如何负责任地回测分形维度指数？

分形维度指数：你正在回测的是什么

分形维度指数（FDI）是从时间序列数据中推导出的一个指标，旨在量化观察到的序列路径有多“粗糙”或“复杂”。在实践中，基于FDI的回测始于决定你计算的信号值、所用价格序列、窗口长度和算法细节。

负责任的回测始于明确定义。需具体说明：

• 输入序列（例如，收益率 vs. 价格）
• 时间步长（逐笔、K线收盘价或重采样间隔）
• 用于计算指数的滚动窗口大小
• 如何将计算出的FDI转换为决策变量（例如，阈值、z-score或排名）

如果跳过这些步骤，即使名称相同，不同的“FDI回测”也可能无法比较。

负责任的回测工作流程

1) 固定假设和测量选择

在运行实验前，明确所有计算假设。关键示例包括：如何对序列采样、如何处理缺失K线，以及是否仅使用当时可获得的信息来计算FDI。这一点至关重要，因为任何意外的前瞻性（即使是细微的）都可能夸大表现。

保持回测的确定性：在多次运行中使用相同的代码路径、相同的数据预处理和相同的随机种子（如有）。在计算出FDI值后，记录你应用的决策规则。回测应衡量你实际定义的内容，而非隐含的交易故事。

2) 真实建模成本与执行

回测常因忽略成本或假设完美执行而失败。即使你不试图预测收益，评估也必须扣除与方法相关的摩擦。至少应包括：

• 交易成本（手续费）
• 若进出策略意味着在市场不同侧交易，则需包含买卖价差或价差代理
• 滑点应作为有界假设，而非零

执行时机也是一种测量选择。如果你的规则在K线收盘时触发，但假设以相同收盘价即时成交，这隐含了有利的时机假设。更保守的方法是，将执行与在所选K线模型下信息可交易的最早时间对齐。

3) 控制偏差：在一个周期调优，在另一个周期评估

“回测成功”常源于过拟合：参数选择拟合了噪声而非稳定结构。使用偏差控制方法，例如：

• 前向滚动验证（在某一窗口拟合/调优，在下一区块评估）
• 分段样本外测试（分离的连续评估期）
• 在评估期间保持决策阈值固定

如果你使用多次优化循环，应将调优过程本身视为流程的一部分，而非仅在结果看起来良好后才进行。

证据、示例及应关注的内容

证据应与机制相关联

负责任的评估应检查观察到的结果是否与指数作为复杂性/粗糙度度量的角色一致——而不仅仅是权益曲线是否平滑。

至少使用一个带有明确假设的示例实验，例如：

• 在滚动窗口上计算FDI
• 从FDI定义决策变量（例如，通过百分位数定义“高 vs. 低复杂性”）
• 在样本外区块上评估一个固定、预先声明的决策规则

然后测试敏感性：在保持评估协议不变的情况下，一次改变一个假设（窗口长度、重采样频率、归一化方法）。如果在微小且合理的变化下结论崩溃，则该关系可能脆弱。

与简单基线比较

不是为了“胜出”比赛，而是为了判断该指数是否提供了超出通用行为的额外价值。基线可包括：始终持仓、与相同交易频率的随机时序，或从相同数据计算的简单统计量。目标是检测管道的表观优势是否来自评估设计，而非FDI本身。

需考虑的局限性与失败模式

一个重要局限是，复杂性度量可能因与可投资优势无关的多种原因而变化。FDI可能对波动率状态、结构性断裂、微观结构变化和不可持续的制度转换做出反应。

主要失败模式包括：

• 前瞻性泄漏：使用未来信息计算FDI。
• 过拟合：对少量参数值过度拟合。
• 低估成本：摩擦将微小的表观收益转为亏损。
• 非平稳性：历史上成立的关系可能无法延续。