第十五章：稳健性检验

参数调优做到这一步，你可能会觉得：嗯，回测曲线挺漂亮，夏普比率也不错。但我要泼一盆冷水——这很可能只是过拟合的假象。

我见过太多交易员，拿着回测漂亮的参数直接上实盘，结果亏得怀疑人生。为什么？因为市场环境一变，那些参数就失效了。所以，稳健性检验不是可选项，是必选项。

参数敏感性分析

说白了，就是看看你的参数稍微动一动，策略表现会不会崩。

我个人习惯的做法是：把每个参数在最优值附近±10%、±20%的范围里跑一遍，观察收益曲线的变化。如果稍微调一点就大幅亏损，那这个参数就是「脆弱的」。

举个例子，我做过一个基差交易策略，参数是「开仓阈值=2.5倍标准差」。当我把它调到2.3和2.7时，年化收益从18%掉到了5%。这说明这个参数太敏感了，实盘中很容易出问题。

蒙特卡洛模拟

这个方法听起来高大上，其实原理很简单：用随机抽样来模拟未来可能出现的各种行情路径。

具体做法是：

1. 从历史数据中随机抽取交易样本（有放回）
2. 用这些样本重新跑策略
3. 重复1000次以上
4. 看收益分布是否稳定

import numpy as np

def monte_carlo_simulation(strategy_returns, n_simulations=1000):
    """
    蒙特卡洛模拟策略收益分布
    """
    results = []
    n_samples = len(strategy_returns)
    
    for i in range(n_simulations):
        # 有放回抽样
        sample = np.random.choice(strategy_returns, size=n_samples, replace=True)
        # 计算累计收益
        cum_return = np.prod(1 + sample) - 1
        results.append(cum_return)
    
    # 计算95%置信区间
    lower = np.percentile(results, 2.5)
    upper = np.percentile(results, 97.5)
    
    return lower, upper, results

我曾经用这个方法检验过一个参数组合，发现虽然平均收益不错，但最差的5%情景下亏损超过40%。这个风险我承受不了，果断放弃了那组参数。

压力测试

压力测试就是故意挑最恶劣的市场环境来考验策略。我一般会选几个典型场景：

• 2008年金融危机：流动性枯竭，基差剧烈波动
• 2015年股灾：连续跌停，无法平仓
• 2020年疫情：开盘即跌停，基差瞬间拉大
• 2022年俄乌冲突：地缘政治风险，商品价格暴涨暴跌

把这些极端行情的数据单独拎出来，看看策略在其中的表现。如果最大回撤超过你能承受的范围，那就得重新考虑参数了。

不同市场环境下的表现

市场环境不是一成不变的。牛市、熊市、震荡市、趋势市，策略表现可能天差地别。

我习惯把历史数据分成几个阶段：

市场环境	特征	策略表现要求
趋势市	单边上涨或下跌	年化收益>15%
震荡市	价格在区间内波动	夏普比率>1.5
高波动市	波动率>30%	最大回撤<10%
低波动市	波动率<15%	胜率>60%

如果一个策略只在牛市里赚钱，熊市里就亏成狗，那它就不是好策略。真正稳健的策略，应该能在各种环境下都活得下去。

参数鲁棒性评估

最后，把所有检验结果综合起来，给参数打个分。我自己的评分体系是这样的：

• 参数敏感性：±10%范围内收益波动<20% → 10分
• 蒙特卡洛模拟：95%置信区间不包含负收益 → 10分
• 压力测试：所有极端行情下最大回撤<20% → 10分
• 多环境表现：至少3种环境下收益为正 → 10分

总分40分，低于30分的参数组合直接淘汰。别心疼，淘汰掉一个脆弱的参数，可能救你一命。

---