1. 策略失效概述

做量化交易这些年，我见过太多策略从「印钞机」变成「碎钞机」的案例。说实话，没有哪个策略能永远赚钱——这不是悲观，是事实。你想想看，市场本身就在不断进化，你的策略凭什么一成不变？

这一章，我们来聊聊策略失效的本质。我会结合自己踩过的坑，帮你建立起对失效的系统认知。

什么是策略失效？

定义其实很简单：策略的实际表现显著且持续地偏离了回测预期。

注意两个关键词——「显著」和「持续」。回测中最大回撤8%，实盘突然变成25%，这叫显著。连续三周跑输基准，这叫持续。偶尔一天亏损不算失效，那是正常波动。

我个人习惯用三个维度来量化判断：

失效的三种常见类型

这些年我诊断过的失效策略，基本逃不出下面三类。咱们一个一个说。

1. 参数衰减

说白了，就是策略的参数「过期了」。比如你回测时发现20日均线最好用，但市场波动结构变了，现在30日均线更合适。

参数衰减有个典型特征：策略逻辑本身没问题，但最优参数在漂移。就像一把钥匙，锁没换，但钥匙齿磨损了。

我在项目中遇到过最典型的案例：一个基于布林带的均值回归策略，回测时参数组合(20, 2)表现完美。上线半年后，最优参数漂移到了(30, 2.5)。策略逻辑没变，但参数不匹配了，结果就是连续亏损。

2. 市场结构变化

这是最致命的一类。市场结构变了，你的策略逻辑本身就不成立了。

举个例子：2015年股灾后，股指期货的升贴水结构彻底改变。之前靠吃贴水的套利策略，逻辑基础直接崩塌。这不是调参数能解决的，得重构。

市场结构变化通常来自：

• 监管政策突变——比如手续费调整、涨跌停板规则变化
• 参与者结构改变——比如量化私募大规模涌入某个品种
• 微观结构进化——比如T+0变T+1，或者引入做市商制度

3. 过拟合

嗯，这是新手最容易犯、老手也难免翻车的坑。

过拟合的本质是：你的策略不是在学习市场规律，而是在记忆历史噪声。回测曲线漂亮得像艺术品，一上实盘就原形毕露。

我见过最夸张的一个案例：有人用20个参数拟合了3年的日线数据，回测年化收益200%，夏普5.0。实盘三个月，亏了40%。为什么？因为他把每一个偶然的波动都当成了规律。

判断过拟合的几个信号：

• 回测夏普 > 3.0（实盘几乎不可能）
• 参数稍微一改，收益就大幅波动
• 样本外测试表现断崖式下跌

# 一个简单的过拟合检测方法：参数敏感性测试
def parameter_sensitivity_test(strategy, param_ranges):
    """
    检测策略对参数的敏感程度
    如果收益随参数变化剧烈波动，说明过拟合风险高
    """
    results = []
    for param in param_ranges:
        sharpe = backtest(strategy, param)
        results.append(sharpe)
    
    volatility = np.std(results) / np.mean(results)
    print(f"参数敏感度系数: {volatility:.2f}")
    if volatility > 0.5:
        print("⚠️ 高过拟合风险，建议简化参数")
    else:
        print("✅ 参数敏感度在可接受范围")

失效的生命周期

策略失效不是瞬间发生的。它有一个完整的过程。理解这个过程，你才能在早期发现苗头。

我把它分成四个阶段：

你看这个图，关键信息其实就一句话：越早发现，修复成本越低。

潜伏期是最容易被忽视的阶段。这时候策略还在赚钱，但信号质量已经开始下降。比如原来每天出3个信号，现在变成2个；原来胜率60%，现在55%。很多人觉得「还行啊，还在赚」，结果等到恶化期才反应过来。

我个人习惯在策略上线后，每周跑一次「健康检查」：

• 对比本周和回测期的信号频率
• 检查盈亏比是否在下降
• 观察最大回撤是否在加速扩大

到了爆发期，策略已经明显亏钱了。这时候很多人会犯一个错误——「再等等，说不定下周就回来了」。我告诉你，大概率不会。市场不会可怜你的持仓成本。

消亡期是最惨的。策略逻辑已经彻底失效，怎么调都没用。比如2015年股灾后，那些靠「追涨停板」吃饭的策略，逻辑基础都没了。这种时候，果断放弃比盲目坚持更明智。

好了，这一章我们建立了策略失效的基本认知框架。记住三个核心：失效的定义、三种类型、四个阶段。后面我们会深入每一种类型的诊断方法和修复手段。