師兄, 沒有要挑戰的意思, 只是想知在師兄的眼中怎看待回測這回事呢?
回測的主要目的是為了證偽。首先先從理論層面找到那些我們認為有效的量化因子，然後進行歷史試驗，也就是回測，如果回測結果不行，那麼就意味著那些量化因子是無效的或弱效的。如果回測結果符合預期，那就進入第二步，第二步就是調整量化因子，首先從理論層面上給調整後的表現給一個預期變化，然後進行歷史回測，如果回測結果與預期變化趨於一致，那就重複第二步，直至從統計意義上獲得滿意的結果。如果中間隨便哪一次回測結果與預期不同（可能是好於或也可能差於預期值）便說明該量化因子不行。你問的是量化模型設計中的其中一個問題，而我把整個過程都給你介紹了。或許你看不出組合中各成分股的具體優勢在哪，假如其中有些表現好的成分股碰巧也具備你喜歡的因子（或條件），那麼你就會高高興興地認同它們，如果是這樣，那麼你其實只是在相信你本來就想要相信的事物，這是主觀的表現。我們使用各種統計方法，嘗試各種時間跨度，並加入數千只股票作為研究對象，首要目的就要避免主觀意識可能帶來的任何偏見。使股價大漲或大跌的原因是因子，我們的任務是找到這些因子，並了解它們的強弱性及週期性，在此基礎上給它們分類，最後我們根據分類把它們拿出來組合成想要的投資策略，從而找到能夠滿足我們需要的投資組合。
簡單說是否即是data mining?A司
不是。data mining是用來分析固定模式，例如性別，年齡，收入水平等因素與消費習慣的聯繫就可以使用data mining並取得不錯的效果。股市並非一成不變的主體，它一直在保持變化，有些因子週期短，有些週期長，但並非沒有週期，所以我們必須了解決定因子週期變化的要素，並加以利用，本質上來說我們的研究是如何利用變化獲利，並避免被變化傷害。
師兄, 沒有要挑戰的意思, 只是想知在師兄的眼中怎看待回測這回事呢?
回复删除回測的主要目的是為了證偽。首先先從理論層面找到那些我們認為有效的量化因子，然後進行歷史試驗，也就是回測，如果回測結果不行，那麼就意味著那些量化因子是無效的或弱效的。如果回測結果符合預期，那就進入第二步，第二步就是調整量化因子，首先從理論層面上給調整後的表現給一個預期變化，然後進行歷史回測，如果回測結果與預期變化趨於一致，那就重複第二步，直至從統計意義上獲得滿意的結果。如果中間隨便哪一次回測結果與預期不同（可能是好於或也可能差於預期值）便說明該量化因子不行。
删除你問的是量化模型設計中的其中一個問題，而我把整個過程都給你介紹了。
或許你看不出組合中各成分股的具體優勢在哪，假如其中有些表現好的成分股碰巧也具備你喜歡的因子（或條件），那麼你就會高高興興地認同它們，如果是這樣，那麼你其實只是在相信你本來就想要相信的事物，這是主觀的表現。我們使用各種統計方法，嘗試各種時間跨度，並加入數千只股票作為研究對象，首要目的就要避免主觀意識可能帶來的任何偏見。
使股價大漲或大跌的原因是因子，我們的任務是找到這些因子，並了解它們的強弱性及週期性，在此基礎上給它們分類，最後我們根據分類把它們拿出來組合成想要的投資策略，從而找到能夠滿足我們需要的投資組合。
簡單說是否即是data mining?
回复删除A司
不是。data mining是用來分析固定模式，例如性別，年齡，收入水平等因素與消費習慣的聯繫就可以使用data mining並取得不錯的效果。股市並非一成不變的主體，它一直在保持變化，有些因子週期短，有些週期長，但並非沒有週期，所以我們必須了解決定因子週期變化的要素，並加以利用，本質上來說我們的研究是如何利用變化獲利，並避免被變化傷害。
删除