基差回归模型的评价体系：预测精度、信号质量与收益风险比

模型建好了，参数调完了，回测跑完了。然后呢？

很多新手会盯着回测曲线傻乐，觉得稳了。我当年也干过这事。直到实盘被市场狠狠教育了一顿，才明白——评价一个基差回归模型，绝不能只看收益曲线漂不漂亮。

今天咱们就聊聊，怎么从三个维度去审视你的模型：预测精度、交易信号质量、收益风险比。这三者缺一不可，就像三条腿的凳子，少一条都坐不稳。

一、预测精度：MAE 和 RMSE 到底看哪个？

预测精度是基础。你预测的基差跟实际基差到底差多远？这里有两个常用指标：MAE（平均绝对误差）和RMSE（均方根误差）。

我个人习惯两个都看。但有个细节——MAE 适合判断日常预测的稳定性，RMSE 则能帮你揪出那些「离谱的预测」。

举个例子，假设你预测的基差序列和实际基差序列如下：

实际基差: [10, 12, 11, 9, 15]
预测基差: [9, 13, 10, 10, 12]

MAE = (|10-9| + |12-13| + |11-10| + |9-10| + |15-12|) / 5
    = (1 + 1 + 1 + 1 + 3) / 5 = 1.4

RMSE = sqrt((1² + 1² + 1² + 1² + 3²) / 5)
     = sqrt(13 / 5) ≈ 1.61

你看，最后一个点的误差是 3，MAE 只把它当成普通误差，但 RMSE 把它平方了，惩罚更重。这就是为什么我建议你重点关注 RMSE 的绝对值——如果它比 MAE 大很多，说明模型存在「尾部风险」。

二、交易信号质量：别被假信号骗了

预测精度高，不代表交易信号好。为什么？

你想想看，基差回归模型的核心逻辑是：当预测基差偏离实际基差超过某个阈值时，开仓做回归。但如果这个阈值设得不好，或者信号本身噪声太大，你就会被反复打脸。

我一般用以下几个指标来评估信号质量：

• 信号准确率：开仓后基差是否朝预期方向回归？这个比例越高越好。
• 信号频率：每天/每周产生多少个信号？太少没机会，太多容易过度交易。
• 信号稳定性：信号是否集中在某个时间段？还是均匀分布？
• 最大连续亏损次数：这个很关键。如果连续亏 5 次以上，你的心理防线可能就崩了。

我建议你做一个信号质量评估表：

嗯，这里要注意：信号频率不是越高越好。频率太高往往意味着你在追逐噪声，而不是真正的回归机会。我个人的经验是，日频交易中，每天 0.5-1 个信号是比较舒服的节奏。

三、收益风险比：最终买单的是这个

预测精度再高，信号质量再好，如果收益风险比不行，一切都是白搭。

收益风险比，说白了就是你赚的钱跟你冒的风险之间的比例。常用的指标有：

• 夏普比率：单位风险带来的超额收益。一般 > 1 算合格，> 2 算优秀。
• 卡玛比率：年化收益 / 最大回撤。这个我更喜欢，因为它直接反映了「你最多亏多少」。
• 胜率 vs 盈亏比：胜率高但盈亏比低，或者胜率低但盈亏比高，哪种更好？我个人倾向于后者。

举个例子，假设你有一个模型：

• 年化收益：15%
• 最大回撤：5%
• 卡玛比率 = 15% / 5% = 3.0

这个水平在基差交易里算不错了。但如果最大回撤是 10%，卡玛比率降到 1.5，那就要警惕了——是不是模型在某些市场状态下失效了？

我记得有一次，我的模型在 2020 年 3 月（疫情爆发期）回撤了 12%，卡玛比率直接从 2.8 掉到 1.2。后来复盘发现，是模型没有考虑「极端行情下的流动性枯竭」——基差虽然回归了，但平仓滑点太大，把利润全吃掉了。

四、三个维度的综合评估框架

说了这么多，怎么把这三个维度串起来？我画了一张图，帮你理清思路：

你看，这三个维度是层层递进的关系：

1. 预测精度是基础。模型连基差都预测不准，后面就不用谈了。
2. 信号质量是桥梁。预测准了，还要能转化成可执行的交易信号。
3. 收益风险比是最终目标。前面两个做得再好，最终还是要看能不能赚钱、能赚多少、风险多大。

最后说一句：没有完美的模型，只有适合当前市场的模型。评价体系的意义，不是让你找到一个「万能模型」，而是帮你持续监控、持续改进。市场在变，你的评价标准也要跟着变。

公众号:蓝海资料掘金营，微信deep3321