嘗試調降交易模型的回撤風險（2 合理的目標函數）

08-04

　　昨天我們說了建模測試的環境，突出幾個關鍵字：各品種等資金分配（手數固定），全品種建模，無參數優化，引入日頻振幅或ATR控制止損等。其實都是為了提升模型的可信程度，讓樣本容量儘可能大，讓倖存者偏差儘可能少。

　　今天簡單談談合理的目標函數。我在大概2年前建模的時候，眼睛裡只有凈利潤，因為當時手工交易實際上頻率很高，帶來的單筆回撤不大，而且手工交易難成長期貫穿的體系，所以利潤是第一追求目標，認為模型一定要達到極高的收益，忽略了回撤。

　　後來開始關注收益風險比。從這時開始，我們開始考慮每一次交易中，利潤從最高點回撤到最低點的過程。我們同時看到，如果單一追求利潤，可能導致單筆交易利潤貢獻不穩定，以及在盤整震蕩時期的資金曲線回撤很大。

　　當我們觀察到現象，就可以採取應對措施了，比如模型本體的平倉條件信號過慢，我們用回落幅度追蹤止損加速其平倉信號值發出。再比如，我們調整任何一個模塊的時候，都可以觀察其是否有能力降低每一次的利潤回落速度，我們稱之為平均回撤。

　　與平均回撤對應的是：調整後收益風險比。這個目標函數相當有趣，在我們看來它才是真正的風險（回撤）表達方式，它不僅考慮最壞的那一次或者那段時間，而是考慮每一段時間，每一次的利潤回吐。當我們用各種方法調升調整後收益風險比的同時，最大回撤也得到控制，收益風險比得到提升。

　　再後來我們關注了夏普比率，理論上夏普比率越大，就說明獲得同樣投資收益率的波動性比較小，也意味著投資回報率的可複製性也越高。但是鑒於測試樣本的不足，以及夏普比率僅是對每一次平倉後的收益做分析，對於價格回撤這個動作的控制依然不足，所以它作為參考指標之一。

　　勝率呢？勝率我們作為不同類型模型的判別標準，比如趨勢類勝率在35%左右，震蕩類勝率在65%左右，而勝率在同一類模型中，是沒有太重要的評比意義的。

　　交易次數呢？理論上交易次數不能太多，但是恰巧交易次數是模型和行情發生了一次「關係」，如果發生了很多次「關係」，依然能夠保持較好的收益風險比，我們是不是可以更加確信這個模型的穩健呢？顯然是這樣，所以在較高的手續費率設置下（這個問題昨天忘記說明，我們通常設置萬5~萬10的費率+開平各1跳滑點），只要資金曲線穩健，交易次數多一些，沒有太大問題。

　　在等手數開倉的測試環境下，我們還會考慮一個目標函數，資金曲線的R平方值，R-square來描述數據對模型的擬合程度的好壞，在資金曲線測試中，是資金曲線和直線的擬合度指標。R平方值可以表示出你的模型是否基業長青，還是說在某些時段出現了嚴重衰減。R平方值在同一個類型模型中，差別不大，在模型迭代過程中，可能由於我們多品種的關係，差別也不大。但是在針對單品種測試中，和複雜模型測試中，R平方值有模型鑒別能力。

　　健全的測試環境，健康的目標函數，是程序化交易模型逐漸走上正規的起點。

　　當然你的水平逐漸提高時，還可以構建複雜目標函數，它是幾個傳統目標函數的組合關係，或者僅是權重打分。利於迭代模型和一些機器優化。