系统前期越来越好 → 优化到某个点 → 开始退化。

而且最诡异的是：

代码越来越复杂、过滤越来越多、逻辑越来越精细，但收益反而下降。

这个现象在量化里有几个非常核心的原因。

一、策略信息被“过度压缩”

前面我们提到过一个概念：

信号熵（Signal Entropy）

最原始的策略通常是：

信号多
噪音多

例如：

每天 200 个信号

你开始不断优化：

过滤噪音
加入条件
限制环境

最后可能变成：

每天 5 个信号

问题就在这里。

当过滤器越来越多时，你不仅过滤掉：

假信号

同时也在过滤：

真实 Alpha

很多策略最后死于：

Alpha 被过滤掉了。

二、策略逐渐“贴合历史”

优化过程中最危险的一件事就是：

无意识地拟合历史。

例如你发现：

当 ATR < 0.8 时亏损

于是加入过滤：

ATR > 0.8 才交易

再过几天你发现：

当成交量 < 1000 时亏损

再加入：

volume > 1000

再过几周：

某些时间段亏损

再加入：

避开时间段

最后系统变成：

只在某些非常特殊条件下交易

这时候其实发生了一件事：

策略开始拟合过去市场结构。

而市场结构是：

非平稳系统

也就是说：

市场会变。

三、策略复杂度过高

这是量化系统常见的“复杂度陷阱”。

假设一个策略有：

3 个过滤器

系统可能仍然比较稳定。

但如果变成：

20 个过滤器

系统会变成：

高度脆弱系统

因为：

每个过滤器都是一个假设。

例如：

市场在这种条件下会盈利

当假设数量越来越多时：

系统稳定性急剧下降。

复杂系统有一个规律：

复杂度越高 → 鲁棒性越低

四、交易频率下降

这是一个非常现实的问题。

很多优化过程会导致：

交易次数越来越少

例如：

初始系统：

每天 300 次交易

优化后：

每天 20 次

再优化：

每天 3 次

看起来：

胜率越来越高

但真实问题是：

样本太少

统计稳定性会下降。

简单说就是：

运气成分越来越大。

五、市场在“反向学习”

这是最有意思、也是很多人忽略的一点。

市场其实是一个：

自适应系统

当某种模式被大量利用后：

市场结构会改变。

例如：

某个突破策略很有效。

越来越多人使用：

突破买入

结果就会出现：

假突破

市场在做什么？

反向利用策略。

所以很多策略会出现一个典型生命周期：

发现 Alpha
↓
策略有效
↓
大量资金进入
↓
Alpha 被套利
↓
策略失效

六、系统进入“局部最优”

这其实是一个数学问题。

策略优化过程就像：

爬山

但问题是：

你不知道最高的山在哪里

优化过程中，你可能爬到一个：

局部山峰

看起来已经很好了。

但实际上：

附近没有更高的地方。

继续优化只会：

下坡

这就是：

Local Optimum（局部最优）

七、量化系统的真正解决方案

成熟量化团队通常不会只靠：

单策略

而是做：

策略生态系统。

也就是：

Strategy Portfolio

例如组合：

趋势策略
均值回归
套利
做市
事件驱动

不同策略在不同市场环境盈利。

这样系统整体就会：

更稳定

八、顶级量化团队有一个非常重要的原则

他们不会追求：

最优策略

而是追求：

最稳策略

目标不是：

收益最大

而是：

长期稳定正收益

很多时候他们甚至会：

主动降低收益

来提高：

稳定性

九、真正成熟的量化系统是“进化系统”

最终量化系统不是一个：

固定策略

而是一个：

进化系统

结构类似：

策略生成
↓
市场测试
↓
淘汰失败策略
↓
保留成功策略
↓
继续生成新策略

这其实和：

生物进化

非常类似。