To The Moon

一套量化策略回測年化收益152%，勝率73%，最大回撤只有8%；上線實盤後，卻虧損23%。

到底是市場變了，還是模型失效了？

在LLM量化越來越熱門的今天，最危險的問題往往不是模型不夠聰明，而是模型在訓練、研究或回測過程中，提前接觸了本不應該看到的信息。

這就是量化研究中的數據泄漏和時間穿越。

最典型的情況，是模型在判斷某個歷史時點時，使用了後來才發佈的數據。例如，用財報正式披露後的修訂數據去解釋披露前的股價；用完整新聞文章的發佈時間代替市場真正能夠接收到信息的時間；或者讓大語言模型調用包含未來市場表現的互聯網語料，再回頭判斷過去應該買什麼。

從代碼層面看，這些錯誤未必明顯。回測曲線甚至會非常漂亮，但模型實際上不是在預測未來，而是在複述答案。

LLM又進一步放大了這個風險。

傳統量化通常使用結構化數據，時間戳相對容易審計；LLM使用新聞、公告、電話會、研報和社交媒體等非結構化信息，信息何時產生、何時公開、何時被模型獲取，往往更加複雜。

例如，一篇新聞在盤後發佈，但數據庫統一記錄爲當天日期。如果回測系統把它當成盤前已知信息，模型便獲得了不真實的優勢。再比如，模型預訓練語料可能已經包含某家公司後來的業績結果和股價表現。即使研究者只詢問歷史信息，模型也可能在答案中泄漏未來認知。

除了時間穿越，LLM量化還有四類常見失真。

第一，樣本污染。同一份公告或新聞經過多個網站轉載，被模型當成多個獨立信號，導致置信度被錯誤放大。

第二，倖存者偏差。回測只使用今天仍然存在的公司，忽略已經退市、破產或被收購的樣本。

第三，交易成本缺失。回測按收盤價成交，實盤卻要面對價差、滑點、延遲和市場衝擊。

第四，模型過擬合。提示詞、因子和參數不斷圍繞歷史數據優化，最終得到的不是通用規律，而是對過去行情的精確記憶。

所以，判斷一套LLM策略是否可信，不能只看收益率，還要檢查：

數據是否遵守“當時可獲得”原則；

訓練集、驗證集和測試集是否嚴格隔離；

是否使用滾動樣本外測試；

是否模擬真實成交延遲和交易成本；

是否在不同市場階段保持穩定；

是否能解釋每一次信號引用了什麼信息。

小貓量化雲在系統設計上，更看重實盤可執行性，而不是追求一條過度漂亮的回測曲線。任何策略進入自動執行前，都應經過樣本外驗證、模擬盤觀察、倉位限制和風控檢查。

自動交易不是把模型輸出直接變成訂單，而是建立一道完整鏈路：

信號生成 → 數據時點校驗 → 風控檢查 → 倉位計算 → 訂單執行 → 審計覆盤。

回測的作用，是幫助我們淘汰明顯無效的策略，而不是證明未來一定賺錢。

一條過於完美的收益曲線，首先應該帶來的不是興奮，而是懷疑：模型是不是提前看到了答案？

#量化投資 #美股 #港股 #股票 #量化交易