📚 课程目录第2章失效类型分类

2. 失效类型分类：市场环境变化、数据错误、过拟合、执行偏差

策略跑得好好的，突然开始亏钱。这时候你第一反应是什么？

别急着改参数。先搞清楚——到底出了什么问题。

我处理过的失效案例，基本跑不出四大类：市场环境变了、数据有问题、模型过拟合了、执行层面出了偏差。今天咱们把这四类掰开揉碎了讲。
知道了病根在哪，才能对症下药。

  核心原则： 失效分类不是给策略贴标签，而是为了确定下一步的排查路径。分错类，后面全白干。

2.1 市场环境变化

这是最常见的失效类型。说白了，行情变了，但你的策略还活在过去。

市场有个特性——它不是固定不变的。波动率、相关性、流动性、趋势结构，这些要素会随着宏观周期、监管政策、甚至社交媒体情绪发生陡变。
很多策略在回测时看起来很漂亮，但一上线，市场风格换了个频道，它就失灵了。

市场特征	常见变化方向	典型失效表现
波动率	低→高 / 高→低	止损被频繁触发，或趋势策略长期无信号
相关性	风险平价模型中资产相关系数突然飙升	组合回撤远超预期
流动性	缩表、假期、黑天鹅事件	滑点大幅增加，成交价偏离信号价格
趋势/震荡	趋势转为震荡，或震荡转为趋势	均线突破策略反复打脸 / 网格策略单边爆仓

我之前遇到过一套“日内动量”策略，在2019年到2021年中一直很稳定。2022年俄乌冲突后，波动率裂变，那套策略一天内连续止损了5次。
嗯，问题不在策略逻辑，而是市场环境发生了结构性改变。我们后来在策略里加了一个波动率自适应过滤器，才缓过来。

我的习惯： 定期滚动计算策略设计时依赖的关键市场指标（如20日ATR、相关矩阵、流动性指标），与设计基线对比。差值超过两个标准差，就要打黄色预警了。

2.2 数据错误

数据出问题，是排查时最容易跳过的坑。为什么会这样？因为人人都觉得数据源“应该没问题”。但现实中，数据错了，什么都白搭。

数据错误可以分为几个层面：

源数据异常： 交易所盘中数据断流、tick拼接错位、除权除息未复权。
清洗逻辑漏洞： 未来函数、前向引用、错误填充、停牌期间用错误价格。
特征工程错误： 指标计算中用错参数（比如用收盘价算了两次）、roll-over换月造成跳空。
时间戳对齐问题： 不同数据源时间精度不一致，导致策略信号错位。

举个例子。我有一次排查一套CTA策略，盘中发现信号明明该开多，结果下单却是空。查了两天，最后发现是因为数据服务商在某个品种的涨跌停时重复了当根bar，导致策略认为趋势反转——数据多刷新了一个tick。

我曾经踩过的一个深坑： 从第三方下载的历史数据，在2015年股灾期间有部分指数数据被修正过。回测时没发现，实盘一跑，直接崩。从那之后，我对每一条数据都做了逐字段的交叉验证，包括检查前后bar的时间戳连续性和价格逻辑（如最高价≥最低价、涨跌停边界）。

2.3 过拟合

过拟合是老生常谈了。但我想说，很多人的“过拟合”其实是被美化后的“数据挖掘”。

策略在回测时表现完美，但一到样本外就不行。区别在于：过拟合通常意味着模型学了很多噪声，而不是真实规律。数据挖掘则是你试了太多参数组合，总有一款能“拟合”历史。

信号	描述
回测曲线过于平滑	几乎没有回撤，最大回撤小于2%且持续多年的策略，大概率过拟合
参数敏感度过高	参数微调（如移动均线周期从20改到21）导致收益剧烈波动
多策略叠加后夏普比异常高	同时用了趋势+均值回归+择时，每个单独一般，组合后曲线完美——往往是协方差估计错了
样本外/前向测试表现显著下滑	这个大概率就是过拟合的实锤

你想想看，如果一个策略有20个参数，每个参数试10个值，那就是10的20次方种组合。理论上总能找到一组在历史数据上表现好的参数。
但历史不会简单重演。所以我个人非常反对”暴力调参”。

  避坑方法： 
  做滚动窗口交叉验证（先做5倍时间序列交叉验证）
保持参数数量尽量少（3-5个核心参数为佳）
对每个参数做灵敏度分析，看曲面是否平坦

我常用的检查办法： 把回测期分成两段——比如前70%训练、后30%验证。如果前段和后段的表现差异超过30%，我直接弃用这套策略，不纠结。

2.4 执行偏差

策略逻辑没问题，数据也没错，但就是赚不到钱——很可能问题出在执行上。执行偏差是指理论信号与实际成交结果之间的系统性差异。

滑点低估： 回测时假设固定1个tick滑点，实盘遇到流动性差时滑了10个tick。
延迟问题： 从信号生成到下单到成交确认之间的延迟，导致成交价偏离信号价格。
订单类型不当： 用市价单时被吃透，用限价单又无法成交。
交易所规则变化： 熔断机制、最小变动单位调整、涨跌停板幅度变化，都会影响执行。

我记得有一次做跨期套利，回测年化收益能做到20%。实盘上线之后连续三周都没赚到钱。
后来我一笔一笔地分析成交明细，发现回测时用的是收盘价，但实盘时我需要双边同时挂单，实际成交价与收盘价差了几个tick。再加上交易所调整了最小变动单位，导致理论价差与实际价差完全对不上。

重要提示：

回测时要使用比实际预期更保守的滑点和手续费假设（比如滑点多加1-2个tick）
实盘日志必须记录每笔订单的“信号时间”“下单时间”“成交时间”“成交价格”四个字段，用于后续偏差分析
定期对执行偏差做归因：是延迟还是滑点？是订单路由问题还是市场微观结构变化？

2.5 四种失效类型的交叉关系

上面四种类型不是孤立的。很多时候，策略失效是多种因素叠加的结果。比如：市场环境变化导致波动率升高，进而放大了数据错误带来的影响；过拟合的策略在市场环境变化时首当其冲。

所以我建议，在开始排查时，先不要急着锁定某一类。而是按流程走一遍，把可能性筛一遍。

过拟合策略在市场变化时首当其冲

  我的排查习惯： 拿到失效报告后，先用这张分类图做快速映射——看最像哪一类，再深入钻进去。但一定留个心眼，可能在半路发现是别的类型串进来了。

注意： 不要认为四种类型是互斥的。一个好的失效排查流程，应该能同时检测到多个失效类型，并判断其权重。我建议在第一步先做“数据完整性校验”和“执行偏差日志分析”，因为这两类问题最容易被验证，也能最快排除。

好了，四种失效类型的基本画像讲完了。
下回你看到策略回撤，别再一头扎进参数优化里，先按这个框架对号入座，效率高得多。

真正要上手干的事，在后面的章节会逐步展开。先把分类概念吃透，后面都是水到渠成的事。