9000次跨资产量化回测淘汰94%策略仅均值回归维持正收益

bilibili

在覆盖15年行情的严苛样本外及Bootstrap压力测试下，顺势动量策略在单品种上普遍因过拟合失效，仅具备市场自我修正机制的均值回归策略展现出跨品种的统计优势。

AI-assisted summary of 我用Claude跑了9000次回测，最后只有一类交易策略真正有效 — original source. Check the original for full context.

Key ideas

基于 30 种高流动性资产长达 15 年（2010—2025 年）日线数据的 9000 多次回测显示，基础形态下仅有均值回归（Mean Reversion）大类的平均收益为正，其余趋势、动量与形态类策略平均收益皆为负数。 (4:58)
量化回测存在严重的过拟合陷阱：在经过夏普比率、最大回撤等严苛验证漏斗后，仅 524 个基础策略存活，且回测优秀的策略中高达 56% 在样本外（Out-of-Sample）测试中直接失效。 (0:00)
通过 500 次打乱交易顺序的 Bootstrap 压力测试发现，特定牛股上的动量策略回撤会飙升至 51%~61%，高度依赖运气；而 RSI 均值回归在 20 个不相关品种上均表现出稳健的统计优势。 (4:58)
实战级量化系统需采取分层架构：以均值回归为底层资产，结合风险管理与多信号融合，并通过隐马尔可夫模型（HMM）动态识别市场状态，在牛市趋势中切换为截面动量（Cross-Sectional Momentum）。 (9:57)

Detailed notes

## Background 该内容发布于哔哩哔哩（Bilibili）平台，视频标题为《我用Claude跑了9000次回测，最后只有一类交易策略真正有效》。页面未提供具体的UP主名称与简介信息，内容聚焦于主讲人 Brandon 利用 Claude 构建量化回测系统并验证主流交易策略的真实统计表现。

## TL;DR 主讲人 Brandon 结合数学与投行量化背景，利用 Claude 对 30 种高流动性资产历经 15 年的数据进行了超过 9000 次原始策略回测。通过夏普比率、最大回撤、滚动样本外验证等六重严苛过滤漏斗，淘汰率超过 94%，揭示了市场中超过一半看似亮眼的策略实为过拟合。在裸跑条件下，均值回归成为唯一整体平均收益为正的策略大类，在留存策略中占比达 64% 且顺利通过 500 次 Bootstrap 压力测试。最后，视频提出了包含底层均值回归、风控、多信号叠加与马尔可夫市场状态机（Regimes）的分层实战系统，并分享了用 Claude 四步搭建该验证架构的落地方法。

## Atmosphere & style 整体基调严谨冷静、硬核且极具去伪存真的批判色彩。Brandon 以资深量化开发者的视角，抛弃了市面上兜售暴富指标的轻浮浮夸，用大样本统计和冰冷的回撤数据直击 TradingView 简易回测与过度拟合的致命盲区。观看体验如同置身一场顶尖投行级的策略压力测试现场，节奏紧凑清晰、层层递进，既有打破传统趋势跟踪神话的认知冲击，又为普通交易者借助 AI 搭建机构级投研框架带来了切实可落地的技术赋能感。

## Bulletin - [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 基于 30 种高流动性资产长达 15 年（2010—2025 年）日线数据的 9000 多次回测显示，基础形态下仅有均值回归（Mean Reversion）大类的平均收益为正，其余趋势、动量与形态类策略平均收益皆为负数。 - [00:00](https://www.bilibili.com/video/BV1ptKS6fEbz?t=0s) 量化回测存在严重的过拟合陷阱：在经过夏普比率、最大回撤等严苛验证漏斗后，仅 524 个基础策略存活，且回测优秀的策略中高达 56% 在样本外（Out-of-Sample）测试中直接失效。 - [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 通过 500 次打乱交易顺序的 Bootstrap 压力测试发现，特定牛股上的动量策略回撤会飙升至 51%~61%，高度依赖运气；而 RSI 均值回归在 20 个不相关品种上均表现出稳健的统计优势。 - [09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 实战级量化系统需采取分层架构：以均值回归为底层资产，结合风险管理与多信号融合，并通过隐马尔可夫模型（HMM）动态识别市场状态，在牛市趋势中切换为截面动量（Cross-Sectional Momentum）。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1ptKS6fEbz?t=0s) 主讲人 Brandon 利用 Claude 构建了覆盖股票、指数 ETF、大宗商品、加密货币等 30 种流动性资产的 15 年回测系统，共执行超 9000 次原始基础策略回测。 - [00:00](https://www.bilibili.com/video/BV1ptKS6fEbz?t=0s) 验证漏斗（Validation Funnel）设置了夏普比率大于 0.5、最大回撤不超 35%、样本内外一致性及交易频次门槛，淘汰率超过 94%，最终仅存活 524 个策略。 - [00:00](https://www.bilibili.com/video/BV1ptKS6fEbz?t=0s) 样本内外表现分析表明，回测中表现强劲的策略仅有 44% 能在样本外维持强势，市面上超过一半看似优异的策略本质上是对历史噪声的过拟合。 - [00:00](https://www.bilibili.com/video/BV1ptKS6fEbz?t=0s) TradingView 等传统平台的内置回测缺乏对幸存者偏差、运气因素和样本外衰减的校正，容易给交易者提供过度乐观的虚假盈利曲线。 - [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 在未经参数精调的原始状态下，均值回归是唯一群体平均收益为正的流派，而顺势交易、突破和形态策略的群体平均收益均为负值。 - [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 在 478 个满足 10 年以上数据要求的幸存策略中，均值回归类策略占比高达 64%，成为全场表现最稳健的策略基石。 - [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 均值回归的有效性背后有行为金融学支持，源于恐慌超卖与贪婪超买后的市场均值修正；而纯技术指标的均线交叉等往往缺乏因果逻辑支持。 - [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) Bootstrap 500 次时序重排压力测试证实，强动量策略的高度收益常由行情发生的时点运气决定，而 RSI 均值回归则展现出跨周期的真优势。 - [09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 单一品种的时间序列动量虽然脆弱，但全资产池排序的“截面动量（Cross-Sectional Momentum）”表现出极高潜力，回测评分获得显著跃升。 - [09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 成熟量化系统应由底层均值回归、仓位风控、低相关性多信号融合以及顶层市场状态识别（Regimes）自下而上层层搭建。 - [09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 通过隐马尔可夫模型（HMM）识别市场状态后，系统可在强趋势牛市中配置截面动量，在震荡盘整市中全面退回均值回归以规避回撤。 - [09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 借助 Claude 的四层提示词架构（数据与策略库、滚动回测引擎、验证过滤系统、稳健性与状态模块），普通个人交易者也能搭建对标机构级的回测与风控流程。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1ptKS6fEbz?t=0s) 9000次回测系统与严苛验证漏斗

主讲人 Brandon 毕业于 UCLA，主修数学与经济学，曾在投资银行 Raymond James 工作三年，过去两年则全职为客户开发量化交易系统。本期内容聚焦于他利用 Claude 搭建的量化回测验证系统。该系统针对 30 种流动性资产（涵盖 S&P 500、纳斯达克等主要指数 ETF、行业 ETF、黄金、原油、国债、比特币、以太坊，以及 Apple、NVIDIA 等大市值科技股的日线数据），跨越了长达 15 年的历史行情（2010—2025 年），对趋势跟踪、均值回归、动量交易、突破策略等所有主流交易策略的“最基础、最原始形式”执行了超过 9000 次系统性回测。需要明确的是，该系统仅针对大级别交易，不包含日内期货或高频期权。测试的目标并不是为了拟合出一个当下看似完美的单一策略，而是在尽可能严苛的环境下，检验策略是否具备跨越完整市场周期的真实统计优势。

```mermaid flowchart TD accTitle: 9000次回测的多层验证漏斗 accDescr: 展示从9000多次初始回测经过夏普比率、最大回撤、样本外衰减等过滤条件，最终筛选出524个策略的漏斗流程。 A["初始回测池 (9000+ 次)"] --> B["夏普比率 (Sharpe > 0.5)"] B -->|"淘汰近8000个"| C["剩余 1218 个策略"] C --> D["回撤过滤器 (Max DD <= 35%)"] D --> E["过拟合检测 (样本外表现检验)"] E --> F["最低交易次数门槛"] F --> G["最终存活基础策略 (524 个)"] G --> H["要求10年以上历史资产 (478 个)"] ```

整个验证架构的核心是“验证漏斗”（Validation Funnel）。9000 多次回测经过层层筛选，最终仅有 524 个策略存活，淘汰率超过 94%。为了杜绝过拟合，系统采用了滚动测试（Walk-Forward Testing），即使用过去的历史数据构建和调优策略，并在策略从未见过的后续数据上进行验证。第一道也是杀伤力最大的关卡是夏普比率（Sharpe Ratio）过滤器，要求夏普比率必须大于 0.5，仅此一项就将 9000 多个策略削减至 1218 个；随后引入最大回撤过滤器，直接剔除最大跌幅超过 35% 的策略；紧接着是样本内外一致性检验，剔除样本内（In-Sample）表现远优于样本外（Out-of-Sample）的策略；最后设定了最低交易次数门槛，确保样本量具有统计显著性。

样本内外表现散点图揭示了量化交易中最致命的陷阱——过拟合。许多交易者不断微调参数，让策略完美拟合历史行情的“白噪声”，但一旦进入实盘便迅速崩溃。在回测中表现强劲的策略里，**仅有 44% 能在样本外的新数据中维持强势表现**，这意味着市面上超过一半看似优秀的策略本质上都是虚假的。Brandon 直言，这正是他不推荐使用 TradingView 内置回测的原因：其回测过于基础，不校正幸存者偏差和运气因素，缺少多重压力测试，给出的漂亮曲线极易让实盘交易者蒙受巨亏。

- 资产范围：30 种高流动性资产（股票、指数/行业 ETF、大宗商品、加密资产、美债），日线级别无杠杆交易。 - 时间跨度：2010 年至 2025 年，共计 15 年，覆盖了牛市、熊市、横盘及多次极端崩盘。 - 淘汰比例：9000+ 次回测中，经过 6 层过滤器后仅剩 524 个；若进一步限定标的资产具有 10 年以上数据（剔除如 2018 年才上市的通讯服务行业 ETF XLC），幸存者收窄至 478 个。 - 样本外失效率：高达 56% 的强势策略在样本外直接失效，仅 44% 展现出跨样本的一致性。

[04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 策略类型大比拼与 Bootstrap 压力测试：均值回归的统治力

回测将所有策略归纳为两大主要流派及若干分支：其一是“顺势而为”的趋势跟踪（如均线交叉、通道突破）与动量策略（押注强者恒强）；其二则是“逆势而动”的均值回归（Mean Reversion，如 RSI 超卖反弹、布林带回归）；此外还涵盖了成交量、波动率和形态策略。在裸跑（无调优、最基础原始参数）的极端条件下，回测结果令人吃惊：**均值回归是唯一整体平均收益为正的策略类别**，其余趋势、成交量、波动率以及形态策略的平均收益全部为负。

```mermaid flowchart LR accTitle: 幸存策略构成与 Bootstrap 检验逻辑 accDescr: 展示478个幸存策略中均值回归的占比，以及通过500次打乱重排检验策略是靠实力还是靠运气的逻辑。 subgraph S1["幸存策略分布 (478个)"] MR["均值回归策略: 64% (306个)"] TR["特定趋势策略: 36% (172个)"] end subgraph S2["Bootstrap 压力测试 (500次打乱)"] B1["打乱交易序列"] --> B2{"回撤表现评估"} B2 -->|"RSI回归: 收益稳健/回撤可控"| P1["真优势 (非运气)"] B2 -->|"双动量(NVDA): 回撤51%-61%"| P2["高脆弱 (依赖顺序)"] end ```

为了彻底排除“运气成分”，测试系统对所有留存策略实施了 Bootstrap 压力测试——将实际产生的交易记录打乱时序，重复重排 500 次，模拟在无数个“平行宇宙”中的收益轨迹。结果显示，基于强趋势品种（如 NVIDIA）的双动量策略在打乱顺序后，账户最大回撤飙升至 51% 到 61%，近乎腰斩，说明其丰厚回报高度依赖特定时间节点的好运；而 RSI 均值回归策略在 500 次重排后依然保持稳健的盈利与可控的回撤，证明其具有独立于行情的统计优势。

在最终符合 10 年数据要求的 478 个幸存策略中，**64%（近三分之二）都属于均值回归策略**。均值回归之所以强大，在于它有数十年行为金融学和学术研究作为后盾，体现了市场在恐慌过度抛售或贪婪过度买入后的自我修正机制。相反，传统的双均线交叉本质上只是“一条线穿过另一条线”，毫无因果逻辑支持。虽然得分最高的单一策略是 Apple 上的海龟趋势系统（得分 1.18），但趋势策略只在 Apple、NVIDIA 这种极少数具有强劲长期趋势的单一品种上奏效，而 RSI 均值回归在测试的 20 个完全不相关的品种中全员存活，Counter 回归也在 18 个品种上通用，展现出无可匹敌的普遍耐久性。

- 策略大类收益：除均值回归外，基础裸跑的趋势、动量、成交量、形态类策略的群体平均回报皆为负数。 - 幸存结构：478 个 10 年期基准策略中，均值回归占 64%（亮绿色区块），成为全场基石。 - 普适性对比：RSI 均值回归在 20 个完全不相关品种上全线跑赢；趋势系统仅在个别科技龙头股中奏效，缺乏普遍普适性。 - 压力测试表现：Bootstrap 500 次重排测试中，均值回归回撤曲线稳定，而动量类策略回撤最高突破 61%。

[09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 实战系统搭建：截面动量、市场状态机与四层构建法

虽然纯粹基础形态下的趋势动量策略在单品种上近乎失效，但这不代表动量逻辑本身已死。Brandon 扩展测试了“截面动量”（Cross-Sectional Momentum）——不再孤立地判断某只股票是否处于上升趋势，而是对整个资产池进行相对强弱排序，买入最强资产、做空最弱资产。改用截面动量后，回测评分从几乎为零大幅跃升，验证了策略表现高度取决于应用场景与架构设计。

实战量化策略绝非单一买卖信号，而是需要构建分层系统： 1. **底层核心优势**：以具备普适稳健性的均值回归作为最基础的底仓逻辑。 2. **风险管理与仓位控制**：通过资金管理控制单笔暴露与回撤，这是交易的基石。 3. **低相关性信号叠加**：单一弱信号可能只是噪声，但将多个不相关的弱信号组合，可以实现跨信号分散风险。 4. **市场状态识别（Regimes）**：顶层通过隐马尔可夫模型（Hidden Markov Model, HMM）将市场划分为牛市、熊市、震荡市等状态。在确定性的强趋势或牛市环境中切换至截面动量，而在箱体震荡环境中则全面退回均值回归。

```mermaid flowchart TD accTitle: 量化交易系统的分层金字塔与四层提示词实现 accDescr: 展示自下而上的交易系统架构，以及用Claude四层提示词分别实现的工程映射关系。 subgraph Layer["交易系统架构 (自底向上)"] L1["底层优势: 均值回归基石"] L2["风控与仓位: 资金管理 / 最大回撤控制"] L3["信号融合: 低相关性多信号分散"] L4["状态识别 (Regimes): 马尔可夫模型动态切换 (动量/回归)"] L1 --> L2 --> L3 --> L4 end subgraph Prompt["Claude 4层提示词架构"] P1["Prompt 1: 数据与策略库 (拉取30种资产 / 配置策略)"] P2["Prompt 2: 回测引擎与滚动测试 (Walk-Forward)"] P3["Prompt 3: 过滤漏斗、真实交易成本与多重校验"] P4["Prompt 4: 稳健性 (Bootstrap/敏感性) 与截面动量模块"] P1 -.-> P2 -.-> P3 -.-> P4 end ```

在落地层面，Brandon 讲解了如何使用 Claude 分步构建这套复杂的验证框架。整个工程拆分为四个模块化提示词（Prompts）： - **Prompt 1（数据与策略库）**：负责通过 API 或数据源抓取 30 种标的历史日线，并构建涵盖各流派策略的基础代码库。 - **Prompt 2（回测引擎与滚动测试）**：搭建支持滚动回测（Walk-Forward）的核心引擎，划分训练集与测试集以隔离样本外数据。 - **Prompt 3（过滤与验证系统）**：嵌入夏普比率、回撤、交易次数等六重过滤器，并计入真实滑点与交易摩擦成本。 - **Prompt 4（稳健性检验与状态识别）**：包含参数敏感性热力图测试、500 次 Bootstrap 交易重排，并扩展截面动量与马尔可夫市场状态检测模块。

用户可直接将提示词输入 Claude、Claude Code 或本地 IDE（如 Cursor / VS Code），无需高深编程技巧即可快速跑通整套回测管线。Brandon 最后强调，没有任何单一量化系统能适合所有人，交易者必须根据自己的账户规模、风险偏好和资金周期来调整参数，而 AI 正在彻底颠覆这一研究流程，让散户也能拥有对标机构级别的回测与风控能力。

## Notable quotes > [00:00](https://www.bilibili.com/video/BV1ptKS6fEbz?t=0s) 在回测中表现强劲的策略里，仅有 44% 能在样本外的新数据中维持强势表现 — Brandon

> [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 均值回归是唯一整体平均收益为正的策略类别 — Brandon

> [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 64%（近三分之二）都属于均值回归策略 — Brandon

> [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 均值回归之所以强大，在于它有数十年行为金融学和学术研究作为后盾，体现了市场在恐慌过度抛售或贪婪过度买入后的自我修正机制 — Brandon

> [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) 传统的双均线交叉本质上只是“一条线穿过另一条线”，毫无因果逻辑支持 — Brandon

> [04:58](https://www.bilibili.com/video/BV1ptKS6fEbz?t=298s) RSI 均值回归在测试的 20 个完全不相关的品种中全员存活，Counter 回归也在 18 个品种上通用，展现出无可匹敌的普遍耐久性 — Brandon

> [09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 不再孤立地判断某只股票是否处于上升趋势，而是对整个资产池进行相对强弱排序，买入最强资产、做空最弱资产 — Brandon

> [09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 单一弱信号可能只是噪声，但将多个不相关的弱信号组合，可以实现跨信号分散风险 — Brandon

> [09:57](https://www.bilibili.com/video/BV1ptKS6fEbz?t=597s) 没有任何单一量化系统能适合所有人，交易者必须根据自己的账户规模、风险偏好和资金周期来调整参数 — Brandon

## Mentioned Brandon, UCLA, Raymond James, Claude, S&P 500, 纳斯达克, Apple, NVIDIA, XLC, TradingView, Cursor, VS Code

## 弹幕氛围 (Danmaku mood) — 1 条观众情绪呈现出明显的不满与焦躁，带有强烈的吐槽与质疑意味。弹幕对视频中提及的日线技术分析方法表现出极大的不屑，认为其存在严重的滞后性，无法满足及时操作的需求。

**整体情绪**：😊 正面 0% · 😐 中性 10% · 😞 负面 90%

**热议点** - **质疑日线指标的实用性与滞后性** —— “日线有个屁用黄花菜都凉了” - **吐槽行情不等人、节奏太慢** —— “日线有个屁用黄花菜都凉了” - **宣泄对分析策略的不满与不耐烦** —— “日线有个屁用黄花菜都凉了”

**代表弹幕** > 日线有个屁用黄花菜都凉了

[Source](https://www.bilibili.com/video/BV1ptKS6fEbz)

中文简报

9000次跨资产量化回测淘汰94%策略仅均值回归维持正收益在覆盖15年行情的严苛样本外及Bootstrap压力测试下，顺势动量策略在单品种上普遍因过拟合失效，仅具备市场自我修正机制的均值回归策略展现出跨品种的统计优势。主讲人 Brandon 结合数学与投行量化背景，利用 Claude 对 30 种高流动性资产历经 15 年的数据进行了超过 9000 次原始策略回测。通过夏普比率、最大回撤、滚动样本外验证等六重严苛过滤漏斗，淘汰率超过 94%，揭示了市场中超过一半看似亮眼的策略实为过拟合。在裸跑条件下，均值回归成为唯一整体平均收益为正的策略大类，在留存策略中占比达 64% 且顺利通过 500 次 Bootstrap 压力测试。最后，视频提出了包含底层均值回归、风控、多信号叠加与马尔可夫市场状态机（Regimes）的分层实战系统，并分享了用 Claude 四步搭建该验证架构的落地方法。基于 30 种高流动性资产长达 15 年（2010—2025 年）日线数据的 9000 多次回测显示，基础形态下仅有均值回归（Mean Reversion）大类的平均收益为正，其余趋势、动量与形态类策略平均收益皆为负数。 (4:58) 量化回测存在严重的过拟合陷阱：在经过夏普比率、最大回撤等严苛验证漏斗后，仅 524 个基础策略存活，且回测优秀的策略中高达 56% 在样本外（Out-of-Sample）测试中直接失效。 (0:00) 通过 500 次打乱交易顺序的 Bootstrap 压力测试发现，特定牛股上的动量策略回撤会飙升至 51%~61%，高度依赖运气；而 RSI 均值回归在 20 个不相关品种上均表现出稳健的统计优势。 (4:58) 实战级量化系统需采取分层架构：以均值回归为底层资产，结合风险管理与多信号融合，并通过隐马尔可夫模型（HMM）动态识别市场状态，在牛市趋势中切换为截面动量（Cross-Sectional Momentum）。 (9:57)

Reading summary

量化开发者 Brandon 基于 Claude 搭建回测系统，对 30 种高流动性资产在 2010 至 2025 年间的历史数据进行了逾 9000 次基础策略回测。结果显示，只有均值回归策略在原始裸跑状态下展现出跨资产的系统性正期望，而市面上大多数趋势与动量策略容易陷入过拟合与时序幸存偏差。多层验证漏斗与过拟合陷阱 (0:00) 该回测覆盖指数 ETF、行业 ETF、大宗商品、加密资产、美债及大盘科技股等 30 种标的，时间跨度达 15 年，仅针对日线无杠杆交易。系统设置了多道检验门槛：首先要求夏普比率大于 0.5，仅此一项便将 9000 多次测试筛选至 1218 个；随后叠加最大回撤不超过 35%、样本内外一致性检验以及最低交易次数门槛，最终仅有 524 个基础策略存活，淘汰率超过 94%。若进一步限定标的具备 10 年以上历史，幸存策略仅剩 478 个。样本外检验显示，在样本内表现强劲的策略中，仅有 44% 能在滚动测试（Walk-Forward Testing）的样本外数据中维持强势，高达 56% 直接失效。Brandon 指出，许多策略只是过度拟合了历史行情的白噪声，这也是诸如 TradingView 等未校正幸存者偏差和缺少抗压力测试的内置工具容易误导实盘交易者的核心原因。均值回归的普适性与压力测试 (4:58) 在未调优的原始参数条件下，均值回归是唯一整体平均收益为正的策略类别，而基础的趋势跟踪、动量、成交量、波动率及形态策略群体平均回报全为负数。在符合 10 年数据要求的 478 个幸存策略中，均值回归占据了 64%（306 个）。RSI 均值回归在测试的 20 个不相关标的中全员过关，Counter 回归也在 18 个品种上通用；相比之下，海龟等趋势策略仅在 Apple、NVIDIA 等极少数长期强趋势科技股上取得高分，缺乏广泛适应性。为了检验收益是否来自择时运气，系统对交易记录执行了 500 次打乱时序的 Bootstrap 压力测试。结果表明，基于 NVIDIA 的双动量策略打乱顺序后最大回撤升至 51% 至 61%，表现出高度的时序脆弱性；而 RSI 均值回归策略在 500 次重排后仍保持平稳的回撤与收益曲线。Brandon 认为，均值回归的有效性在于其契合了行为金融学中市场因过度恐慌或贪婪而产生自我修正的机制。实战系统设计与分层提示词落地 (9:57) 基础动量策略在单品种上容易失效，但拓展至“截面动量”（Cross-Sectional Momentum）后表现明显提升。Brandon 指出，实战量化策略应采用自底向上的四层架构：以均值回归为底层底仓优势，配合严格的资金管理与回撤控制，叠加低相关性弱信号分散风险，并在顶层利用隐马尔可夫模型（HMM）识别市场状态——在确定性牛市或强趋势下启用截面动量，在震荡市中则退守均值回归。在工程落地层面，该验证管线被拆解为四组提示词供 AI 工具执行：Prompt 1 抓取 30 种资产日线并构建基础策略库；Prompt 2 搭建滚动回测与样本外隔离引擎；Prompt 3 配置包含滑点摩擦的六重过滤漏斗；Prompt 4 执行参数敏感性热力图、500 次 Bootstrap 压力测试以及市场状态切换模块。这套流程使个人交易者无需高深编程经验也能运行机构级回测框架。 Brandon 提醒，不存在适合所有人的通用量化系统，回测框架虽能帮助过滤虚假策略并验证统计优势，但交易者实盘仍需结合自身资金体量、周期和风险承受能力调整具体参数。

Source quotes

[0:00] Brandon: 在回测中表现强劲的策略里，仅有 44% 能在样本外的新数据中维持强势表现 [4:58] Brandon: 均值回归是唯一整体平均收益为正的策略类别 [4:58] Brandon: 64%（近三分之二）都属于均值回归策略 [4:58] Brandon: 均值回归之所以强大，在于它有数十年行为金融学和学术研究作为后盾，体现了市场在恐慌过度抛售或贪婪过度买入后的自我修正机制 [4:58] Brandon: 传统的双均线交叉本质上只是“一条线穿过另一条线”，毫无因果逻辑支持 [4:58] Brandon: RSI 均值回归在测试的 20 个完全不相关的品种中全员存活，Counter 回归也在 18 个品种上通用，展现出无可匹敌的普遍耐久性 [9:57] Brandon: 不再孤立地判断某只股票是否处于上升趋势，而是对整个资产池进行相对强弱排序，买入最强资产、做空最弱资产 [9:57] Brandon: 单一弱信号可能只是噪声，但将多个不相关的弱信号组合，可以实现跨信号分散风险 [9:57] Brandon: 没有任何单一量化系统能适合所有人，交易者必须根据自己的账户规模、风险偏好和资金周期来调整参数

Original transcript

[0:00] 我用call对交易策略进行了超过9000次回测找出真正有效的策略这涵盖了所有主流策略包括趋势跟踪均值回归动量交易和突破策略横跨30种资产与15年数据如果你是第一次来我叫Brandon我在UCLA主秀数学与经济学在Rimon James做了三年投资银行过去两年一直在为客户搭建交易系统这期视频我会讲解如何用Qual搭建整套测试系统我会介绍测试结果如何自行复现,以及如何用它优化你的交易策略。这并非财务建议,也不保证任何收益。我只是展示这些测试背后的数据、方法论,以及你如何加以运用,直接进入正题。这是我用call搭建的系统,对30种资产运行了9000次回测,覆盖每一种策略。每种策略都经过一整套测试,看哪些真正经得起考验,这是测试系统的完整概览,看起来可能像天书,我会逐一详细解释每个板块。我测试的是流动性资产的日线数据。涵盖 S&P 500、NASDIQ等主要ETF,还涵盖所有行业ETF黄金、原油、债券、Bitcoin、Ethereum以及Apple、NVIDIA等大盘股。这些测试仅涵盖大规模交易不含日内期货或期权记住这一点,因为它决定了结果的意义其次我刻意让测试严苛且全面所以我选了15年这个最长合理周期来运行测试目标不是找出当下有效的单一策略,而是找出在每种市场环境中都经得起考验的方法。我们采用了策略最基础,最精简的形式。如果某策略能在这15年的严苛测试中存活,就说明我们在市场中拥有真正的优势。左上角是验证漏斗,这展示9000次回测,如何层层筛选。散点图显示过拟何情况,右侧是各类别存活率。据透一下,均值回归是唯一通过全部严苛测试的交易策略组。接下来我将详细解释如何解读其余策略组。是验证关卡展示了我们如何运行所有测试测试相当全面包括滚动测试和稳健性检验现在先看验证漏斗涵盖所有策略的回测结果可以看到顶部其实有超过9000次回测经过层层过滤到最底部只剩524个这意味着数千个策略和回测仅凭这6个过滤器就被淘汰了在实际回测环节我们采用了滚动测试其原理是用旧数据构建和调优策略再用从未见过的新数据进行测试这能防止策略对历史数据过拟合任何人都能让回测在已见过的历史数据上看起来完美但滚动测试确保在全新未见过的数据上进行测试第一个也是最大的过滤器是Sharpe过滤器Sharpe衡量收益与风险的性价比越高越好12倍需超过0.5仅此一刀就淘汰了近8000个策略仅剩1218个随后加入回撤过滤器反回撤超过35%的策略一律剔除回撤就是从高点到低点的最大跌幅也就是说回撤35%意味着你从最高点下跌了35%风险偏好高的交易者回撤容忍度自然更高有些人完全能忍受高回撤只要长期回报值得但重申一点这只是个相当通用的测试我将回撤限制设得比较保守让它适用于几乎所有人意味着策略相当脆弱或风险过高这里设置较为通用后续视频我会教你如何按自己的风险偏好调整此外还加了一个过滤器剔除样本内表现远优于样本外的策略这里主要检测过拟盒最后还设置了最低交易次数门槛以确保策略切实可行最终只剩524个简单来说每个过滤器都在检测策略是否虚假无效或过于脆弱接下来是样本内与样本外三点图这正是策略时效的最大原因之一过拟合跟紧我这是核心概念图中每个点都代表一次回测横轴是策略在训练数据上的表现纵轴则是在全新数据上的表现过拟合就是不断调整策略参数直到它在历史数据上看起来完美无缺但你实际上只是拟合了历史噪声在这种情况下策略在历史数据上表现完美但一旦接触新数据或石盘数据便彻底崩溃这正是我们在这里测试的内容,右侧我也标注了一些数据。在所有回测表现强劲的策略中,只有44%在样本外的新数据测试中依然保持强劲。这意味着超过一半的优质策略实际上是虚假的。回到这张图,线上方的绿点就是那些表现真正延续到新数据的策略。你要寻找的是测试与试盘之间的一致性而不仅仅是一次漂亮的回测这正是我们不用trading view的原因它的回测功能太基础了它几乎只会给你一个看起来完美的策略却没有任何这里所说的验证它不会校正运气因素不做压力测试全是过你和人们通常只跑一次回测看到漂亮的数据就去试判交易结果在真实市场中彻底崩溃这一部分揭示了我们的核心问题什么策略能真正通过所有严苛测试这一部分将所有策略按类型分组两大主要策略组是趋势和均值回归二者方向相反趋势策略压住价格延续方向买入预期它继续涨 [4:58] 动量策略是同一思路的变体押注强者横强而军职回归则恰恰相反它压住价格偏离均值过远后会回归核心思路就是均值回归即买入跌幅过大的资产预期反弹反值亦然还有成交量波动率形态策略等其他策略组每个策略组内部都有几种具体策略趋势类包含均线交叉和突破系统均值回归包含RSI反弹波林带回归等策略然后我们在一系列参数设置下对所有这些策略进行测试同一策略在不同参数下表现自然各异这就是我们如何跑出全部9000个回策的结果显示均值回归是唯一一个平均收益为正的策略类别其余所有类别趋势成交量负荷波动率形态策略平均收益全部为负这意味着在最纯粹的裸策略形式下所有市场环境,只有均值回归能独立站稳脚跟但这并不意味着其他策略本身无效,只是他们对实际和条件的要求更高它们更依赖特定市场环境或特定交易标的,或与其他策略组合,或择机运用,它们可以奏效,只是不能像均值回归那样无脑挂机运行。视频后半段,我会演示如何运用这些发现,判断何时该使用其他策略,但总体而言,均值回归才是真正经得住考验的。最后我们还做了一项BOOSTWAP检验,将每个存活策略的交易记录打乱重排,重复500次。这样做是为了观察交易在各种可能情境下的走势,而非仅看实际发生的那种。这能确保成功交易并非运气使然,即便将其打乱重拍500次,依然能铲出盈利结果。从这些结果中可以再次看到,均值回归策略,RSI回归,依然给出了稳健的判定,即便重拍结果,表现依旧良好。但若看双动量策略,比如基于NVIDIA的会发现最大回撤极为惊人,跌幅达61%、51%。这意味着若在平行宇宙中将交易打乱重拍,账户基本会被腰斩。而均值回归策略对运气的依赖要小得多,无论如何打乱交易顺序,结果依然稳健。现在来看哪些策略存活下来以及原因君子回归是主要策略组中唯一真正胜出的类别让我展示真正有趣的地方原本通过全部六项过滤条件的策略有524个但这里进一步筛选至478个幸存者相同仅限于有十年以上历史的资产因此像XLC ETF 这类就未能通过筛选,因为它直到2018年中才上市在2010-2025年的时间窗口内,仅有约6.5年的数据。在这478个策略中,64%属于均值回归策略,这就是这块亮绿色,它不仅存活下来还占了幸存者的近三分之二。均值回归就是压住价格片离过大后终会回归均值,无论涨过头还是跌过头。这与研究结论高度吻合,均值回归是交易领域最有据可查的理念之一。价格过度反应后回归均值,背后有数十年的学术研究支撑,厂本身的运作方式相比之下,移动平均线交叉不过是一条线,穿越另一条线,本身并无任何预测依据,数据也表明它大多确实无法预测。接下来看得分最高的幸存策略,排名第一的是Apple上的趋势策略Turtle,得分1.18,你也会看到其他一些趋势策略同样名列前茅,趋势策略完全可以奏效,它只在Apple、NVIDIA等强趋势品种上奏效,并非普遍适用,这些趋势策略大多也是之前提到的那些脆弱策略,回撤同样巨大。趋势策略并非以死而是因情境而异在特定资产或特定市场条件下他们的确表现出色他在特定资产上表现出色但不像均值回归那样普遍可靠可以把均值回归策略看作广泛可靠的基础趋势策略则是适时而用这张幻灯片揭示了均值回归强大的根本原因这里展示了实际奏效的均值回归策略类型RSI均值回归不只在一个品种上存活而是在20个不同品种上全部存活Counter回归在18个品种上均奏效,若策略只在一处奏效,可能只是运气或特殊情境但这里展示的是 RSI均值回归在20个完全不相关的品种上普遍奏效这里还可以按类别细看作为一个整体均值回归是唯一具备真正正向优势的类别远超趋势成交量符合波动率和形态策略存活率结果其实并不亮眼回报温和风险可控但这正是测试预期的结果这些数字之所以保守是因为这是跨越15年涵盖所有市场类型的真实测试若只测试近期或特定品种,回报会高得多,但我们测试的是策略在几乎所有品种上的普遍耐久性。我真正想强调的是,这里看到的是底线。这是最保守的基准版本策略,完全裸跑,无任何优化,跨越15年,涵盖每一次崩盘,看的是底线,不是上线。但一旦开始针对这些特定策略进行调优,比如聚焦于更适合当前市场的更短周期。几个策略组合叠加,再加上下一节的优化层,数字会大幅改善。这可以理解为构建一切之前的原始基础 [9:57] 简单结论而言在过去15年中所有主流策略以罪落基础形式独立运行只有均值回归能真正普遍站得住脚基本在几乎所有品种中存活,约站通过总数的2/3现在我们了解了这些最保守最温和的策略接下来要知道怎么用它们这不是一个完整策略,而是基础让我来展示如何在此之上进行构建首先裸策略之外,还有很多细节值得深究趋势和动量策略在特定情境下,确实展现出优势于是我扩展了测试如你所记,动量策略在单一资产上的基础得分几乎为零但有一个更聪明的版本叫洁面动量它不问单只股票是否在趋势中而是对一篮子资产相互排名做多最强的,做空最弱的我单独测试了这个版本,结果明显更好从几乎零分大幅提升这说明动量策略本身并没有问题只是我们测试的是基础版本这9000个基础版本显然在核心层面都行不通这引出了我的下一个重点如何用够构建真实交易策略的框架因为它是分层的一个有真实优势的策略,比如均值回归,在均值回归之上,你需要加入风险管理和仓位控制这是无聊的部分没人想听,但它几乎是策略的核心所在。每个人对风险的承受度和仓位大小的偏好各不相同,这对控制特定交易的回撤至关重要。在此之上,你还可以叠加更多低相关性型号,从而实现跨信号的分散化。因为我们只测试了最基础的形式,单独一个弱信号只是噪音,但几个不相关的信号组合起来才可能形成真正有效的策略。在这个基础的最顶层我们有市场状态识别regimes这是我在频道里深入讲过的内容在这里我们对市场进行分类只在市场条件适合时才启用对应策略这里你可以用Quaggo键以马尔可夫模型用来检测当前市场所处的状态,它会告诉你当前是熊市趋势震荡市还是完全的牛市行情。在趋势或牛市中使用动量策略,震荡市则切换到均值回归。核心思路是,把盲目运行时会失效的动量策略与市场状态识别结合起来。你就会发现它在不同情境下各有其用武之地。在趋势市场倾向动量策略在震荡区间市场则倾向均值回归均值回归几乎在任何时候都能自动运作而动量策略加上这种市场状态标签后你就能在合适的情境下更好地运用它最后一点在我演示如何自己搭建系统之前构建策略这件事非常因人而异没有适合所有人的唯一正确答案因为每个人的资金规模都不同风险承受能力投资周期以及能承受的最大回撤幅度都因人而异效策略或真实优势提炼出来再结合自身偏好与资金组合来管理风险和仓位再结合不相关信号按市场状态灵活应用没有放置四海截准的答案因为每个人的资金风险承受力投资周期和回撤容忍度都截然不同如果你想学习如何用Coldo构建自己的交易策略交易系统和更完善的测试框架我有一个School社群这是规模最大的AI交易社群专注于用Coldo等最新AI工具实现这一目标里面有深度教程和活跃的社群成员搭建各自的系统涵盖加密货币股票期权期货基本上每一种资产类别都有这里有一点很重要借助AI你真的可以构建出相当复杂的系统以极快的速度测试自己的想法并持续提升自己的交易水平如果你感兴趣记得点击简介中的链接现在让我来演示一下如何用CALL自己搭建同款测试系统我用CALL多分层构建了整个系统每一层就是一个独立的提示词第一个提示词构建数据与策略库它会拉取所有资产并配置好所有策略第二层构建回测引擎和滚动测试第三层加入过滤与验证还有多重检验效证和真实交易成本第四层加入文件性检验与市场状态切换这里涵盖了30种资产,15年数据中所有主流策略的基础形式,你可以调整成自己想交易的特定资产或缩短时间范围,而且它包含了大多数工具都会跳过的大量验证。用QUAL字键而非使用TradingView或现成回测工具的真正优势在于,你能掌控验证流程的每一个环节,你能加入TradingView没有的功能,比如滚动测试,防止过女盒你可以在数千次测试中效证运气因素加入真实交易成本甚至对留存策略进行压力测试这才是判断策略是否真实有效的方法而非简单回测平台所能告诉你的接下来我将逐层讲解如我之前视频所说构建这些其实非常简单你可以直接截图这些提示词为给AI模型然后在网页端构建可以用code也可以用codecode或者稍复杂但能在一个地方统一编辑和修改代码库持续更新这是数据与策略库直接复制兼贴到Codecode Go即可接下来是回测漏斗包含滚动测试与六重过滤器这是提示词的第一部分这是第二部分记得随时暂停接下来是第三层稳健性检验包含参数敏感性测试和BootTrap压力测试这是第一部分最后是截面动作 [14:56] 专门针对动量类策略有了这些工具你就能对自己的想法进行真正严格的测试而不是去相信你曾在锤定view上看到的某个回测结果如果你喜欢这个视频请点赞评论并订阅这对频道帮助很大想深入学习欢迎加入简介中的社群这是最大的AI交易社群里面的成员都在搭建股票加密货币期权和期货交易系统提供手把手教程零编程基础也能上手

9000次跨资产量化回测淘汰94%策略 仅均值回归维持正收益