策略驗證——回測、統計與 AI 分工

1. 起点：验证的目标并非“证明盈利”

前兩課分別探討了工作流程中的分工與輸入結構。第三課轉入核心問題：一個思路是否能展現歷史上的前後一致性。多數失敗並非源自方向性錯誤，而是因為回測被當作定論，未經嚴格審計：數據包含已下架資產、訊號借助未來資訊、成本被省略、參數在短期樣本上反覆調整。AI 能加速程式碼編寫和指標解讀，但無法裁定策略是否真正可行。更合理的驗證目標應為：在明確假設下，策略在統計上或成本上未被推翻——而非依靠平滑敘事來「證明」必然獲利。

2. AI 在回測中的合理分工

AI 適合協助以下工作：

• 生成回測框架程式碼

• 解釋夏普比率、最大回撤、勝率的含義

• 列出潛在的前瞻性偏差點

• 將結果表格整理為文字摘要

必須由人類獨立完成或審閱的任務包括：

• 樣本中是否存在倖存者偏差

• 上市前是否存在價格資料

• 是否考慮了手續費、滑點與資金費率

• 是否執行了樣本外測試或滾動向前測試

• 是否考慮了模擬交易與實盤交易之間的差異

程式碼運作僅代表工程步驟完成，不意味著策略已通過驗證。

3. 資料清洗：加密貨幣回測中最脆弱的環節

若回測僅使用當前仍在交易的项目，結果往往會系統性偏樂觀。項目上市前的時期不應假設為可交易。價格、成交量及資金費率在不同交易所間存在差異；回測應固定交易所或明確合成規則。分叉、合約遷移及代幣重新命名會導致價格序列斷裂，需要手動對應或排除。在脫鉤階段使用單一穩定幣定價，可能扭曲收益與風險指標；重大脫鉤窗口應單獨標記或說明。應要求 AI 在文件中列出資料來源、時間區間及樣本定義，並逐項與原始資料核對——這比單純生成回測曲線更為重要。

4. 前瞻性偏差：訊號與執行的時間對齊

常見的前瞻性偏差包括：

• 使用全樣本統計量進行標準化，卻回測於全樣本

• 在收盤時生成訊號，卻在開盤時執行

• 事後才使用標記為「聰明錢」的地址

• 將修正後的宏觀資料當作歷史發布值使用

紀律要求：在 t 時刻生成的訊號，須根據策略類型在 t+1 或更晚執行；若無法獲得宏觀資料的原始發布值，相關結論應降級處理。可要求 AI 在程式碼註解中標註各特徵的資料可用時間；人類應對關鍵特徵進行抽查，確保其至少提前執行一天。

5. 成本與摩擦：不含手續費的回測預設無效

加密貨幣策略至少應包含交易手續費、滑點、永續資金費率（若部位跨越結算點）、借貸利率（若使用槓桿），以及提現/跨鏈成本（如需）。可採用基準與悲觀手續費情境（例如手續費翻倍）進行壓力測試。若預期收益在悲觀情境下大幅下降或轉為負值，則策略對成本高度敏感，不應僅依據樣本內曲線評判。AI 常預設零手續費或單個基點；人類必須將手續費表寫入回測假設與報告。

6. 過擬合與樣本外：參數越多，敘事越需謹慎

過擬合的跡象包括：

• 在多次指標組合後僅展示最優結果

• 僅針對短期牛市樣本調參

• 規則高度具體，但缺乏機制解釋

應對措施包括：

• 預留不用於調參的樣本外區間

• 採用滾動窗口向前測試

• 在可解釋的前提下盡量簡化規則

報告應同時呈現樣本內與樣本外的關鍵指標；若樣本外表現顯著弱於樣本內，應標記過擬合風險並暫停實盤運行。AI 不應在無監督下反覆優化參數直至曲線美觀——那等同於自動化過擬合。

7. 從回測到實盤交易：逐步推進而非一步到位

建議採用三級階梯。第一級：回測通過，文件化樣本定義、手續費及樣本外結果。第二級：模擬交易記錄訊號/執行價格差異，觀測真實滑點。第三級：小規模實盤交易，設定限額與停損，持續對比模擬與實盤結果。每級推進由人類決定——而非模型推薦重倉。AI 可為每級生成檢查清單，但不能替代推進決策。

8. 回測報告的最低欄位要求

即使系統不複雜，報告也應包含：

• 一句話策略描述

• 資料區間與資產範圍

• 手續費假設表

• 樣本內與樣本外的收益、最大回撤、交易次數

• 最大連續虧損

• 未解決問題列表

• 繼續驗證、暫停或放棄的結論

避免使用「謹慎樂觀」之類無法指導行動的措辭。回測與審核遵循同一紀律：可執行、可審計、可重複。

9. 課程總結

本課核心在於驗證思路是否經得起檢驗。AI 適合用於編寫回測程式碼、解釋指標、標記前瞻性偏差及遺漏的手續費；但它無法替代人類確認資料中的倖存者偏差、訊號與執行對齊、樣本外表現，以及悲觀成本下的利潤空間。程式碼運作與漂亮的樣本內曲線僅代表工程步驟完成——並不證明實盤運行具備合理性。更安全的路徑是先文件化回測，再透過模擬紙本跟蹤，繼而進行小規模試錯——每一步推進由人類決策。下一課將涵蓋宏觀與重大鏈上事件：這些時期資訊最豐富，但也最容易誤讀總結而得出錯誤結論，需要明確界定 AI 可協助準備的內容，以及哪些驗證環節無法由 AI 替代。