乐正雕漆量化交易系列文章写到这里，已经到第九篇了。前八篇聊了回测框架、因子挖掘、风险控制这些基本功，不少朋友私信问我：市场上那些张口就是年化50%、翻倍收益的复杂策略，到底是不是真的？他们到底在玩什么？这个问题问得特别到位，今天我就把这类策略的老底整个掀开，从数学原理到代码实现，从归因逻辑到实盘陷阱，一篇讲透。
先说个事实：年化50%+的策略，在回测报告里遍地都是，在实盘账户里万里挑一。为什么？因为很多“复杂策略”玩的东西压根就不是你想象中那种稳定盈利，而是靠杠杆、靠高频、靠风格暴露、靠过拟合，甚至靠幸存者偏差撑起来的数字游戏。这篇文章就来拆解这些策略背后的真实玩法，包括热搜里反复出现的离散时间马尔可夫决策过程（MDP）、西蒙斯式的多策略体系、python量化交易策略代码的落地方式，以及QMT这类工具里常见的高频思路。不管你是刚入门的小白，还是已经跑了几年策略的老手，这篇文章都能帮你少走很多弯路。
1. 年化50%的第一堂课：先搞懂收益从哪来
1.1 收益率的数学陷阱：复利视角下的“50%”到底多离谱
咱们先把数学账算清楚。年化50%意味着什么？拿100万本金来算，第一年变150万，第二年变225万，第三年变337.5万，五年之后就是759万，十年之后是5766万。如果一个人真的能连续十年稳定年化50%，他的资金规模早就大到影响市场价格了，这完全不符合市场有效性假设。
所以当你看到一个“年化50%+、回撤还很小”的靓丽曲线时，第一反应应该是怀疑，而不是兴奋。我见过太多人看到回测收益就上头，连夏普比率、最大回撤、盈亏比这些基础指标都不看，直接扑上去投钱。真实的统计口径下，很多“年化50%”有几个前提：
- 回测区间是特定牛市或风格极端期，比如某一年小盘股全面暴涨，你拿一个小盘因子的多因子策略去回测，年化高得吓人，但换个年份就彻底失效。
- 没有计入真实的滑点和手续费。高频策略尤其如此，回测里一档成交、零滑点、万一手续费跑出来的收益，实盘里可能直接打三折。
- 样本外测试不充分，绝大多数“漂亮曲线”是经过反复调参、来回试探样本内数据磨出来的，这种参数一上实盘就原形毕露。
我自己的习惯是，看到任何宣称年化50%+的策略，先要求看两样东西：一个是按周频统计的收益分布，有没有靠极少数几周暴涨撑起整个收益曲线的情况；另一个是极端行情下的压力测试结果，比如2020年原油负价格、2022年流动性危机的表现。如果这两样拿不出来，那这个策略大概率是在玩数字游戏。
1.2 收益归因：alpha、beta、风格暴露与运气
搞清楚数字不算离谱之后，第二个问题就是：即便真的赚到了高收益，这些收益到底从哪来？做量化的人常说要区分alpha和beta，但实际执行时很多人根本没做深度归因。
简单说，beta是你承担市场风险赚来的钱，alpha是你通过选股、择时、套利等主动操作赚来的超额收益。如果一个策略在牛市的收益主要来自满仓股票指数上涨，那它本质上就是个高beta的指数增强产品，跟“量化”两个字关系不大。复杂的量化策略如果做了严格的对冲，把市场风险剥掉之后，剩下的alpha还能有多少，才真正体现策略的水平。
风格暴露是另一个容易被忽视的坑。比如一个机器学习多因子模型，输入了大量量价数据，输出结果天然可能偏好低价股、小市值、高波动等风格。如果回测期间恰好是这些风格的强势期，收益会极其漂亮，但风格一旦切换，回撤也随之而来。我自己就吃过这种亏：曾经的某个LGBM选股模型，夏普比率回测接近3，结果样本外直接趴窝，后来一看归因报告，一半以上的收益来自小市值因子暴露，市场风格一换，全部回吐。从那以后，我每个策略跑完第一件事就是做风格中性化处理。
运气也不是开玩笑的因素。量化领域有个经典统计问题叫“多重检验偏差”，你同时试了100个策略，纯靠随机波动也会有5个看起来年化50%以上。你筛选出来的“优秀策略”很可能只是幸存者偏差在作祟。风控严格的机构在做策略评估时，会考虑同一策略族内部的独立测试次数，用Bonferroni校正或FDR（错误发现率）控制来修正收益显著性判断。个人玩家虽然不用搞得那么学术，但至少要知道：你手里的漂亮回测，可能只是无数随机尝试里运气最好的那一个。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 那些“年化50%+”策略的真实玩法：从MDP到强化学习
2.1 离散时间马尔可夫决策过程（MDP）怎么套用到交易上
热搜词里出现了“离散时间的马尔可夫决策过程(mdp) 量化交易”，这确实是近年复杂策略的高频概念。MDP本质上是一个数学框架，用来描述智能体（agent）在不确定环境里如何做序列决策。它的五个组成元素——状态（State）、动作（Action）、转移概率（Transition）、奖励（Reward）、折扣因子（Discount）——放到交易场景里可以一一对应：
- 状态：当前市场特征，比如过去N天的收益率序列、均线排列、波动率、成交量变化、持仓情况。状态设计是整个MDP里最核心也最烧钱的部分，因为你给智能体看什么，它就只能基于什么做决策。
- 动作：交易指令，通常离散化为“买入/卖出/持有”，或者更细分为“加仓/减仓/清仓/不动”。连续动作空间也有，但训练难度会大很多。
- 转移概率：市场当前状态到下一状态的概率，本质上就是我们所认知的市场动态。真实市场转移概率未知，所以需要用历史数据进行估计，或者让智能体通过与环境大量交互来隐式学习。
- 奖励：单步的收益或收益率的某种变换，比如对数收益、扣除交易成本后的净收益、同时考虑风险的夏普比率相关指标。
- 折扣因子：面对未来收益时的时间偏好，越接近1表示智能体越“长视”，越接近0表示越短视。
把交易问题建模成MDP之后，目标就变成求解一个最优策略（Policy），让长期累积折扣奖励最大。这就是强化学习的一整套框架。经典的动态规划方法（比如价值迭代、策略迭代）在状态空间较小的时候可以直接求解，但放到股票市场里，状态空间动辄几十维，几乎无法精确求解，于是就有了深度学习加持下的深度强化学习（Deep RL）。
2.2 从MDP到深度强化学习：DQN、PPO在量化里的落地
深度强化学习的代表作是DQN（Deep Q-Network），它用神经网络拟合Q值函数，把“在状态s下采取动作a的期望累积奖励”学出来。PPO（Proximal Policy Optimization）则是另一类基于策略梯度的算法，通过限制每次更新的步长来保证训练稳定性，在实盘量化中使用更广。
一个简化版的PPO交易agent环境结构大概是这样的：
python复制class TradingEnv:
def __init__(self, data, lookback=30, fee=0.0005):
self.data = data # 价格/因子数据
self.lookback = lookback # 观察窗口
self.fee = fee # 手续费率
self.reset()
def reset(self):
self.idx = self.lookback
self.position = 0 # 当前持仓：0空仓, 1满仓
self.cash = 1000000.0
return self._get_state()
def step(self, action):
# action: 0卖出/空仓, 1持有/不变, 2买入/满仓
price = self.data[self.idx]
if action == 0 and self.position == 1:
self.cash = self.cash * (1 - self.fee)
self.position = 0
elif action == 2 and self.position == 0:
self.position = 1
self.cash = self.cash * (1 - self.fee)
self.idx += 1
done = self.idx >= len(self.data) - 1
new_price = self.data[self.idx]
reward = 0.0
if self.position == 1:
reward = (new_price - price) / price - self.fee
return self._get_state(), reward, done, {}
看着简单，但实际训练时问题非常多。最大的坑是奖励塑形和训练稳定性。用单步收益率做奖励很容易让模型变成“追涨杀跌”型的短线噪音交易者；如果换成整个回合的累计收益又会导致奖励稀疏、训练极慢。我建议把奖励设计成“扣费后的相对收益 + 微小惩罚项”，惩罚项用于抑制过度交易。同时，折扣因子设到0.99以上，让模型有长线眼光。
另一个坑是环境非平稳性。金融市场跟围棋、游戏不一样，它的状态转移规则是时变的，过去学到的规律可能突然失效。哪怕你的MDP建模再细致，真实世界也不一定乖乖按历史分布演进。这也是为什么很多学术论文里看着效果炸裂的RL策略，一旦换到未来数据就崩盘。实操中常用的对策是：连续滚动训练（每段时间用最新数据重新训练）、设置高置信阈值（模型不确定时不交易）、以及用多市场数据做泛化训练。
2.3 西蒙斯的大奖章：复杂策略体系的真相
热搜词里出现了“量化交易策略 西蒙斯”。做为文艺复兴科技公司创始人，詹姆斯·西蒙斯和他的大奖章基金创造了年化66%（扣除费用前）的传奇业绩，成为量化界的神话。很多人以为大奖章靠的是某种“终极公式”，但其实它靠的是一整套复杂体系：
- 多策略组合：不依赖单一信号，而是成百上千个弱相关策略的叠加。每个策略赚一点，汇总起来收益就非常可观。
- 高频与统计套利：大奖章早年主要做短线统计套利，持仓周期以分钟到天为单位，利用市场微观结构中的定价失衡，赚的是“薄利多销”的钱。
- 科学化流程：数学家、物理学家、天文学家组成团队，从数据清洗、信号挖掘到执行优化，每一步都有严格的科学方法论支持。这不是一个人在家写写python代码就能复制的。
- 杠杆使用：高夏普策略配上杠杆，放大了收益，但也放大了风险。个人玩家如果没有严格的风控体系，千万别学这一条。
个人量化玩家能从西蒙斯身上学到的，不是去复制他的系统（资金和基础设施差距太大了），而是“多策略复合、低相关性、严格控制风险”的思维方式。与其把宝押在一个看似年化50%的复杂策略上，不如构建三五个低相关的简单策略做组合。这和投资组合理论是相通的：不把鸡蛋放一个篮子里。
3. 多因子与机器学习：把“复杂”变成可解释的组合
3.1 因子挖掘：从线性到非线性
“复杂策略”中很大一部分是多因子模型。传统多因子模型的做法是：找一堆有效因子（估值、动量、市值、波动率等），用线性打分方式合成一个选股信号，每天选得分最高的N只股票买入。这种方法的优点是简单、可解释、易回测，缺点也很明显——真实市场中的关系往往是非线性的，线性打分容易饱和。
近几年流行的做法是引入机器学习，把因子作为特征喂给树模型（LightGBM、XGBoost）或神经网络，让模型自动学习因子之间的非线性交互关系。比如同一个动量因子，在不同市值、不同波动率环境下，对收益的影响方向可能完全不同，树模型可以捕捉到这种条件式关系。
因子挖掘本身也是一门手艺。很多团队用遗传规划（Genetic Programming）来自动搜索因子公式，给定一组基础算子（加、减、乘、除、求绝对值、求对数、滚动求均值、滚动求标准差等），让程序演化出大量候选因子，再用IC（信息系数）来筛选。一个简易的遗传规划因子挖掘框架思路下面给出：
python复制import random
import numpy as np
def generate_expression(depth, max_depth, funcs, features):
if depth >= max_depth:
return ('feat', random.choice(features))
f = random.choice(funcs)
children = [generate_expression(depth + 1, max_depth, funcs, features) for _ in range(f.arity)]
return (f, children)
def evaluate_expression(expr, data):
if expr[0] == 'feat':
return data[expr[1]]
f, children = expr
vals = [evaluate_expression(child, data) for child in children]
return f.compute(vals)
这个框架实际执行起来，计算量非常大，需要做向量化运算和多进程并行。而且遗传规划挖掘出的因子很容易过拟合历史，必须进行严格的样本内外切割验证和逻辑合理性检验。大量的因子库搜索会带来多重检验问题，最简单有效的控制办法是：把样本切成训练集、验证集、测试集三段，因子筛选只在训练集和验证集上做，测试集只用来做最终确认。谁要是拿测试集反复调因子，那他得到的“稳健结果”就是典型的自欺欺人。
3.2 组合构建：从IC加权到风险平价
拿到一堆单因子之后，怎么合成才是关键。最简单的做法是等权平均，每个因子标准化后直接取平均。稍微聪明一点的做法是IC加权，用每个因子近期的IC值作为权重，IC高的因子多配一点。还有更复杂的动态权重优化，用目标函数最大化组合的ICIR（信息比率）。
再往下走，就到了组合优化层面。如果你有100只候选股票的因子打分，怎么决定每只买多少？最朴素的是选topN等权买入，这是大家最常用的玩法。但真正的机构会做风险平价或均值-方差优化，在给定预期收益和协方差矩阵的前提下，求解满足风险约束的最优权重。市面上主流的组合优化库是cvxpy，一套带约束的最小方差组合优化代码如下：
python复制import cvxpy as cp
def mcv_portfolio(cov, returns, target_ret, risk_limit):
n = len(returns)
w = cp.Variable(n)
ret = returns.values @ w
risk = cp.quad_form(w, cov)
constraints = [
cp.sum(w) == 1,
w >= 0,
w <= 0.05,
ret >= target_ret,
risk <= risk_limit
]
prob = cp.Problem(cp.Maximize(ret - 0.5 * risk), constraints)
prob.solve()
return w.value
约束条件里的单只股票权重上限0.05，是为了避免某一只股票集中度过高。目标函数里的0.5是风险厌恶系数，调大一点就更偏保守。这种方法的坑在于协方差矩阵估计，直接用历史收益率算样本协方差，不仅噪音大，还容易出现奇异矩阵。业界常用Ledoit-Wolf收缩估计器做协方差收缩，这是个人玩家最容易忽略但性价比极高的改进。
3.3 机器学习模型的正确打开方式：LGBM在时序预测上的坑
LightGBM在量化选股上非常流行，因为它速度快、精度高、能处理非线性关系。但很多人用LGBM跑策略时完全没意识到时序数据的天坑所在。
第一个坑是数据泄漏。比如你用未来一段时间的收益率做标签，但标签窗口里的数据可能已经包含了当前特征里的信息（比如用当日收盘价和次日开盘价之间的关系构造标签，同时特征里有当日收盘价相关技术指标，这种信息泄漏很难察觉）。我见过很多回测异常高的模型，查到最后都是某种形式的前视偏差。
第二个坑是样本不独立。股票面板数据不是独立同分布的，同一天内所有股票之间高度相关，直接把所有样本随机切分训练集和测试集，会导致严重的过拟合评估偏差。正确做法是按时间切分：前80%时间做训练，后20%做测试，并且在训练时考虑按“交易日”做GroupKFold，避免同一交易日的数据同时出现在训练集和验证集。
第三个坑是标签构造。常见的标签是未来5日收益率的方向（涨/跌），但直接使用原始收益做标签容易被极端值干扰。我习惯用截面排序后分位数做标签（比如未来5日收益排进前20%记为1，否则为0），或者做市值行业中性化处理，让模型专注于选股alpha而不是风格beta。
训练LGBM时，有一组我个人实测下来比较稳的参数基线（日线级别、3000只股票、5年训练数据）：
python复制import lightgbm as lgb
params = {
'objective': 'binary',
'metric': 'auc',
'learning_rate': 0.02,
'num_leaves': 31,
'max_depth': 5,
'min_child_samples': 50,
'feature_fraction': 0.6,
'bagging_fraction': 0.8,
'bagging_freq': 1,
'lambda_l1': 1.0,
'lambda_l2': 1.0,
'verbose': -1,
'n_jobs': 16,
'seed': 42
}
# 按时间滚动训练
train_cutoff = '2023-01-01'
test_cutoff = '2024-01-01'
for year in range(2018, 2024):
train_data = df[(df['date'] >= f'{year}-01-01') & (df['date'] < f'{year + 1}-01-01')]
valid_data = df[(df['date'] >= f'{year + 1}-01-01') & (df['date'] < f'{year + 2}-01-01')]
d_train = lgb.Dataset(train_data[features], label=train_data['label'])
d_valid = lgb.Dataset(valid_data[features], label=valid_data['label'])
model = lgb.train(params, d_train, num_boost_round=500,
valid_sets=[d_valid],
callbacks=[lgb.early_stopping(50)])
注意这里一定要用early_stopping，不然很容易过拟合。每一年滚动训练一次，预测下一年，这个流程跑出来的样本外表现才有点可信度。
4. 频率与市场微观结构：50%+的隐藏来源
4.1 高频策略与统计套利：只看数字会骗人
每当我看到“年化1000%”这样的策略收益，第一反应不是兴奋，而是去看策略的换手率。如果换手率极高（日换手超过10倍），那这个策略八成就是高频或统计套利路子。这类策略赚的是买卖价差和市场微观结构失衡的钱，单位收益很薄，但胜在次数多、胜率高。
高频和统计套利的底层逻辑其实不复杂。订单簿不平衡就是一个常见信号：买盘挂单量远大于卖盘挂单量时，价格在极短期内大概率上涨，策略就抢在价格变动前买入，几秒后卖出。这属于做市和流动性提供策略，收益看似稳健，但背后高昂的基础设施成本（低延迟行情、券商通道、托管机房）和个人玩家基本无缘。
QMT这类量化交易终端里内置了一些常见的交易接口和回测框架，让小白也能快速上手高频策略的开发。但我要反复强调：回测里成交价和滑点设置的差别，能让一个策略从爆赚变成爆亏。真实的盘口深度是有限的，你回测里假设按买一价每次挂10手都能成交，实盘就会狠狠教训你。
一般的个人玩家如果想从高频思路上借点力，可以关注日内的低频统计套利，比如股指期货与ETF之间的折溢价套利、跨期合约的价差回归。这类策略持仓周期从几分钟到几小时，对基础设施要求没那么苛刻，但需要比较精细的交易执行和风控逻辑。
4.2 期货CTA：趋势跟踪的复利魔术
热搜词里有“期货量化交易”，这也是年化50%+策略的重灾区。CTA（管理期货）策略里最经典的是趋势跟踪：价格突破上行就做多，突破下行就做空，赚的是趋势延续的钱。策略听起来非常简单，但为什么很多人跑不出好结果？
核心在于：趋势跟踪策略的胜率往往只有40%左右，甚至更低。它的盈利模式是“小亏很多次、大赚少数几次”，靠的是盈亏比（平均盈利/平均亏损）高。如果你只看胜率，会觉得这策略不靠谱；但拉长时间看，几波大趋势（比如商品牛市、油脂暴涨）就能贡献绝大多数利润。回测曲线往往是长时间阴跌爬坡、然后数月内陡峭拉升的形状。
一个最经典的、可复现而且逻辑清晰的CTA实现是唐奇安通道突破（海龟交易法则）：
python复制import pandas as pd
import numpy as np
def turtle_signal(df, n_entry=20, n_exit=10):
df = df.copy()
df['entry_high'] = df['high'].rolling(n_entry).max().shift(1)
df['entry_low'] = df['low'].rolling(n_entry).min().shift(1)
df['exit_high'] = df['high'].rolling(n_exit).max().shift(1)
df['exit_low'] = df['low'].rolling(n_exit).min().shift(1)
df['signal'] = 0
position = 0
for i in range(1, len(df)):
if position == 0:
if df['close'].iloc[i] > df['entry_high'].iloc[i]:
position = 1
elif df['close'].iloc[i] < df['entry_low'].iloc[i]:
position = -1
elif position == 1:
if df['close'].iloc[i] < df['exit_low'].iloc[i]:
position = 0
elif position == -1:
if df['close'].iloc[i] > df['exit_high'].iloc[i]:
position = 0
df.loc[df.index[i], 'signal'] = position
return df
看代码就知道，这套策略根本谈不上“复杂”，但它能长期有效，背后的逻辑支撑是：市场存在趋势惯性（动量效应），行为金融学解释是人类对信息反应不足、存在羊群效应，导致价格逐步向合理方向移动。这个策略要能用好，关键在于仓位管理和品种分散。多品种、多周期、低相关性的配置，能让策略在单个品种失效时靠其他品种的收益顶住。
我自己做CTA的体会是：不要高估单品种趋势跟踪的稳定性，但也不要小看多品种组合在长期中的复利力量。很多私募CTA产品的年化收益在15%~30%之间，它们真正厉害的地方不在于某一年爆发，而在于连续多年的低回撤复利。
5. 从回测到实盘：50%+为什么总是出现在PPT里
5.1 回测框架里的魔鬼细节
一个年化50%的策略，从回测走到实盘，往往会经历一次“收益坍缩”。坍缩的幅度取决于回测框架里有多少理想化假设。以下几个细节是重灾区：
第一是未来函数。最常见的形态是用当天的收盘价做信号，却假设当天能以收盘价成交。在A股，收盘价是最难成交的价格之一，尾盘滑点非常严重。严格的做法是：用t日收盘后信息生成信号，t+1日开盘价成交，或至少用t日收盘价信号、t+1日收盘价成交。
第二是幸存者偏差。如果你使用的股票数据库只包含当前还在上市的公司，那些退市、被ST的公司不会被算进去，你的策略回测就会高估收益。A股尤其要注意，很多小票因子在2015年前后的高收益，很大程度来自对后来退市股票的过度暴露。
第三是手续费和滑点设置。量化交易的成本模型需要精细刻画。A股印花税卖出时收万分之五，佣金最低万分之一左右，但这些费率对小资金不友好。我回测时一般保守设置为：佣金万三（双边）、印花税千一（卖出单边）、滑点万分之五到千分之一。这样保守处理之后，策略还能赚钱，才敢考虑实盘。
我做过一个统计：把同一个股票多因子策略的滑点从万分之零调到万分之十，年化收益从45%直接掉到18%。更夸张的是，有些高频期货策略，回测里设了0.1跳滑点还能稳定盈利，实际落地时连行情都抢不到。所以看到高收益回测时，第一件事就去问：这里的成交假设是什么？
5.2 过拟合的识别与应对
过拟合是“复杂策略”生命力短暂的最大敌人。一个策略如果对参数极其敏感，比如均线周期从18改成20，收益就从年化50%变成亏损，那它八成是过拟合的产物。
识别过拟合有几个实用手段：
- 参数平原测试：把参数在合理范围内做网格扫描，如果最优参数附近的收益曲线是一个尖峰，说明模型极度依赖特定参数；如果是缓坡高原，说明策略对参数不太敏感，过拟合风险低。
- 滚动前推（Walk-Forward）测试：把样本按时间分成多段，每次用前若干年训练，后一年验证，滚动重复。如果每个滚动窗口的表现都稳定，那泛化能力相对可信。
- 样本外绝对干净：把最尾部20%的数据留出来，从头到尾不碰，只在最终评估时用一次。如果最终用这个“闻所未闻”的数据跑出来收益衰减超过30%甚至变成亏损，那就说明前面的策略有严重的样本内适应问题。
应对过拟合的另一个方向是模型集成。用过多个不同逻辑、不同参数空间的策略做叠加，整体收益不会像单一最优质那样爆炸，但回撤和稳定性会好很多。我自己现在跑实盘的资金，大概分成五份，覆盖趋势跟踪、统计套利、多因子选股、事件驱动、以及一个半衰期极短的短线模型。它们单一的年化收益都在15%~30%之间，但组合起来的整体夏普比率反而最高。
5.3 WebUI框架与工具链：为什么工具不能拯救策略
热搜词里还有“量化交易webui框架”和“量化交易从入门到精通pdf下载”，这反映了很多人特别热衷于找工具和资料。工具当然重要，但我要泼一盆冷水：再好的框架、再厚的PDF，也替代不了你对市场和策略本身的深度理解。
市面上的量化交易WebUI框架很多，有的提供可视化回测、实盘交易接口、策略管理功能。对新手来说，这类框架最大的价值是让你把精力集中在策略逻辑本身，而不是在写数据接口和下单API上消耗时间。我一般推荐从数据API（tushare、akshare、baostock）起步，配合backtrader或vectorbt做快速回测，等策略逻辑跑通后再封装到WebUI框架里做自动化管理。
但请注意，工具友好反而会带来一个问题：它让“回测摩擦”变低了，你会在同一个数据集上反复试错几百次，这恰恰是过拟合的温床。我见过太多使用者，把WebUI当成“调参游乐场”，最后挑了一个历史回测最漂亮的参数组合，这本质上跟掷骰子练出来的“神预测”没区别。工具是放大你能力的杠杆，但不是拯救烂策略的救命稻草。
写在最后：我对“复杂策略”的真实看法
写了九年量化系列，我越来越觉得，真正能长期赚钱的量化策略，通常不是那些听上去特别炫酷的东西。MDP、强化学习、Transformer预测这些名词确实高深，但它们解决问题的方式是把“预测未来”这个最难的任务交给模型，而模型在非平稳市场里的泛化能力远没有想象中那么强。反倒是那些逻辑简单、来源清晰、做了严格成本建模和风险控制的策略，在时间的长河里活得最久。
我不否认有人用复杂的机器学习模型赚到了钱，但那往往不是模型本身多神奇，而是他们对数据流的理解、对成本的控制、对风险边界的把握远超常人。策略复杂度和收益之间从来不是正比关系，真正拉开差距的，是执行、风控和心态。
如果你读完这篇文章，能对“年化50%+”这种数字多一份警惕，对MDP、多因子、CTA这些名词的底层逻辑多一份清晰，那这九千字就没白写。下一次看到某个策略宣传得天花乱坠时，记得先干三件事：看一眼收益归因、拉一场压力测试、再问问成本模型是否真实。做完这三步，你就能避开市面上九成以上的“策略表演”。