精品文章、个股点评、板块轮动日报，每日19:30准时更新
1、系统近期运行结果
入选日期：板块强势排名进入前5，且处于多方趋势可操作状态。
退出日期：板块退出板块排名前5，或者跌破趋势线进入到空头状态。
2、今日数据
【今日仓位】
仓位1.0成，继续低位运行。
【今日板块】
今天看到一句话，跟大家分享一下：一个有水准的交易员，之所以去选择轻仓，选择在各路明星风生水起时继续隐忍，除了其对风险的认知之外。我想还有一个根本原因在于：他们赌的并非现在，并非眼前，而是整个人生。只有当一个人赌得足够大的时候，他才会谨慎，只有当一个人想赢得足够多的时候，他才会去隐忍。
3、模型介绍
板块轮动是通过量化手段开发出来的操作模型，模型的两大特点是：
板块轮动和趋势
。通过对板块的综合评分，对市场目前的指数进行排名，排名靠前的即为目前市场的强势板块；趋势则意味着板块强势的持续性，建模初期我们力求可以忽略日内杂波，在上升趋势中进行交易。
通过对强势指数的判断，来确定选股的大方向，从而增加操作的成功率和收益率。
4、大叔寄语
《量化交易之门》连载20：参数最佳化的三大陷阱——前视偏差、过度优化、曲线拟合
在很多量化交易者最初优化参数的时候，往往容易或多或少的出现三种类型的错误：前视偏差、过度优化和曲线拟合。这三种陷阱只要在策略开发和参数优化的过程中出现一种，造成的结局是灾难性的，这些错误可以说是量化交易者前面的地雷，稍有不慎，就容易爆炸。
首先，我们要谈的是前视偏差，前视偏差是指在策略的开发中，采取了未来的一些信息，而这些信息在实盘操作中是基本上不可能实现的。
前视偏差主要表现在两个方面，一是未来函数，二是信号闪烁。
举个例子来说明未来函数，如果某个均线策略的规则是：“当前价格上穿均线的时候以开盘价开仓”，为了方便起见，我们给这个策略起个名字，叫做“未来A”，“未来A”策略就是一个典型的使用了未来函数的策略，因为开盘的时刻你无法知道这条K线是不是最终能够突破均线并发出开仓信号，“未来A”使用了一个未来的价格来决定之前的买卖。
实际操作中，我们永远无法在开盘的时刻知道未来是否可能突破，如果用“未来A”策略用于测试，将表现出来非常好的业绩，但是实盘中突破的那一瞬间，却无法以开盘价成交，所以“未来A”策略几乎是一个不可能再实盘中获利的策略。
还有一种情况，叫做偷价，这种情况其实也是属于未来函数的范畴。比如某个频率较高的策略，我们暂且命名为“神偷A”，“神偷A”略的规则是，“当价格突破当日最高价的时候，以当日最高价开仓”。
“神偷A”看似并没有什么问题，但请注意，突破的意思是高于，那就是说，至少要比当日最高价高一个刻度才能被称为突破，即条件要满足“当前价=当日最高价+1tick”才叫突破。当出现这种情况的时候，“神偷A”却被要求在“当日最高价+0tick”的地方开仓，显然就“偷”了一个tick的价格。
不要小看这一个tick的误差，以螺纹钢为例，假设一年250个交易日，每个交易日均执行一次买卖，那么全年下来就是500tick，500tick的滑点成本将超越你的本金。现实的情况不但不可能让你低于一个tick的价格成交，更多的情况反而是高于一个甚至多个tick的价格成交，原因很简单，大多数趋势交易者的信号都差不多，在某个关键点位的建仓信号（比如突破某天最高价），在众多趋势交易者面前会形成竞争，大家争先恐后的买入，竞争导致价格在这些关键位置形成剧烈波动，并且这种波动通常是对程序化交易不利的波动。所以在构建一个频率较高的交易系统的时候，更多的是要考虑和解决滑点问题。通常我们要在最极端的条件下去构建和测试系统，我的系统都是高于2个tick的滑点来构建的。如果日内交易不考虑滑点的话，很多策略都能做到稳赚不赔，但现实的情况却是稳定亏损。
接下来，我们来谈谈信号闪烁，如果另外一个均线策略的规则是：“当收盘价高于均线的情况下，以突破价开仓”，我们还是给它取个名字，假设该策略叫“闪烁B”。“闪烁B”就是一个存在信号闪烁的策略，“闪烁B”在测试中跟“未来A”一样，均无法直观的看到问题，但是一旦“闪烁B”用于实盘，你就会发现其中存在的问题。因为在盘中的时候，系统会默认当前价就是收盘价，当前价高于突破价就会发出买入信号，但是如果收盘的时候价格收于均线之下，那么这个交易信号就会消失，但你却已经成交了，这种称为信号闪烁。
未来函数和信号闪烁，我们统称为前视偏差，“闪烁B”和“未来A”有一个共同点，那就是用未来的价格来决定之前的买卖，这是我们要极力避免的错误。
另外谈谈过度优化和曲线拟合，过度优化是指将一个策略的几个参数反复优化到最佳，然后根据得到的最佳参数来制定策略和控制风险。显然，如果用暴力优化，即便是一个不能赚钱的策略，也能够有个别参数能够盈利，但这种结果用于今后的实盘中，却是难以盈利的。
避免过度优化的有效办法有两个，一是采取较少的参数，参数越少，可以优化的项目就越少，自然过度优化的情况就能够得到很好的避免，并且，越少参数构建的策略，往往越稳健，无论其时效性或鲁棒性均能超越众多复杂的策略。
避免过度优化的第二方法就是，用某个策略的默认参数来做历史回溯测试，或者用随机的多组参数来测试某个策略，如果该策略无论用默认参数，还是用随机参数均能实现盈利，那么这个策略才应该被进一步开发；反之，如果某个策略仅有少数的参数能够盈利的话，那么我的建议是请果断放弃该策略。
另外，你应该把一个认为可行的策略用于多品种测试，如果某个策略只能用于个别品种的话，我也强烈建议不要将这种策略用于实盘。
曲线拟合和过度优化比较类似，是指加入一些不必要的规则来拟合历史数据。比如某个股票策略，我们简称为“拟合C”，该策略规定3年时间做震荡交易，3年时间做趋势交易。假设“拟合C”策略从2010年1月开始测试，一直到2012年12月都是做震荡规则，2013年1月到2015年12月做趋势规则，到2016年1月又开始震荡规则。显然这个“拟合C”策略测试结果会非常优秀，但“3年一个周期”这条规则其实是无意义的，这是一条基于历史行情的走势添加的一条规则，你并不能以此判断在今后股票市场仍然保持3年一个周期的交替，所以“拟合C”仍然是一个看似非常优秀，却不能用于实盘交易的策略。
曲线拟合的避免方法和过度优化类似，就是要采用尽可能少的规则来构建交易系统，稍有数学常识的人都知道，一个2次函数，将可以拟合一次转折行情，一个7次函数，将可以拟合6次转折行情，只要额外增加一条规则，就可以将市场中的转折拟合一次，以此拟合出来的策略，将可能达到100%的成功率，但这么做无论是对历史的概括，还是对未来的预判，都是毫无意义的。
