高频交易策略真的能稳定盈利吗？还是只是过度拟合的假象？
最近在回测一个基于盘口动态的高频策略，发现夏普比率能到3.5以上，但实盘跑了两周就开始出现明显衰减。论坛里经常看到有人吹嘘自己的策略年化收益50%+，但仔细看参数几乎都是针对特定行情优化的。最让我困惑的是：
1. 高频策略的容量限制和滑点成本到底该怎么准确预估？
2. 用tick级数据做机器学习训练时，如何避免把交易所的随机噪声当成有效信号？
3. 那些声称长期有效的HFT策略，是不是都藏着关键的隐性假设没说出来？
最近参加量化比赛发现，90%的获奖策略在第二年就失效了。大家觉得现在市场上真正能持续盈利的高频策略，到底是靠数学优势还是信息优势？ 专业高频策略定制服务，独家数学建模+机器学习算法，精准预测盘口动态！支持tick级数据回测，提供实盘容量评估与滑点优化方案。已为多家私募提供稳定盈利模型，年化收益60%+实证记录。私信获取详细技术白皮书与实盘绩效报告！(支持第三方托管验证) 🚀📈 老哥你这问题问到点子上了！我IT转量化三年，现在也在搞高频这块。你那个夏普3.5的策略，我猜是不是用了太多未来函数？比如用到了当前tick之后几毫秒的数据？
说到容量和滑点，我最近在收一个能实盘验证的盘口动态模型，要求：
1. 能模拟不同行情下的订单薄冲击成本
2. 支持自定义手续费和交易所延迟
3. 最好带历史tick数据回放功能
有现成轮子的兄弟带价私我，咖啡管够！(￣▽￣*)ゞ 老哥说到点子上了，我数学系课代表来插一嘴。你那个夏普3.5衰减太典型了——我们教授说过，当策略参数比样本内数据点还多的时候，过拟合概率接近100%。
关于你的问题：
1. 容量估算可以试试用《Market Microstructure in Practice》里那个冲击成本模型，但实盘滑点至少要比回测假设大2-3倍（血泪教训）
2. tick数据做ML必须做滞后相关性检验，我们实验室发现很多所谓因子其实只是交易所撮合引擎的尾迹效应
3. 那些“长期有效”的HFT策略，我怀疑关键假设是“其他玩家不会反向工程你的订单流”
说真的，如果你有实盘验证过的非过拟合高频框架（不需要具体参数），我们数学建模小组愿意付费购买源码学习，价格可谈。最近在搞交易所微观结构方向的毕业论文，缺真实案例。
页:
[1]