声称与实测

先说清楚一件事：你没看出来，不是因为你的基金知识不够。

这些项目里出问题的地方，没有一个是关于基金的。它们全部是关于「测量」的 —— 怎么在一份有限的数据上做出不会骗自己的判断。这是一门独立的手艺，和懂不懂基金几乎无关。 专业量化团队常年在同样的地方翻车，学术界给这类错误起了名字、写了论文、发明了专门的检验方法。

更麻烦的是，这类错误在发生时看起来像成功。回测收益在涨，冠军在刷新， 日志里全是「发现了更好的策略」。所有反馈信号都是正的。等到实盘告诉你真相时， 已经过去很久了。

下面 11 节课，每一节讲一个可以独立使用的判断工具。学完之后， 你应该能拿着任何一份回测报告，问出让它现原形的问题。

每试一个策略，你就花掉一点数据里的信息。数据是有限的，所以假设是要花钱买的。 第一步永远是算清楚你有多少预算。

三个必须先算的数

把 Fund_strategy_X 的真实数字代进去：

那个冠军策略过不过关？把它的 t 统计量和门槛放一起看：

「每天都是一次新评判」—— 为什么不成立

最自然的反驳是：每天都做一次选择，8 天后都有一个结果，那不就是 663 次独立评判吗？

这个说法可以直接检验 —— 如果每次评判独立，相邻两笔的收益应该不相关。实测：

过拟合不需要统计学就能认出来。它有很稳定的外观。下面八条全部取自 Fund_strategy_X， 每一条你都可以在五分钟内检查。

把数据切两段：训练段用来挑策略，验证段只用来报告、绝不参与挑选。 这是整套方法论里最简单也最有力的一步。

用 2026-05-01 切开 Fund_strategy_X，同一批策略跑两段：

为什么会这样？把冠军的收益按季度摊开就一清二楚了 —— 它的全部收益来自几个牛市季度：

两个项目都报告一个叫 oracle efficiency 的指标： 你的收益 ÷ 完美预知每天买最好那只的收益。它能回答「离上界还有多远」， 但回答不了「到底有没有能力」 —— 牛市里一个纯 beta 策略也会有体面的 efficiency。

你需要的是零技能基线：每天等权买下当日所有合格基金。差额才是能力。

「同样那些交易日」这几个字是关键。选择性策略和每日策略交易的日子不同， 拿它跟全时段池均值比，等于给它记上一份它从未表达过的择时。

Fund_strategy_X 的目标函数是 cum_profit，定义是：

这个定义里完全没有风险。重叠持仓被当成互相独立的交易加总， 所以「同一时刻把所有钱押在一只基金上」不会受到任何惩罚。

于是搜索出来的冠军，长成了这样：

更讽刺的是：两个项目的 oracle/engine.py 里 都写好了一个真正的组合引擎 —— 有现金、有 T+2 交收、有最大持仓数、 有单基金敞口上限的 simulate_strategy()。

它在两个项目里都从未被调用过。

前面全是坏消息。这一课是好消息，而且是这份手册里唯一一个不需要预测能力的收益来源。

当信号很弱时（这类系统的信息系数通常只有 0.02~0.05）， 风险的下降主要来自分散化，不是来自选股精度。分散化是数学，不是判断 —— 它不会因为市场变了就失效。

下面是在 Pareto 项目上真实跑出来的结果：

还有一个副作用值得单独说。第 5 课那个「连续 65 天买同一只」的病理， 用「单基金最多 2 笔同时在手」这一条约束就直接消掉了 —— 而且这条约束不需要你对未来有任何判断。

实盘亏钱时，只有两种可能，而它们的药完全不同：

分辨方法只有一个：对账。 取实盘的每一笔，用回测引擎重放同一天、同一策略，比较两边的收益。

Pareto 项目设计了三层验证。理解它们的差别，是理解整套方法论的核心。

L2 的陷阱：固定日历会把季节性混进来

留出月固定选 1 月、5 月、9 月，看起来很合理 —— 规则明确、可审计。 但这样切出来的「样本外」和季节性共线了。

QDII 池的实测结果暴露了这一点：

后果有两层：第一，「留出月收益 > 0」这道门槛在 QDII 上人人通过，零筛选力； 第二，更糟 —— 它会奖励那些恰好在这三个月上载荷更重的策略。

修法是把固定日历换成随机/轮转分块（组合式 purged 交叉验证）。 Pareto 做 PBO 时用的就是这套分块机制，搬过来即可。

这两个指标不评价策略，它们评价你挑策略的那个过程。这是它们特别的地方。

PBO — 回测过拟合概率

把时间切成很多块，反复地「用一半块挑出最好的策略，看它在另一半块里排第几」。 PBO = 挑出来的冠军在另一半里排到中位数以下的概率。

DSR — 收缩后夏普比率

把「你试过多少个假设」这件事折算进显著性里。试得越多，同样的夏普越不值钱。 DSR 是一个概率：这个策略的真实夏普大于 0 的概率。习惯上要求 > 0.95。

如果算力是免费的，你当然想无限地搜。这一课说明为什么这完全可以， 以及需要什么条件。

关键在于：DSR 和 PBO 惩罚的不是「你搜了多少」，而是「你用同一份数据做了多少次选择」。 这两件事可以分开。

配套：让日志从「试过的东西」变成「检验过的假设」

还有一个办法能让无限搜索和有意义的统计共存：在「机制」层做推断，而不是在「参数变体」层。

要求每个候选声明一个 mechanism_id，取自一个受控词表 —— 加新机制是一个需要写清经济理由的、慢的动作。于是：

族内可以无限变异（免费、无代价），统计推断在族层做（有界、有意义）。 有一个前提要注意：族代表不能按训练表现挑，否则族内多重检验又回来了 —— 用族内等权，或者用 L3 表现来定。

每个假设该写清楚的四件事：经济机制 / 预期方向 / 预期量级 / 失效条件。 参数不超过 2 个。写完存档，再跑数据。

最后一课来自一个容易被忽略的观察：「8 天持有」到底是什么？

它是免赎回费的资格日，不是强制退出日。到期后仓位变成可以回收， 不是必须回收。如果策略今天还想要这只基金，你根本不用动 —— 直接继续持有就行。

但现在的系统把这个决策删掉了。回测里 future_return 是固定的 8 日前瞻收益 —— 每个候选都是强制的 8 天往返。 整个候选空间里没有「续持还是换仓」这个选择。

这解释了那个 65 天的谜团

回到第 5 课那个「连续 65 天买同一只基金」。之前我们把它归为集中度病理。 但按正确的框架重看 ——

反过来说：如果续持不消耗新额度，那么每天的 ¥4,000 自然会去别的地方 —— 分散化会免费出现，不需要强制。

再看那两笔最惨的实盘：5.4055 → 4.0572（−24.9%）、 5.0748 → 3.9466（−22.2%）。强制在第 8 天卖在坑里。 有「续持还是换仓」的决策的话，这是可选的。

任何回测报告递到你面前，按顺序问这些。答不上来的，就是问题所在。

学完这些之后，最重要的调整可能是预期。

一个诚实的目标是：长期稳定跑赢等权基金池 2~5%/年，且最大回撤显著更小。 这已经是很扎实的成果。不是年化 90%。

Fund_strategy_X 走到那一步的根源，就是它的目标函数从一开始就默认了「年化 90% 是可达的」—— 于是所有搜索都朝着噪声最大的方向去了。

你能可靠拿到的东西，按可靠性排序

1. 分散化 —— 纯数学，不依赖预测。实测让回撤降 42%~54%。
2. 不部署过拟合的东西 —— 需要把 PBO/DSR/L3 接进仓位决定。
3. 零费率 —— 已经有了，别用高换手浪费掉。
4. 选基 alpha —— 第四位，而且最不可靠。