如何负责任地进行CMO回测？

什么是“负责任”的CMO回测

对CMO（Chande动量振荡器）进行回测，意味着从历史价格数据中计算其数值，并评估某个决策规则在历史上实时应用时的表现。“负责任”强调的是：测试是否可复现，以及是否避免了常见的错误——这些错误会使历史结果看起来比实际情况更优。

负责任的方法主要关注四个方面：（1）明确定义指标和数据；（2）包含交易成本和实际执行时机；（3）控制偏差和参数过拟合；（4）通过样本外验证，评估结果的脆弱性。

机制：定义指标、数据和假设

在开始任何测试之前，你需要对CMO及其输入有一个清晰、可验证的定义。在实践中，这意味着要明确写出：

• 使用的确切数据序列（例如收盘价到收盘价）以及用于计算收益率或动量的采样频率。
• CMO计算中使用的回看周期（即参数）。
• 对缺失数据、交易时段中断和公司行为（如适用）的处理方式。
• 日期对齐规则：你在时间 t 测试的信号是否仅使用了截至 t 时刻可用的信息。

然后明确你正在评估的任何决策规则。即使你并不声称CMO具有“预测”能力，你也必须描述当CMO穿越某个水平、上升超过阈值或满足特定条件时你会采取什么操作。在每个示例中，都应明确说明你的假设，例如建仓时间（下一K线开盘价 vs. 当前K线收盘价）、是否允许K线内执行，以及如何处理周末或流动性不足的时段。

交易成本和执行时机：许多测试忽略的关键部分

在回测中，成本不是事后考虑项。即使一个概念上合理的指标，如果忽略了实际交易摩擦，也可能显得非常有效。在典型的市场模拟中，你应该考虑：

• 点差和佣金（或等效的交易成本模型），以及这些成本是仅在入场时收取，还是在入场和出场时都收取。
• 滑点：模型执行价格与预期价格之间的差异。
• 执行时机：信号的时间戳不能“作弊”。如果你的信号是基于第 t 根K线计算的，那么一个现实的测试应使用第 t 根K线结束后才可获得的价格进行执行。

假设的清晰性至关重要：例如，如果你假设在下一K线开盘价执行，那么应始终一致地应用该规则，并确认你的指标计算没有使用未来价格。

偏差控制：防止前瞻偏差和过拟合

许多回测失败的原因是无意中使用了本不应拥有的信息。

关键的偏差检查包括：

• 前瞻偏差（Look-ahead bias）：确保在时间 t 做出决策所使用的指标值，仅基于 t 时刻之前的数据计算得出。
• 选择偏差（Selection bias）：不要通过在同一数据集上反复搜索最佳历史表现来调整指标参数（如CMO的回看窗口）。
• 数据窥探（Data snooping）：如果你尝试了多种变体（阈值、参数值、过滤器），你的结果可能反映的是搜索过程，而非稳健的市场特性。

一个实用的控制方法是将数据至少分为两部分：一部分用于选择参数，另一部分用于评估表现。如果你进一步多次调整，应将这种调整视为模型构建过程的一部分，并保持最终评估部分完全未被触及。

证据与样本外验证

为了降低将噪声误认为结构的风险，应进行样本外验证。

常见的模式包括：

• 训练/验证/测试划分：在训练段选择参数，在验证段进行验证，最后仅在保留的测试段上进行一次评估。
• 前向滚动（滚动）评估：在移动窗口上反复重新训练或重新选择参数，然后在下一个时期进行测试。

在报告结果时，应关注能揭示脆弱性的指标。使用多个度量标准（例如平均收益和类似回撤的风险代理指标），并检查表现是否严重依赖于少数异常时期。如果测试仅在市场条件与训练阶段相似时才有效，那么当市场机制发生变化时，它很可能失败。

预期的局限性和失败模式

即使采用严谨的方法，CMO回测仍可能得出误导性的结论。主要的局限性示例包括：

• 非平稳性：市场是变化的；历史上成立的关系可能不会持续。
• 机制转换（Regime shifts）：波动性、趋势和流动性条件的变化会影响动量振荡器的行为。