第五章：策略好不好？4 个评估角度

第四章我们给策略加上了规则——调仓频率、止损、止盈，学会了“不是所有合理的规则都有效”。现在手上有一个“看起来不错”的策略组合：RiskParity + 5% 止损，年化收益、夏普比都还行。

但“看起来不错”到底是什么意思？年化 15% 好不好？夏普 0.8 够不够？跟什么比？

更关键的问题：这些数字是好几年平均出来的。如果某一年亏了 20%，你扛得住吗？

路线图

我们正在走一条完整的策略构建之路：

选什么标的（第二章 已完成）→ 每个买多少（第三章 已完成）→ 什么时候买卖（第四章 已完成）→ 怎么验证有效（第五章 本章）→ 如何避免自欺欺人（第六章）

这一章你跨进了飞轮的”归因层”——主练动作从前几章的”做”切到”看”。指标是”看”的眼睛，本书的口号”做要规则、看要指标”中”看要指标”指的就是这一层的训练。 本章给策略做一次”全面体检”，分四步检查四个评估维度，对照如表 5-1 所示。

表 5-1 第五章四节问题与方法对照

节	问题	方法
5.1	跟什么比？	基准对比 + 风险调整指标
5.2	每年都有收益吗？	分年拆解
5.3	收益结构什么样？	收益分布 + 水下曲线
5.4	参数动一动崩不崩？	参数敏感性扫描

铁律不变：先猜后验，数据说了算。

本章用第三、四章的四个策略作为“被检查对象”，4 个实验都按统一流程跑——见前言“怎么使用这本书”。四个候选策略对照如表 5-2 所示。

表 5-2 第五章评估的四个候选策略

策略	来源	特点
EqualWeight	第三章等权	最简单，无参数
RiskParity	第三章风险平价	稳健，低敏感
TopNRanking	第三章动量排名	高收益但高波动
RP+止损5%	第四章最终产出	RiskParity + 5% 止损

提示：本章 📌 要点比前几章长——因为 q5 spec 涉及金融口径、视觉契约、同方法不同目的等高密度知识，每条都把“为什么、不这样会怎样”写透。读到要点段不必赶——慢一点消化更划算。

---

5.1 跟什么比？

第四章的策略年化收益 15%、夏普 0.8——好不好？

直觉告诉我们：收益高就是好，夏普越大越好。但“好”是跟什么比？如果同期市场涨了 20%，你忙活半天不如躺平。

第一章已经讲过 Beta（跟着市场赚的钱）和 Alpha（你靠技能多赚的钱）。本章要做的事，就是把 第三、四章 产出的策略放到“跟谁比”的语境里——搞清楚它赚的是 Beta 还是 Alpha。一个策略只赚到 Beta，买指数 ETF 就够了；只有创造出 Alpha，策略才有真正的价值。

在开始之前，先复习四个你已经见过的“基础体检指标”——它们在第一、二、三章都已经登场过，第一次看到时回来查表 5-3 就好。

表 5-3 四个基础体检指标速查（第一、二、三章已登场）

指标	白话含义
累计收益率	从头到尾总共赚了多少
年化收益率	平均每年赚多少
年化波动率	价格颠簸程度——数字越大越像坐过山车
最大回撤	最惨时从最高点跌了多少——衡量“最坏情况有多坏”

这四个指标已经够看出策略“赚没赚 / 颠不颠 / 摔得惨不惨”。但它们各自看一面——你还需要一把“综合尺”把收益和风险揉到一起。这把尺第三章已经提过一次（夏普比率）；本章实验跑完后我们把它和另外两把“换种风险定义”的尺子（卡玛 / 索提诺）一起请上场。先做实验，再上尺子。

动手实验 1：策略 vs 买入持有基准

我们一起把这份 spec 写出来。这次重点看三件新东西：金融指标的年化口径必须显式、oxq 评估与构造模块都要白话点名、以及防 LLM 幻觉的标准句。

先看完三段演示再回到运行结果——这一节信息会比前面密一些，因为 5.1 是 q5 信息量最大的一节。

起草上下文 + 任务

第五章是“看”的一章——把前几章产出的策略放进体检台。上下文不引入新的策略，只把第三、四章的产物集合起来：

上下文：本章评估策略的有效性。第三、四章产出了 EqualWeight、RiskParity、TopNRanking、RiskParity+5% 止损四个策略，回测指标看起来不错。但“不错”是跟什么比？年化 15% 好不好，取决于同期市场涨了多少。

任务：在 notebook q5-how-to-validate.ipynb 中，把四个策略和“等权买入持有”基准放在一起比较，引入多种风险调整指标。

📌 要点：第五章不引入新策略，只把前几章的产物集中送进体检台。spec 的上下文段把“被检查对象”明确点名——这种“集合体检”型 spec 的好处是：学员的认知负担只在“评估方法”这一条线上，不必再消化新的策略逻辑。

起草要求：模块点名 + 年化口径

要求段做两件硬约束。第一件：白话点名 oxq 评估端和构造端要用哪几个模块——AI 自己去查接口细节。第二件：指标的年化方法必须显式锁定——否则跨次/跨工具的数字对不上账。

要求：

1. 评估端使用 oxq 的 RunResult，指标的计算口径显式锁定：
   • 年化方法：252 个交易日（非 365 自然日）
   • 夏普比：annualized_return / annualized_volatility，无风险利率 rf=0
   • 卡玛比：annualized_return / abs(max_drawdown)
   • 索提诺比：annualized_return / downside_volatility（下行 = 收益 < 0 的标准差）
   • 基准的夏普比要用同一口径（252 + rf=0）
2. 构造端使用 oxq 的三个组合优化器——等权（EqualWeightOptimizer）、风险平价（RiskParityOptimizer）、动量排名（TopNRankingOptimizer），按各自的构造参数和所需指标实例化
3. 数据快照固定：START = "2021-01-01"，END = "2025-12-31"（本章数字以此为基准，不要用 today）
4. 定义辅助函数 run_strategy(portfolio, indicators=None, freq=10, stop_loss=None) 供后续 spec 复用
5. 运行四个策略 + 构造“等权买入持有”基准（每只 ETF 归一化到 1，等权平均，之后不交易）

📌 要点：金融指标的年化口径（252 vs 365、rf=0、下行波动定义）是专业默契，但 spec 必须写明。零基础学员不知道这层约定，同一个数字在不同文献里口径不同。如果 spec 不锁，你跑出 1.43，同学跑出 1.27，谁也不知道差在哪——指标 spec 的“精度”恰恰落在这些看不见的小字上。

📌 要点：评估端 + 构造端两层接口分别点名——要求 1 锁定评估端（RunResult 的指标计算），要求 2 列出构造端（三个优化器）。零基础学员只需要知道"调谁",AI 会自己去查接口。spec 把"用哪些模块"白话点清楚就够了，剩下的对照工作交给 AI。

起草结果呈现：动态描述方向

最后一段最关键的不是“画几张图”，而是怎么让 AI 在不知道结果方向的情况下写出准确的分析文字：

结果呈现：

1. 策略 vs 基准对比表（5 行 × 8 列）：策略名 / 累计收益 / 年化收益 / 波动率 / 最大回撤 / 夏普比 / 卡玛比 / 索提诺比；最后一行是等权买入持有基准
2. 超额收益（Alpha）表
3. 净值曲线对比图（figsize 12×6，4 实线 + 1 灰虚线，归一化到 100）
4. 分析文字（根据实际数据动态描述方向，不要硬写“更高”或“更低”）：哪些策略跑赢了基准？三把尺子的冠军是不是同一个？

📌 要点：「根据实际数据动态描述方向，不要硬写“更高”或“更低”」是 q5 整章四份 spec 的标准句。LLM 喜欢“看似中立其实瞎写”——不锁这一句，它会编一段听上去合理但和数据对不上的结论。把这句话当成 q5 的标配，任何要 AI 写“分析文字”的 spec 都该带上。

完整 spec 在 specs/spec-01-benchmark-and-metrics.md——复制给 AI，弹窗选「允许」。

AI 助手执行完毕后，你的 notebook 里应该出现了一张对比表、一张超额收益表和一张净值曲线图。

这个实验做了什么？把 第三、四章 产出的四个策略（等权、风险平价、动量排名、风险平价+止损）全部重新跑一遍含成本的回测，同时构造一个“买入持有”基准——等权买入三只 ETF 后不再做任何交易，代表“什么都不做”的结果。然后把五条净值曲线画在一起，用七个指标（累计收益、年化收益、波动率、最大回撤、夏普比、卡玛比、索提诺比）逐一比较，算出每个策略相对基准的超额收益（Alpha）。

运行结果

四个策略与基准的指标对比如表 5-4 所示。

表 5-4 四个策略 vs 等权买入持有基准的指标对比

策略	累计收益	年化收益	波动率	最大回撤	夏普比	卡玛比	索提诺比
EqualWeight	84.37%	12.33%	12.49%	-16.86%	1.05	0.73	0.92
RiskParity	98.01%	13.77%	11.16%	-12.81%	1.29	1.08	1.16
TopNRanking	153.03%	18.71%	15.77%	-17.77%	1.27	1.05	1.11
RP+止损5%	106.23%	14.59%	10.61%	-13.07%	1.43	1.12	1.33
等权买入持有	94.82%	14.39%	13.00%	-17.24%	1.10	—	—

超额收益 / Alpha（策略累计 — 基准累计 94.82%）如表 5-5 所示。

表 5-5 四个策略相对等权买入持有基准的 Alpha

策略	Alpha
EqualWeight	-10.45%
RiskParity	+3.18%
TopNRanking	+58.20%
RP+止损5%	+11.41%

净值曲线对比如图 5-1 所示。

结果解读

第一个认知升级：“好不好”必须有参照物。

基准（Benchmark） —— 用来做比较的参照物。这里的基准是“什么都不做”——等权买入三只 ETF 后不再交易。就像考试的“及格线”，不跟基准比，你根本不知道自己的策略是好还是坏。

年化 14% 听起来很棒，但等权买入持有同期也赚了 14.39%。EqualWeight 忙活了一堆操作，累计收益 84.37%，反而没跑赢“什么都不做”的 94.82%——你忙活半天不如躺平。

跑赢基准的部分叫 超额收益（Alpha）——回忆一下 Alpha：第一章用电梯/楼梯类比讲过，Beta 是跟着市场赚的钱（被电梯抬着上楼），Alpha 是比市场多赚的钱（靠你自己爬楼梯爬出来的部分），是你的技能回报。这一章把它放回”有了基准之后才能算”的语境再用一次——上面对比表里的”基准累计 94.82%”就是那部电梯，每个策略减去基准的差额才是 Alpha。EqualWeight 的 Alpha 是 -10.45%，说明它不但没创造技能回报，反而因为频繁调仓的交易成本”亏”了。TopNRanking 的 Alpha 最高（+58.20%），但先别急着下结论——看看其他指标怎么说。

第二个发现：不同的尺子量出不同的结论。

实验跑完了，正式介绍三把“综合尺”——它们各自把收益和风险揉到一起，但对“风险”的定义不同：

• 夏普比率（Sharpe Ratio） —— 第三章见过：年化收益除以年化波动率。把“收益高”和“颠簸大”折成一个数字。
• 卡玛比（Calmar Ratio） —— 年化收益除以最大回撤。每承受 1% 的最大回撤，能换来多少年化收益。如果你最怕“一次跌太深”，卡玛比是最直接的尺子。
• 索提诺比（Sortino Ratio） —— 只用下行波动率做分母。上涨波动不是风险——涨得猛不应该被惩罚，所以比夏普比更“公平”。

简单记忆：夏普看“颠不颠”，卡玛看“摔多惨”，索提诺只关心“亏的部分”。

把这三把尺子放进表 5-4 之后回头看——三把尺子的冠军都是 RP+止损5%：夏普比 1.43、卡玛比 1.12、索提诺比 1.33。TopNRanking 虽然收益最高，但三把尺子都不是冠军。这次三把尺子碰巧给出了同一个冠军，但不是每次都这么巧——不同的尺子关注不同的风险维度，完全可能给出不同的答案。你最怕什么风险，就用什么尺子。

但这些都是好几年平均出来的数字。平均年化 14% 听着不错——但如果其中一年亏了 20%，你扛得住吗？

---

5.2 每年都有收益吗？

刚才的指标覆盖了 2021 年初到 2026 年 3 月，整整 5 年多、1250 个交易日。这么长时间的平均值，可能掩盖某些年份的亏损。就像考试平均 80 分，但其中一科考了 30 分。

直觉告诉我们：平均好就是好吧，哪年赚哪年亏不重要？

真的吗？拆开看看。

动手实验 2：逐年收益拆解

我们一起把这份 spec 写出来。这次重点看两件新东西：接续型 spec 共享 notebook 状态、以及时间维度切片要避免重复回测。

起草上下文 + 任务

spec-02 不需要重新介绍策略——它直接接着 spec-01 在同一个 notebook 里跑。上下文段把“已经有什么”列清楚就够了：

上下文：在 q5-how-to-validate.ipynb 中已有四个策略 vs 基准的整体指标对比、results 字典、run_strategy 辅助函数、TNR_PORTFOLIO 等变量。学员已了解基准、超额收益（Alpha）、卡玛比/索提诺比等概念。

任务：按年度拆解策略表现，并深挖 TopNRanking 在负收益年份的异常。

📌 要点：q5 章四份 spec 共享同一个 notebook 状态——spec-02 直接读 spec-01 留下的 results/run_strategy/TNR_PORTFOLIO。接续型 spec 的上下文段不必再声明，只列“已经有什么”。这样 AI 不会重新下载数据、不会重新构建策略、不会假设一个不存在的变量。

起草要求：时间切片 + 缓存复用

要求段做两件事：① 按年度切片计算指标；② 深挖 TopNRanking 在负收益年份——这里是最容易让数字打脸的地方：

要求：

1. 用 oxq RunResult 的日收益序列（daily_returns()）和净值曲线（equity_curve）做时间切片
2. 按年度拆解四策略 + 基准：用 daily_returns() 按年分组，计算年收益率（累乘）、年波动率、年夏普比、年内最大回撤。跳过样本不足的年份（if len(year_data) < 20: continue，避开新年初只有几个交易日的边界）
3. 打印逐年对比表（pandas DataFrame，存入变量 annual_df 供后续 spec 复用）
4. 画逐年收益柱状图（figsize 14×6，每年一组 5 根柱子，与 spec-01 颜色一致）
5. 深挖 TopNRanking 负收益年份——扫描 mom_periods = [5, 10, 15, 20, 25, 30]，每个窗口只跑一次回测，结果存入 deep_dive[period]，从字典里直接读，不要重新调用 run_strategy 做“是否所有窗口都亏”的二次判断

📌 要点：时间维度切片不要重复回测。“按年度拆”听起来要每年都跑一遍——错。整段时间只跑一次，得到日收益序列后按 index.year 分组算指标。深挖也一样：6 个动量窗口跑 6 次,不要因为后面要二次判断又跑 6 次。spec 不点名“结果存 dict 复用”，AI 写出的代码大概率会跑 12 次。

📌 要点：最小样本过滤是隐式约定。年内 < 20 个交易日不进表，是金融统计的默契。spec 不写明，AI 可能用 1 月份的 5 天数据计算“年化”得出离谱数字——表上突然多出一行“2026 年化 +800%”，学员看不出哪里错了。

起草结果呈现

结果呈现：

1. 逐年收益对比表（DataFrame，行=年份，列=4 策略+基准，负收益用 * 标注）
2. 逐年收益柱状图
3. TopNRanking 异常年份深挖表（行=动量窗口，列=负收益年份）
4. 分析文字（根据实际数据动态描述方向）：哪些策略“每年都赚”？深挖结论是“参数没选对”还是“策略结构性问题”？

完整 spec 在 specs/spec-02-annual-breakdown.md——复制给 AI，弹窗选「允许」。

AI 助手执行完毕后，你的 notebook 里应该出现了逐年对比表、柱状图和一份 TopNRanking 深挖分析。

这个实验做了什么？把 Step 1 的整体指标拆成逐年成绩单——按年份分组计算每个策略和基准的年收益率、年波动率、年内最大回撤，看看哪些策略“每年都赚”、哪些有负收益年份。然后针对 TopNRanking 在负收益年份做深挖：换遍 6 种动量窗口（5/10/15/20/25/30 天）重新跑回测，看这一年的亏损是参数选错了，还是策略本身的结构性问题。

运行结果

四个策略 + 基准的逐年收益拆解如表 5-6 所示（* 标注负收益年份）。

表 5-6 四策略与基准逐年收益对比

年份	EqualWeight	RiskParity	TopNRanking	RP+止损5%	基准
2021	3.76%	1.03%	-10.09% *	3.04%	4.09%
2022	-12.72% *	-8.55% *	3.04%	-8.63% *	-13.44% *
2023	17.04%	15.03%	23.48%	15.67%	21.21%
2024	27.55%	30.12%	24.50%	30.65%	28.31%
2025	31.29%	39.01%	62.02%	40.74%	32.10%
2026	3.88%	3.00%	9.65%	3.00%	5.24%

逐年收益的柱状对比如图 5-2 所示。

深挖 TopNRanking 在 2021 年的负收益——把动量窗口换遍，结果如表 5-7 所示。

表 5-7 TopNRanking 2021 年不同动量窗口的年收益

窗口	2021
period=5	-9.48%
period=10	-7.97%
period=15	-5.08%
period=20	-10.09%
period=25	-11.09%
period=30	-9.14%

所有动量窗口在 2021 年都亏钱。

结果解读

分段检验（Segment Analysis） —— 把回测结果按时间段拆开检查。整体指标是“平均分”，逐年拆开才是“每科成绩单”——整体及格不等于每科都及格。

拆开后两个重要发现：

第一，没有哪个策略“年年赚钱”。 EqualWeight、RiskParity 和 RP+止损5% 在 2022 年都出现了负收益，同期基准也亏了 -13.44%——策略和基准一起亏，说明策略并没有真正提供“下跌保护”。这是资产配置策略的特点：它能分散风险，但不能消除市场整体下跌带来的损失。

第二，TopNRanking 的负收益不是参数问题。 2021 年，TopNRanking 是唯一亏钱的策略（-10.09%），而其他三个策略和基准都是正收益。换遍所有动量窗口（5 天到 30 天），在 2021 年全部亏钱。这是动量策略的结构性弱点。

动量滞后性 —— 动量指标基于“过去涨了多少”来判断买什么。但当市场反复上下波动、没有明确方向时，过去涨得好的恰恰可能是“已经涨到头了”的那个。动量指标看的是后视镜——它有天然的滞后性。2021 年的市场就是典型的来回波动环境，动量策略在这种环境下注定吃亏，换什么参数都救不了。

数据说了算：逐年拆开，才能看到整体指标掩盖的问题。不同策略类型有不同的市场环境偏好。

但年度还是太粗了——知道了哪年亏钱，但赚钱的年份里，是每月稳稳地赚，还是靠某几个月的暴利覆盖其他月份的亏损？

---

5.3 收益结构什么样？

年度表现解释了“什么时候赚、什么时候亏”，但没解释“怎么赚的”——是每个月稳稳地赚一点，还是靠几次大赚覆盖很多次小亏？

同样赚钱的两个策略，赚法可能完全不同。你能接受“一年中 8 个月亏钱、靠 4 个月大赚拉回来”的策略吗？

另外，回撤不只是一个数字——最大回撤 -15% 但 3 个月恢复，和最大回撤 -10% 但 1 年没恢复，哪个更痛苦？

动手实验 3：月度分布 + 回撤深度

我们一起把这份 spec 写出来。这次重点看两件新东西：视觉契约要写到颜色与子图布局、以及关键阈值（包括看似微小的 -0.001）必须显式。

起草上下文 + 任务

接续 spec-02 的发现：胜率全时段都差不多，但 2021 年有人亏 10% 有人赚 3%。这一份 spec 把“为什么差距这么大”拆开看：

上下文：notebook 里已有四策略 vs 基准的整体对比、逐年拆解、TopNRanking 在反复波动市场中的结构性弱点。

任务：分析月度收益分布和历史回撤事件——同样赚钱的策略，赚法可能完全不同。

起草要求：阈值显式 + 视觉契约

第一组要求做月度分布。第二组做回撤事件——回撤事件的“什么算事件”阈值是这份 spec 最容易被遗漏的精度点：

要求：

1. 用 oxq RunResult 的月度收益（monthly_returns()）和回撤序列（drawdown_series()）做收益结构分析
2. 月度分布分析（四策略）：胜率、平均盈利月、平均亏损月、盈亏比、盈亏因子、最长连赢/连亏（月收益 = 0 算亏损）
3. 打印月度统计对比表 + 画月度收益分布直方图（figsize 14×8，2×2 子图，20 bins，x=0 处红色虚线）
4. 回撤深度分析——识别每次回撤事件，阈值锁定 THRESHOLD = -0.001（即跌幅 ≥ 0.1% 才算事件，避开数值噪声生成假事件）：起点 = dd 跌穿阈值的那天，恢复 = dd 反弹回阈值之上的那天，未恢复则标“—”
5. 打印每个策略前 5 大回撤事件 + 回撤汇总
6. 画水下曲线（figsize 14×10，4 子图垂直，与 spec-01 同色继承：EW=#4472C4 / RP=#ED7D31 / TNR=#70AD47 / RP+止损=#FFC000）
7. 拆解 TopNRanking 2021 年月度——证明胜率 50% 但盈亏比 0.47 的“胜率陷阱”

📌 要点：视觉契约的“阈值”包括看不见的数字。回撤事件的 THRESHOLD = -0.001 看似微不足道，但它直接决定有多少行进表——-0.001 可能给你 50 个事件，-0.01 可能只剩 10 个。spec 不锁阈值，AI 选不同值得出完全不同的“前 5 大回撤”，学员两次跑结果对不上账，根本不知道差在哪。任何“看起来微小”的阈值都是 spec 必写项。

📌 要点：跨 spec 颜色继承。spec-01 的净值曲线用了 4 个颜色，spec-03 的水下曲线必须沿用——否则学员从“绿色 = TNR 净值线”到“水下曲线全是蓝色”，无法联结哪条是 TNR。q5 章一开始就锁的“视觉编码”（颜色、figsize、布局）要在每份后续 spec 显式继承，不能假设 AI 会自动记住。

起草结果呈现

结果呈现：月度统计表（4 行）+ 月度直方图（2×2）+ TopNRanking 2021 年逐月明细 + 四策略 2021 月度对比 + 前 5 大回撤事件表 + 回撤汇总表 + 水下曲线图（4 子图）+ 分析文字（根据实际数据动态描述方向）

完整 spec 在 specs/spec-03-return-distribution-and-drawdown.md——复制给 AI，弹窗选「允许」。

AI 助手执行完毕后，你的 notebook 里应该出现了月度统计表、分布直方图、2021 年胜率陷阱分析、回撤事件表和水下曲线图。

这个实验做了什么？从两个维度拆解“怎么赚的钱”。第一个维度是月度收益分布——把每个策略的日收益按月汇总，统计胜率（赚钱月占比）、盈亏比（平均赚多少 vs 平均亏多少）、最长连赢/连亏月数等。还专门拆解了 TopNRanking 2021 年的逐月明细，和其他三个策略对比同年的胜率和盈亏比，解释为什么胜率差不多、结局却完全不同。第二个维度是回撤深度——识别每次从高点下跌到恢复的完整事件，记录深度、下跌天数、恢复天数，画出水下曲线。

内容比较多，我们分两个维度来看。

维度一：月度收益分布

四个策略的月度统计指标如表 5-8 所示。

表 5-8 四策略月度收益统计对比

策略	胜率	平均盈利月	平均亏损月	盈亏比	盈亏因子	最好月	最差月	连赢	连亏
EqualWeight	63.5%	2.54%	-1.63%	1.55	2.70	9.52%	-7.82%	8	3
RiskParity	61.9%	2.79%	-1.56%	1.79	2.91	11.29%	-6.09%	11	4
TopNRanking	61.9%	3.88%	-2.21%	1.75	2.85	9.88%	-8.36%	11	4
RP+止损5%	63.5%	2.77%	-1.55%	1.79	3.12	11.74%	-5.52%	11	4

四个策略的月度收益分布直方图如图 5-3 所示。

乍一看，四个策略的胜率都差不多——62% 左右。但 Step 2 告诉我们 TopNRanking 在 2021 年亏了 10%，而其他策略同年都是正收益。胜率差不多，为什么结局完全不同？拆解 2021 年的月度数据就能看清原因。

拆解 TopNRanking 2021 年——胜率的陷阱

TopNRanking 在 2021 年的逐月收益如表 5-9 所示。

表 5-9 TopNRanking 2021 年逐月明细

月份	收益
2021-01	0.00%
2021-02	-7.29%
2021-03	-1.44%
2021-04	+1.93%
2021-05	+1.54%
2021-06	-1.78%
2021-07	+1.17%
2021-08	+2.28%
2021-09	-4.30%
2021-10	+1.12%
2021-11	+0.75%
2021-12	-4.05%

把四个策略放在 2021 这一年同一张表里对比，胜率与盈亏比的差异如表 5-10 所示。

表 5-10 四策略 2021 年月度胜率与盈亏比对比

策略	胜率	平均盈利月	平均亏损月	盈亏比	年收益
EqualWeight	50%	2.03%	-1.37%	1.48	3.76%
RiskParity	58%	1.76%	-2.20%	0.80	1.03%
TopNRanking	50%	1.46%	-3.14%	0.47	-10.09%
RP+止损5%	58%	1.77%	-1.82%	0.97	3.04%

看上面的 2021 年对比——TopNRanking 的胜率 50%，跟 EqualWeight 一样。但它赚的月份平均只赚 1.46%，亏的月份平均亏 3.14%，盈亏比只有 0.47。翻译一下：赚的时候赚得少，亏的时候亏得狠。结果：虽然一半的月份赚钱，但亏损月把所有利润全吃掉还倒贴了，全年 -10.09%。

同年的 EqualWeight 胜率也是 50%，但盈亏比 1.48——赚的月份平均赚 2.03%，亏的月份平均只亏 1.37%。同样的胜率，完全不同的结局。

这就是 胜率的陷阱 —— 大多数人天然觉得“赢的次数越多越好”，但胜率本身意义不大。胜率 90%，每次赚 1 元；亏的那 10% 每次亏 20 元。10 次交易赚 9 元、亏 20 元，净亏 11 元。高胜率，亏钱。

真正决定收益的是 盈亏比（Win/Loss Ratio） —— 平均每次赚多少除以平均每次亏多少。优秀策略的秘诀是“小亏大赚”：用止损果断控制亏损幅度（小亏），赶上趋势时让利润奔跑（大赚）。追求高胜率，往往是捡了芝麻丢了西瓜。

盈亏因子（Profit Factor） —— 总盈利除以总亏损的绝对值。大于 1 说明赚的比亏的多，大于 2 算优秀。四个策略的盈亏因子都在 2.7-3.1 之间，都算优秀。但注意这是全时段的数字——拆到具体年份（比如 2021），TopNRanking 的盈亏因子会远低于 1。

维度二：回撤深度

前 5 大回撤事件

EqualWeight 的前 5 大回撤事件如表 5-11 所示。

表 5-11 EqualWeight 前 5 大回撤事件

#	开始	最低点	恢复	深度	下跌天数	恢复天数
1	2021-11-22	2022-10-28	2023-06-16	-16.86%	340	231
2	2021-02-18	2021-03-09	2021-11-15	-9.88%	19	251
3	2025-02-20	2025-04-07	2025-05-06	-9.22%	46	29
4	2026-01-30	2026-02-02	未恢复	-7.95%	3	—
5	2024-07-18	2024-08-05	2024-09-26	-7.82%	18	52

最大回撤: -16.86% / 平均恢复: 17天 / 最长恢复: 251天

RiskParity 的前 5 大回撤事件如表 5-12 所示。

表 5-12 RiskParity 前 5 大回撤事件

#	开始	最低点	恢复	深度	下跌天数	恢复天数
1	2021-11-22	2022-10-28	2023-05-19	-12.81%	340	203
2	2021-02-22	2021-03-09	2021-07-15	-7.98%	15	128
3	2025-02-20	2025-04-07	2025-04-16	-6.72%	46	9
4	2026-01-30	2026-02-02	未恢复	-6.02%	3	—
5	2024-07-19	2024-08-05	2024-09-26	-5.94%	17	52

最大回撤: -12.81% / 平均恢复: 15天 / 最长恢复: 203天

TopNRanking 的前 5 大回撤事件如表 5-13 所示。

表 5-13 TopNRanking 前 5 大回撤事件

#	开始	最低点	恢复	深度	下跌天数	恢复天数
1	2021-02-22	2022-06-01	2023-03-20	-17.77%	464	292
2	2026-01-30	2026-02-02	未恢复	-14.39%	3	—
3	2024-07-10	2024-09-04	2024-12-17	-14.02%	56	104
4	2023-07-20	2023-12-05	2024-02-23	-9.34%	138	80
5	2025-04-23	2025-04-28	2025-06-30	-6.48%	5	63

最大回撤: -17.77% / 平均恢复: 14天 / 最长恢复: 292天

RP+止损5% 的前 5 大回撤事件如表 5-14 所示。

表 5-14 RP+止损5% 前 5 大回撤事件

#	开始	最低点	恢复	深度	下跌天数	恢复天数
1	2021-11-22	2022-10-21	2023-05-19	-13.07%	333	210
2	2021-02-22	2021-03-09	2021-05-18	-6.06%	15	70
3	2026-01-30	2026-02-02	未恢复	-6.02%	3	—
4	2024-07-19	2024-08-05	2024-09-26	-5.94%	17	52
5	2025-02-20	2025-04-07	2025-04-11	-5.57%	46	4

最大回撤: -13.07% / 平均恢复: 13天 / 最长恢复: 210天

四个策略的水下曲线如图 5-4 所示，可以直观看到“在水下度过的时间”。

结果解读

收益结构揭示了“怎么赚的钱”——两个关键维度。

胜率是陷阱，盈亏比才是关键。 四个策略全时段的胜率都在 62% 左右，看不出差别。但拆到 2021 年，TopNRanking 的盈亏比只有 0.47——每赚 1 块钱，对应要亏 2 块多。同年 EqualWeight 盈亏比 1.48，赚的月份能覆盖亏的月份。同样的胜率，截然不同的结局。真正决定收益的不是赢的次数，而是赢的时候赚多少。

回撤不只是深度，还有恢复时间。 TopNRanking 的最大回撤 -17.77%，从 2021 年 2 月开始下跌，直到 2023 年 3 月才恢复——整整两年在“水下”。RiskParity 最大回撤 -12.81%，恢复用了 203 天。RP+止损5% 最大回撤 -13.07%，恢复用了 210 天。

水下曲线（Underwater Curve） —— 每天距离历史最高点跌了多少。它直观展示一个残酷的事实：你有多少时间是在“还没回本”的状态中度过的。回撤不只是一个数字——它是一段煎熬。深度和恢复时间同样重要。

回撤恢复时间 —— 从最低点爬回前高需要多久。回撤 -15% 但 3 个月恢复，vs 回撤 -10% 但 1 年没恢复——后者对实际持有体验的伤害更大。比起回撤深度，恢复时间更影响你能不能拿得住。

数据说了算：赚钱的方式和赚钱一样重要。 别被高胜率迷惑，关注盈亏比；别只看回撤深度，还要看恢复时间。

评估够全面了吗？其实还有一个隐藏问题——你用的参数（动量窗口 20 天、波动率窗口 20 天、止损阈值 5%）是回测出来的“最优值”。但如果把 20 天前后扰动一下，比如改成 15 天或 25 天，结果还差不多吗？如果稍微一动就天差地别，那这个“最优”在未来的数据上恐怕也靠不住。

---

5.4 参数动一动，崩不崩？

前面三步的评估都基于特定参数——动量窗口 20 天、波动率窗口 20 天、止损阈值 5%。这些参数是回测跑出来的，在历史数据上表现最好。

但问题是：在最优参数附近前后扰动一下——比如动量窗口从 20 天改成 15 天或 25 天——结果是差不多，还是会差很多？如果附近的参数表现都还行，说明这个”最优”是真的稳；如果稍微一动夏普就从 1.27 跌到 0.85，那历史上的”最优”很可能在未来数据上不再最优。

直觉告诉我们：找到最优参数就行了。真的吗？

动手实验 4：参数敏感性扫描

我们一起把这份 spec 写出来。这次重点看两件新东西：与 q1/spec-06 同样的扫描技术、不同的教学目的——必须显式区分；以及**“高原 vs 山峰”的视觉对比要靠 y 轴统一来呈现**。

起草上下文 + 任务

学员第二次见到参数扫描——上次是第一章用来“找最优参数”，这次是用来“判稳健”。这种“老技术新目的”必须在上下文段就讲清楚，否则学员会困惑为什么又来一次：

上下文：notebook 里已有四策略的整体指标、逐年收益、月度分布、回撤分析。所有分析都基于特定参数（period=20, freq=10, threshold=0.05）。

当前问题：如果参数稍微变一下，结论还成立吗？

注意：这里的参数扫描和第一章 spec-06 不同——

• 第一章是“用扫描找最优参数”（目的：挑值）
• 本章是“用扫描判稳健性”（目的：判形状）

同样的技术，完全不同的目的。本章不是要找出比 20 更好的窗口，而是要判断“在 20 附近的所有值，结果是不是都差不多”。

任务：扫描 RiskParity 波动率窗口、TopNRanking 动量窗口、止损阈值三个维度，对比“高原型”和“山峰型”。

📌 要点：同方法不同目的，必须在 spec 里显式区分。参数扫描在第一章是过拟合的诱因（找漂亮数字），在第五章是过拟合的解药（看是不是高原）。如果 spec 不点名“这次不是为了找最优”，学员会以为“哦又是一次找最优”，下一章 q6 讲过拟合时就接不上。工具的语义会随章节变化——spec 必须写出当前章节用它干什么。

起草要求：扫描点设计 + 极差对比

要求：

1. RiskParity 波动率窗口扫描 vol_period = [10, 15, 20, 25, 30, 40]：中心 20 是 spec-01 选定值，左右对称展开 ±10/±15，加 40 看远端外推；不试 5（5 天太短无法稳定估计波动率）
2. TopNRanking 动量窗口扫描 mom_period = [10, 15, 20, 25, 30, 40]（波动率窗口固定 20）
3. 止损阈值扫描 thresholds = [0.02, 0.03, 0.05, 0.07, 0.10, 0.15, 0.20] + 无止损（共 8 行表，无止损作为最后一行，“止损阈值”列填“无”）
4. 计算每组的夏普比极差（max - min），打印对比 + 标注“高原型”（极差小）vs“山峰型”（极差大）
5. 画三子图折线（figsize 15×5，1×3 布局），y 轴范围统一——这样 RP 的“平”和 TNR 的“尖”才能立刻可见
6. 输出“山顶营地”隐喻：高原型像一片平坦的高原（站在哪都差不多高），山峰型像一座尖峰（偏一步就掉下去）

📌 要点：参数列表的设计必须有可解释的对称性。[10, 15, 20, 25, 30, 40] 不是随便挑——中心 20 是当前选定值，左右展开看附近，加远端 40 看外推。spec 不解释扫描点的来历，学员仿写时只会傻乎乎地照抄数字，遇到自己的策略不知道该挑哪些值扫。

📌 要点：y 轴统一是“高原 vs 山峰”对比的视觉钥匙。三个子图各自缩放，看起来都“波动很大”（每个图都填满了画布）；统一 ylim 后，RP 是平的、TNR 是尖的，视觉冲击力立现。对比图必须共享坐标轴——这是参数敏感性可视化的固定动作。

起草结果呈现

结果呈现：RiskParity 波动率窗口表（6×5）+ TopNRanking 动量窗口表（6×5）+ 止损阈值表（8×5）+ 夏普比极差对比 + 折线敏感性图（1×3）+ 分析文字（根据实际数据动态描述方向），用“山顶营地”隐喻收束

完整 spec 在 specs/spec-04-parameter-sensitivity.md——复制给 AI，弹窗选「允许」。

AI 助手执行完毕后，你的 notebook 里应该出现了三组参数敏感性表和一张折线对比图。

这个实验做了什么？分三组做参数扰动测试。第一组：保持其他参数不变，把 RiskParity 的波动率窗口从 10 天到 40 天逐个试一遍，看夏普比变化多大。第二组：对 TopNRanking 做同样的事，把动量窗口从 10 天到 40 天逐个试。第三组：固定 RiskParity 策略，把止损阈值从 2% 到 20% 逐个试（外加无止损对照）。然后算出每组的夏普比极差（最高减最低），判断策略是“高原型”（参数怎么调都差不多）还是“山峰型”（偏一点就掉到水里）。

运行结果

RiskParity 波动率窗口扫描结果如表 5-15 所示。

表 5-15 RiskParity 波动率窗口敏感性

窗口(天)	累计收益	夏普比	卡玛比	回撤
10	104.32%	1.33	1.13	-12.80%
15	102.65%	1.33	1.13	-12.64%
20	98.01%	1.29	1.08	-12.81%
25	96.76%	1.28	1.06	-12.93%
30	109.29%	1.39	1.10	-13.49%
40	111.45%	1.40	1.05	-14.37%

夏普比极差: 0.13

TopNRanking 动量窗口扫描结果如表 5-16 所示。

表 5-16 TopNRanking 动量窗口敏感性

窗口(天)	累计收益	夏普比	卡玛比	回撤
10	104.21%	1.00	0.72	-19.91%
15	83.31%	0.85	0.73	-16.78%
20	153.03%	1.27	1.05	-17.77%
25	144.73%	1.21	1.10	-16.46%
30	105.42%	1.02	0.87	-16.64%
40	101.54%	1.00	0.74	-19.03%

夏普比极差: 0.42

止损阈值的扫描结果如表 5-17 所示（基于 RiskParity 策略，调仓频率 10 天）。

表 5-17 止损阈值敏感性

止损阈值	累计收益	夏普比	最大回撤	交易次数
2%	125.87%	1.63	-9.65%	402
3%	118.80%	1.56	-11.62%	394
5%	106.23%	1.43	-13.07%	387
7%	100.90%	1.36	-13.26%	382
10%	106.16%	1.40	-12.02%	375
15%	99.30%	1.32	-12.51%	371
20%	97.04%	1.29	-13.23%	370
无止损	98.01%	1.29	-12.81%	369

夏普比极差: 0.35

三组参数的夏普比极差汇总如表 5-18 所示。

表 5-18 参数敏感性极差对比

参数组	夏普比极差	类型
RiskParity	0.13	高原型（参数不敏感）
TopNRanking	0.42	山峰型（参数敏感）
止损阈值	0.35	山峰型（参数敏感）

三组参数的夏普比折线对比如图 5-5 所示。

结果解读

最后一个认知升级：好策略不怕参数变。

参数敏感性（Parameter Sensitivity） —— 改一个参数值，策略表现变化有多大。这是策略体检中不可或缺的一项。

看 RiskParity：波动率窗口从 10 天调到 40 天，夏普比在 1.28-1.40 之间，极差只有 0.13。不管你选哪个窗口，结果都差不多。这叫 高原型（Plateau） —— 像一片平坦的高原，站在哪里都差不多高。

再看 TopNRanking：动量窗口从 10 天调到 40 天，夏普比在 0.85-1.27 之间，极差 0.42——是 RiskParity 的 3 倍多。窗口选 20 天时夏普 1.27，选 15 天时只有 0.85，掉了 1/3。这叫 山峰型（Peak） —— 像一座尖峰，只有山尖上最高，稍微偏一步就掉下去。

想象你在山上找营地。高原型策略像一片平坦的高原——站在哪里都差不多高。山峰型策略像一座尖峰——只有山尖上最高，稍微偏一步就掉下去。你选哪个？

好策略不依赖某个”魔法参数”。 如果换一个参数值夏普就从 1.27 跌到 0.85（掉了 1/3），说明你可能只是运气好选对了那个值。RiskParity 的有效性来自底层逻辑——“波动大的少买”，不管你用 10 天还是 40 天窗口来衡量波动，排序关系不会剧变。TopNRanking 的高收益则部分依赖于”恰好选对了参数 20”。

这也呼应了 Step 2 的发现：TopNRanking 在某些年份负收益、对参数敏感，它的高收益可能有运气成分。RiskParity 虽然收益不如 TopNRanking 高，但参数稳健、年度一致性好——这才是更可靠的策略。

选策略就像选营地——要选高原，不选尖峰。

回头看：还记得第一章末尾你亲眼看到的那次“参数扫描里冠军在样本外掉到了水下”吗？那就是山峰型在参数 + 时间两个维度上同时露出的脸——你当时亲手撞了一次墙，从此对回测多一份警觉。

这一章的高原型 vs 山峰型，正是“做要规则、看要指标、还要怀疑你的指标”这句口号里“看 → 疑”的桥梁——下一章你会把“疑”练成主线。

---

5.5 回头看：你刚才做了什么？

这一节是“看”的操作流程总图——把四步实验铺成你以后每次接到一份回测都能照着走的检查路径。 四步实验，一张完整的“策略体检地图”：

• Step 1: 跟什么比？ -- 基准 + Alpha（超额收益）+ 多维指标（夏普比/卡玛比/索提诺比）
• Step 2: 每年都有收益吗？ -- 分段检验 + 策略类型弱点（动量滞后性）
• Step 3: 收益结构什么样？ -- 胜率陷阱/盈亏比/盈亏因子 + 回撤深度/恢复时间
• Step 4: 参数动一动？ -- 参数敏感性 + 高原型 vs 山峰型

从今以后，拿到任何策略的回测结果，你都可以用这四步做一次“全面体检”，五个维度的体检问题如表 5-19 所示。

表 5-19 策略体检维度速查

维度	问题
基准	跑赢了吗？
年度	每年都赚吗？
分布	赚法健康吗？
回撤	最坏到什么程度？
参数	参数改了还行吗？

从“看收益率”到“全面体检”——这是本章最重要的认知升级。

四个最容易让你“被自己骗”的陷阱

每个维度对应一种最容易踩的陷阱——它们各有不同名字，但本质都是“指标好看，结果不靠谱”。下次别人（或者你自己）拿一份“漂亮”的回测来，先用这四个 lens 扫一遍：

1. 基准陷阱——只看年化收益，没和“什么都不做”对比。EqualWeight 累计 84% 看着还行，等权买入持有同期 95%——你忙了半天反而落后。
2. 整体陷阱——只看多年累计，掩盖了某些年份的大亏。TopNRanking 累计第一，但 2021 年是唯一亏钱的策略（-10.09%），其他三个策略同期都是正收益——普通人在那年就放弃了。
3. 胜率陷阱——胜率 90% 不等于赚钱。一次大亏可以抹平十次小赚，真正决定结果的是盈亏比和盈亏因子。
4. 山峰陷阱——某个参数最优，稍微一偏夏普就掉一大截。这往往不是规律，是巧合——和第一章末尾你撞上的那堵墙是同一种东西。

四个陷阱合起来，就是“看要指标”这一层在跟你强调的事——指标越多越好；但每个指标只看一面，你得把四面合起来看，才能少被自己骗。

---

5.6 本章总结

策略进化路径

第四章产出：RiskParity + 止损 + 三个对比策略

• Step 1: 跟基准比 -- 不是所有策略都跑赢了“什么都不做”
• Step 2: 逐年拆 -- 某些年份亏损，动量策略有结构性弱点
• Step 3: 看分布 -- 胜率是陷阱，盈亏比才是关键
• Step 4: 动参数 -- 高原型稳，山峰型脆

第五章产出：完整的策略评估方法论 + “体检清单”

概念速查表

本章涉及的核心概念汇总如表 5-20 所示，方便随时回查。

表 5-20 第五章核心概念速查

概念	含义	类比
基准（Benchmark）	用来做比较的参照物——“什么都不做”时你能赚多少	考试的“及格线”
超额收益 / Alpha	策略收益减去基准收益——超出及格线的部分才是你的本事	第一章电梯/楼梯类比，本章放回“基准之后才能算”的语境
卡玛比（Calmar）	年化收益 / 最大回撤	每承受 1% 最大回撤换多少收益
索提诺比（Sortino）	只用下行波动率做分母	上涨波动不算风险
分段检验	把回测按年份拆开	整体及格不等于每科都及格
动量滞后性	动量指标基于“过去涨了多少”	后视镜——过去涨不代表未来继续涨
胜率的陷阱	胜率本身意义不大	胜率 90% 也可能亏钱
盈亏比（Win/Loss Ratio）	平均盈利 / 平均亏损	真正决定收益的指标
盈亏因子（Profit Factor）	总盈利 / 总亏损	大于 1 赚钱，大于 2 优秀
水下曲线（Underwater）	每天距离历史最高点跌了多少	“你在水下待了多久”
回撤恢复时间	从最低点爬回前高要多久	比深度更影响持有体验
参数敏感性	改参数后结果变化多大	好策略不怕参数变
高原型 vs 山峰型	高原：参数怎么调都差不多。山峰：偏一点夏普极差大	找营地选高原不选尖峰

本章核心认知

走完四步实验，沉淀下来的认知如表 5-21 所示。

表 5-21 第五章核心认知

认知	来源
“好不好”必须有参照物——基准	Step 1 实验
跑赢基准的部分才是 Alpha——你的技能回报	Step 1 实验
夏普比、卡玛比、索提诺比是三把不同的尺子	Step 1 实验
整体指标可能掩盖年度亏损——分段检验	Step 2 实验
动量策略在反复震荡的市场中有结构性弱点——滞后性	Step 2 深挖
胜率是陷阱——真正决定收益的是盈亏比，优秀策略的秘诀是“小亏大赚”	Step 3 实验
回撤不只是深度，还有恢复时间——水下曲线	Step 3 实验
好策略不怕参数变——高原型 >> 山峰型	Step 4 实验
先猜后验，数据说了算	贯穿全章

带走的问题

• 体检工具给了你客观数据。但回测本身可信吗？ 回测能调参数让收益翻倍——这是真的好，还是自欺欺人？ → 第六章
• 如果你在 2023 年跑回测发现某个策略 2021-2023 表现好，你怎么知道它 2024 年还会好？ → 第六章

带着这两个问题进入下一章——它们正是本书口号“做要规则、看要指标、还要怀疑你的指标”中“疑”那一步要训练的核心。这一章你已经把“看”练了一遍，下一章我们专门把“疑”练成主线。

本章所有代码的可运行版本见 notebooks/q5-how-to-validate.ipynb

---

拓展阅读

本章正文聚焦“四步策略体检”。下面三段是动手之前可以省略的视野铺垫——读完正文回头看，你会更清楚指标背后的量化惯例。

为什么“年化”用 252 这个数字

正文反复说“年化收益率”、“年化波动率”——背后都隐含一个换算系数：252。

A 股一年大约 250-252 个交易日（节假日不开盘），美股 252 个，全球主流市场都接近这个数。所以“日 → 年”的换算是：年化收益率 ≈ 平均日收益率 × 252；年化波动率 ≈ 日收益率标准差 × √252（注意是开根号，不是直接乘）。比如一个策略日波动率 1%，年化波动率 ≈ 1% × √252 ≈ 15.87%。回测里所有“年化”指标都用了这个换算——不是定理，但是行业惯例。

夏普比率 vs 信息比率（IR）

夏普比率 = 年化收益 / 年化波动。但你可能在论文或基金报告里见过另一个相似的指标——信息比率（Information Ratio, IR）。

二者长得很像，区别在分子：夏普比率分子是策略的“全部收益”，IR 分子是“策略相对基准的超额收益（Alpha）”。也就是说，IR 衡量的是“主动管理的性价比”——剔除了 Beta，纯看 Alpha 部分。基金经理之间互相比 IR 比夏普比率更公平，因为大家都被市场抬着走，IR 才能看出谁真的有本事。本书课程默认用夏普比率（更直观），但你以后看到 IR 不要感到陌生——它只是把“分子换成 Alpha”的夏普比率。

索提诺比的“MAR”参数

正文说索提诺比 = 年化收益 / 下行波动率。但什么算“下行”？业界常用的定义是：收益低于某个阈值（叫 MAR，Minimum Acceptable Return，最低可接受收益率）的那部分波动。

最常见的两种 MAR 选法：①MAR = 0——把“亏损”定义为“日收益率 < 0”，最简单；②MAR = 无风险利率（如美债 5%）——把“没跑赢国债”也算“下行”，更严格。本书计算时用的是 MAR = 0（更直观），但你看到不同来源的索提诺比数值有差异时，先确认它们用的是哪种 MAR——否则比的不是同一个东西。

---

反馈与读者群

如果你发现本章有错别字、概念不清或实验结果不一致，欢迎 提交 GitHub Issue。

课程、正式书和后续更新见 xquant.shop/courses。

添加作者微信 xquanter 进入读者群。请备注：XQuant 读者。