从“5,394%利润”到真正稳健的机器学习系统

如果你在在线交易的世界里待过一段时间，你一定见过它们：宣称用“秘密”指标组合即可获得惊人收益的文章和视频。他们拿像 TSLA 这样的热门股票做回测，权益曲线直冲云霄。

我们最近就看到了一篇这样的文章：“考夫曼自适应移动平均（KAMA）与 ATR 多头策略” 它提出了一个很有吸引力的想法：用自适应的 KAMA 做趋势跟随，用 ATR 做基于波动的风险控制。在 TSLA 上的结果惊人：5394% 的利润，远超买入并持有。

但作为经验丰富的工程师，我们知道，不凡的主张需要不凡的证据。因此我们提出了关键问题：这个策略能否经得起严格、专业的回测流程？

第 1 部分：不可避免的失望

我们的第一步，复现文章的基于规则的逻辑。规则很简单：

  • 入场： 当价格在 KAMA 之上且波动（ATR 百分比）处于“平静”范围内。

  • 出场： 当价格跌破 KAMA 或波动突然上行。

我们在 QQQ 上使用标准的步进前移（walk-forward）分析来运行它。与文章中对全量数据做一次性优化不同，这种方法通过在历史数据上训练、在未来未见数据上测试来模拟真实交易。

结果是……差强人意。该策略几乎不赚钱，夏普比率接近于零。

为什么差异如此之大？

  1. 过拟合陷阱： 原文在整段历史数据上优化了参数。这在量化金融里是大忌，称为曲线拟合。那些“完美”的参数是用完美的事后视角定制出来的，使结果完全不现实。

  2. 不现实的风控： 原始回测过于简化，很可能采用了“满仓”之类的做法。我们的框架强制实施纪律化的仓位控制与止损，把保住本金优先于追逐像彩票般的暴利。

  3. 挑拣样本： 文章突出展示了 TSLA、MSTR 等极端动量股。一个稳健的策略必须能在不同资产与不同市场环境下工作，而不是只在少数异类上好看。

结论很明确：按原样给出的基于规则的策略，并不适合真实世界的交易。

第 2 部分：转向机器学习

我们没有抛弃核心概念，而是选择转向。把自适应趋势（KAMA）与波动过滤（ATR）结合的思路本身是合理的，问题在于刻板、被过度优化的规则。

如果我们不再把规则写死，而是把这些指标作为特征，交给机器学习模型来学习呢？

这改变了我们的做法：

  1. 特征工程： 我们构建了一组归一化的特征来描述市场状态。

  2. 目标标注： 使用三重障碍法（Triple-Barrier Method）定义什么是“好”的交易。

  3. 训练模型： 借助 AlphaSuite 的集成机器学习流水线训练 LightGBM 模型，寻找制胜模式。

这个策略不再是一组脆弱的“if-then”语句，而是一个能够学习和适应的灵活系统。

关键在细节：核心计算

要真正理解这种转变，我们来看代码。从一个有缺陷的规则变成稳健的特征，涉及几个关键计算。

1. 构建稳健特征

最大的飞跃来自我们如何创建特征。对于学习长期数据的模型来说，原始指标值往往没什么用。例如，当一只股票价格为 50 美元时，MACD 为 2.00 是个很大的数，但当价格在 500 美元时，这个值就毫无意义。

我们通过对特征做归一化来解决这一问题，构建与价格水平无关的信号。

# 按价格对 MACD 进行归一化，使其在时间上可比
data['feature_macdhist'] = data['macd_hist'] / data['close']

# 将 RSI 缩放到一致的 0-1 区间
data['feature_rsi'] = data['rsi'] / 100.0

# 计算价格相对移动平均的百分比偏离
data['feature_price_kama_dist'] = (data['close'] / data['kama']) - 1

无论模型在看 2005 年还是 2025 年的数据，这都能为其提供一致的可学习信号。

2. 用“三重障碍法”定义“胜利”

我们如何教会模型什么是好交易？我们使用“三重障碍法”。对每一笔潜在交易，我们在未来设置三道“障碍”：

  1. 盈利目标（例如：平均真实波幅 ATR 的 3 倍）

  2. 止损（例如：平均真实波幅 ATR 的 3 倍）

  3. 时间限制（例如：15 天）

最先被触及的障碍决定结果。

# 标注交易的简化逻辑
profit_target = entry_price + (atr_at_entry * profit_target_multiplier)
stop_loss = entry_price - (atr_at_entry * stop_loss_multiplier)

# 向前查看 N 根K线
future_bars = data.loc[i:].iloc[1:eval_bars + 1]

# 检查是否触及盈利目标
pt_hit_mask = future_bars['high'] >= profit_target
pt_hit_date = future_bars.index[pt_hit_mask].min()

# 检查是否触及止损
sl_hit_mask = future_bars['low'] <= stop_loss
sl_hit_date = future_bars.index[sl_hit_mask].min()

# 只有当先触及盈利目标且早于止损触发时，才算胜利。
if pd.notna(pt_hit_date) and (pd.isna(sl_hit_date) or pt_hit_date < sl_hit_date):
    target.loc[i] = 1.0  # 胜利
else:
    target.loc[i] = 0.0  # 亏损（止损或超时）第3部分：结果——从炒作到真实优势

我们用同样严格的步进前移优化在 QQQ 上运行了新的机器学习策略。结果判若云泥。

  • 夏普比率： 稳健的 0.90

  • 样本外总回报： 376%

  • 最大回撤： 非常可控的 16.4%

有趣的是，当我们做一次性“样本内”回测（在整整 25 年期间用一套优化后的参数）时，该策略的回报为 791%，轻松击败同期买入持有的 631%。这说明在参数相对稳定的设定下，策略具有理论潜力。

不过，更加贴近现实的 376% 样本外回报 才是我们信任的数字。虽然它在测试期内不如完美事后视角下的买入持有，但它以更小的风险实现了这一点。它成功躲过了主要的市场下行，而被动投资者可能会遭遇毁灭性的损失。这正是专业策略设计的核心权衡：以牺牲部分潜在上行，换取风险的大幅降低。

而最有意思的洞见来自特征重要性图，它告诉我们模型认为哪些最重要：

  1. feature_atr_pct（重要性最高）： 模型最关键的因素是市场波动。它学会了高度选择性，这以数据驱动的方式印证了原文的核心观点。

  2. feature_price_sma200_dist： 长期趋势过滤器排在第二，说明模型学会了不与主要趋势作对。

  3. feature_macdhist： MACD 柱（衡量动量加速度）在择时中也被高度重视。

模型验证了初始概念，但找到了更加细致且稳健的执行方式。

跨折平均的特征重要性

停止曲线拟合，才是构建策略的开始

从一个有缺陷的基于规则的策略，到一个稳健的机器学习系统，这段旅程凸显了现代量化研究的核心原则：

  • 保持怀疑： 对“完美”的回测保持高度警惕。

  • 严格测试： 步进前移分析与现实的风险管理是不可妥协的。

  • 迭代与适应： 不要害怕从僵硬的想法转向更灵活、数据驱动的方法。。