这里是《alphaFind》。
很多做量化的朋友，尤其是刚从互联网大厂转行来搞 机器学习 炒股的炼丹师，一定经历过这种绝望：
辛辛苦苦搭了个 Transformer 模型，跑了几天几夜，测试集上的预测误差（Loss）终于降到了全宇宙最低。你满心欢喜地把信号扔进回测系统，结果实盘一跑——净值曲线直接跳水，滑点和手续费把利润吃得骨头都不剩。很多人把这归咎于因子失效或者市场风格切换。
为什么在实验室里霸榜的模型，到了实盘却成了“散财童子”？
最近，MIT 和普林斯顿联合发表了一篇名为《The Optimizer as an Implicit Prior in Financial Time Series》的硬核论文，直接撕开了这层遮羞布。它告诉我们一个残酷的真相：在金融市场里，评价一个模型好不好，看预测准确率纯属自欺欺人。
1. 殊途同归的假象：你在赚什么钱？
在传统的图像识别里，识别猫就是猫，准确率 99% 就是厉害。但在金融时间序列这种极度嘈杂、信噪比极低的环境下，情况完全不同。
论文针对标普 500 股票的波动率预测进行了一场大规模实验。他们发现了一个极其反直觉的现象：预测等效性（Predictive Equivalence）。
你用最简单的多层感知机（MLP），或者最复杂的 Transformer，分别配上 SGD（随机梯度下降）或者 Adam 优化器，跑出来的样本外测试集 Loss 竟然是一模一样的！
如果只看排行榜，你会觉得这些模型没区别。但论文把这些模型放到真实的“波动率排序投资组合”中去跑回测，漏洞出现了：在夏普比率几乎相同的情况下，不同优化器训练出来的模型，其实盘换手率（Turnover）相差高达 3 倍！
这意味着什么？意味着你以为你在进行高大上的 Alpha挖掘，但实际上，你的模型底层因为选错了优化器，正在疯狂地进行微观结构上的无效高频摩擦。
2. 优化器：暗中操盘的“影子交易员”
既然 Loss 看不出区别，那区别在哪？核心在于你选的优化器（Optimizer）。
很多量化工程师在炼丹时，对优化器的选择往往是随大流：默认用 Adam，或者随便切个 SGD。但论文指出，优化器不是一个无情的“算题工具”，它是一个暗中自带交易风格的“影子基金经理”。
打个生活中的比方：假设你是老板，要雇人去菜市场买菜，目标是“每天花 100 块钱，买到 10 斤肉”（这叫 Loss 相同，目标达成）。
- 员工 A（对应 SGD 优化器）：是个老实巴交的笨大叔。他每天早上慢悠悠走到固定的肉摊，一刀切下 10 斤肉，付钱走人。他的决策逻辑简单，交易频率极低，换手率低。
- 员工 B（对应 Adam 等自适应优化器）：是个极其精明、对价格极度敏感的小伙子。他为了凑齐这 10 斤肉，在整个菜市场 50 个摊位之间疯狂穿梭，对比每一毛钱的差价，跟大妈砍价，甚至利用了摊主去上厕所的时间差。他的决策逻辑极其复杂非线性，交易频率极高，换手率极高。
在老板（评价指标 Loss）眼里，这俩人业绩一样。但如果你要为他们的“步数”付车马费（交易成本和滑点），员工 B 绝对会让你破产。
在金融数据里，Adam 这种高级优化器会利用复杂的非线性逻辑去“拟合”噪音，导致它对市场微小的波动极其敏感（稍微有点风吹草动就调仓）；而 SGD 因为比较“笨”，反而停留在平坦、简单的解里，表现出极好的实盘稳定性。
3. 实盘老炮的找茬：你算过真实的冲击成本吗？
作为天天在市场里摸爬滚打的量化老炮，看到这篇论文，我最大的感慨是：理论很丰满，现实很骨感。
这篇论文在学术上是神作，但在实盘 Quant 眼里，它更像是一个警钟。如果在硬核量化圈里讨论，同行们吐槽最狠的一点绝对是：把换手率当成线性成本，是学术界最大的天真。
在真实的订单簿里，你频繁调仓不是按固定比例交手续费的。高换手意味着你要不断去主动吃单，你的资金量一旦大一点，就会产生严重的冲击成本（Market Impact）。Adam 那种神经质的调仓频率，根本不需要等到月底，第一天就会因为滑点把净值打穿。
顺便提一句，论文里预测的目标是 Garman-Klass 波动率，全篇最核心的公式长这样：
$$\sigma^2_{GK} = \frac{1}{2}\left(\ln \frac{H}{L}\right)^2 - (2\ln 2 - 1)\left(\ln \frac{C}{O}\right)^2$$
（大白话解释：H 是最高价，L 是最低价，C 是收盘价，O 是开盘价。这个公式就是用每天的这四个价格，来估算今天这只股票上蹿下跳得有多厉害）。
但在真实的交易世界里，这种日线级别的理论指标，根本处理不了美股最致命的隔夜跳空。你用最前沿的模型，去预测一个连隔夜跳空都处理不了的指标，最后发现是优化器导致了差异。这就像用洲际导弹去打一只蚊子，最后发现导弹的制导系统轨迹不一样。你在拟合一个理论上的幽灵，而不是真实的交易利润。
4. 给数据分析师和交易者的降维启发
在 云栈社区 ( https://YunPan.Plus ) 的日常讨论中，我们一直强调：从因子到策略，陪你走完最后一毫秒。这最后一毫秒的微观结构博弈，拼的绝不是谁的 Loss 低了小数点后四位。
这篇论文给了我们三个极其通透的启发：
- 放弃对“预测准确率”的单一迷信。在金融市场，准确率是一个伪命题。评价一个量化模型，必须把“预测误差”和“决策后果（换手率、最大回撤、交易容量）”结合起来看。
- 警惕你代码里的
import Adam。99% 的人默认无脑使用 Adam 优化器。但在噪音极大的市场里，“笨”一点的 SGD 往往能给你带来更丝滑、更抗造的净值曲线。
- 金融机器学习的尽头，是“选择你想要的偏见”。既然大家预测得都一样准，那模型选择的本质就不再是“谁更准”，而是“谁的交易逻辑更符合你的资金体量”。大资金、高手续费环境，就该人为选择那些“迟钝、长周期、低换手”的模型；小资金、高频环境，再去玩 Adam 搞出来的非线性微操。
总结：
不要让实验室里的“完美 Loss”，成为现实镰刀下的“完美韭菜”。放下对学术指标的迷信，对市场的摩擦成本保持敬畏，才是活下去的关键。大家如果对底层代码实现感兴趣，也可以来我们的 开发者广场 深入交流。
参考资料：
标签：#TheOptimizerAsPrior #云栈社区 #量化交易 #Alpha挖掘 #机器学习炒股 #因子失效 #量化回测 #微观结构 #夏普比率
发表于 昨天 21:10
|
查看: 2|
回复: 0
