[实盘经验贴] 高收益策略 vs 中等收益策略 怎么选？
由woshisilvio创建，最终由woshisilvio 被浏览 407 用户
作者:woshisilvio
AI量化的玄学- 第一章
如何更有效率的对抗过拟合？ 对抗随机性？---
答案：给你个表情自己体会。
https://bigquant.com/wiki/doc/gaishuai-VEmyCgB5uz
我手里有很多回测看起来非常爆炸 也非常犀利的策略，但是应用到实盘上，我心里面还是有点虚，我不知道怎么选？
怎么办？
答案是：都不选。选看起来比较正常的。
https://bigquant.com/live/shared/strategy?id=80306
是应该选回测 高收益的用来实盘？ 还是 选回测收益一般的用来实盘？
答案：我不知道。反正我都买 就赚钱了。
皮一下，本文针对超短周期的模型，进行了一些分析和研究。下面把研究的记录扒拉一下。
到底**，高收益策略 vs 中等收益策略 vs 低收益策略** 孰强孰弱？
针对这个问题，我总结了一些自己这段时间 在研究模型结构 中 发现的几个点。
一.过度择时的模型的表现。-实盘不佳
二.短周期训练模型的表现。-实盘不佳
三.中长周期训练模型的表现 -实盘尚可
四.中长周期训练模型+无风控无择时的表现 -实盘不错
五.长周期训练模型+无风控无择时的表现 -实盘相当不错
六.长周期训练模型+无风控带择时的表现 -实盘还算不错
七.长周期训练模型+有风控带择时的表现 -实盘还算不错
八.因子数量20以上的模型 -实盘效果一般
九.因子数量5-10左右的模型 -实盘效果尚可
十.因子数量5一下的模型 -实盘效果尚可
结合上述研究记录，我说一下我个人的观点：
==①尽量选择 在相同绩效下的模型， 因子数量少，优先选择 选股数量多，且alpha稳定的模型。==
==②尽量选择 不过度择时，且训练周期较长的模型。==
==③尽量选择 不需要风控，也不需要择时 效果更好的模型。==
==④尽量选择 选股收益效应集中在头部或者尾部（比如score因子值大或者小的一端），选股方向较为显著的模型。==
==⑤尽量选择 高收益的模型。低收益的，dog都不要。。。。懂的都懂==
接下来是研究记录：
实测了 许多模型 在样本外数据（实盘中)绩效， 结合一些 朋友常用的优化模型手段，发现几个比较有趣的现象。
1. 过度择时（比如相当苛刻的选股条件，回测数据上就一条横线 过去的那种） 以及 在预测集前过滤数据 再传入模型预测模块 进行跑回测的。
结果： 实盘有效时间短（一般1-3个月以内打回原形），失效时间非常快。偶然性极大，不稳定（模拟实盘如下图）
2. 训练集时间短（不足1年 或者3年以内的）又或者训练数据过少(1W条以下的)
结果： 实盘有效时间不长（一般3个月-半年左右以内打回原形），容易受到市场风格影响，市场风格转变后容易遭受市场反转的回撤。
这里就不得不提一个滚动训练的操作，在笔者看来，滚动训练其实是一个更复杂的环节。
固定时间 周期 去更新模型，这种操作其实更类似于给模型叠加了一个不稳定态buff。
因为单靠固定时间周期去更新我们的训练数据 对模型重新训练，我们甚至没办法确定 新训练出来的模型，
能否比原来的模型更优秀， 有可能 新加入的数据 会使得模型坍塌，绩效甚至不如原来的模型。
3.训练时间（3-5年以上） 甚至10年其长期数据的，对比短周期模型的表现，确实数据集长一点的训练，可以让模型更充分的挖掘数据中的规律。
结果： 实盘有效时间较长（系统的鲁棒性较好），能吃到市场上涨趋势中的大部分收益。比较能发挥多因子选股原有的效能。
4.训练时间（5年以上）不择时 vx 带择时
对比下图 3个回测，一般人看到的 肯定会觉得高收益的策略 效果更好， 但是实际上在实盘中发现，
反而是回测较为一般的第1个和第2个策略的表现更好，这就有点耐人寻味了~
哪怕把选股数量提升到5-10只股票之后也发现，
不管横向看还是纵向去看，无风控不择时的情况 也比有风控 或者带择时的要好。
5.因子数量多的模型，看起来更稳定。但是更容易过拟合。
因子数量多的情况下，线性模型和决策树模型反而不如 DL -alpha 深度学习模型有效。
6.因子数量少的模型，效果反而更好。
也许是算力问题，和策略容量问题，超短周期中，市场的风格和选股偏好一般都偏向某一类因子，而且从stockranker的特征重要度 我们也能发现，基本上，选股的alpha都是头部几个因子贡献的，特征重要度低的那些因子 可以说都是陪衬。
实际上，可能我们的模型并不需要这么多的特征去学习，太多因子反而会干扰我们模型学习的进程。
后续更新待续ing……
\