1. 课程导入
欢迎进入《ML Alpha策略回测与交易成本评估》课程。本章不讨论复杂模型，而是先建立一张“全局地图”：我们要解决什么问题、需要哪些核心概念、整个研究流程如何串联，以及为什么交易成本会决定一个机器学习Alpha策略的真实价值。很多研究者在回测阶段获得漂亮曲线，却在实盘中被成本、滑点和冲击吞噬收益，根源往往不是模型不够强，而是评估框架从一开始就缺少成本视角。
一、学习目标：从“预测准确”走向“可交易收益”
本课程的学习目标可以归纳为四个层次。第一，理解ML Alpha策略的完整研究链路：数据构建、特征工程、标签设计、模型训练、信号生成、组合构建、回测评估。第二，掌握回测系统的关键机制，包括时间序列交叉验证、避免未来函数、样本外测试与滚动窗口。第三，建立交易成本评估能力，能够区分显性成本与隐性成本，并把成本模型嵌入回测。第四，形成策略复盘与迭代能力，能够判断收益衰减来自信号失效、成本上升还是执行偏差。
二、核心概念：Alpha、回测与交易成本
Alpha指策略相对于基准的超额收益来源。在机器学习框架下，Alpha通常表现为对未来收益的预测分数，再通过排序、分组或多空组合转化为持仓。回测是在历史数据上模拟策略交易过程，检验信号在时间序列上的稳定性与可执行性。交易成本则是从理论收益到实盘收益之间必须扣除的摩擦，包括佣金、印花税、买卖价差、滑点、市场冲击和机会成本。
三者关系可以用一个简单公式表达：
净Alpha = 预测Alpha - 交易成本 - 风险暴露惩罚 - 执行偏差如果预测Alpha本身很薄，而换手率很高，那么交易成本会迅速吃掉全部收益。因此，回测必须同时回答两个问题：信号是否有效？信号是否值得交易？
三、整体框架：从数据到净收益的六层结构
本课程将围绕六层结构展开。第一层是数据层，处理行情、基本面、另类数据与对齐问题。第二层是特征层，构造时序、截面与交互特征。第三层是标签层，定义未来收益、方向或排序目标。第四层是模型层，选择线性模型、树模型或神经网络，并做时间序列验证。第五层是组合层，把预测分数转化为权重、仓位与换手约束。第六层是评估层，把成本模型、滑点模型和容量分析纳入回测。
这张框架图强调一个关键点：交易成本不是回测之后的“扣减项”，而是评估层的内生组成部分。成本模型越早进入研究流程，策略迭代方向越接近实盘。
四、方法流程：一个可复用的回测闭环
一个规范的ML Alpha回测流程通常包含以下步骤：
- 数据切分：按时间顺序划分训练集、验证集与测试集，禁止随机打乱。
- 特征与标签构建：确保特征在决策时点已知，标签与持仓周期一致。
- 模型训练与调参：使用滚动窗口或扩展窗口，避免用未来数据调参。
- 信号生成：输出每期预测分数，并做截面标准化或排序。
- 组合构建：设定多空方向、持仓数量、权重上限与换手约束。
- 成本建模：按成交额、换手率、流动性分层估算滑点与冲击。
- 回测评估：计算净收益、夏普、最大回撤、换手率与成本占比。
- 归因复盘：拆解收益来源，判断信号衰减与成本敏感性。
五、案例场景：同一信号，不同成本下的两种命运
假设某机器学习模型预测未来5日收益，日频调仓，年化预测Alpha为18%，年化波动率12%，毛夏普约1.5。若单边交易成本为10bp，日均换手率40%，则年化成本约为：
年化成本 ≈ 换手率 × 单边成本 × 交易天数
≈ 40% × 10bp × 250
≈ 10%扣除成本后，年化净Alpha降至约8%，净夏普可能降到0.7以下。若市场冲击使实际单边成本升至25bp，年化成本将超过25%，策略直接由盈转亏。这个案例说明：换手率是成本放大器，成本假设是回测可信度的生命线。
| 评估维度 | 常见指标 | 关注问题 |
|---|---|---|
| 信号质量 | IC、RankIC、分组单调性 | 预测是否稳定、是否随时间衰减 |
| 组合表现 | 年化收益、夏普、最大回撤 | 风险调整后是否优于基准 |
| 交易成本 | 换手率、成本占比、滑点敏感性 | 收益是否被摩擦吞噬 |
| 容量与执行 | 资金容量、冲击成本、成交率 | 策略能否规模化、实盘可执行 |
六、常见误区与复盘要点
初学者最容易陷入四类误区。第一，未来函数：使用财报公布前不可得的数据，或全样本标准化。第二，过度调参：在测试集上反复优化，导致样本外失效。第三，忽略成本：只报告毛收益，不计算换手与滑点。第四，容量幻觉：假设任意资金规模都能按收盘价成交。