2022年量化策略專題研究 低頻量化策略的勝負博弈

1.低頻策略的業績評價：有效性評判難度大、所需時間窗口長

所有量化模型都在試圖捕捉市場的規律，模型有效的基礎就是規律本身有效。但在訓練模型的過程中，不可避免需要去擬合樣本內的一些場景。因此，規律是金融市場客觀存在的，還是從樣本數據挖掘所得到的，是所有量化模型都需要直面的問題。

量化策略的紀律性要求交易指令都嚴格按照既定規則去執行，幾乎不存在人為主觀調控的空間。因而模型運行過程中，持續對模型的有效性進行校驗顯得尤為重要，包括如何評價模型的業績、如何判斷模型是否失效等等。但同是量化策略，高頻量化與低頻量化存在一些天然的差異，使得兩者在模型有效性評判層面的切入點大相徑庭。

高頻量化策略運用先進的算法工具，對市場的即時數據進行快速的獲取、分析并給出交易部署，主要是捕獲標的短期波動過程中的定價偏差，對延時較為敏感。中頻量化通常基于公司基本面研究、股價日K線圖等，交易頻率集中在周頻、雙周頻。低頻量化則是由宏觀經濟環境變化所驅動的，在月頻甚至更低頻率上進行交易。

交易頻率不同自然會帶來換手率、持倉時間、策略容量的不同。交易頻率越高的策略換手率越高、持倉時間越短、策略容量也相對受限。因為高頻策略依賴于即時的市場信息或情緒的套利機會，市場的短期定價偏差通常稍縱即逝，深度和廣度也相對有限。中低頻策略主要交易市場價值，追求的是企業的長期盈利和資本市場錯誤定價帶來的投資機會，價值的實現和錯誤的修復需要一定時間，可挖掘的邏輯空間也相對較大，因此策略容量也相對較大。

延伸到模型維護與策略評價層面，不同交易頻率的策略業績幾乎不具備可比性。對于最常用的風險衡量指標“波動率”和“最大回撤”而言，高頻策略對于波動和回撤的容忍度通常較小，因為高頻策略交易頻繁、持倉時間較短，甚至可能沒有隔夜持倉。高頻策略的核心在于快速響應市場的短期變化，因此也會在較短時間窗口維度下觀察策略的收益表現。如果高頻策略產生持續的回撤，大概率說明在較大的交易空間下策略沒有發出合適的交易指令，使得投資者持有體驗不佳。

然而低頻策略在市場出現短期沖擊時，由于策略本身不具備短期交易特性，即時調倉的可能性較低，導致策略可能需要承受一定的回撤。低頻策略的運行過程中，業績評價的時間維度通常相對較長，較少以低于調倉頻率的時間窗口來衡量策略表現。客觀來看，低頻策略的回撤是“不可避免”的，較長時間的持倉要求策略容忍市場波動，中長期的投資邏輯也難以在每一個特定時間窗口中被驗證，因此一定范圍內的波動和回撤對投資者而言是相對可接受的。

對于兼顧收益的業績評價指標“夏普比率”和“信息比率”來說，單一策略的夏普比率和信息比率較難在樣本外保持高水平。夏普比率從收益和風險的視角綜合衡量策略的業績，在應用這一指標時我們建議首先甄別收益和風險是來源于策略邏輯還是底層資產本身。華泰金工團隊在深度報告《行業配置策略：趨勢追蹤視角》（20200831）中對策略效果與底層資產的關系進行了探討，發現從長期視角來看，趨勢追蹤策略的收益和所選底層資產相匹配，趨勢追蹤策略賺取的主要是資產本身增值帶來的收益，因此對于趨勢追蹤策略的構建，優選資產起到較為關鍵的作用。報告主要討論趨勢追蹤策略，但這一結論對其他類型的量化策略也具備一定參考價值。

信息比率定義為承擔單位主動風險所帶來的超額收益回報，一定程度上剔除了基準的影響，或更適用于對策略邏輯的評價。根據ActivePortfolioManagement:AQuantitativeApproachforProducingSuperiorReturnsandSelectingSuperiorReturnsandControllingRisk書中對于信息比率的論述，信息比率通常接近下表的分布，其中分位數指投資經理業績排名（分位數越大意味著投資經理業績越好），業績排在前25%位置的投資經理，即排名高于75%的投資經理的信息率為0.5。

ActivePortfolioManagement:AQuantitativeApproachforProducingSuperiorReturnsandSelectingSuperiorReturnsandControllingRisk書中推導了信息比率有如下近似成立的公式。其中IR（InformationRatio）為信息比率；IC（InformationCoefficient）為每個預測與實現結果之間的相關系數，衡量了投資決策的質量；BR（breadth）為投資策略的廣度，每年作出的獨立投資策略的數目。

從公式可以看出，對于能力水平相近的投資經理而言，IC值基本一致，通過提高BR能夠有效提升IR水平。也就是說，給定IC的情況下，做出獨立決策的次數越多，信息比率IR越高。回到高頻策略和低頻策略的業績評價層面，簡單假定每次投資都是獨立的，那么高頻策略由于交易次數較多，IR會相對較高，相反如果低頻策略希望獲得較高的IR，則可能更需要依賴較高的IC，即更側重預測的準確度。

在短期視角下市場存在的噪聲和沖擊更多，預測難度較大，而長期方向性判斷似乎更容易把握。但假如均以提升策略的信息比率為目標，高頻策略通過提升交易頻率也比低頻策略試圖提升預測準確度具有更強的可操作性。因此從業績比較的角度來看，投資者對高頻策略的期待是兼具高收益與低回撤，追求信息比率的最大化；低頻策略則更看重預測的準確度，直接橫向對比高頻策略與低頻測量的業績指標意義不大。

進一步，如何評判一個策略是否失效？這是一個重要且難有標準答案的問題，學界、業界至今也沒有科學規范的流程去衡量或者驗證特定策略在樣本外是否失效。我們沒有辦法正面解決這個問題，但我們試圖從樣本外的經驗性判斷，結合可供參考的參數分布和假設檢驗，提供一些分析的思路。

對高頻策略來說，頻繁交易之下計算策略交易的勝率是有意義的，因為樣本量較大。一個高頻策略能否有足夠高的勝率、能否穩定盈利、是否貼合樣本內業績表現，通常只需要幾個月、甚至幾周的時間就能大致進行驗證。策略的樣本外表現不如樣本內是常有的事情，但高頻策略在大量的交易下仍發生持續幾個月的回撤時，開展相關的模型校驗是必要的，包括考察延遲交易、成交率等客觀條件對策略的沖擊、策略在樣本內的相關假設是否成立、甚至對策略在樣本內外的盈利模式進行拆解等等。

然而要判斷一個低頻策略是否失效顯得更為困難。以月頻策略為例，每月僅進行一次調倉，即便運行5年也只有60次的交易，與高頻策略的交易次數甚至不在一個量級上。由于沒有足夠的樣本量，以勝率衡量策略業績可能不具備代表性。另外，每一次交易后持倉時間相對較長使得策略業績不確定性更大，持倉過程中的一次大幅回撤可能使得前期累積的收益化為烏有。因此低頻策略在樣本外的表現更難進行定量的刻畫。

仍然考慮策略的信息比率IR，ActivePortfolioManagement:AQuantitativeApproachforProducingSuperiorReturnsandSelectingSuperiorReturnsandControllingRisk書中推導出IR的標準誤有如下近似表達式，其中Y為樣本期包含的年數。

??(??)≈1/√

IR為0.5已經能排名全市場前25%。在t分布的假設下，這一IR水平來源于實力而非運氣要求t統計量IR/SE(IR)大于2，計算可得Y為16。也就是說，驗證IR水平穩定需要16年。

對投資者來說，堅持一個低頻策略16年需要莫大的耐心與勇氣，市場的起起伏伏會產生很多誘惑與落差，過程中如何克服貪婪和恐懼的心理是極大的考驗。16年對量化策略來說更加不可思議，難以想象在樣本內擬合的規律能在樣本外持續有效16年，又或者是在規律不再持續盈利時仍然堅定執行策略指令。

著名統計學家GeorgeE.P.Box曾經說過“Allmodelsarewrong,butsomeareuseful.”，可見沒有永遠正確的模型，持續的升級迭代才能保持量化策略的生命力。也許沒有必要花16年去證明策略長期有效或者失效，隨著市場的發展與進步，總會衍生出更加有用的模型。不管是高頻策略還是低頻策略，不斷被市場教育是常態，學會客觀理性看待模型的表現并向市場學習是所有策略開發人員的必修課。

2.低頻策略的博弈：勝率次要，但每一次決策可能都是致勝關鍵

基于高頻策略與低頻策略在交易頻率、持倉時長等方面的天然差異，高頻策略與低頻策略在致勝的關鍵和優化的方向上自然而然存在區別。高頻策略博弈的是勝率，需要數據、算法、算力三個方面的合力；低頻策略博弈的是勝負，依賴于邏輯支撐。

根據上文提到的主動投資管理基本定律??=??·√??，以IR為0.5作為衡量策略業績的標準，假設每次投資決策均獨立。對月頻策略來說，一年調倉12次，即BR為12，則IC要求達到0.1443；對日頻策略而言，BR為252，則IC只需0.0316。這一數據的絕對數值未必具有太大的參考價值，但這一簡單例子可以看出低頻策略對投資能力的要求更高，需要對匹配持倉期限的市場方向把握更為準確。

一個勝率高的高頻策略在數據、算法、算力三個層面上都不能有明顯短板。大量的數據是高頻策略的基礎，從基本的量價數據到盤口數據甚至是輿情文本數據，都是高頻策略的主要研究對象。隨著研究的不斷細化和深入，更多間接的、非結構化的數據被用于規律挖掘，數據的頻率越來越高、數量越來越多、廣度越來越大。在應用層面上，業界向來比學界更為領先。學界所研究的“三因子”、“五因子”具有較好的可解釋性，但在收益表現上通常不如機器學習方法挖掘得到的“新因子”。又或者說，常見的大家所熟知的因子可能早就沒有超額收益了。

算法是更多從業人員深耕的領域，從模型測試到模型優化，從量價因子挖掘到另類數據挖掘，從過擬合檢驗到生成對抗網絡等等，每一個分支的延伸都是大膽而專業的探索。高頻策略的發展離不開算法的進步，算法的不斷升級使得策略邏輯能夠不斷創新，模型搭建過程中也能吸納更多先進的理論，進一步為策略的收益表現提供更值得期待的空間。算力層面偏向于對硬件設備的要求，在大量的數據與復雜的算法下，如果沒有足夠的算力支持，策略的運維都是空談。

低頻策略的博弈核心完全不同，勝率對低頻策略的參考價值相對較小，反而每一次的勝負可能都至關重要。以A股上證指數為例，假定策略月頻調倉，首先觀察上證指數月度收益率的分布，單月收益基本集中在-10%到10%之間，出現極端的高收益或低收益概率較小。2000年1月至今的269個月當中，有90個月的單月收益在0%-5%之間，僅有7個月的跌幅大于20%、3個月的漲幅大于20%。

模擬低頻策略的調倉機制，每月末給出下月看多或者看空的觀點，看多則持倉，看空則空倉，月中不調倉，不計費用。對于勝率為100%的策略，即給出看多觀點時下月上證指數收益率為正，給出看空觀點時下月上證指數收益率為負，回測凈值如下圖所示。2000年至今年化收益為40.13%，最大回撤為-14.34%。這一策略為“上帝視角”，實際投資中不可能實現，而2.47的夏普比率則可以理解為上證指數月頻擇時策略的“業績天花板”。

從上證指數的月收益分布來看，極端漲跌幅的月份數量雖然不多，但也可能對擇時策略的凈值走勢產生較大影響。在勝率100%擇時策略的基礎上，考慮僅在20個最大漲幅的月份擇時錯誤、以及僅在20個跌幅最大的月份擇時錯誤。

兩個策略的勝率一致，在269個月中均有249個月擇時正確（僅在最極端的20個月上擇時錯誤），勝率高達92.57%。雖然兩個策略在年化收益上差距不大，但在最大回撤、夏普比率等業績評價指標上相差較為明顯。對于優秀的低頻策略而言，長期來看，錯過極端漲幅的持有體驗比承受極端回撤的更佳。也就是說，在同等勝率的擇時策略中，有效避開大幅回撤的能力比捕捉大幅上漲的能力更加“難能可貴”。計算可得上證指數本身勝率為55.02%，也即持有上證指數不進行擇時，長期來看勝率高于50%。模擬兩組策略進行對比，一組是勝率為55%的月頻擇時策略，另一組為控制策略有效規避20次大幅回撤而整體勝率仍為55%的月頻擇時策略。分別模擬10000次可得如下業績分布，并以10000個模擬策略的平均業績指標作為該組策略的業績表征。

從多次模擬的收益分布可以看出，同樣是55%勝率的擇時策略，能有效規避20次最大月度跌幅的策略在各項風險收益指標上均明顯更優。實際投資中，這20次的決策可能只是來源于運氣，但最終體現出來的就是業績的明顯差異。也就是說，兩個水平相當的投資者在少數的幾次決策中就分出了勝負，低頻策略的每次決策可能都是決勝的關鍵。由于策略僅在每個月末僅給出多空觀點，勝率為50%的擇時策略可以理解為一個隨機策略，相當于每月末“拋硬幣”決定下個月的投資觀點。從模擬10000次的平均結果來看，策略的年化收益和夏普比率不如上證指數本身。可以看出，在沒有相對明確的觀點時，隨機的搖擺不定不如長期持有，因為在足夠長時間維度下上證指數能帶來正收益。而隨機策略等同于“運氣策略”，運氣較好時可以實現0.8的夏普比率，但運氣不佳時可能需要長期承擔虧損。

如果說勝率為50%的策略等同于隨機的“拋硬幣”，那么70%的勝率已經是投資者擇時的較高水平。從10000次的模擬結果可以看出，平均來看夏普比率達到0.96，意味著投資者能力范圍內的“正常發揮”已經有接近1的風險調整后收益，而運氣最差的情形也能獲得高于上證指數本身的收益。

3.低頻策略的有效性：匹配資產價格背后的特定頻率

低頻策略博弈的是每一次勝負，因此每次決策后漲跌的原因都值得研究。常見的趨勢投資者認為“強者恒強”，但為什么過去表現好的資產未來也會表現好呢？資產上漲的慣性來源于什么？這個問題似乎沒有明確的答案，也較難得到解釋。本章中我們試圖通過對資產價格的進一步拆解和分析找到策略能夠獲益的深層原因。

經驗模態分解（EmpiricalModeDecomposition，EMD）是美國工程院士黃鍔博士于1998年提出的一種信號分析方法，它能進行自適應的數據處理，基于信號局部特征時間尺度，從原信號中提取包含頻率和強度信息的本征模態函數（IntrinsicModeFunction，IMF），適合非線性、非平穩時間序列的處理。

相較于傳統信號分析的手段，如小波變換，EMD具有下述優勢：無需挑選基函數，對數據的分解相對客觀，分解出的每一個分量由數據自身決定；對數據的分解具有較好的穩健性，能對高頻數據進行有效的去噪；在分解出信號頻率特征的同時，還可以提取出數據的幅度變化趨勢，將異常波動從原始信號中分離出來。概括而言，EMD算法能客觀有效拆解出數據背后不同的特征分量，分量數目由數據本身的特性決定，且各個分量具有相對穩定的頻譜特征。以上證指數為例，對同比序列進行EMD分解，可以得到7個IMF以及殘差，如下圖所示。可以看出，EMD分解依次拆分出從高頻到低頻的分量。IMF1近似于噪聲，但呈現一定的周期包絡；IMF2主要捕捉了2008年前后的劇烈變化；IMF3-6均表現出周期特征，但每輪周期的形態略有差別，整體走勢較為平滑；提取所有IMF后上證指數同比序列的殘差呈下行趨勢。

進一步選取全球范圍內具有代表性的股票指數標普500、納斯達克、日經225、富時100、德國DAX和澳洲標普200進行經驗模態分解，可以發現各個股票指數的特征存在一定的相似性，同時也有某些分量表征各自的特異性，各個股票指數EMD分解結果詳見附錄。下圖呈現各個主要股票指數的IMF3，肉眼可見這一分量表征三到五年的周期起伏，每輪周期長度可能略有偏差，不同的股票指數之間規律相對同步，但在幅度和節奏上仍有差異。

EMD分解后得到的IMF所呈現出的周期，與前期華泰金工周期研究測算出的42個月周期基本匹配。42個月是海量資產價格和宏觀指標較長時間維度下的周期規律總結，是市場的普遍性規律。EMD分解的頻譜則更為具體捕捉特定資產在周期上的表現，是特異性的視角，有助于針對性觀察各個資產的特征。納斯達克指數的IMF分量在2000年附近的波動幅度遠大于其他股票指數，可以看出2000年美國科技股泡沫破滅的痕跡；2012-2015年左右全球股票市場同步性有所走弱，發達市場和新興市場呈現差異，A股由小盤股帶動的行情或未體現在上證指數的特征中；近幾年全球股票同步性增強，或體現隨著全球經濟一體化進程的加深，借助全球流動性、匯率市場、投資者情緒等媒介，資產價格走勢受到更廣泛因素的影響。

不同IMF分量對單資產低頻擇時策略的影響

考慮單資產上低頻策略的擇時效果，遵循“強者恒強”的投資邏輯，以簡單的ROC、EMA兩個策略為例。每月末計算ROC指標、EMA指標，指標為正代表看多該資產，則下月持有資產；指標為負代表看空該資產，下月空倉。

其中，資產在t時刻的近N個月的????和????值如下，N為可調參數，??????為資產在t時刻的收盤價。

經驗表明，ROC和EMA兩個策略雖然邏輯簡單，但長期來看存在一定的擇時收益。然而這樣的擇時收益是偶然還是必然？我們希望進一步探究策略捕捉的是什么市場規律。基于前文對于EMD分解的結果，資產序列可以被拆分為頻率、幅值相異的分量，每一個分量都具有原始序列的一部分特征，這為我們探尋策略獲益的來源提供了思路：如果將某個分量從原始序列中剔除，策略的收益表現明顯下降，那么該分量代表的特征可能是策略獲益的關鍵；相反，如果剔除某個分量后，策略的業績明顯提升，那么該分量可能是干擾擇時信號的噪音信息。

以上證指數為例，參數N遍歷1-12個月，擇時策略的評價指標為夏普比率與Calmar比率之和。從下表中可以發現，對于上證指數本身，ROC擇時策略的最優時間窗口參數是2個月，EMA擇時策略的最優時間窗口參數是3個月。最優參數下，剔除IMF2或IMF3分量后，策略的業績表現明顯下滑，而剔除IMF1分量后，業績表現則有所上升。對于其他的時間窗口參數，也可以得出一致的結論。

觀察各個擇時策略的凈值，可以直觀感受不同IMF分量對策略效果的影響。以上證指數最優時間窗口參數下的ROC和EMA策略為例，剔除IMF2分量后，兩種策略均未能在2008年大幅回調時及時止損，導致凈值回撤明顯。剔除IMF3分量后，策略難以捕捉周期變化的特征，導致出現買入和賣出的時點錯配，收益難有起色。與之相反，剔除IMF1分量后，策略能更好的追蹤序列的價格波動，實現超額收益。

其他股指序列的擇時策略有類似的結論，如下表所示。相較于上證指數，直接在其他股指上進行擇時收益表現通常好于在上證指數上擇時，且擇時策略對IMF3的敏感性更高，剔除IMF3后收益表現下滑更明顯。

基于對全球主要股票指數的擇時結果，可以得到如下幾個結論：1.對指數本身進行簡單擇時，ROC和EMA策略效果均比較一般，相對而言成熟市場的擇時業績更佳，可能的原因是成熟市場股票資產長期趨勢較為明顯。另外，各個股指適用的最優參數不一致，說明擇時策略需要在一定程度上擬合資產本身的走勢特征，大概率不存在普適性的最優參數。2.IMF2表征資產大幅波動的特征，通常對應大級別牛熊市。剔除IMF2分量后，策略的收益表現有較為顯著的下滑，說明對于大級別行情的捕捉是低頻擇時策略的重要收益來源。3.IMF3表征資產42個月左右的周期波動。剔除IMF3分量后，策略收益表現下滑最為明顯，說明低頻擇時策略的收益主要由股指內在的周期所貢獻。盡管ROC和EMA策略的構建與42個月周期并不相關，但IMF3的測試結果表明42個月周期大概率是策略有效的主要驅動因素。4.IMF1表征資產背后較為穩定的高頻分量。剔除IMF1分量后，各個擇時策略的收益表現有顯著提升，說明剔除高頻噪音信息，有助于低頻擇時策略更好識別股指的周期特征、以及捕捉大級別行情的投資機會。

不同IMF分量對多資產低頻動量策略的影響

除時序上的擇時外，截面上的擇時策略同樣廣泛應用于資產配置領域。截面擇時策略每月末計算各資產擇時指標并排序，下月持倉排名靠前的資產。仍然以ROC和EMA策略為例，考慮在全球主要7個股票資產中，每月選取排名前X個資產進行等權配置，參數X依次設置為2、3、4、5，此即為基準策略。分別剔除各個資產序列中的IMF分量，以相同的策略邏輯進行測試，考察擇時策略的夏普比率與Calmar比率之和。需要指出，不同資產的同一個IMF分量不具備相同的經濟學含義，但可能呈現類似的周期特征。

從下述各個表格中可以看出，在原始資產價格序列上擇時，ROC策略的最優參數是“7選2，2個月時間窗口”，EMA策略的最優參數是“7選3，6-8個月時間窗口”，在最優參數下，剔除IMF3對策略收益的負面影響最大，而剔除IMF1則能夠較好的提升策略效果。此外，時間窗口參數為4-9個月的擇時策略業績通常優于其他參數。時間窗口參數取1-3個月時，剔除IMF2對擇時策略業績的負面影響最大，隨著時間窗口長度的增加，剔除IMF3的負面影響則占據了主導地位。

應用ROC指標進行多資產擇時配置時，選取2個月時間窗口，每期從7個資產中選擇排名前2等權配置效果最好（夏普比率+Calmar比率最高）。觀察這一參數下分別剔除不同IMF分量后的策略凈值，可以看出剔除IMF2或IMF3分量后，策略對增長行情的捕捉能力明顯下滑，凈值走勢平穩；而剔除IMF1分量后，策略擇時效果好于原始策略，說明策略追蹤資產趨勢特征的能力或有所提升。

應用EMA指標進行多資產擇時配置時，選取6個月時間窗口，每期從7個資產中選擇排名前3等權配置效果最好（夏普比率+Calmar比率最高）。與ROC策略類似，IMF1大概率是擇時較大的障礙，剔除該分量后策略收益有大幅提升；IMF2和IMF3則貢獻了策略的主要收益來源，剔除后策略收益明顯下滑。

總體而言，截面擇時策略和時序擇時策略的結果均表明，剔除資產的IMF2分量和IMF3分量會導致策略業績明顯下滑；同時，剔除IMF1分量可以提升擇時策略收益表現。考慮到各個IMF分量的特征，我們可以得到如下結論：

1.IMF3分量主要追蹤42個月附近的周期波動，低頻擇時策略的收益可能主要來源于對股指序列內在的周期特征的追蹤。

2.IMF2分量一般包含特定時間區間的沖擊帶來的大幅變化，低頻擇時策略對大級別沖擊的捕捉能有效追漲止跌，獲得超額收益。

3.IMF1主要包含較高頻數據，信噪比低于其它分量。剔除IMF1后，序列的信噪比會提升，有助于擇時策略更準確地捕捉IMF2和IMF3的特征，從而提升收益表現。

從主要股指的EMD分解結果來看，IMF1-3對低頻擇時策略的業績有較為明顯的影響，但在構建策略的邏輯層面卻鮮有被考慮或提及。低頻擇時策略慣于捕捉中長期市場規律，“強者恒強”的策略邏輯似乎一直適用，但更深層次的收益來源或是資產背后特定的頻譜特征，而資產為什么會呈現穩定的頻譜則是更值得深入思考的問題。也就是說，能從本質上驅動策略獲益的邏輯，才是策略能夠持續運行的核心，業績大概率只是表象。

4.低頻策略的邏輯支撐：市場與模型的共同進化

前文探討了低頻策略持倉時間長、模型有效性較難在短時間內被驗證，且策略的收益來源可能主要由資產的特定頻率分量所貢獻。基于低頻策略的持倉與收益特征，在低頻策略的運作過程中，策略的邏輯支撐顯得尤為重要。如果僅從樣本內數據中挖掘一些規律，而缺乏有力的邏輯支撐，那么樣本外的所有波動和回撤都只能歸結為市場的動蕩，較難合理去評價策略的運作情況。

如果低頻策略背后有足夠的邏輯支撐而不是僅依賴于樣本內規律的重演，那么策略的運維會更為科學。樣本外市場的演繹到底是在驗證策略邏輯，還是在推翻策略邏輯，是評價策略的重要環節。以美林投資時鐘為例，策略認為經濟周期可以劃分為復蘇、過熱、滯漲、衰退四個階段，每個階段適宜配置不同的資產。策略在運作過程中，投資者可以驗證經濟周期的刻畫是否準確、資產價格的運動變化是否符合經濟周期的規律、從經濟周期映射到配置組合的路徑是否合理等等。

因此當策略表現與預期不相符時，投資者能從不同角度對策略進行評估，能在市場發生變化時及時校驗策略的邏輯。仍然以美林投資時鐘為例，策略根據經濟增長和通脹水平對周期階段進行劃分，周期狀態的結論理應可以通過其他經濟指標相互佐證。比如采購經理指數、工業增加值、貨幣供應量、資金流向等指標通常能反映市場的狀態，進而能夠對當前所處的經濟周期階段給出綜合判斷。如果多種不同指標能共同驗證，那結論的確定性將會更大。如果不同指標之間出現背離，投資者也能有明確的分析方向，可以具體探究背后的原因和后續可能的演進結果。

市場運行過程中必然會有種種不確定因素，也一定會有樣本內無法預期的事情發生。當策略發生回撤時，首要的是判斷受到沖擊的是策略業績還是策略邏輯。歸根結底，如果策略邏輯發生了變化，意味著樣本內挖掘的規律不會再重演，那么策略大概率走向失效。而如果策略邏輯仍然成立，僅是短期擾動使得策略業績發生波動，那么當沖擊減弱、干擾因素逐漸消退之后，市場的變化仍然受到規律所主導，策略邏輯依然有效，策略業績也大概率會迎來修復。

金融市場是在不斷進化的，跟生物學中強調的“適者生存”非常相像。生物能夠從過去的環境中學習到存活的本領，但也必須根據當前的環境調整生存的方式，還需要有足夠的準備應對未來的變化。對于生物來說，“最優解”不是最重要的，因為“最優”會隨著環境的變化而發生變化，“存活”向來都是首要目標。金融市場本來就是人類進化的產物，金融市場的運行也不會依賴嚴格的物理規律。投資是不斷被市場教育的過程，沒有人能夠決定市場的方向，也沒有人能夠干預市場，“適者生存”的法則在金融市場的實踐同樣直接而殘酷，不能適應市場的投資者很容易會被市場淘汰。

市場在進化，通過挖掘市場規律所形成的策略也應該不斷進化。投資者做不到100%認識市場，模型也做不到永遠有效，我們都必須承認自身知識和信息的不完備，也需要承認策略的不完美。金融市場促使投資者持續學習和進步，而不斷進步的市場參與者使得金融市場更有活力。在向市場學習的過程中，新的經驗和收獲會成為投資框架的一部分，策略也會隨著市場環境的變化面臨版本的更替。不斷升級迭代的策略是市場生命力的重要組成部分，市場與模型的共同進化形成了金融市場中的一個良性循環。

編輯：123木頭人