第18页 · 预计14页
我早年第一次做策略迁移的时候，踩了个实打实的大坑。当时我在A股做窄口突破策略，年化收益稳定在30%左右，最大回撤控制在12%，实盘跑了一年半，胜率和盈亏比都很扎实。我想当然地把这个策略的代码直接搬到美股，参数原封不动，只是把股票池换成了标普500成分股。回测跑出来年化有22%，最大回撤14%，看起来虽然比A股差一点，但也还算能打。我没多想，就拿了总资金的5%小资金上线了。
结果实盘跑了三个月，亏了12%。
我当时纳闷了很久，回测明明没问题，怎么实盘差这么多？后来我拉了逐笔成交数据逐根复盘才发现：美股的假突破比例是A股的两倍还多。A股突破后平均能延续两根日线，惯性很足；美股突破后经常一根线就到头，马上反向回落。原因说穿了很简单：A股散户多，看到突破就跟风追，情绪有延续性；美股都是机构，大家都在等关键位突破，一突破就有机构反向出货，专门收割突破跟踪者。
这件事给了我一个非常深刻的教训：策略的本质，是利用市场的某种“不均衡”赚钱。如果那个市场不存在这种不均衡，或者不均衡的表现形式不一样，策略就会从盈利模式变成亏损模式。
一个策略能在某个市场持续盈利，本质上是三个前提同时成立，缺一个都不行。
第一个前提：市场微观结构匹配。 做高频策略，需要市场有足够的流动性和足够的散户对手盘；做套利策略，需要市场存在持续的定价偏差，且偏差回归的速度慢于套利成本。比如统计套利赚的是相关品种的定价偏差，在A股散户情绪化交易多，定价偏差大，回归也快，所以有效；但在美股定价效率很高，两个相关股票的价差很快就会被机构套利抹平，超额收益就很低。如果微观结构不匹配，策略逻辑再漂亮都没用。
第二个前提：参与者行为匹配。 策略本质上是赚对手盘的钱。反转策略赚的是散户追涨杀跌的钱，如果市场里都是机构，没人追涨杀跌，反转策略自然就失效。动量策略赚的是趋势延续的钱，如果市场里都是做反转的资金，动量就会变成反向指标。我做过一个统计，A股的反转因子在散户占比高的小盘股上效果最好，在机构主导的大盘股上效果要弱一半，就是这个道理。
第三个前提：流动性容量匹配。 策略的资金量不能超过市场的容量，否则冲击成本会吃掉所有利润。同样的小市值反转策略，在A股放五个亿可能就到容量上限了，冲击成本会大幅抬升；但放到美股市场，可能五十亿都还没到上限，因为市场深度不一样。很多人把A股的小资金策略直接套到港股仙股，结果买也买不进，卖也卖不出，就是忽略了容量匹配。
三个前提缺一个，策略迁移都会失败。所以策略迁移从来不是复制粘贴代码，而是基于目标市场的特性，重新做一遍逻辑验证和参数重构。
踩过那次坑之后，我花了大半年时间，把手里的七八套策略逐个往外汇、商品市场迁移，慢慢总结出了一套四步适配法。这些年我迁移任何策略都用这个方法，踩坑的概率低了很多。这四步分别是：核心逻辑验证、参数校准、制度约束叠加、小资金实盘验证。
第一步：核心逻辑验证 这一步最容易被跳过，但其实最重要。你要先回答一个最根本的问题：这个策略的盈利来源，在目标市场里到底存不存在？
比如做统计套利，你要先判断目标市场里，相关品种之间的定价偏差是不是足够覆盖手续费，有没有持续的偏差来源。比如外汇市场的主流货币对，定价效率非常高，三角套利的价差往往只有万分之几，普通交易者的手续费都覆盖不了，那这个策略逻辑上就不成立，直接放弃，不要浪费时间跑回测。
再比如尾盘异动策略，赚的是尾盘拉抬砸盘的次日反转。在A股，散户喜欢尾盘追涨杀跌，所以尾盘异动次日容易反转；但在外汇市场，尾盘是机构调仓高峰，往往是趋势的延续，反转效应很弱。逻辑上就说不通，就不用往下做了。
这一步不要跑复杂的回测，先做定性判断。如果逻辑上就说不通，直接放弃；如果逻辑上成立，再进入下一步。能在这一步筛掉的策略，就不要浪费时间去调参数。
第二步：参数校准 用目标市场的历史数据，重新优化策略的核心参数。注意，是重新优化，不是微调几个点。
核心参数通常分三类：周期参数，比如布林带周期、动量窗口长度；阈值参数，比如突破幅度、波动率阈值；仓位参数，比如单只标的仓位、总仓位上限。
优化的时候不要只盯着收益率看，还要同时看三个指标：胜率是不是稳定、盈亏比是不是合理、换手率是不是可接受。如果优化完收益很高，但换手率翻倍，那就要算一算交易成本能不能覆盖，很可能看起来赚的多，实际都交了手续费。
这里有个绝大多数人都会踩的坑：过度优化。很多人把参数调到历史数据上表现完美，结果实盘一塌糊涂，这就是过拟合。参数优化一定要留有余地，比如最优参数是18日周期，你就看15到20日这个区间的表现是不是都稳定。如果只有18日那天特别好，17和19日都差很多，那这个参数就是过拟合出来的，绝对不能用。
我一般的做法是，取最优参数左右20%的区间，只要区间内表现都稳定，才确认参数有效。
第三步：制度约束叠加 把目标市场的交易制度约束、流动性约束、成本约束，一层层叠加到策略里。很多回测之所以好看，就是因为忽略了这些现实约束，把约束加上之后，收益可能会降一截，但那才是接近实盘的结果。
交易制度约束：比如T+1市场不能做日内回转，策略的持仓周期至少要隔夜；有涨跌停的市场，涨停买不进跌停卖不出，策略里要加入涨跌停过滤逻辑，不能假设涨跌停也能成交。 流动性约束：小市值品种流动性差，要设置单只仓位上限，不能按等权分配；日均成交额太低的标的，直接剔除出股票池。 成本约束：手续费高的市场，策略的换手率不能太高，否则成本吃掉利润。比如港股的交易成本比A股高，策略的换手率就要相应压低。
第四步：小资金实盘验证 最后一步，也是最关键的一步：用总资金的1%-2%，实盘跑至少三个月。
为什么必须做实盘验证？因为回测永远模拟不了所有实盘细节。比如滑点、订单成交概率、极端行情的流动性，这些回测里都是理想化的。实盘跑三个月，对比实盘和回测的收益、胜率、最大回撤，心里就有数了。
我一般用三个指标来判断适配是否成功： 第一，收益达成率：实盘年化收益 / 回测年化收益。正常应该在0.6-0.8之间，也就是实盘能达到回测的60%-80%。如果低于0.5，说明适配有问题。 第二，胜率偏差：实盘胜率与回测胜率的差值。差值应该在5%以内，差太多说明信号质量差。 第三，最大回撤比：实盘最大回撤 / 回测最大回撤。正常在1.2-1.5倍之间。实盘回撤比回测大很正常，但如果超过2倍，说明风控失效。
如果三个指标都在正常范围内，说明适配成功，可以逐步加仓；如果不在，就回去复盘逻辑和参数；如果实盘直接亏损，先停下来，不要硬扛，大概率是底层逻辑不匹配。
永远对市场保持敬畏，小资金试错，成本最低。
波动率是所有策略最核心的变量，没有之一。不同市场的波动率水平不一样，同一个策略的参数必须跟着波动率调整，否则信号质量会差很多。
比如最常用的布林带策略，本质是用波动率的倍数来定义上下轨。在A股，个股日均波动率1.5%左右，用2倍标准差的布林带，宽度大概6%，刚好覆盖大部分日常波动。但在外汇市场，主流货币对日均波动率只有0.5%，还用2倍标准差的话，布林带太窄，价格天天穿轨，信号就乱了。
我做波动率适配，通常分三步走，一套方法可以套用到所有市场所有策略上。
第一步：基准波动率测算 先算目标市场标的的长期平均波动率，用20日滚动波动率的长期均值作为基准波动率。我自己统计的几个主流市场基准值如下，你可以直接参考： A股个股基准波动率：1.5%/日 美股个股基准波动率：1%/日 外汇主流品种基准波动率：0.5%/日 商品主力合约基准波动率：1.8%/日 加密货币基准波动率：3%/日
测算的时候不要用太短的时间，至少用过去三年的数据算均值，避免某一段极端行情拉高或者拉低基准。
第二步：波动率分层 用标的自身的波动率，或者对应市场的VIX指数，把市场分成低、中、高三个波动区间： 低波动区：波动率低于基准的80% 中波动区：波动率在基准的80%-120% 高波动区：波动率高于基准的120%
每个波动区间用不同的策略参数，核心原则是： 低波动区：收窄阈值，提高仓位。因为波动小，突破更可信，反转空间小，可以适当激进一点。 中波动区：用基准参数，正常仓位。 高波动区：放宽阈值，降低仓位。因为波动大，噪音多，假信号多，要保守一点。
举个实际的例子，窄口突破策略在不同波动率区间的核心参数：
波动率区间 窄口宽度阈值 突破确认幅度 单只仓位 低波动 6日振幅<1% 突破0.3% 2% 中波动 8日振幅<2% 突破0.5% 1.5% 高波动 10日振幅<3% 突破0.8% 1%
这样分层之后，策略在不同波动环境下的表现会稳定很多，不会在高波动期因为假信号多而大幅回撤，也不会在低波动期因为参数太保守而赚不到钱。
第三步：动态波动率更新 波动率不是固定不变的，要动态更新。我一般每天收盘后更新一次波动率，用过去20个交易日的数据计算，然后调整第二天的策略参数。不用太频繁，日内波动大多是噪音，每天更新一次足够。
下面给你一个可以直接用的波动率分层计算代码：
import pandas as pd import numpy as np
def calc_volatility_layer(price_series, window=20): """ 计算波动率分层 price_series: 收盘价序列 返回：当前波动率、波动层级（1低/2中/3高） """ # 计算日收益率 ret = price_series.pct_change().dropna() # 滚动波动率 vol_series = ret.rolling(window).std() current_vol = vol_series.iloc[-1] # 基准波动率（过去一年均值） base_vol = vol_series.iloc[-252:].mean()
# 分层判断
if current_vol < base_vol * 0.8:
layer = 1
elif current_vol < base_vol * 1.2:
layer = 2
else:
layer = 3
return current_vol, layer
代码很简单，但实盘里非常实用。你可以把自己策略里的参数，做成对应不同层级的参数表，每天根据波动率层级自动切换参数，不用手动调。
如果你不想自己写波动率适配的代码，也可以访问intoquant.com壹信量化官网，获取现成的多市场波动率自适应策略模块，直接接入实盘系统使用，省得自己从零调试。
流动性是跨市场交易最容易忽略的问题。同样100万资金，在美股大盘股可能连水花都没一个，在港股仙股就能拉涨停，冲击成本差几十倍。
做流动性适配，核心是解决两个问题：单只标的买多少合适？大单怎么拆成小单成交？
单只仓位上限计算 我常用一个简单的经验公式： 单只最大仓位 = 该标的日均成交额 × 冲击系数 / 策略日均换手率
冲击系数一般取0.01，也就是单日买卖量不超过日均成交额的1%，冲击成本基本可控在0.1%以内。如果是小资金，冲击系数可以提到0.02，冲击成本也不会太高。
举个例子： 某只A股日均成交额1亿，策略日均换手率20%，那么单只最大仓位 = 1亿 × 0.01 / 0.2 = 500万。 也就是说，这个策略在这只股票上最多放500万，再往上加，冲击成本就会明显上升。
如果是外汇或者加密货币，流动性好很多，冲击系数可以提到0.05甚至更高，因为市场深度好，大单对价格影响小。
订单拆分算法 如果要交易的量比较大，不能直接一个市价单砸进去，要拆成小单分批成交。常用的拆单策略有三种：
第一种：TWAP，时间加权平均价格。把订单平均分配到交易时段的每个时间段。比如要买10万股，交易时间4小时，就每分钟买416股。这种方法最简单，适合流动性一般的品种。
第二种：VWAP，成交量加权平均价格。按照历史成交量的分布来分配订单量，成交量大的时间段多下，成交量小的时间段少下。这种方法成交更接近市场均价，适合流动性好的品种。
第三种：冰山订单。只显示总委托量的一部分，比如10%，成交一部分再补一部分，隐藏真实的下单量，避免被对手发现。这种适合在流动性差的市场用，防止别人看到大单反向操作。
实盘里我一般用VWAP为主，极端行情用TWAP，流动性差的品种用冰山订单。
不同市场的交易制度差异，对策略的影响是根本性的。很多策略在这个市场能做，换个市场根本做不了，就是因为制度不一样。
T+1与T+0的差异 T+1制度意味着当天买的不能当天卖，所以所有日内策略在A股都没法做。比如高频策略、日内反转策略，在美股和外汇很流行，在A股就只能做隔夜版本，效果大打折扣。
T+0市场可以做日内回转，策略的持仓周期可以很短，换手率高，资金利用率高。但T+0市场也更考验执行速度，慢几毫秒可能就差几个点。
做策略迁移的时候，如果从T+0市场搬到T+1市场，必须把持仓周期拉长到至少隔夜，同时降低换手率预期。
涨跌停制度的影响 有涨跌停的市场，价格到了涨跌停就不能继续交易了。这对策略有两个影响： 第一，突破策略遇到涨停买不进，遇到跌停卖不出。回测里如果假设涨跌停也能成交，收益会严重虚高。 第二，涨跌停会造成价格粘性，涨停之后次日往往有惯性高开，跌停之后次日往往惯性低开，这本身就是一种策略机会。
所以在有涨跌停的市场做策略，必须加入涨跌停处理逻辑： 买入信号发出时，如果当天已经涨停，放弃买入，或者次日开盘再看。 卖出信号发出时，如果当天已经跌停，放弃卖出，或者次日开盘处理。 可以加入“连板过滤”，连续涨停的股票不追高，连续跌停的股票不抄底。
做空机制的差异 做空机制的完善程度，直接决定能不能做市场中性策略。
美股融券最方便，成本低，年化2%-5%，券源足，几乎所有股票都能融。所以美股市场中性策略很成熟，做多高分股票，做空低分股票，剥离大盘风险。
A股融券就很难，券源少，成本高，年化8%-15%，而且很多股票根本融不到。所以A股很难做真正的多空对冲，只能用股指期货对冲大盘风险，或者纯多头。
在做策略迁移的时候，如果原来的策略是市场中性，到了做空难的市场，就要改成多头版本，或者用指数期货替代空头，同时接受风格暴露的风险。
策略适配完之后，怎么验证适配得好不好？不能只看回测，要对比回测和实盘的差距。
我一般用三个指标来评估适配效果：
收益达成率：实盘年化收益 / 回测年化收益。正常应该在0.6-0.8之间，也就是实盘能达到回测的60%-80%。如果低于0.5，说明适配有问题。
胜率偏差：实盘胜率与回测胜率的差值。差值应该在5%以内，比如回测胜率55%，实盘50%-60%都正常。差太多说明信号质量差。
最大回撤比：实盘最大回撤 / 回测最大回撤。正常在1.2-1.5倍之间。实盘回撤比回测大很正常，但如果超过2倍，说明风控失效。
如果三个指标都在正常范围内，说明适配成功，可以逐步把资金加上去。如果不在，就要排查原因。常见的原因有：回测没扣够交易成本、滑点估计不足、流动性假设太理想、前视偏差。
这里特别提醒一句：永远不要相信“回测收益=实盘收益”的神话。回测是理想环境，实盘是真实战场，能做到回测的七成就已经算优秀的适配了。
本章实战笔记
策略迁移不是复制粘贴，是重新研发。不要拿A股的参数直接跑其他市场，90%的概率会低于预期。
先验证逻辑，再调参数。逻辑不通的策略，参数调得再好看都是过拟合，实盘一定会亏。
波动率分层是性价比最高的优化。只需要加十几行代码，就能让策略在不同行情下的稳定性提升30%以上。
小资金实盘验证是必经步骤。永远不要第一次上策略就大资金满仓，1%-2%的资金试三个月，成本最低。
本章核心公式卡 单只最大仓位公式： 单只最大仓位 = 日均成交额 × 冲击系数 / 日均换手率 冲击系数默认取0.01，可根据市场流动性调整。
波动率分层阈值： 低波动：当前波动率 < 基准波动率 × 0.8 中波动：基准波动率 × 0.8 ≤ 当前波动率 < 基准波动率 × 1.2 高波动：当前波动率 ≥ 基准波动率 × 1.2
收益达成率： 收益达成率 = 实盘年化收益 / 回测年化收益 合格区间：0.6-0.8
本章实战清单
策略适配执行清单 - 第一步：定性验证盈利逻辑在目标市场是否成立 - 第二步：用目标市场三年历史数据重新优化核心参数 - 第三步：叠加交易制度、流动性、成本三类约束 - 第四步：1%-2%资金实盘测试至少三个月 - 第五步：对比三个验证指标，达标后逐步加仓
参数校准清单 - 周期参数：布林带周期、动量窗口、窄口统计周期 - 阈值参数：突破幅度、波动率阈值、止损幅度 - 仓位参数：单只仓位上限、总仓位上限、单行业仓位上限 - 检查参数在±20%区间内表现是否稳定，避免过拟合
⚠️ 风险提示：本书内容仅为量化研究与知识分享，不构成任何投资建议。套利交易存在基差、费率、流动性、平台与极端行情等风险，历史表现不代表未来收益。投资有风险，入市需谨慎，请自主决策、量力而行。
💡 键盘 ←/→ 翻章 · T 键切换目录