【回测策略实战检验】我把三张指数 K 线图 + 四个宏观指标，交给了 EVO
上证站稳均线，纳指趋势向上，恒生科技在低位悄悄修复。
三张K线图似乎在说同一件事——但我决定，不让"感觉"替我下单。
这周的 EVO 任务，和往常不太一样。
以前我研究的是"图形"：这只股票像不像双底、那根K线是不是突破。而这一次，我想验证一个更大的判断——宏观。把上证指数、纳斯达克、恒生科技三张图放在一起看，它们各自的信号也许只是噪音，可当三个市场同时指向"宽松预期正在兑现"时，直觉告诉我：这值得被认真对待。
但"感觉要涨"这句话，说出口很容易，拿去交易却一文不值。它没有买点、没有仓位、没有止损，更经不起一句追问：凭什么？
所以这周我给 EVO 的任务只有一句话：把"宏观宽松"这四个字，翻译成一套能回测、能被数据反复质疑的择时策略。
一、先让宏观指标"开口说话"
如果把策略比作一个人，宏观因子就是它的信息输入系统。我给 EVO 指定了四个"消息源"，它们共同描绘全球流动性的温度：
| 宏观指标 | 权重 | 释放什么信号时加分 |
|---|---|---|
| 中国 LPR | 25% | 环比下行 → 国内宽松 |
| 美国核心 PCE | 35% | 同比下行 → 降息空间打开 |
| 美国 CPI | 20% | 同比下行 → 通胀回落交叉验证 |
| 美国非农 | 20% | 新增落在 -20 万 \~ +30 万温和区间 → 经济不冷不热 |
四个指标加权合成一个 0\~1 的宏观得分，再映射成仓位：得分越高越敢买——≥0.7 满仓、0.3\~0.7 半仓、<0.3 空仓。
整个过程里最打动我的一个细节是 PIT 对齐：每一个宏观值都严格按官方发布日"解禁"，回测中绝不让未来的数据偷看历史。零前视偏差——这是专业和业余的分水岭，EVO 默认替我做对了。
二、全篇最"真实"的一段：把宏观数据喂进引擎
如果说前面是写策略，那真正消耗时间的是数据工程。EVO 的引擎只认上游因子词表里的标准字段，而我带来的 LPR、PCE、CPI、非农，是它从未见过的新朋友。于是，一场"三顾茅庐"式的报错开始了：
- 第一次尝试：在 run.py 里生成
lpr_value宏观点，不告诉引擎 → 报错KeyError: 面板字段 lpr_value 未提供。原来引擎只注入它"认识"的字段。 - 第二次尝试：把自定义字段写进 FIELDS 声明 → 报错
DataSchemaError: 未知字段 lpr_value。引擎把所有声明字段拿去和上游 4939 个官方因子比对，自定义字段在词表里查无此人。 - 被逼无奈：只能用 volume、limit_up 这类"闲置标准字段"覆盖承载宏观数据——然后回测结果给了我狠狠一击：2023 年全年收益 0.0%。volume 被 LPR 的小数（3.45）覆盖后，日均成交额过滤把全市场股票都判成"流动性不足"，股票池直接空了。
这一段经历让我明白一个道理，也成了我最想给 EVO 的反馈：
引擎不会因为你破坏了字段的语义而报警，它只会把错误悄悄还给你。
当研究需求超出平台预置数据时，研究者需要一个"自定义数据/宏观面板"的正规入口，而不是靠覆盖标准字段的 hack。
三、第一版成绩单：难看，但诚实
草稿 1 出炉，数字并不漂亮：
总收益 -25.98% · 最大回撤 -25.98% · 夏普 -1.31 · 月度胜率 0.0%
如果只看收益，这版策略可以扔进垃圾桶。但把它拆开看，每一处"难看"都在说话：
- 2023 全年 0.0% → 字段被覆盖、股票池全空的铁证；
- 月度胜率 0.0% → 四个宏观指标要同时转松才满仓，阈值苛刻到 90% 的时间在空仓踏空；
- 回撤几乎贴着基准 → 宏观信号刚转暖、市场还在下跌时就满仓"接飞刀"，没有任何趋势保护。
回测结果不好，从来不是失败，而是策略在告诉你：下一步该改哪里。
四、对症下药：回撤砍半，超额转正
EVO 把三个病灶逐一拆解、逐一修复：
| 病灶 | 药方 |
|---|---|
| 字段冲突导致股票池全空 | volume / trade_status 恢复原始含义，宏观改由真正闲置的字段承载 |
| 阈值太严、长期踏空 | 满仓阈值 0.7 → 0.6，空仓阈值降至 0.2，开仓频率大幅提升 |
| 抄底总接飞刀 | 新增沪深300 20/60 日均线趋势滤波，趋势向下时不开新仓 |
草稿 2 的成绩单：
| 指标 | 草稿 1 | 草稿 2 |
|---|---|---|
| 总收益 | -25.98% | -10.48% |
| 最大回撤 | -25.98% | -12.56% |
| 相对沪深300 超额 | — | +27.38% |
回撤减半，超额转正。 更可贵的是，没有一步修改是拍脑袋的——每一步都精准对应着上一版暴露的病灶。这就是"回测驱动迭代"该有的样子。下一版，止损、动量过滤、波动率倒数加权已经排上日程，我还要把它丢进历史极端事件的"压力测试"里看看成色。
五、这次体验里，最让我印象深刻的三个瞬间
- AI 的调试能力，比它的写码能力更值钱。 前后 6 次运行失败，它每一次都能从控制台报错里准确定位——KeyError 和 DataSchemaError 是两个互相矛盾的坑，它没有乱试，而是摸清引擎的校验机制后，给出了自洽的解法。这种"越挫越勇、越勇越准"的耐心，是研究中最稀缺的品质。
- 回测把"赚不赚钱"拆成了一个个可以追问的问题。 为什么胜率是 0%？为什么 2023 年一整年不动？为什么回撤贴着基准？每一个指标都在逼问策略逻辑的漏洞，逼你把"我觉得"换成"数据显示"。
- 自然语言驱动的完整闭环。 从"看三张K线图"到"宏观数据合成因子"再到"仓位择时与回测报告"，全程没有手写一行框架代码。研究的门槛，第一次被压得这么低。
写在最后
这周最大的收获，不是某一版策略的收益率，而是我终于把 “宏观宽松所以要买” 这种模糊的直觉，变成了一个可以被数据质疑、被参数打磨、被反复验证的研究对象。
这次完整流程可以概括为：
三张K线图 → 提炼宏观判断 → 数据源接入 → PIT对齐的因子打分 → 仓位择时 → 全市场回测 → 按病灶迭代
同时也借这篇帖子，把最真诚的建议留给 EVO：给研究者一个自定义宏观/另类数据的正规入口。 等这条路打通，宏观×多因子这类的策略，才能真正从"实验"走向"生产"。
评论