一、如何验证策略的可靠性

前几节课我们学习了双均线策略，它是基于不同周期平均价格的突破型策略。

这节课来学习如何验证策略的可靠性

因为对于策略来说，肯定是越可靠越好

举个例子：

策略A:100次开仓平仓，90次亏钱，10次赚钱，最终受益为正

策略A是可靠的策略吗？大概率不是，对不对，

如何验证策略的可靠性？

1.1 评估指标

评估指标：胜率/年化收益率/最大回撤/夏普

如果说年化收益率还不错，但是胜率很低，夏普不高，那么这个策略首先不稳定，其次它的风险比较高，或者它比较适合特殊的行情，比如说“大牛市”，它才会赚钱。

1.2 假设检验

假设检验：收益 > 0 是否为大概率时间

先提出一个假设，通过多次实验，计算不同结果出现的频数和频率，来决定是否接受或者拒绝这个假设，从而验证这个现象是否随机。

举个例子：

二、检验“周期策略”数据可靠性

周期策略：周四买入；周一卖出

count 773
mean 0.00378
std 0.0399
min -0.141
max 0.205

怎么理解这个频数图？

x轴是收益率，最小收益率是-0.141，最大的收益率是0.205。

这里count是代表有多少条数据，总共是773条数据。

它的收益率的均值mean是0.00378，

整体呈现正态分布。它是最常见的一种概率分布形态。

对于这样的一个周期策略

如何知道它的收益率为正的情况的概率为多少？

因为收益率为正的概率越大，说明这个策略越可能让我赚到钱。

这里我们可以通过假设检验：t-test

2.1 如何利用假设检验验证数据的可靠性

2.1.1 H0

H0:样本均值 = 理论均值

• 样本均值：每次平均收益率=0
• 理论均值：设为0，表示不赚钱。也不亏钱。当然不希望策略的收益为0，那样就白干了。

2.1.2 H1

H1:样本均值 > 理论均值

• 样本均值：每次平均收益率>0
• 理论均值：设为0，表示不赚钱。也不亏钱。当然不希望策略的收益为0，那样就白干了。

2.1.3 t统计量

t统计量 = (样本均值-理论平均值)/（样本标准差/根号（样本数量））

那如何知道数据样本是满足H1这个情况，就需要用到t统计量，t统计量用于比较不同数据样本的相似度。

以上述数据为例子：

t = (mean-0)/(std/根号(count))

计算的t值越大，相似度越低，值越小，相似度越高。

2.1.4 P值

P值代表probablity，表示可能性的意思，通过查表可知：

1. 横向表示“显著性水平”，显著性水平通常设置为0.05.它代表可能犯错的概率，也就是只要可能犯错的概率是小于0.05,那么就可以拒绝H0，这里的显著性水平通常取为：0.05，它取的值越小，代表精度越大，比如显著性水平取为1，表示我只有百分之1的容错概率。你可以根据应用的领域来取不同的值。比如医药型股票，它可能取的值会
2. 纵向表示“样本数量”，我们的样本数量是773。

假设一直往后查找样本数量为773，我们以0.05作为显著性水平，查到对应的P值：

• 如果小于0.05，那这代表什么意思呢，它代表符合H0概率的只有百分之5，也就是样本和理论数据有显著差异。所以结论就是拒绝原假设。
• 如果大于于0.05，就说明2者在统计学意义上没有显著性差别的，也就是无法拒绝H0,也就是几乎不赚钱。

这就是如何利用假设检验，计算t统计量和P值的方式， 就可以知道我们样本和我想要比较的样本的相似度的差距。以及我是否可以拒绝我的原假设，满足我的备着假设。

转载请注明：xuhss » Python量化交易实战-26如何验证策略的可靠性