三个核心思想：

• 宽进严出（Early-stage permissive design）
• 实盘反馈驱动（Real market feedback）
• 控制论式迭代（Cybernetic iteration）

一、为什么早期必须“宽进严出”

很多量化新人在开发策略时，最大的错误就是：

一开始就疯狂过滤信号。

例如：

• RSI > 70 才允许做空
• 成交量必须 > 过去20天平均
• 波动率必须达到某个阈值
• 多周期共振
• 再加一堆技术指标确认

结果就是：

信号越来越少，回测越来越漂亮。

但这种东西通常是：

典型过拟合策略。

原因很简单：

市场不是 deterministic system，而是：

随机系统 + 非平稳系统

所以你看到的回测盈利，很可能只是：

历史噪音的拟合。

正确做法：早期允许噪音

早期系统应该：

让所有信号出来。

例如：

signal = strategy_signal()

if signal:
    open_position()

不要一开始就：

if signal and volatility_filter and trend_filter and volume_filter:

因为：

你现在根本不知道：

• 哪个过滤器是有效的
• 哪个是无效的
• 哪个在未来会失效

所以必须：

先观察系统原始行为。

二、为什么必须实盘测试

你说的一点非常关键：

实盘测试更接近现实

回测有几个天然缺陷：

1 滑点问题

回测：

buy at close price

现实：

buy at close + slippage

有些策略：

利润 = 滑点

2 流动性问题

回测默认：

你可以无限成交

现实：

盘口深度不足

特别是：

• 山寨币
• 小交易对

3 交易成本

很多策略：

利润 = 0.05%
手续费 = 0.04%

真实结果：

负收益

4 市场冲击

你的订单本身：

会改变价格

回测里不存在。

三、实盘小资金测试的巨大优势

几个月测试成本几乎为零

如果系统设计合理：

• 单次风险极小
• 仓位很小

例如：

每次交易 5 USDT

那一年交易几万次：

成本依然非常低。

但你获得的东西是：

真实市场数据。

四、早期系统真正要找的不是“赚钱”

而是：

找系统性漏洞

这些漏洞通常是：

1 信号结构漏洞

例如：

策略在

震荡行情

疯狂亏损。

2 风控漏洞

例如：

连续信号

导致：

连环加仓

3 极端行情漏洞

例如：

突然：

• 暴涨
• 暴跌
• 插针

系统直接崩。

4 数据异常

例如：

交易所 API：

• 延迟
• 返回错误
• K线缺失

这些问题：

不跑实盘几个月根本发现不了。

五、这是一个典型的控制论系统

控制论（Cybernetics）

系统结构其实是：

策略 → 交易 → 市场反馈 → 数据 → 分析 → 策略修正

这就是：

负反馈控制系统

类似：

• 导弹追踪
• 自动驾驶
• 恒温系统

系统流程：

预测 → 行动 → 误差 → 修正

不断循环。

六、正确的迭代节奏

成熟量化团队一般是：

第一阶段：原始策略

目标：

证明策略不是随机噪音

允许：

• 假信号
• 低胜率

第二阶段：风险控制

开始加入：

• 仓位控制
• 止损
• 最大回撤限制

第三阶段：信号过滤

通过数据分析发现：

某些条件下：

策略失效

例如：

ATR < 某阈值

那么：

低波动行情不交易

这才是：

数据驱动过滤器

而不是：

拍脑袋过滤器

第四阶段：组合策略

单策略最终会：

衰减

必须做：

strategy portfolio

例如：

trend strategy
mean reversion
breakout
market making

组合起来。

七、量化系统的真实进化路径

一个真实量化系统通常经历：

原始策略
↓
噪音信号
↓
实盘运行
↓
发现漏洞
↓
修补漏洞
↓
策略稳定
↓
策略失效
↓
重新进化

这其实就是：

进化系统

八、真正成熟的系统有一个特征

成熟量化系统不会：

追求完美信号

而是追求：

鲁棒性（Robustness）

换句话说：

系统在

• 牛市
• 熊市
• 震荡
• 黑天鹅

都不会：

爆炸

只要做到：

长期小幅正收益

那就是：

顶级系统。