分。

⭐ 这一节和下一节给的是清单（该做什么、别踩什么）。第 38 篇把它们装成了一条有顺序的流水线，并补上了这里只点到为止的定量工具：分块 bootstrap 怎么给出夏普区间、试过 N 次之后纯运气能达到多高的夏普、以及成本吃掉一半毛收益为什么会让所需样本量变成四倍。

第一步：先算需要多少样本

这是最被忽略的一步。检验一个策略是否真的优于零，需要的样本量比直觉大得多。

对每笔交易的收益（以 R 计），t 统计量约为：

t = (平均每笔R ÷ 每笔R的标准差) × √N

要达到 t = 2（一个宽松的标准），需要的交易笔数：

平均每笔收益	标准差 1.0R	标准差 1.5R
+0.05R	1,600 笔	3,600 笔
+0.10R	400 笔	900 笔
+0.20R	100 笔	225 笔
+0.30R	44 笔	100 笔

换成年化的说法更直观。对年化夏普比率 SR，t ≈ SR × √年数：

年化夏普	达到 t=2 需要
0.3	约 44 年
0.5	约 16 年
1.0	4 年
1.5	约 1.8 年

含义：一个夏普 0.5 的策略（这已经是相当不错的水平），你需要十几年的数据才能在统计上把它和「运气」区分开。

这不是说不能交易，而是说：你手上那几十笔交易的记录，几乎不包含任何关于策略是否有效的信息。 而且按第六节，t=2 的门槛本身可能还太松。

第二步：分割数据，且只用一次

样本内（约 60%）：用来开发和调参
样本外（约 20%）：用来验证
封存期（约 20%）：动都不要动，直到最后一次

关键纪律：如果你在样本外测试失败后，回去改参数再测一次，样本外就已经污染了——它变成了样本内的一部分。每一次「回去改一下再试」，都在消耗这份数据的可信度。

更严格的做法是前进式检验（Walk-Forward）：用前 N 个月的数据优化参数，在接下来的 M 个月上测试，然后整体向前滚动，重复。这更接近实盘中「你只能用过去的数据」的真实处境。

第三步：检查稳健性

• 参数平原：参数在一片区域内都表现尚可，还是只在一个点上惊艳？后者是过拟合
• 跨市场：这个逻辑在其他标的、其他资产类别上也成立吗？
• 跨时期：在不同的宏观环境（加息/降息、牛市/熊市）里表现如何？
• 敏感性：把交易成本翻倍，还能赚钱吗？
• 有无因果解释：你能说出为什么这个规律存在、谁在另一端亏钱吗？说不出来的规律更可能是巧合

最后一条尤其重要。一个有经济学解释的异象（比如低波动异象源自杠杆约束）比一个纯粹从数据里挖出来的模式更可能持续。

第四步：预先写下失效条件

这一步几乎所有人都跳过，而它是唯一能防止你无限期地给一个失效策略找借口的东西。

在实盘之前写下来：

最大可接受回撤        ：____%（触及则停止）
最长可接受不盈利期    ：____ 个月
最少评估样本          ：____ 笔（不到这个数不做任何判断）
实盘 vs 回测的偏离容忍：滑点超出预期 ___% 则暂停
明确的证伪条件        ：出现什么现象说明逻辑已不成立

没有预先写下的失效条件，你在策略失效时会有无数个理由说「再等等」——而这些理由在事后总是显得很合理。

第五步：小规模实盘

回测和实盘之间永远有差距：滑点、部分成交、数据延迟、你自己的执行失误、以及你在真金白银下的心理反应。

用能承受完全损失的最小资金跑一段真实交易。这一步的主要目的不是赚钱，是测量回测与现实的差距，以及测量你自己。

十、回测里最容易骗到自己的六件事

任何用历史数据验证策略的人都必须知道这些。它们不是理论问题——它们是绝大多数「回测很好、实盘就亏」的原因。

1. 过拟合（曲线拟合）

参数调到在历史数据上完美，等于把噪声也学进去了。判断标准：参数稍微变动结果就大幅变差，说明你拟合的是噪声。

2. 多重比较

测试一百个策略，其中总会有几个纯靠运气「表现优异」。如果你只报告最好的那个，你报告的是运气。

这就是第六节 Harvey 等人批评的问题在个人层面的版本。有一个专门的修正指标叫紧缩夏普比率（Deflated Sharpe Ratio），用来根据你实际尝试过的策略数量惩罚观察到的夏普值。试得越多，同样的结果越不值钱。

3. 幸存者偏差

用「今天还在交易的股票」做回测，自动排除了退市和破产的公司，结果必然偏乐观。加密市场更严重——大量归零的代币直接从数据源上消失了，用现存代币做出的任何历史统计都是对幸存者的统计。

4. 前视偏差

在回测中使用了当时还不可得的信息。典型例子：用财报期末日期而不是实际公布日期；用后来被修正过的宏观数据；在收盘价确定后才「决定」以收盘价买入。

5. 忽略成本

不计佣金、价差、滑点、资金费、借券费和税的回测，在高频次策略上可以把一个亏损策略显示成盈利策略。交易越频繁，失真越大。 参考第八篇：单次 0.2% 成本、每日一次往返，年成本接近 50%。

6. 样本期太短

只在牛市中测试过的策略，你不知道它在熊市中的表现。加密市场的完整数据历史本身就不长，覆盖的宏观环境种类有限。

⚠️ 还有第七件：引擎本身可能是错的

上面六件都假设回测算出来的数是对的。这个前提经常不成立，而且失败是静默的——引擎不会报错，只会给你一个偏乐观的数字。

⭐ 第 38 篇第九节给了一个能抓住大部分引擎 bug 的自检：跑一个随机进出、频次相同的策略，结果必须约等于「−成本 × 次数」。 显示接近零或者赚钱，就说明引擎有问题——这是你唯一一个有已知答案的回测。

十一、什么不算证据

一份简短的清单，用来过滤你在网上看到的东西：

❌ 不算证据	为什么
盈利截图	可以伪造，也可以从一百个账户里挑一个
短期业绩	见第九节：几十笔交易不含信息
「我从 X 赚到了 Y」	幸存者偏差，你看不到亏损的那些人
平滑向上的回测曲线	见第十节的六种偏差
事后解释走势的能力	不可证伪
大量精确的技术术语	复杂度不等于有效性
「已经有 N 人跟单盈利」	无法验证，且与你无关

✅ 算某种程度的证据	附加条件
长期、连续、可审计的业绩记录	需覆盖多种市场环境
多个独立团队的重复验证	见第六节，即便如此也会衰减
有因果机制的解释	说得出谁在另一端亏钱
公开的、可复现的方法与数据	你能自己跑一遍

十二、这一篇的结论

• 优势只有四种来源。对个人而言，行为与结构优势是唯一可靠的那个——它来自你比机构少的约束，而且不会被套利掉。
• 说不清自己的优势来自哪一类，就假设没有。这时最优解是降低成本和换手，而不是更努力找信号。
• 动量、价值、低波动、质量有较强证据，但它们是组合层面的规律；价值因子曾连续十余年跑输，「长期有效」不保证你能等到。
• 公开会杀死优势：已发表因子的收益在发表后大约减半（McLean & Pontiff）；约三分之二的已发表异象无法复制（Hou-Xue-Zhang）；显著性门槛本身可能定得太松（Harvey-Liu-Zhu）。
• 加密的基差类做法不依赖方向预测，但把价格风险换成了对手方风险——FTX 上的中性仓位一样归零。
• 检验一个想法需要的样本量远超直觉：夏普 0.5 需要约 16 年才能与运气区分。你手上那几十笔交易不含结论。
• 实盘前写下失效条件，否则你会为失效的策略无限期地找理由。
• 波动率聚集可能是这一篇里唯一能安全直接使用的规律——而它服务的是仓位管理，不是方向判断。