第二十三课：做市商模型验证与回测
做市商模型写好了，参数调完了，然后呢？
我见过太多人，模型回测曲线漂亮得像假的一样，一上实盘就崩。为什么？因为验证环节没做好。今天我们就来聊聊，怎么科学地验证一个做市商模型。
回测框架搭建
回测框架，说白了就是一台时光机。你把历史数据喂进去，让模型模拟交易，看看它表现如何。
我个人习惯用事件驱动的回测框架。为什么？因为做市商是高频的，逐笔撮合才能模拟真实场景。
核心组件：
- 数据引擎：处理 tick 级行情，包括买卖盘口、成交记录
- 订单管理器：模拟挂单、撤单、成交
- 风险控制器：实时监控敞口、库存、资金
- 绩效统计器：计算盈亏、夏普、最大回撤
来看一个简化版的回测框架代码：
class MarketMakerBacktest:
def __init__(self, model, data):
self.model = model
self.data = data
self.positions = []
self.pnl = []
def run(self):
for tick in self.data:
# 1. 更新市场状态
self.update_market(tick)
# 2. 模型给出报价
bid, ask = self.model.quote(tick)
# 3. 模拟成交
self.simulate_fill(bid, ask)
# 4. 记录绩效
self.record_pnl()
def simulate_fill(self, bid, ask):
# 这里要处理部分成交、排队等问题
pass嗯，这里要注意一点：回测里的成交逻辑，一定要尽量贴近真实。我曾经见过有人用「最优价立即成交」的假设，结果回测年化50%，实盘直接亏到姥姥家。
避坑指南：回测时一定要考虑滑点和交易成本。做市商的成本主要是手续费和冲击成本，别小看这几毛钱，累积起来能吃掉你一半利润。
过拟合检测
过拟合，是量化交易的头号杀手。你想想看，模型把历史数据里的噪声都学进去了，到了新数据上自然就失效了。
怎么检测过拟合？我常用的方法有这几个：
- 参数敏感性分析：稍微改一下参数，看结果是否剧烈波动。如果参数从1.0改成1.01，夏普就从3.0掉到0.5，那基本可以断定是过拟合了。
- 交叉验证：把数据分成多段，轮流做训练集和测试集。做市商模型我建议用时间序列交叉验证，因为金融数据有很强的时序依赖。
- 夏普比率衰减测试：把回测期分成前50%和后50%，看夏普是否大幅下降。如果前段3.0，后段0.5，那模型大概率是废了。
警告：不要用「样本内拟合优度」来评估做市商模型。R²再高也没用，做市商赚的是流动性溢价，不是预测价格。我见过有人用神经网络拟合历史报价，R²达到0.99，结果实盘一塌糊涂——因为他把随机噪声都学进去了。
还有一个更专业的检测方法——Deflated Sharpe Ratio（DSR）。它考虑了多重测试的影响。你试了100个参数组合，总有一个夏普特别高，但那是运气，不是实力。DSR就是用来惩罚这种「数据挖掘」行为的。
样本外测试
样本外测试，是验证模型的最后一道防线。说白了，就是模型从未见过的数据，用它来检验模型的泛化能力。
我的做法是这样的：
- 时间分割法：用前70%的数据做训练和调参，后30%的数据做样本外测试。注意，这30%的数据在调参阶段绝对不能碰。
- 滚动窗口法：对于做市商模型，我更推荐这个方法。因为市场环境会变，3年前的模型可能今天就不适用了。滚动窗口可以持续验证模型的稳定性。
来看一个滚动窗口测试的示意图：
样本外测试的评估指标，我建议重点关注这几个：
| 指标 | 含义 | 合格标准 |
|---|---|---|
| 夏普比率 | 风险调整后收益 | 样本外 > 样本内 × 0.7 |
| 最大回撤 | 账户从峰值下跌的最大幅度 | 样本外 < 样本内 × 1.3 |
| 胜率 | 盈利交易占比 | 样本外与样本内差异 < 10% |
| 盈亏比 | 平均盈利 / 平均亏损 | 样本外 > 1.5 |
我的经验：样本外测试的夏普如果低于样本内的70%，我基本就不会上实盘了。别心疼那点调参的时间，亏钱可比亏时间疼多了。
实战中的验证流程
好了，理论讲完了，说说我在项目中实际怎么做的。
第一步，数据准备。我会把3年的tick数据分成三段：训练期（18个月）、验证期（9个月）、测试期（9个月）。验证期用来调参，测试期用来最终验证。
第二步，参数扫描。在训练期上跑1000组参数组合，选出表现最好的前10组。然后在验证期上跑这10组，看哪组最稳定。
第三步，压力测试。我会特意选几个极端行情时段做测试，比如2020年3月的流动性危机、2022年11月的FTX暴雷。如果模型在这些时段扛不住，那平时赚再多也没用。
第四步，蒙特卡洛模拟。用bootstrap方法生成1000条不同的价格路径，看模型的收益分布。如果95%的路径都是盈利的，那模型就比较靠谱了。
小技巧：做市商模型验证时，别忘了做「流动性压力测试」。把市场深度砍掉一半，看模型还能不能赚钱。我在2020年3月就吃过这个亏，平时模型跑得好好的，流动性一枯竭，报价全被吃掉，一天亏了三个月的利润。
最后，我想说一句：回测再漂亮，也只是历史。市场永远在变，模型也会老化。我建议每季度重新验证一次模型，如果样本外表现持续下滑，就该考虑迭代了。
验证不是终点，而是起点。只有经过严苛验证的模型，才配得上真金白银。
交易系统化学习资料 微信Strategy888888