量化交易入门：从想法到回测

量化交易、算法交易与订单流

如果这些输入对你还陌生，先读订单流指南。GEX 指南说明了建模所依赖的假设。研究流程必须把观测值与估计值分得清清楚楚。

写下一个可以被否定的假设

“订单流强的时候买入”这类说法太模糊，无法检验。请写明品种、交易时段、K 线构建方式、入场时点、出场规则、仓位大小以及排除掉的数据，然后在去寻找最好看的结果之前，先把这份定义冻结下来。

举例来说，研究问题可以是：一个事先设定的 delta 条件，是否改变固定时段内下一根 K 线收益的分布。这是一个待考察的问题，不是入场建议。在跑测试之前，先记录阈值和对照组。

选择真正包含你所需输入的数据

• 只用收盘价的规则可以用 K 线，前提是它们的时间定义清楚。
• 基于 bid/ask delta 的规则需要带有明确买卖方向判定的成交量。
• 基于订单簿压力的规则需要历史深度更新，而不只是成交记录。
• 基于期权流或 GEX 的规则需要带时间戳的期权观测数据，以及当时所用的模型版本。

检查缺失区间、重复事件、时区、合约换月与计量单位。今天能加载出图，并不代表历史数据是完整的。期货回测指南讲解了各种执行模型及其局限。

一个小小的期望值例子

假设性的结果：40% 的盈利交易平均赚 3 跳，60% 的亏损交易平均亏 1 跳。毛期望为 0.40 × 3 − 0.60 × 1 = 每笔 0.6 跳。若来回总成本为 0.8 跳，净期望变成 −0.2 跳。毛期望为正并不要求高胜率，而为正的毛期望也可能在扣除成本后消失。

请用该品种真实的每跳价值来换算现金费用。除了平均值，还要跟踪回撤、样本量、敞口以及不同时期之间的差异。这段示例算术并不是对平台业绩的承诺。

把研究与评估分开

1. 选定规则和训练区间。
2. 记录尝试过的每一种配置，包括失败的。
3. 在测试较晚的时间段之前，把选择冻结。
4. 比较不同窗口的结果，并在更高的执行成本下再比较一次。
5. 保留一段完全未动用的最终时期，用于最后的评估。

看到测试结果后反复修改策略，就等于把这次测试变成了训练的一部分。Bailey 等人在 The Probability of Backtest Overfitting 中研究了在大量配置中挑选的问题。历史测试成功，依然以它所用的数据和假设为前提。

从研究笔记到交易工作流

用交易日志记录规则版本、数据集和否定某个想法的决定。用脚本重复相同的计算。在 Senzoukria 中，策略历史回测支持 JavaScript 和 Python；C++ 脚本运行在独立的 WebAssembly 运行时里，没有历史回测通道。

回测工作区采用基于 K 线的执行模型，它不会重建你在挂单队列中的位置。在兼容的 Rithmic 账户上手动明确启用的自动驾驶，是另一项独立的执行能力，受账户权限和公司规则约束。研究结果本身不会启用它。

接下来学什么

把赫斯特指数估计当作一个有采样局限的模型来学，把期权流当作对合约活动的观测来看，把walk-forward 测试当作按时间顺序进行的评估流程。先做一个记录完整的实验，而不是一次把所有指标堆在一起。