量化交易的区别与判断标准

这事儿我见过太多。交易圈里有句讽刺话：回测时人人都是股神，实盘后个个都是韭菜。问题往往不在于你不会写代码，也不在于你不懂几个指标，而在于你根本没分清主观交易和量化交易的决策边界，更没看懂那些指标在实战里究竟意味着什么。

主观交易者死在自己的情绪里，量化交易者死在模型的盲区里。两条路，各有各的坟。所谓判断量化交易的区别与标准，不是简单比较“谁赚得多”，而是要看决策逻辑、风险承担方式、收益来源以及从回测到实盘的折损程度。今天我把这几件事一条一条剖开，看清楚你面对的到底是策略，还是一份包装精美的收益故事。

决策逻辑的本质：从人类直觉到机器纪律

主观交易和量化交易的根本分歧，不在工具，不在代码，而在决策权交给谁。

主观交易者靠什么？靠经验，靠盘感，靠多年盯盘后形成的判断，靠“我盯这支票很久了，明天大概率要涨”的直觉。听起来玄乎，本质上是定性分析叠加经验滤镜，再叠加当下情绪。

市场突然跳水，止损位被击穿的一瞬间，你开始犹豫：“再扛一扛，也许只是洗盘。”这一扛，仓位从短线交易变成长期投资；第二天再跳空低开，原本可以控制的损失，已经变成不愿面对的亏损。等你终于砍仓，价格反而开始反弹。你把这归结为“运气不好”，但真正的问题通常早就发生了：计划没有得到执行。

这不是技术问题，是人性问题。人的注意力有限，眼睛盯不过几十个市场，脑子也记不住几年的细节。连续盈利之后，人会放大自己的判断能力；连续亏损之后，又会为了证明自己没错而拒绝止损。情绪一上来，纪律当场作废，账户里的数字就开始流血。

量化交易是另一套基因。它把决策拆成一系列可以记录、检验和执行的条件：价格满足什么状态，成交量达到什么水平，波动率处于什么区间，组合风险是否超过上限，系统才允许开仓或调仓。条件没有满足，就不交易；风险触发，就减仓；信号反转，就退出。机器不会因为昨晚睡不好而改变仓位，也不会因为一根大阳线就改变信仰。

这种纪律是量化交易最有价值的地方。它不是让机器“预测得更准”，而是让同一套规则在相似条件下尽量做出相似反应。每一笔交易都有记录，每一个信号都可以复盘，每次亏损都能追溯到具体的规则、数据或执行环节。你不再需要事后凭记忆解释“当时为什么没卖”，因为系统会告诉你：信号有没有出现，订单有没有发出，订单有没有成交，成交价格和理论价格相差多少。

但纪律不等于正确。代码可以毫不犹豫地执行错误的规则，也可以用极高的效率把错误放大。量化交易的优势是把主观犹豫从执行环节中拿掉，弱点则是模型只能处理被定义过的世界。没有写进规则的情况，系统不会“灵机一动”地替你补上。

另一个明显区别是覆盖面。

主观交易者同时盯十只股票，可能已经头晕脑胀；量化系统却可以在同一时刻扫描上千个标的，按照统一规则比较信号强弱，再根据组合约束分配资金。它不需要休息，也不会因为某一只股票和自己“有感情”就拒绝卖出。对于趋势、套利、截面选股和多品种配置等策略，这种规模化处理尤其重要。

但“能看很多市场”不等于“在很多市场都有效”。从股票切换到期货，从日线切换到高频，从单一品种切换到跨市场组合，数据质量、交易制度、保证金要求、涨跌停限制和流动性条件都会变化。一个在股票日线数据上表现良好的模型，未必适合期货盘中交易；一个在流动性充足的大盘品种上成立的策略，放到小盘股上，可能立刻被冲击成本吞掉。

早期量化宣传最喜欢强调机器速度和覆盖范围，仿佛只要接入更多市场，就能获得更多收益。实际上，市场数量增加以后，相关性、资金占用、交易时段错位和风险集中也会一起增加。系统监控了一百个品种，不代表真正拥有一百个独立的收益来源。很多品种在极端行情下会同时下跌，平时看起来分散的组合，到了压力测试时可能变成一笔拥挤交易。

量化交易还有一个经常被低估的软肋：逻辑边界必须清晰。“感觉”这种东西很难直接写进代码。主观交易者看到盘口异动、政策措辞变化、行业情绪转折时，可能会做出一种无法完全解释的判断；模型则需要数据、特征和明确的阈值。不是说主观判断一定正确，而是有些信息在进入数据库之前，已经被人类先理解和加工了。

原油价格出现极端异常、某些商品市场发生逼空、交易规则临时调整，这些情况都可能让建立在历史经验上的模型失效。历史数据里没有相似样本，模型自然无法从过去学会如何处理。所谓智能风控，如果只是在正常波动范围内做风险控制，遇到流动性突然消失、价格跳跃或者无法成交时，仍然可能变成一张纸。

主观交易者的直觉也并非完全没有价值。很多时候，它其实是多年经验压缩后的潜意识判断：盘口变化、成交节奏、市场参与者的行为方式、政策语言中的细微差异，这些信息可能很难结构化，却未必毫无意义。它的问题在于难以复现、难以验证，也很容易和自信混在一起。

所以，量化和主观并不是“科学”与“迷信”的简单对立。更准确的说法是：量化更擅长纪律、覆盖和复盘，主观更擅长处理尚未被模型定义的情境。成熟的交易体系往往不是把一方彻底消灭，而是明确谁负责发现机会，谁负责执行，谁负责控制风险。

主观交易者死在情绪，量化交易者死在模型失效。没有银弹，只有纪律。

量化策略的“体检表”：夏普与索提诺比率的实战意义

新手看量化策略，第一眼盯收益率。老手看什么？先看风险调整后的收益，再看收益是怎么来的。

夏普比率是最常见的起点。它衡量的是：每承担一单位总波动，策略能够获得多少超额收益。常见表达方式是，用策略收益减去无风险收益，再除以策略收益的波动率。

这个指标的价值不在于公式复杂，而在于它迫使你把收益和风险放在同一张桌子上。年化收益百分之五十听起来很诱人，但如果实现这个收益需要承受极大的净值波动，甚至长期经历深度回撤，那么它未必比一个收益低一些、曲线平稳得多的策略更值得配置。

很多人把夏普大于一视为“不错”，大于二视为“优秀”，更高则需要格外谨慎。这里的关键不是背诵门槛，而是先问：这个夏普是在哪个样本、用什么频率、扣除了哪些成本、采用了什么收益口径计算出来的？

回测报告里的夏普很高，实盘却迅速失真，常见原因包括：

• 样本量不足，少数几笔大赚交易抬高了整体结果；
• 策略参数反复调试，最终只是贴合了历史噪声；
• 回测没有扣除手续费、滑点、冲击成本和资金占用成本；
• 使用了当时不可获得的数据，形成前视偏差；
• 收益率计算方式与实际资金曲线不一致；
• 组合中存在无法真实成交的价格或成交量假设。

还有一个问题经常被忽略：夏普把上涨和下跌的波动一视同仁。策略净值从一上涨到一点五，再回撤到一点四，和另一个策略从一涨到一点二、随后跌到零点八，投资者的实际体验完全不同。前者虽然波动不小，但总体仍然处于盈利状态；后者则可能在最差的时候逼迫投资者离场。

夏普只会告诉你波动发生了多少，并不会告诉你这些波动主要来自哪里。对于一个偏好稳定净值、最怕大幅亏损的投资者来说，上行波动和下行波动显然不是一回事。

所以才有了索提诺比率。它与夏普的核心差别在于，计算风险时主要关注下行波动，而不是把所有波动都当成坏事。策略向上快速运行时，索提诺不会像夏普那样过度惩罚；策略频繁向下波动时，它会显著降低评价。

这更符合实战感受。赚得多一点、少一点，通常还能通过仓位调整解决；但连续亏损、深度回撤和长时间无法创新高，会直接影响投资者能否继续持有。一个策略理论上很优秀，但每隔一段时间就出现难以承受的下行波动，最终往往不是策略先死，而是投资者先退出。

索提诺比率较低，说明策略的收益并没有很好地补偿下行风险。比如一份报告显示，策略年化收益很高，夏普比率也不错，但索提诺比率明显偏低，这可能意味着收益主要依靠少数上涨阶段取得，亏损阶段却频繁、集中或者持续时间很长。市场风格一旦切换，原本漂亮的收益曲线就可能迅速恶化。

这里必须提醒一句：夏普和索提诺的具体数值不能脱离计算周期。日频、周频和月频数据得到的结果，不能简单横向比较；不同的无风险收益假设、收益率年化方式和缺失值处理方式，也会让数字发生变化。把某个平台展示的一个比率直接当成普适标准，往往比不看指标更加危险。

看策略时，把夏普和索提诺放在一起，比盯着单一数字更有意义。如果索提诺显著低于夏普，就要追问收益曲线中下行波动的来源；如果两者都很高，还要继续确认样本外表现和交易成本，而不是立刻把策略当成圣杯。

有些策略靠频繁小幅盈利维持漂亮的夏普，一旦出现少数大亏，净值就会长时间修复；有些策略平时收益不算突出，但在风险暴露控制上更稳定。它们适合的资金属性完全不同。指标不是替你做决定，而是帮助你发现“收益表面之下”的结构。

卡玛比率与最大回撤：衡量策略抗风险能力的金标准

做交易最怕什么？不是赚不到钱，而是赚到了又全部吐回去。

最大回撤衡量的是策略净值从历史高点下降到随后低点的最大幅度。报告里写着百分之二十，意味着在最糟糕的历史阶段，资金可能从高点回落五分之一；写着百分之五十，则意味着账户接近腰斩。这个数字不抽象，是真金白银，也是持仓者每天打开账户时必须面对的心理压力。

很多新手看回测报告，眼睛只盯着年化收益，对最大回撤一带而过。等实盘回撤达到百分之二十甚至更高，才发现那个不起眼的数字才是整个策略的生死线。更麻烦的是，人在回撤过程中通常无法知道谷底在哪里。你可能在回撤刚开始时认为这是正常波动，到了中段认为模型失效，再往后则完全失去信心，最后在接近低点的位置砍仓。

随后策略开始恢复，账户却已经不在场内。这是回撤最残酷的地方：它不只是减少资金，还会迫使投资者在最不该放弃的时候做出决定。

最大回撤还需要配合回撤持续时间一起看。两个策略都曾经回撤百分之二十，一个用了两周修复，另一个用了两年才回到前高，对投资者而言不是同一种风险。前者可能是短期冲击，后者则会带来资金机会成本、心理疲劳以及对策略逻辑的持续怀疑。

此外，历史最大回撤也不等于未来最大回撤。回测只告诉你过去发生过什么，不保证未来不会出现更差的情形。尤其是交易记录较短、经历的市场状态有限时，历史回撤很容易低估真实风险。一个只经历过单边上涨行情的策略，回撤看起来再漂亮，也没有经过真正的压力测试。

卡玛比率就是把年化收益和最大回撤放在一起比较，常见表达方式是年化收益率除以最大回撤的绝对值。它直观地回答：为了取得这些收益，策略曾经让投资者承受多大的最坏回撤？

卡玛比率的优势，是它不会只关注日常波动，而是直接盯住最危险的那一次下跌。一个策略每天小幅震荡，夏普可能不错，但如果偶尔发生极深回撤，卡玛会把这种风险暴露出来。对于趋势策略、管理期货策略以及需要长期持有的组合，卡玛尤其有参考价值。

但卡玛也有自己的局限。它只使用一个最大回撤，无法完整描述回撤发生的频率、持续时间和恢复过程。如果最大回撤只发生过一次，卡玛可能被当前阶段的高收益抬高；如果策略最近刚创出新高，历史回撤暂时不明显，也不能据此断定风险已经消失。

所以，卡玛不应该孤立使用。看它时，最好同时查看净值曲线、回撤曲线和回撤修复时间。你要知道最大回撤发生在哪个市场环境里，是单一事件造成，还是策略本身长期存在结构性问题。

我自己做风控有个很现实的规矩：卡玛过低的策略，不会因为年化收益漂亮就自动获得实盘资格。不是说低卡玛的策略一定不能赚钱，而是它要求投资者拥有更强的资金承受力和更长的持有耐心。很多人配置策略时，默认自己能承受百分之三十的回撤；真正经历连续亏损后，才发现自己连百分之十五都很难面对。

策略选择必须建立在真实承受能力上，而不是建立在宣传材料里的勇气上。你可以接受较大的回撤，就要接受更长的恢复周期、更高的资金占用和更大的执行压力；你无法接受，就应该通过降低仓位、组合配置或者选择更稳定的策略来解决，而不是在亏损发生后临时改变规则。

回撤不是报表上的负号，而是心理承受力的极限测试。卡玛比率告诉你，收益究竟值不值得那次绞杀。

还有一个常见误区：把最大回撤直接当成仓位建议。假设回测最大回撤是百分之二十，并不意味着实盘配置百分之二十仓位就只会损失百分之四。不同策略之间可能在极端行情下同时亏损，相关性会突然上升，杠杆和保证金机制还会进一步放大资金波动。组合回撤必须基于组合层面的历史重构和压力测试，不能把单个策略的回撤简单相加或平均。

信息比率与主动风险：评估超额收益的含金量

主观交易者很少谈信息比率，但只要策略的目标是跑赢某个基准，就必须理解这个指标。

信息比率衡量的是：投资组合相对于基准取得的超额收益，是否足够稳定。它通常用超额收益除以跟踪误差，也就是组合相对基准偏离程度的波动。

翻译成人话：你比市场多赚的那部分钱，到底赚得稳不稳？

如果一个组合号称长期跑赢某个指数，但它的超额收益忽高忽低，甚至大部分收益都集中在一次行情里，那么它的主动管理能力可能没有宣传中那么强。反过来，一个策略虽然没有每年都大幅跑赢，却能够持续、平稳地获得一定超额收益，其信息比率可能更有说服力。

这也是为什么不能只看“跑赢基准多少”。假设某策略宣称年化跑赢基准百分之二十五，听起来非常惊人，但如果它的净值路径大起大落，某一年大幅跑赢，下一年又大幅落后，那么这部分超额收益的稳定性就值得怀疑。投资者买到的可能不是稳定的阿尔法，而是承担了大量主动风险后偶然获得的结果。

信息比率不高，不一定代表策略毫无价值。它可能承担了特定风格暴露，或者策略本身就是低频、低换手，收益并不平滑。但你必须知道，自己买到的是稳定的主动收益，还是一个带有明显风格倾向的风险组合。

比如某个选股策略在成长股行情中表现突出，跑赢基准很多；风格切换后却明显落后。单看整个样本期的累计收益，结果可能仍然漂亮，但信息比率和主动风险会告诉你：这部分收益可能高度依赖市场风格，而不是来自能够跨周期重复的选股能力。

信息比率的分母——跟踪误差——尤其重要。跟踪误差越大，说明策略相对基准的偏离越明显。一个信息比率看起来不错、跟踪误差却非常高的策略，可能是用大幅偏离基准换来的超额收益。牛市里这种策略很容易让人兴奋，市场转弱时也可能出现剧烈回撤。

因此，判断超额收益时至少要同时看四件事：

• 基准是否合理，不能为了突出策略表现而选择一个明显不匹配的基准；
• 超额收益是否持续，还是主要集中在少数月份或少数交易；
• 跟踪误差是否与投资者的风险预算相匹配；
• 超额收益是否扣除了交易成本、融资成本和管理费用。

如果基准选错，信息比率也会失去意义。一个小盘股高波动策略拿宽基指数做基准，可能轻易显示出高额超额收益，但这其中有多少来自规模、行业和波动风格差异，并不一定是策略本身的选股能力。

现在很多人工智能量化策略喜欢使用复杂模型，包括神经网络、随机森林和其他机器学习方法。模型名称越复杂，不代表预测能力越强。能不能稳定输出超额收益，最终还是要回到样本外表现、主动风险和信息比率上。

模型可以拟合过去，却不能保证未来仍然有相同的市场结构。尤其当特征数量很多、参数空间很大时，策略很容易找到历史中偶然有效的关系。回测期间信息比率很高，换一个时间段就明显下降，这说明模型可能只是记住了历史，而没有理解收益来源。

还有一点需要注意：信息比率本身也会受到收益频率和统计口径影响。低频策略的超额收益可能不平滑，短样本下的比率波动尤其明显。看见一个漂亮数字时，不要立刻把它当作稳定能力；先把超额收益按年份、市场环境和交易阶段拆开，看看它究竟靠什么赚钱。

实盘陷阱：滑点、冲击成本与回测的真实性偏差

回测曲线漂亮，实盘亏损严重，这不是玄学，是数学。

滑点指的是从产生交易决策到实际成交之间，理论价格和成交价格的差异。你看到价格是十点零五元，下单时变成十点零八元，中间的差额就是滑点。对低频策略而言，一次滑点可能只是小问题；对高换手策略而言，每一笔微小偏差累积起来，就可能决定策略到底赚钱还是亏钱。

流动性较差的标的，滑点会更加明显。盘口挂单很薄时，你的订单可能先成交一部分，剩余部分只能继续追价；行情快速变化时，限价单可能根本无法成交，市价单则会承担更高的成交偏差。回测里通常按照某个理想价格成交，实盘却要面对真实的排队、撤单、延迟和对手盘。

很多新手高估自己的下单速度，以为鼠标点下去就等于成交。实际上，从信号生成、风控检查、订单发送，到交易所接收、撮合和回报，中间每一个环节都有延迟。对于短周期策略，哪怕延迟并不长，也可能让理论优势迅速消失。

冲击成本则是订单本身对市场价格造成的影响。你要买入的数量越大，相对于盘口可成交量的比例越高，就越可能推高成交价格；卖出时则可能压低价格。小资金回测表现很好，规模扩大后收益明显下降，往往不是模型突然失效，而是市场容量不够。

这也是为什么“策略收益”不能脱离“资金规模”来谈。一个策略在小资金下可以轻松进出，到了更大规模，成交价格、完成交易所需时间以及订单拆分方式都会发生变化。所谓容量，决定了策略能够承载多少资金，而不是宣传材料里写出的理论收益。

回测中至少要明确以下成本：

• 佣金、手续费和交易所相关费用；
• 买卖价差以及不同时间段的平均点差；
• 下单延迟造成的价格变化；
• 大额订单带来的冲击成本；
• 资金占用、融资和保证金成本；
• 期货换月、展期以及合约流动性变化；
• 无法成交、部分成交和订单取消的情况。

有人会在回测中简单设置一个固定滑点，然后把结果当成真实预期。这种处理可以作为初步估计，但不能替代敏感性测试。更合理的做法，是在不同成本假设下分别运行策略，观察收益、回撤和换手率如何变化。如果滑点稍微增加，策略收益就从正数变成负数，那么它的安全边际通常很薄。

大资金尤其要警惕冲击成本。有些套利策略在小规模下看起来年化收益很高，一旦资金规模扩大，交易机会被自己的订单消耗，最后收益只剩下理论结果的一小部分。你以为自己在套利，实际上是在给市场提供流动性，甚至主动抬高了自己的买入成本。

回测最大的敌人之一，是过拟合。

历史数据本身包含趋势、震荡、突发事件和随机噪声。你把参数调试足够多次，总能找到一组在过去表现漂亮的组合。问题是，这条曲线可能只是为那段历史量身定做的，换个时间区间、换个市场环境，结果就完全不同。

过拟合不只发生在复杂机器学习模型里。一个只有几个参数的均线策略，也可能因为反复调参而失去泛化能力。只要研究者根据历史结果不断修改规则，直到净值曲线“看起来足够漂亮”，就有可能把噪声当成规律。

因此，回测至少应该区分样本内和样本外。样本内用于设计规则，样本外则用于检验规则能否在未参与优化的数据上工作。如果样本外表现明显恶化，不能简单说“市场变了”，更应该检查策略到底有没有稳定的经济逻辑。

滚动回测和走步检验也很有价值。它们不是把所有历史数据一次性拿来优化，而是模拟真实研究过程：只使用当时已经知道的数据建立模型，再在后续区间进行测试。这样得到的结果通常没有一次性回测那么漂亮，但更接近实际使用环境。

另一个常见陷阱是前视偏差。回测时使用了当时尚未公布的数据，例如把财务数据的最终修订值直接用于财报发布之前的交易决策，或者用当天收盘后的信息决定当天收盘前的买卖。这等于给模型开了上帝视角。

幸存者偏差也很隐蔽。如果选股样本只包含今天仍然存在的公司，那么历史上退市、破产或被并购的标的就被无意中排除了。这样的股票池天然更优秀，回测收益也会被高估。期货连续合约的构造方式、停牌股票的处理、涨跌停无法成交的情况，同样可能让结果偏离现实。

还有一种“批量假设”：回测默认所有信号都能在同一个价格、同一时刻完成成交，但实盘只能分批执行。信号数量一多，实际成交均价就会和理论价格产生明显差异。对容量有限的策略而言，这个差异不是技术细节，而是收益能否落袋的核心问题。

所以看一份回测报告，至少要问三个问题：

1. 滑点算没算？使用的是固定点差、历史盘口，还是一个过于理想化的成交假设？

2. 冲击成本算没算？假设的资金规模与实际计划是否一致？规模翻倍后，收益会衰减多少？

3. 样本外测试过没有？测试区间是否包含不同市场环境，是否经历过趋势、震荡和极端波动？

4. 数据在交易当时是否真的可获得？财务数据、成分股名单和合约信息有没有使用未来版本？

5. 回测能否还原真实订单？是否考虑了部分成交、撤单、涨跌停和流动性不足？

这些问题答不上来，回测曲线再顺滑也只能作为研究草稿，不能直接变成资金决策依据。

回测是地图，实盘是战场。地图画得再漂亮，也替代不了真刀真枪的检验。

从指标到判断：量化策略究竟该怎么比较

真正比较两个量化策略时，不要只问哪个收益率更高。你需要把它们放在同一套口径下观察。

首先要统一数据周期和交易成本。一个策略使用日线数据，另一个使用分钟数据；一个扣除了完整成本，另一个只计算理论成交；一个采用复利收益，另一个使用简单收益——这样的比较没有意义。

其次要拆分收益来源。策略究竟靠趋势、反转、套利、行业暴露还是杠杆赚钱？收益来自少数几笔交易，还是来自大量相对稳定的交易？如果把最赚钱的几笔交易拿掉，剩余结果是否仍然成立？如果策略收益高度依赖某个行业或某种市场风格，那么它就不能被包装成“普适能力”。

再次要检查交易分布。胜率高不代表策略安全，低胜率也不意味着策略糟糕。关键要看盈亏比、连续亏损长度、单笔亏损集中度和极端行情下的表现。一个胜率很高但偶尔出现巨大亏损的策略，可能比胜率一般、亏损严格受控的策略更难持有。

还要观察收益曲线是否过于平滑。现实市场里的策略通常会有波动。如果一条回测曲线几乎没有明显回撤，却没有解释使用了什么对冲、套利或估值机制，就需要提高警惕。过度平滑可能意味着数据处理、成交假设或回撤计算方式存在问题。

可以把几个关键维度放在一起：

如果一个策略在收益、回撤和执行成本之间都表现不错，才有进一步研究的价值。不要因为某一个指标特别高，就忽略其他维度的明显缺陷。

结语：别迷信指标，但必须懂指标

看完这些，你可能会觉得量化指标越复杂越好。错。

实战中，指标是工具，不是真理。夏普再高，回撤再小，索提诺再漂亮，也不能保证实盘一定赚钱。黑天鹅出现时，相关性可能突然上升，流动性可能迅速消失，原本有效的交易逻辑也可能短期失效。

但指标仍然是你看穿策略的窗口。一个不愿意公开收益口径、回撤数据、交易成本和样本外结果的策略，不管包装多漂亮，故事讲得多动听，都应该保持距离。真正能打的策略，不怕你拿放大镜看；不敢让你看的，多半心里有鬼。

量化交易的区别与判断标准，归根到底不是寻找一个万能指标，而是建立一套不容易被宣传材料带偏的判断顺序：先看决策逻辑，再看收益来源；先看最大回撤和执行成本，再看年化收益；先确认数据和回测是否真实，再讨论模型是否先进。

我做交易这么多年，见过无数人死在同一个地方：迷信回测报告，把模型当神。结果市场一变，模型变废铁，账户变绞肉机。量化不是圣杯，主观也不是垃圾。两条路都能走出来，关键在于看清楚自己的刀刃在哪里，底线在哪里。

你能承受多大的回撤，决定了你能使用多激进的策略；你能承受多长的恢复期，决定了你是否适合追求高收益；你是否有能力检查成交假设和数据口径，决定了你看到的回测曲线究竟是一份研究结果，还是一张广告海报。

最后送你一句我常说的话：能在市场里活下来的人，从来不是赚得最多的人，而是没有在最坏的时候被迫出局的人。

夏普、卡玛、索提诺、信息比率，这些数字背后，是账户的生死线，也是心态的承重墙。别只看收益，先看自己能不能扛得住那个回撤；别只看模型，先看它在真实交易里还能剩下多少优势。

扛不住，再漂亮的曲线也是绞索。

Related reading: 量化策略回测指标的虚与实：如何看穿超高收益率背后的陷阱 and 量化回测中的滑点与手续费设置：为什么模拟盘赚钱实盘却亏损.