回测不是研究工具！专访Marcos López de Prado

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、金融科技、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业40W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。

The Journal of Portfolio Management · Portfolio Manager Perspectives 2025

JPM近期采访了Marcos López de Prado，QIML整理核心观点，供读者参考。

微观阿尔法：未被充分开发的富矿

Marcos提出“微观阿尔法（microscopic alpha）”概念，指需通过机器学习、另类数据等先进手段识别的细微市场异常，如利用卫星图像进行零售业绩即时预测。与传统因子投资等“宏观阿尔法”不同，微观阿尔法因技术门槛高，形成天然竞争壁垒。

他以黄金开采类比：宏观金矿已近枯竭，现代开采转向每吨含金量仅1–4克的微观矿藏。技术进步不断降低开采门槛，使微观黄金产量持续增长——过去50年全球超50%的黄金由此产出。同理，微观阿尔法虽隐蔽，却极为丰富且潜力巨大。

构建“阿尔法装配线”实现系统化挖掘

在《金融机器学习进阶》中，Marcos提出“阿尔法装配线”模型，解决量化研究三大痛点：

• 缺乏从非结构化数据提取阿尔法的专业架构；
• 金融信噪比低，易产生伪模式；
• 策略生命周期短，人才易流失。

该模型借鉴科研团队协作模式，将复杂问题拆解为专业化子任务，由跨学科团队协同完成。研究人员专注特定领域（如因果发现、结构突变检测），提升效率与深度，避免“通才式”研究带来的能力稀释。此范式已被多家大型资管机构采纳。

金融机器学习的独特性与挑战

Marcos强调，金融机器学习不能简单套用其他领域算法。标准机器学习假设数据平稳、样本独立，而金融市场具有以下特征：

• 非独立同分布数据；
• 结构性突变频繁；
• 信噪比极低；
• 模型行为反身性影响市场（如新因子发现削弱其有效性）。

因此，金融机器学习应作为独立研究领域，发展专用算法，如分层风险平价（HRP）、组合清除交叉验证（CPCV）、调整夏普比率（DSR）等，以应对回测过拟合、优化不稳定等问题。

警惕“黑箱模型”风险

过度依赖参数庞大的黑箱模型存在严重隐患：

• 难以区分信号与噪声；
• 缺乏透明性，无法判断失效机制；
• 违背受托责任要求的审慎原则。

相比之下，基于因果理论的模型更具优势：可证伪、可监控机制变化、支持反事实推理，并能准确归因风险收益来源，提升投资效率。

控制过拟合：训练集与测试集双重应对

训练集过拟合应对策略

• 使用交叉验证、蒙特卡洛模拟评估泛化误差；
• 采用正则化或早停法限制模型复杂度；
• 集成学习降低预测方差。

测试集过拟合应对方法

• 记录所有测试次数，使用DSR校正显著性；
• 采用CPCV生成多个独立测试集；
• 利用合成数据进行多实现验证。

建议三者结合使用，最大限度降低伪阳性风险。

回测的定位：工具而非研究方法

Marcos指出：“回测不是研究工具。” 因其无法揭示异常背后的因果机制，也无法判断其可持续性。虚假策略定理证明：只要尝试足够多次，即使真实绩效为零，也能构造出高夏普比率的回测结果。

真正的研究应基于因果理论，使用特征重要性分析、因果发现等工具理解“X如何通过M导致Y”。回测仅用于估算策略收益，前提是异常持续存在。

量化研究的科学性与未来方向

当前金融研究普遍停留在“现象学阶段”，仅观察相关性，未建立可证伪的因果机制，因此多数成果不具备科学严谨性。

两大统计学突破有望推动变革：

1. 控制多重检验偏差的强效统计方法；
2. 分离模型识别与参数估计的技术。

尽管传统计量经济学尚未广泛采纳，但投资者对过拟合和黑箱模型日益警惕。随着因果推断等方法普及，以及诺贝尔经济学奖对自然实验的认可，金融研究正迈向更高科学标准。Marcos认为，这是量化研究的黄金时代。