强化学习在量化交易中为什么屡屡失效？从模拟盘到实盘的四大鸿沟

我们很容易把回测中的一条漂亮净值曲线当作答案，仿佛模型已经理解了市场；但从更谨慎的角度看，那条曲线首先只能证明：在特定历史样本、特定数据处理方式、特定交易成本假设和特定奖励函数下，智能体找到了一个有效路径。它是否理解了可迁移的规律，是否能承受延迟、滑点和流动性变化，是否知道什么时候应该停止探索，仍然是另一组没有被回答的问题。

强化学习的困难，恰恰在于它比传统预测模型多走了一步：它不只要判断未来，还要决定行动，并根据行动后的结果调整自己。市场也因此不再只是一个被观察的数据集，而变成了一个会回应交易行为、会不断变化、又无法被完整看见的环境。

回测中的高收益，首先是一个需要被解释的现象，而不是一张可以直接兑现的承诺。

第一重鸿沟：智能体记住了噪声，而不是规律

历史数据太容易让模型产生“我已经懂了”的错觉

在监督学习里，我们通常会给模型输入特征和标签，让它学习某种映射关系；在强化学习里，智能体则通过与环境互动，观察状态、采取动作、获得奖励，再逐渐调整策略。表面上看，这种方式似乎更接近交易本身，因为交易也确实包含连续决策。

但金融市场中的历史数据有一个很难绕开的特点：有效信号稀少，噪声密度很高。

价格变化受到宏观政策、流动性、投资者情绪、行业轮动、资金结构和突发事件的共同影响。许多在历史样本中反复出现的形态，并不一定具备稳定的因果基础。一个模型可能在训练期间观察到：某种成交量变化之后，价格通常在若干个时间步内上行；也可能发现，在某个指标组合出现时，降低仓位会让奖励更好看。可是，这些关系有可能只是特定市场阶段中的偶然共振。

强化学习的风险在于，智能体不需要真正解释市场，只要能够在训练环境中持续获得较高奖励，就会把任何有用的模式都纳入自己的行动逻辑，包括那些不可复制的噪声模式。

这就是过拟合在强化学习中的另一种表现：模型没有简单地记住某个标签，而是记住了某段市场历史里，状态、动作和结果之间的偶然联系。它可能学会在某一天的波动结构中寻找机会，却没有学会面对另一种波动结构时如何重新判断。

这种失效有时很隐蔽。策略并不是一上线就完全失灵，而是收益逐渐变薄，交易频率开始异常，回撤恢复速度变慢，某些特定时段的决策明显变得不稳定。我们看到的是绩效下降，模型内部却可能仍然“相信”自己正在按照训练中最有效的方式行动。

过拟合不只来自模型复杂度

谈到过拟合，很多人第一反应是网络层数太多、参数量太大，或者训练轮次过长。这些确实可能增加模型记忆噪声的倾向，但强化学习量化交易的过拟合来源更广。

它可能来自以下几个方面：

• 状态空间设计过于丰富。 输入了大量技术指标、盘口特征、宏观数据和衍生变量，模型拥有足够多的自由度去寻找偶然相关性。
• 奖励反馈过于密集。 每个时间步都产生奖励，智能体会努力优化短期反馈，却未必理解交易成本、持仓风险和长期回撤之间的关系。
• 训练环境重复使用同一段历史。 当智能体反复在固定样本上试错时，所谓的探索实际上可能变成了对历史路径的持续拟合。
• 调参过程使用了测试集信息。 即使没有直接把测试集放入训练，只要我们根据测试表现反复修改模型、特征和奖励函数，测试集就已经不再真正独立。
• 市场状态切分不合理。 随机打乱时间序列，会让相邻时期的信息泄漏到训练和验证过程之中，结果自然比真实部署更乐观。

尤其是最后一点，时间序列不能像普通分类数据那样随意打乱。市场具有时间依赖性，昨天的流动性状态、政策预期和资金行为，可能影响今天的价格形成。一个更接近现实的验证方式，应当保留时间顺序，并把训练、验证、测试和模拟运行放在不同的时间段里。

怎样辨认模型是在学习，还是在背诵

这里没有一个指标可以单独给出结论，但我们可以从策略表现的形状中寻找一些不安的信号。

如果模型只在一段非常具体的行情环境中有效，离开该阶段就明显失去优势；如果轻微调整交易成本、滑点或执行延迟，收益便大幅缩水；如果替换随机种子之后，策略表现从优秀变成平庸；如果把特征减少一半，模型就无法维持基本决策能力，那么我们面对的可能不是稳定的市场规律，而是一套依赖细节的历史记忆。

在实践中，较有价值的验证通常包括：

1. 滚动训练与滚动测试。 让训练窗口向前移动，观察策略能否在不同阶段保持相对稳定，而不是只在一段固定历史中表现良好。

2. 跨市场状态测试。 将趋势、震荡、高波动、低波动和重大事件阶段分开观察，避免用一个总体收益掩盖策略在特定环境下的脆弱性。

3. 扰动测试。 对价格、成交量、延迟、手续费和成交概率进行合理扰动，检查模型是否依赖某个过于精确的参数。

4. 多次独立训练。 使用不同随机种子、不同初始化方式和不同训练区间，观察结果是否具有一致方向。

5. 特征消融。 暂时移除部分输入，考察模型的核心决策是否仍然存在，避免一个看似重要的变量实际上只是历史噪声的入口。

6. 保留真正未触碰的样本。 这部分数据不能用于选模型，也不能用于调整奖励函数，否则它就只剩下形式上的“测试”。

这里需要一种不那么急于证明自己的心态。我们当然希望模型成功，但验证的意义并不是尽快找到一条能够展示的曲线，而是耐心地确认：当环境不再配合时，模型是否还保留一点可解释、可控制的行为。

第二重鸿沟：模拟盘没有告诉你，交易本身会改变价格

固定的十个基点，可能只是一个过于温柔的世界

许多交易模拟器会使用固定手续费或固定滑点。比如，每次交易统一假设成本为十个基点，也就是成交金额的千分之一。这个设定有一定的便利性：它简单、清晰，也便于比较不同算法。

但真实市场中的交易成本很少如此平整。

滑点会随着波动率、盘口深度、下单方向、成交量和交易时段变化。延迟意味着你看到的价格并不一定还是可以成交的价格。冲击成本则更直接：当智能体的订单足够大，或者市场流动性不足时，它的交易行为本身就会反过来影响价格。

模拟环境通常把市场当成一面平静的镜子，智能体下单，环境返回成交结果；真实市场更像一块有弹性的水面，订单落下去之后，水面会出现波纹，而波纹又会改变下一次成交的条件。

对于低频策略而言，单次延迟也许不至于立即摧毁逻辑；但对于依赖短时价格变化的策略，几个时间单位的延迟就可能让原本的优势消失。对于高频或高换手策略，交易成本不是收益曲线旁边的一行备注，而是决定策略能否存在的基础条件。

四个经常被模拟器忽略的细节

这些因素有一个共同点：它们往往不会让模型在回测中显得更复杂，却会在实盘中持续收取代价。模型在理想环境中每次都能以“正确价格”完成行动，于是它会逐渐形成一种行为习惯——只要发现预期收益略高于理论成本，就积极执行。

而真实市场会让它明白，理论上的边际优势，经过排队、延迟、部分成交和价格冲击之后，可能已经不再存在。

交易执行不是策略的附属模块

有些系统把信号模型和执行系统分得很开：模型负责决定买入、卖出或持有，执行模块负责把这些决定送到交易接口。这样的分层在工程上很常见，但在强化学习中，执行条件其实应该成为状态和动作设计的一部分。

如果智能体只能选择“买入多少”而看不到盘口深度、当前成交量、订单排队情况和实时延迟，它做出的决定就建立在不完整的信息上。它以为自己在控制仓位，实际上只是在控制一组理想化的数字。

更合理的模拟环境，至少应当尝试描述以下内容：

• 订单从生成到送达，再到交易所撮合之间的时间差；
• 市价单和限价单不同的成交机制；
• 部分成交、撤单失败和订单排队；
• 成交量对价格的影响；
• 不同波动阶段的滑点分布；
• 交易时段、涨跌幅限制和流动性中断；
• 风控系统对订单大小、频率和方向的限制。

当然，我们不可能把市场的每一个细节都完整复制进模拟器。模拟器永远只是现实的近似。但近似的方向很重要：如果它只保留价格变化，却删掉了交易行为发生的摩擦，那么智能体得到的不是一个简化版市场，而是一个在关键处失真的市场。

实盘不是把模拟器的最后一个按钮打开，而是把那些被模拟器隐藏的摩擦全部带回决策过程。

从“固定成本”走向“成本分布”

单一的固定交易成本假设很适合作为第一版实验，却不适合成为最终结论。成本更应该被看作一个分布，而不是一个常数。

例如，在低波动、深盘口的环境中，实际滑点可能相对温和；在剧烈波动和流动性快速收缩的阶段，同样的订单规模可能遭遇完全不同的成交结果。因此，训练和测试中可以对滑点、延迟和成交概率进行随机化处理，使智能体不再依赖一个过于固定的交易世界。

这种做法并不能消除实盘风险，却能够让模型在训练期间提前遇到一些不舒服的情况：订单无法立即成交，收益被成本吞掉，动作执行后价格出现反向变化。一个从未经历过这些情况的智能体，到了实盘中往往需要用真实资金完成第一次学习；而这通常是我们不希望发生的学习方式。

第三重鸿沟：奖励函数把什么写进去，智能体就会追逐什么

只奖励收益，模型就会把风险当作不存在

强化学习系统不会自动理解“稳健”“克制”或“不要在不确定时重仓”。这些词对人类交易者有丰富的经验含义，对算法而言却必须被转译成明确的状态、约束和奖励。

如果奖励函数主要由收益构成，智能体自然会努力提高收益；如果奖励函数对短期盈利反馈得很快，对回撤和尾部风险反馈得很慢，智能体就可能愿意承担较大的风险来换取眼前的分数。它并没有违背设计者的意图，只是在非常认真地执行设计者写下的目标。

问题在于，我们经常把“收益最大化”写成一个看似合理、实际过于单薄的目标。

一套交易策略真正需要面对的，通常不只是最终赚了多少钱，还包括：

• 收益是否依赖极少数极端交易；
• 最大回撤是否超过账户可以承受的范围；
• 波动是否过高，以至于实盘中难以坚持；
• 换手率是否让交易成本吞掉优势；
• 是否频繁改变仓位，造成执行压力和系统风险；
• 是否在极端行情中出现连续加仓；
• 是否在流动性不足时持有无法退出的仓位；
• 是否存在某种单一市场状态下的脆弱暴露。

如果这些因素没有进入奖励函数或硬性约束，智能体没有理由主动关注它们。我们不能一边给它一张只写着收益的评分表，一边期待它像经验丰富的交易员那样理解风险边界。

奖励函数不是一个数字，而是一种价值排序

设想两个策略在一段时间里获得相同收益：一个策略波动较低、回撤可控，另一个策略多数时间平静，却在少数时刻承担极端风险。单看累计收益，它们可能没有区别；但对真实账户而言，两种体验完全不同。

这正是奖励函数困难的地方。它不仅要衡量结果，还要表达我们愿意用什么代价换取结果。

常见的设计思路包括，将收益与风险、成本、回撤和换手率结合起来。但简单地把几个指标相加，并不意味着问题已经解决。不同指标的量纲、时间尺度和惩罚强度会改变智能体的行为倾向。惩罚太轻，风险约束只是装饰；惩罚太重，模型可能变得过度保守，在所有不确定性面前都选择不行动。

可以把奖励设计理解为一份写给智能体的“行为边界说明”：

• 允许它在什么情况下承担风险；
• 哪些损失属于正常波动，哪些损失意味着策略失控；
• 短期收益与长期稳定性发生冲突时，优先保留什么；
• 交易成本达到什么程度后，应当减少动作；
• 回撤扩大时，是降低风险、暂停交易，还是继续寻找机会；
• 当状态信息不足时，是否允许模型保持谨慎。

在这个意义上，奖励函数与交易策略的价值观有关。我们不是在寻找一个数学上最漂亮的目标，而是在决定：希望这个系统成为一个怎样的参与者。

奖励延迟与风险错配

金融交易里的许多损失并不会立刻出现。一个仓位今天看起来没有问题，可能在数个交易时段之后，因为波动率上升、流动性下降或政策预期改变而产生大幅回撤。若奖励机制过度偏好即时反馈，智能体可能学会把风险推迟，而不是减少风险。

这会带来一种很容易被误判的现象：训练初期，策略表现越来越好；随着训练继续，短期收益仍然不错，但尾部风险开始积累。最终，某个之前被认为不太可能发生的市场状态出现，回撤迅速扩大。

在这里，最大回撤、波动率和交易成本不能只是事后统计指标。它们需要在训练阶段就以足够清晰的方式影响策略更新。某些风险约束也不宜完全依赖软惩罚，而应当设置为动作层面的边界，例如仓位上限、单次交易规模、连续亏损后的风险缩减、异常波动时的暂停机制。

这些限制并不会让强化学习失去灵活性。恰恰相反，边界可以让探索发生在一个尚可承受的范围内。没有边界的自由，有时只是把不可逆的损失留给未来。

探索并不适合直接发生在真实资金上

强化学习需要探索—利用的权衡。智能体要利用已经知道有效的动作，也要尝试新的动作，以便发现更好的策略。但交易市场不是一个可以无限重置的游戏环境，真实资金也不会因为一次试错而恢复原状。

随机探索在实盘中尤其危险。一个动作可能只是为了获得更多信息，却带来超出账户承受能力的损失；一次连续试错可能撞上低流动性时段、突发政策事件或极端价格跳变。更现实的做法，通常是先利用历史数据和模拟环境完成大部分探索，再通过模仿学习、行为克隆或演示缓冲区，让智能体从已有的相对稳健行为开始。

这并不意味着把人的策略当成绝对答案。人类交易行为同样会受到锚定效应、损失厌恶和沉没成本影响，也可能包含并不稳定的判断。但一个经过筛选的演示数据集，至少可以为智能体提供初始边界，减少它在早期训练阶段做出完全无约束动作的概率。

第四重鸿沟：市场不会保持原来的样子

非平稳性让“过去有效”变得非常脆弱

许多机器学习任务默认数据分布相对稳定：训练集和未来数据虽然不完全相同，但大致遵循相似规律。金融市场却不断变化，参与者会调整，规则会变化，资金会迁移，宏观环境会切换，投资者情绪也会在很短的时间里改变。

这就是非平稳性。

同一个成交量信号，在流动性充足、风险偏好较高的阶段，可能表达趋势延续；在政策不确定性上升、资金快速撤离的阶段，可能只代表短期拥挤。相同的价格形态，放在不同的波动率环境和市场结构中，也未必具有同样的含义。

强化学习策略尤其容易受到这种变化的影响，因为它学习的不是一个静态预测关系，而是一整套“在什么状态下采取什么动作、能够得到什么反馈”的策略。如果状态转移规律改变，过去的最优动作就可能变成新的风险来源。

概念漂移不是一次性的故障

我们常常把市场变化想象成一次明确的切换：牛市结束，熊市开始；高波动到来，低波动结束。但真实的概念漂移往往更缓慢，也更难被察觉。

订单行为可能逐步改变，某类参与者的占比可能慢慢上升，政策预期会在数周甚至数月内重新定价。模型的表现不会立刻从正变负，而是先出现一些细小的不协调：

• 某个时段的交易胜率下降；
• 获利交易的平均持有时间缩短；
• 交易成本占收益的比例上升；
• 原本较少出现的连续亏损变得更常见；
• 模型在高波动阶段频繁改变动作；
• 回撤之后的修复能力明显变弱；
• 模拟环境与真实成交之间的差距扩大。

如果我们只盯着累计收益，可能要等到策略已经产生明显损失，才意识到环境早已改变。

因此，部署强化学习量化系统时，监控对象不能只有净值。状态分布、动作分布、换手率、成交偏差、延迟、滑点、风险暴露和不同市场阶段下的表现，都应该被持续观察。模型需要被当成一个会老化的系统，而不是上线之后就自动保持年轻。

不能只用更长的历史解决非平稳性

面对市场变化，一个直觉做法是收集更多历史数据。但更多数据不一定意味着更多有效信息。如果很久以前的市场机制与当前环境差异很大，简单地把它们放进训练集，反而可能让模型在不同机制之间学到混杂关系。

另一种做法是缩短训练窗口，让模型更快适应最新数据。这样能够提高时效性，却也可能让策略更加依赖近期噪声，形成新的过拟合。

这是一种没有简单答案的张力：窗口太长，模型对变化反应迟缓；窗口太短，模型容易被局部情绪牵着走。我们能够做的，不是寻找一个永远正确的窗口，而是建立一套持续检验与重新评估的机制。

可以考虑将市场状态作为显式信息纳入模型，例如波动率水平、流动性、相关性、趋势强度和宏观事件状态，但这些变量也不能被当作完美的“市场阶段标签”。它们只是帮助智能体更清楚地知道自己所处的环境，最终仍然需要通过样本外表现来检验。

一个相对稳妥的系统，往往允许策略在不确定时降低行动强度，而不是强迫自己每个时间步都做出明确判断。暂停、减仓和延后决策并不是模型能力不足的表现，有时恰恰是它开始认识到信息边界的迹象。

市场是部分可观察的：智能体看到的从来不是完整现实

强化学习常借助马尔可夫决策过程来描述环境：只要当前状态充分，就可以据此决定下一步动作。但在金融市场里，智能体几乎不可能获得完整状态。

它看见的是价格、成交量、盘口、新闻或一些衍生指标，却看不见所有参与者的真实意图，也无法完整知道场外资金、政策谈判、机构风险限额和突发事件。即使两个时刻呈现出相同的市场数据，它们背后的原因也可能不同。

这使得交易环境更接近部分可观察的决策过程。模型不仅要理解当前状态，还要从一段时间的变化中推测隐藏状态。循环神经网络，例如长短期记忆网络和门控循环单元，可以用来捕捉时间依赖；但引入记忆并不会自动补全不可见的信息。它只能帮助模型保留历史痕迹，不能把未知变成已知。

这也是为什么单个时间点的特征往往不够。盘口看起来平衡，不代表买卖双方真的平衡；成交量放大，也不代表趋势一定延续。智能体需要观察状态如何形成、如何变化，以及这些变化是否在不同市场环境中具有一致含义。

不过，增加记忆长度也有代价。输入的历史越长，模型拥有的自由度越多，训练难度和过拟合风险也会提高。我们还是会回到最初的问题：哪些信息是可迁移的，哪些只是历史留下的纹理。

为什么回测表现特别好，反而值得多问几句

当一套强化学习策略在回测中表现异常出色，我们通常会先感到兴奋，随后才开始检查数据和代码。也许这条曲线确实来自一个有价值的发现，但它同样可能由几类因素共同制造：

• 使用了未来信息或隐含的标签泄漏；
• 调参次数过多，最终挑中了最漂亮的一组结果；
• 交易成本设置过低，甚至没有计入；
• 默认每次订单都能按目标价格成交；
• 没有处理停牌、涨跌幅限制、无法成交和部分成交；
• 用随机切分破坏了时间顺序；
• 在同一段历史上重复训练和验证；
• 只报告累计收益，没有展示回撤、换手和稳定性；
• 策略实际收益依赖极少数极端行情；
• 环境中的动作空间比真实账户更自由。

回测并不是没有意义。它能够帮助我们理解策略逻辑，筛掉明显不可行的想法，也能提供关于风险暴露和交易行为的初步信息。问题在于，回测结果必须被放回它产生的条件里阅读。

一条收益曲线不是模型的身份证，更像是一份实验记录。我们需要知道它是在什么数据、什么成本、什么撮合规则、什么风险边界下形成的，才能判断它是否有机会走出模拟环境。

从模拟盘走向实盘：真正需要搭建的不是一条直线

强化学习量化交易的部署，不适合被理解为“训练完成—接入账户”这样简单的两步。更接近现实的过程，是让模型逐渐面对更多摩擦，同时保留随时退出和复盘的边界。

先让环境变得不那么理想

模拟器可以从简单开始，但不能永远简单。随着模型进入下一阶段，交易成本、延迟、成交概率、流动性和规则限制都应该逐步加入。最初的环境用于验证逻辑，后续的环境用于接近执行现实。

这里有一个容易被忽视的顺序：不是先把模型训练到极致，再补充市场细节，而是尽早让模型接触关键摩擦。否则，智能体可能在一个不真实的环境里形成稳定习惯，等到最后才发现，所有优势都建立在一个不存在的成交假设上。

用行为约束代替无限自由

动作空间越大，模型越灵活，也越容易在极端状态下做出难以解释的行为。限制单次交易规模、总仓位、交易频率和连续风险暴露，并不是对强化学习的否定，而是对真实账户边界的承认。

尤其是在训练早期，风险约束应当优先于收益追求。一个可以在短期内获得高收益、却会在异常行情中持续加仓的智能体，距离实盘可用还很远。我们更愿意看到一个收益没有那么耀眼、但行为可解释、风险可收敛的系统。

把退出机制写进系统，而不是留给情绪

真实交易中，最难的时刻往往不是策略盈利时，而是模型开始偏离预期、我们又不确定这只是正常回撤还是结构性失效时。那种悬而未决的状态很容易唤起沉没成本：已经投入了这么多数据、算力和时间，是否应该再等一等？

因此，系统需要预先定义监控与暂停条件，例如成交偏差持续扩大、策略风险暴露异常、状态分布显著漂移、实际表现超出历史回撤范围等。具体阈值需要结合品种、频率和账户风险承受能力设定，但原则是明确的：暂停并不等于失败，重新评估也不是对模型的否定。

它只是为我们保留了一个边界，让一次不确定的变化，不至于自动变成无法挽回的损失。

先验证行为，再谈收益

在从模拟盘过渡时，关注重点不应只有盈亏。我们还需要观察：

• 智能体是否按照预期控制交易频率；
• 订单是否在真实延迟下仍然具备可执行性；
• 部分成交后，后续动作是否会失控；
• 遇到连续亏损时，是否出现报复性加仓；
• 遇到盈利回撤时，是否突然改变风险偏好；
• 模型是否过度依赖某个时间段或某类行情；
• 实盘中的滑点和冲击成本是否显著高于模拟假设；
• 风控限制触发后，智能体能否平稳地重新进入决策流程。

这些行为指标，有时比短期收益更早暴露系统问题。因为收益具有随机性，而行为往往更接近模型真正学会了什么。

强化学习仍然有价值，但它更适合被放在边界清楚的位置

讨论强化学习在量化交易中的失效，容易走向两个极端：一种认为只要模型足够复杂，就能跨越模拟与现实之间的差距；另一种则认为强化学习完全不适合金融市场。

这两种判断都过于绝对。

强化学习并非没有应用空间。它可以作为经典策略的增强层，用于交易执行、订单拆分、动态调整参与率，或者在给定风险边界内优化仓位和执行过程。相较于让智能体直接承担所有方向性判断，把它放在一个边界更清楚、反馈更及时、动作影响更容易建模的局部问题中，往往更容易控制风险。

例如，传统的成交量加权平均价格或时间加权平均价格策略，本身已经提供了一套基本执行框架，强化学习可以在不同流动性和波动状态下调整执行节奏，而不必从零开始决定所有交易行为。这样的设计不是降低算法的“智能程度”，而是承认金融系统的复杂性，并把学习任务放在它更可能做好的范围内。

同样，模仿学习、规则约束、风险预算和传统统计模型，也不必被视为强化学习的竞争者。它们可以共同构成一个更有层次的系统：预测模型负责提供信息，强化学习负责在边界内做决策，执行系统负责处理市场摩擦，风险模块负责在异常状态下拥有更高优先级。

一个成熟的交易系统，很少是某一种算法单独完成的作品。它更像一间夜里仍然亮着灯的工作室，不同工具各自承担一部分责任，彼此之间保留足够清楚的边界。

我们真正需要防范的，是把模型当成了不会犯错的交易者

强化学习量化交易的四大鸿沟——过拟合与噪声依赖、市场微结构缺失、奖励函数失衡、市场非平稳性——表面上属于技术问题，深处却也与人的心理有关。

我们希望回测能够尽快给出确定答案，于是容易对漂亮曲线产生锚定效应；我们已经投入大量时间训练模型，于是会受到沉没成本影响，不愿承认环境可能已经改变；我们希望系统替自己承担不确定性，却忘记了算法只能处理被观测、被定义和被约束的部分现实。

模型并不会因为使用了深度学习或强化学习，就自动获得对市场的理解。它不会天然知道什么是过度冒险，也不会因为经历过一万次模拟，就真正经历过一次流动性突然消失的夜盘。它所拥有的经验，仍然来自我们提供的环境；它所追逐的目标，仍然来自我们写下的奖励；它所看见的世界，也仍然受限于数据和接口。

所以，从模拟盘到实盘的关键，不是寻找一种能够完全消除鸿沟的算法。这样的算法并不存在。更现实的方向，是尽量让鸿沟变窄，让模型在进入真实系统之前，已经面对过更多不完美的成交、更复杂的市场状态和更严格的风险边界。

我们也许无法让交易系统永远正确，但可以让它在不确定时少做一点，让它在偏离时更早被看见，让它在失效时保留退出的余地。对一个真正要与市场长久相处的智能体来说，这些能力可能比一段耀眼的回测收益更值得珍惜。

夜深之后，屏幕上的净值曲线仍会有起伏。我们能做的，不是要求它替我们消除所有焦虑，而是在一次次验证、复盘和自我和解中，重新确认人与模型各自应该站在哪里。

Related reading: 量化交易的区别与判断标准 and 线性模型与深度学习在量化交易中的博弈：简单与复杂的策略抉择.