我被上了一课：爱游戏官方网站｜爱游戏官方入口历史回测表的回测数据一变，我就有预感凯利指数异常要来了…
作为做策略、做回测、也帮人做策略健检的人，遭遇这样的数据并不罕见。但每次遇到，总是能给我交一笔学费。这一次，教训更鲜活，也更实用，愿意把它写下来，既是记录，也是给遇到类似情况的你提供一个可操作的思路。
问题出现在哪里
- 回测表现突然变好，波动骤降，胜率和赔率都微幅提升。
- 随之而来，基于这些数据计算的凯利指数（也就是建议的仓位比例）变得异常乐观。按这个凯利去加仓，实盘很可能在未来某次波动里摔得更狠。
为什么回测变动会影响凯利 凯利公式依赖于“期望收益”和“方差”。回测数据美化（无论是无心的还是有意的）会提高期望收益或压低方差，从而放大理论上的最优赌注。这在样本量小、数据清洗不彻底或策略参数过度拟合时最容易发生。
我做的第一件事：停下来 当我看到那条“太完美的曲线”时，第一反应不是庆祝，而是暂停一切自动化下单。任何时候，系统出现信号性偏差，先暂停、再验证，能避免把暂时的“幻觉”放大成实盘的损失。
我用的五步排查清单（实操可复制） 1) 回测样本重跑：用不同时间窗口、不同市场时段重跑回测，查看收益曲线稳定性。 2) 数据完整性检查：确认是否存在缺失数据填补、价格向前调整错误、交易成本/滑点假设被修改等。 3) 查找幸存者偏差与选样偏差：确认标的池在历史期间是否动态变化，是否剔除了失败标的。 4) 模拟执行层面还原：把真实的撮合延迟、滑点和手续费加回去，使用tick或更细粒度数据做复盘。 5) 抗压测试：做蒙特卡洛、walk-forward（滚动回测）与极端情景压力测试，观察凯利值在模拟噪声下的敏感度。
几条实用规则，减少未来被“上课”的概率
- 永远把凯利当作上限而不是建议值：在我这儿，算法给出k以后，实际下单常用0.2–0.5倍的“分数凯利”（fractional Kelly），以换取更耐用的回撤曲线。
- 把风险预算先定好，再反推仓位：对策略分配总体风险而非盲目追求理论最优。
- 自动化报警系统：当关键回测指标（收益、夏普、最大回撤、凯利）在短期内出现超常跳变，触发人工复核。
- 保留“野生样本”做后验验证：把最近一段数据作为未见数据，不参与参数拟合，只用于最终检验。
- 版本管理与日志记录：每次回测、每次数据处理都要留可追溯记录，方便事后查因。
那次教训的收获 我没有因为一时的美好数据盲目扩仓，经过上面几步核查后，发现回测里其实混入了一段数据清洗错误和样本选择偏差。修正后，凯利值回归理性，策略也变得更稳健。经历过这次之后，我把更多精力放在回测流程的“防火墙”建设上，而不是对短期高收益的追逐。
给你一个简单的决策框架（适合贴在桌边）
- 回测指标突然改善 → 先暂停自动化执行。
- 重跑多窗口、加上真实滑点 → 如果结果波动大，降低仓位并延迟放大。
- 凯利显著增高 → 先用分数凯利（如0.25–0.5倍），并做压力测试。
- 任何不透明的数据处理 → 一律回滚并复查。