所有量化模型都在试图捕捉市场的规律，模型有效的基础就是规律本身有效。但在训练模型的过程中，不可避免需要去拟合样本内的一些场景。因此，规律是金融市场客观存在的，还是从样本数据挖掘所得到的，是所有量化模型都需要直面的问题。
量化策略的纪律性要求交易指令都严格按照既定规则去执行，几乎不存在人为主观调控的空间。因而模型运行过程中，持续对模型的有效性进行校验显得尤为重要，包括如何评价模型的业绩、如何判断模型是否失效等等。但同是量化策略，高频量化与低频量化存在一些天然的差异，使得两者在模型有效性评判层面的切入点大相径庭。
高频量化策略运用先进的算法工具，对市场的即时数据进行快速的获取、分析并给出交易部署，主要是捕获标的短期波动过程中的定价偏差，对延时较为敏感。中频量化通常基于公司基本面研究、股价日K线图等，交易频率集中在周频、双周频。低频量化则是由宏观经济环境变化所驱动的，在月频甚至更低频率上进行交易。
交易频率不同自然会带来换手率、持仓时间、策略容量的不同。交易频率越高的策略换手率越高、持仓时间越短、策略容量也相对受限。因为高频策略依赖于即时的市场信息或情绪的套利机会，市场的短期定价偏差通常稍纵即逝，深度和广度也相对有限。中低频策略主要交易市场价值，追求的是企业的长期盈利和资本市场错误定价带来的投资机会，价值的实现和错误的修复需要一定时间，可挖掘的逻辑空间也相对较大，因此策略容量也相对较大。
延伸到模型维护与策略评价层面，不同交易频率的策略业绩几乎不具备可比性。对于最常用的风险衡量指标“波动率”和“最大回撤”而言，高频策略对于波动和回撤的容忍度通常较小，因为高频策略交易频繁、持仓时间较短，甚至可能没有隔夜持仓。高频策略的核心在于快速响应市场的短期变化，因此也会在较短时间窗口维度下观察策略的收益表现。如果高频策略产生持续的回撤，大概率说明在较大的交易空间下策略没有发出合适的交易指令，使得投资者持有体验不佳。
然而低频策略在市场出现短期冲击时，由于策略本身不具备短期交易特性，即时调仓的可能性较低，导致策略可能需要承受一定的回撤。低频策略的运行过程中，业绩评价的时间维度通常相对较长，较少以低于调仓频率的时间窗口来衡量策略表现。客观来看，低频策略的回撤是“不可避免”的，较长时间的持仓要求策略容忍市场波动，中长期的投资逻辑也难以在每一个特定时间窗口中被验证，因此一定范围内的波动和回撤对投资者而言是相对可接受的。
对于兼顾收益的业绩评价指标“夏普比率”和“信息比率”来说，单一策略的夏普比率和信息比率较难在样本外保持高水平。夏普比率从收益和风险的视角综合衡量策略的业绩，在应用这一指标时我们建议首先甄别收益和风险是来源于策略逻辑还是底层资产本身。华泰金工团队在深度报告《行业配置策略：趋势追踪视角》（20200831）中对策略效果与底层资产的关系进行了探讨，发现从长期视角来看，趋势追踪策略的收益和所选底层资产相匹配，趋势追踪策略赚取的主要是资产本身增值带来的收益，因此对于趋势追踪策略的构建，优选资产起到较为关键的作用。报告主要讨论趋势追踪策略，但这一结论对其他类型的量化策略也具备一定参考价值。
信息比率定义为承担单位主动风险所带来的超额收益回报，一定程度上剔除了基准的影响，或更适用于对策略逻辑的评价。根据ActivePortfolioManagement:AQuantitativeApproachforProducingSuperiorReturnsandSelectingSuperiorReturnsandControllingRisk书中对于信息比率的论述，信息比率通常接近下表的分布，其中分位数指投资经理业绩排名（分位数越大意味着投资经理业绩越好），业绩排在前25%位置的投资经理，即排名高于75%的投资经理的信息率为0.5。
ActivePortfolioManagement:AQuantitativeApproachforProducingSuperiorReturnsandSelectingSuperiorReturnsandControllingRisk书中推导了信息比率有如下近似成立的公式。其中IR（InformationRatio）为信息比率；IC（InformationCoefficient）为每个预测与实现结果之间的相关系数，衡量了投资决策的质量；BR（breadth）为投资策略的广度，每年作出的独立投资策略的数目。
从公式可以看出，对于能力水平相近的投资经理而言，IC值基本一致，通过提高BR能够有效提升IR水平。也就是说，给定IC的情况下，做出独立决策的次数越多，信息比率IR越高。回到高频策略和低频策略的业绩评价层面，简单假定每次投资都是独立的，那么高频策略由于交易次数较多，IR会相对较高，相反如果低频策略希望获得较高的IR，则可能更需要依赖较高的IC，即更侧重预测的准确度。
在短期视角下市场存在的噪声和冲击更多，预测难度较大，而长期方向性判断似乎更容易把握。但假如均以提升策略的信息比率为目标，高频策略通过提升交易频率也比低频策略试图提升预测准确度具有更强的可操作性。因此从业绩比较的角度来看，投资者对高频策略的期待是兼具高收益与低回撤，追求信息比率的最大化；低频策略则更看重预测的准确度，直接横向对比高频策略与低频测量的业绩指标意义不大。
进一步，如何评判一个策略是否失效？这是一个重要且难有标准答案的问题，学界、业界至今也没有科学规范的流程去衡量或者验证特定策略在样本外是否失效。我们没有办法正面解决这个问题，但我们试图从样本外的经验性判断，结合可供参考的参数分布和假设检验，提供一些分析的思路。
对高频策略来说，频繁交易之下计算策略交易的胜率是有意义的，因为样本量较大。一个高频策略能否有足够高的胜率、能否稳定盈利、是否贴合样本内业绩表现，通常只需要几个月、甚至几周的时间就能大致进行验证。策略的样本外表现不如样本内是常有的事情，但高频策略在大量的交易下仍发生持续几个月的回撤时，开展相关的模型校验是必要的，包括考察延迟交易、成交率等客观条件对策略的冲击、策略在样本内的相关假设是否成立、甚至对策略在样本内外的盈利模式进行拆解等等。
然而要判断一个低频策略是否失效显得更为困难。以月频策略为例，每月仅进行一次调仓，即便运行5年也只有60次的交易，与高频策略的交易次数甚至不在一个量级上。由于没有足够的样本量，以胜率衡量策略业绩可能不具备代表性。另外，每一次交易后持仓时间相对较长使得策略业绩不确定性更大，持仓过程中的一次大幅回撤可能使得前期累积的收益化为乌有。因此低频策略在样本外的表现更难进行定量的刻画。
仍然考虑策略的信息比率IR，ActivePortfolioManagement:AQuantitativeApproachforProducingSuperiorReturnsandSelectingSuperiorReturnsandControllingRisk书中推导出IR的标准误有如下近似表达式，其中Y为样本期包含的年数。
??(??)≈1/√
IR为0.5已经能排名全市场前25%。在t分布的假设下，这一IR水平来源于实力而非运气要求t统计量IR/SE(IR)大于2，计算可得Y为16。也就是说，验证IR水平稳定需要16年。
对投资者来说，坚持一个低频策略16年需要莫大的耐心与勇气，市场的起起伏伏会产生很多诱惑与落差，过程中如何克服贪婪和恐惧的心理是极大的考验。16年对量化策略来说更加不可思议，难以想象在样本内拟合的规律能在样本外持续有效16年，又或者是在规律不再持续盈利时仍然坚定执行策略指令。
著名统计学家GeorgeE.P.Box曾经说过“Allmodelsarewrong,butsomeareuseful.”，可见没有永远正确的模型，持续的升级迭代才能保持量化策略的生命力。也许没有必要花16年去证明策略长期有效或者失效，随着市场的发展与进步，总会衍生出更加有用的模型。不管是高频策略还是低频策略，不断被市场教育是常态，学会客观理性看待模型的表现并向市场学习是所有策略开发人员的必修课。
基于高频策略与低频策略在交易频率、持仓时长等方面的天然差异，高频策略与低频策略在致胜的关键和优化的方向上自然而然存在区别。高频策略博弈的是胜率，需要数据、算法、算力三个方面的合力；低频策略博弈的是胜负，依赖于逻辑支撑。
根据上文提到的主动投资管理基本定律??=??·√??，以IR为0.5作为衡量策略业绩的标准，假设每次投资决策均独立。对月频策略来说，一年调仓12次，即BR为12，则IC要求达到0.1443；对日频策略而言，BR为252，则IC只需0.0316。这一数据的绝对数值未必具有太大的参考价值，但这一简单例子可以看出低频策略对投资能力的要求更高，需要对匹配持仓期限的市场方向把握更为准确。
一个胜率高的高频策略在数据、算法、算力三个层面上都不能有明显短板。大量的数据是高频策略的基础，从基本的量价数据到盘口数据甚至是舆情文本数据，都是高频策略的主要研究对象。随着研究的不断细化和深入，更多间接的、非结构化的数据被用于规律挖掘，数据的频率越来越高、数量越来越多、广度越来越大。在应用层面上，业界向来比学界更为领先。学界所研究的“三因子”、“五因子”具有较好的可解释性，但在收益表现上通常不如机器学习方法挖掘得到的“新因子”。又或者说，常见的大家所熟知的因子可能早就没有超额收益了。
算法是更多从业人员深耕的领域，从模型测试到模型优化，从量价因子挖掘到另类数据挖掘，从过拟合检验到生成对抗网络等等，每一个分支的延伸都是大胆而专业的探索。高频策略的发展离不开算法的进步，算法的不断升级使得策略逻辑能够不断创新，模型搭建过程中也能吸纳更多先进的理论，进一步为策略的收益表现提供更值得期待的空间。算力层面偏向于对硬件设备的要求，在大量的数据与复杂的算法下，如果没有足够的算力支持，策略的运维都是空谈。
低频策略的博弈核心完全不同，胜率对低频策略的参考价值相对较小，反而每一次的胜负可能都至关重要。以A股上证指数为例，假定策略月频调仓，首先观察上证指数月度收益率的分布，单月收益基本集中在-10%到10%之间，出现极端的高收益或低收益概率较小。2000年1月至今的269个月当中，有90个月的单月收益在0%-5%之间，仅有7个月的跌幅大于20%、3个月的涨幅大于20%。
模拟低频策略的调仓机制，每月末给出下月看多或者看空的观点，看多则持仓，看空则空仓，月中不调仓，不计费用。对于胜率为100%的策略，即给出看多观点时下月上证指数收益率为正，给出看空观点时下月上证指数收益率为负，回测净值如下图所示。2000年至今年化收益为40.13%，最大回撤为-14.34%。这一策略为“上帝视角”，实际投资中不可能实现，而2.47的夏普比率则可以理解为上证指数月频择时策略的“业绩天花板”。
从上证指数的月收益分布来看，极端涨跌幅的月份数量虽然不多，但也可能对择时策略的净值走势产生较大影响。在胜率100%择时策略的基础上，考虑仅在20个最大涨幅的月份择时错误、以及仅在20个跌幅最大的月份择时错误。
两个策略的胜率一致，在269个月中均有249个月择时正确（仅在最极端的20个月上择时错误），胜率高达92.57%。虽然两个策略在年化收益上差距不大，但在最大回撤、夏普比率等业绩评价指标上相差较为明显。对于优秀的低频策略而言，长期来看，错过极端涨幅的持有体验比承受极端回撤的更佳。也就是说，在同等胜率的择时策略中，有效避开大幅回撤的能力比捕捉大幅上涨的能力更加“难能可贵”。计算可得上证指数本身胜率为55.02%，也即持有上证指数不进行择时，长期来看胜率高于50%。模拟两组策略进行对比，一组是胜率为55%的月频择时策略，另一组为控制策略有效规避20次大幅回撤而整体胜率仍为55%的月频择时策略。分别模拟10000次可得如下业绩分布，并以10000个模拟策略的平均业绩指标作为该组策略的业绩表征。
从多次模拟的收益分布可以看出，同样是55%胜率的择时策略，能有效规避20次最大月度跌幅的策略在各项风险收益指标上均明显更优。实际投资中，这20次的决策可能只是来源于运气，但最终体现出来的就是业绩的明显差异。也就是说，两个水平相当的投资者在少数的几次决策中就分出了胜负，低频策略的每次决策可能都是决胜的关键。由于策略仅在每个月末仅给出多空观点，胜率为50%的择时策略可以理解为一个随机策略，相当于每月末“抛硬币”决定下个月的投资观点。从模拟10000次的平均结果来看，策略的年化收益和夏普比率不如上证指数本身。可以看出，在没有相对明确的观点时，随机的摇摆不定不如长期持有，因为在足够长时间维度下上证指数能带来正收益。而随机策略等同于“运气策略”，运气较好时可以实现0.8的夏普比率，但运气不佳时可能需要长期承担亏损。
如果说胜率为50%的策略等同于随机的“抛硬币”，那么70%的胜率已经是投资者择时的较高水平。从10000次的模拟结果可以看出，平均来看夏普比率达到0.96，意味着投资者能力范围内的“正常发挥”已经有接近1的风险调整后收益，而运气最差的情形也能获得高于上证指数本身的收益。
低频策略博弈的是每一次胜负，因此每次决策后涨跌的原因都值得研究。常见的趋势投资者认为“强者恒强”，但为什么过去表现好的资产未来也会表现好呢？资产上涨的惯性来源于什么？这个问题似乎没有明确的答案，也较难得到解释。本章中我们试图通过对资产价格的进一步拆解和分析找到策略能够获益的深层原因。
经验模态分解（EmpiricalModeDecomposition，EMD）是美国工程院士黄锷博士于1998年提出的一种信号分析方法，它能进行自适应的数据处理，基于信号局部特征时间尺度，从原信号中提取包含频率和强度信息的本征模态函数（IntrinsicModeFunction，IMF），适合非线性、非平稳时间序列的处理。
相较于传统信号分析的手段，如小波变换，EMD具有下述优势：无需挑选基函数，对数据的分解相对客观，分解出的每一个分量由数据自身决定；对数据的分解具有较好的稳健性，能对高频数据进行有效的去噪；在分解出信号频率特征的同时，还可以提取出数据的幅度变化趋势，将异常波动从原始信号中分离出来。概括而言，EMD算法能客观有效拆解出数据背后不同的特征分量，分量数目由数据本身的特性决定，且各个分量具有相对稳定的频谱特征。以上证指数为例，对同比序列进行EMD分解，可以得到7个IMF以及残差，如下图所示。可以看出，EMD分解依次拆分出从高频到低频的分量。IMF1近似于噪声，但呈现一定的周期包络；IMF2主要捕捉了2008年前后的剧烈变化；IMF3-6均表现出周期特征，但每轮周期的形态略有差别，整体走势较为平滑；提取所有IMF后上证指数同比序列的残差呈下行趋势。
进一步选取全球范围内具有代表性的股票指数标普500、纳斯达克、日经225、富时100、德国DAX和澳洲标普200进行经验模态分解，可以发现各个股票指数的特征存在一定的相似性，同时也有某些分量表征各自的特异性，各个股票指数EMD分解结果详见附录。下图呈现各个主要股票指数的IMF3，肉眼可见这一分量表征三到五年的周期起伏，每轮周期长度可能略有偏差，不同的股票指数之间规律相对同步，但在幅度和节奏上仍有差异。
EMD分解后得到的IMF所呈现出的周期，与前期华泰金工周期研究测算出的42个月周期基本匹配。42个月是海量资产价格和宏观指标较长时间维度下的周期规律总结，是市场的普遍性规律。EMD分解的频谱则更为具体捕捉特定资产在周期上的表现，是特异性的视角，有助于针对性观察各个资产的特征。纳斯达克指数的IMF分量在2000年附近的波动幅度远大于其他股票指数，可以看出2000年美国科技股泡沫破灭的痕迹；2012-2015年左右全球股票市场同步性有所走弱，发达市场和新兴市场呈现差异，A股由小盘股带动的行情或未体现在上证指数的特征中；近几年全球股票同步性增强，或体现随着全球经济一体化进程的加深，借助全球流动性、汇率市场、投资者情绪等媒介，资产价格走势受到更广泛因素的影响。
不同IMF分量对单资产低频择时策略的影响
考虑单资产上低频策略的择时效果，遵循“强者恒强”的投资逻辑，以简单的ROC、EMA两个策略为例。每月末计算ROC指标、EMA指标，指标为正代表看多该资产，则下月持有资产；指标为负代表看空该资产，下月空仓。
其中，资产在t时刻的近N个月的????和????值如下，N为可调参数，??????为资产在t时刻的收盘价。
经验表明，ROC和EMA两个策略虽然逻辑简单，但长期来看存在一定的择时收益。然而这样的择时收益是偶然还是必然？我们希望进一步探究策略捕捉的是什么市场规律。基于前文对于EMD分解的结果，资产序列可以被拆分为频率、幅值相异的分量，每一个分量都具有原始序列的一部分特征，这为我们探寻策略获益的来源提供了思路：如果将某个分量从原始序列中剔除，策略的收益表现明显下降，那么该分量代表的特征可能是策略获益的关键；相反，如果剔除某个分量后，策略的业绩明显提升，那么该分量可能是干扰择时信号的噪音信息。
以上证指数为例，参数N遍历1-12个月，择时策略的评价指标为夏普比率与Calmar比率之和。从下表中可以发现，对于上证指数本身，ROC择时策略的最优时间窗口参数是2个月，EMA择时策略的最优时间窗口参数是3个月。最优参数下，剔除IMF2或IMF3分量后，策略的业绩表现明显下滑，而剔除IMF1分量后，业绩表现则有所上升。对于其他的时间窗口参数，也可以得出一致的结论。
观察各个择时策略的净值，可以直观感受不同IMF分量对策略效果的影响。以上证指数最优时间窗口参数下的ROC和EMA策略为例，剔除IMF2分量后，两种策略均未能在2008年大幅回调时及时止损，导致净值回撤明显。剔除IMF3分量后，策略难以捕捉周期变化的特征，导致出现买入和卖出的时点错配，收益难有起色。与之相反，剔除IMF1分量后，策略能更好的追踪序列的价格波动，实现超额收益。
其他股指序列的择时策略有类似的结论，如下表所示。相较于上证指数，直接在其他股指上进行择时收益表现通常好于在上证指数上择时，且择时策略对IMF3的敏感性更高，剔除IMF3后收益表现下滑更明显。
基于对全球主要股票指数的择时结果，可以得到如下几个结论：1.对指数本身进行简单择时，ROC和EMA策略效果均比较一般，相对而言成熟市场的择时业绩更佳，可能的原因是成熟市场股票资产长期趋势较为明显。另外，各个股指适用的最优参数不一致，说明择时策略需要在一定程度上拟合资产本身的走势特征，大概率不存在普适性的最优参数。2.IMF2表征资产大幅波动的特征，通常对应大级别牛熊市。剔除IMF2分量后，策略的收益表现有较为显著的下滑，说明对于大级别行情的捕捉是低频择时策略的重要收益来源。3.IMF3表征资产42个月左右的周期波动。剔除IMF3分量后，策略收益表现下滑最为明显，说明低频择时策略的收益主要由股指内在的周期所贡献。尽管ROC和EMA策略的构建与42个月周期并不相关，但IMF3的测试结果表明42个月周期大概率是策略有效的主要驱动因素。4.IMF1表征资产背后较为稳定的高频分量。剔除IMF1分量后，各个择时策略的收益表现有显著提升，说明剔除高频噪音信息，有助于低频择时策略更好识别股指的周期特征、以及捕捉大级别行情的投资机会。
不同IMF分量对多资产低频动量策略的影响
除时序上的择时外，截面上的择时策略同样广泛应用于资产配置领域。截面择时策略每月末计算各资产择时指标并排序，下月持仓排名靠前的资产。仍然以ROC和EMA策略为例，考虑在全球主要7个股票资产中，每月选取排名前X个资产进行等权配置，参数X依次设置为2、3、4、5，此即为基准策略。分别剔除各个资产序列中的IMF分量，以相同的策略逻辑进行测试，考察择时策略的夏普比率与Calmar比率之和。需要指出，不同资产的同一个IMF分量不具备相同的经济学含义，但可能呈现类似的周期特征。
从下述各个表格中可以看出，在原始资产价格序列上择时，ROC策略的最优参数是“7选2，2个月时间窗口”，EMA策略的最优参数是“7选3，6-8个月时间窗口”，在最优参数下，剔除IMF3对策略收益的负面影响最大，而剔除IMF1则能够较好的提升策略效果。此外，时间窗口参数为4-9个月的择时策略业绩通常优于其他参数。时间窗口参数取1-3个月时，剔除IMF2对择时策略业绩的负面影响最大，随着时间窗口长度的增加，剔除IMF3的负面影响则占据了主导地位。
应用ROC指标进行多资产择时配置时，选取2个月时间窗口，每期从7个资产中选择排名前2等权配置效果最好（夏普比率+Calmar比率最高）。观察这一参数下分别剔除不同IMF分量后的策略净值，可以看出剔除IMF2或IMF3分量后，策略对增长行情的捕捉能力明显下滑，净值走势平稳；而剔除IMF1分量后，策略择时效果好于原始策略，说明策略追踪资产趋势特征的能力或有所提升。
应用EMA指标进行多资产择时配置时，选取6个月时间窗口，每期从7个资产中选择排名前3等权配置效果最好（夏普比率+Calmar比率最高）。与ROC策略类似，IMF1大概率是择时较大的障碍，剔除该分量后策略收益有大幅提升；IMF2和IMF3则贡献了策略的主要收益来源，剔除后策略收益明显下滑。
总体而言，截面择时策略和时序择时策略的结果均表明，剔除资产的IMF2分量和IMF3分量会导致策略业绩明显下滑；同时，剔除IMF1分量可以提升择时策略收益表现。考虑到各个IMF分量的特征，我们可以得到如下结论：
1.IMF3分量主要追踪42个月附近的周期波动，低频择时策略的收益可能主要来源于对股指序列内在的周期特征的追踪。
2.IMF2分量一般包含特定时间区间的冲击带来的大幅变化，低频择时策略对大级别冲击的捕捉能有效追涨止跌，获得超额收益。
3.IMF1主要包含较高频数据，信噪比低于其它分量。剔除IMF1后，序列的信噪比会提升，有助于择时策略更准确地捕捉IMF2和IMF3的特征，从而提升收益表现。
从主要股指的EMD分解结果来看，IMF1-3对低频择时策略的业绩有较为明显的影响，但在构建策略的逻辑层面却鲜有被考虑或提及。低频择时策略惯于捕捉中长期市场规律，“强者恒强”的策略逻辑似乎一直适用，但更深层次的收益来源或是资产背后特定的频谱特征，而资产为什么会呈现稳定的频谱则是更值得深入思考的问题。也就是说，能从本质上驱动策略获益的逻辑，才是策略能够持续运行的核心，业绩大概率只是表象。
前文探讨了低频策略持仓时间长、模型有效性较难在短时间内被验证，且策略的收益来源可能主要由资产的特定频率分量所贡献。基于低频策略的持仓与收益特征，在低频策略的运作过程中，策略的逻辑支撑显得尤为重要。如果仅从样本内数据中挖掘一些规律，而缺乏有力的逻辑支撑，那么样本外的所有波动和回撤都只能归结为市场的动荡，较难合理去评价策略的运作情况。
如果低频策略背后有足够的逻辑支撑而不是仅依赖于样本内规律的重演，那么策略的运维会更为科学。样本外市场的演绎到底是在验证策略逻辑，还是在推翻策略逻辑，是评价策略的重要环节。以美林投资时钟为例，策略认为经济周期可以划分为复苏、过热、滞涨、衰退四个阶段，每个阶段适宜配置不同的资产。策略在运作过程中，投资者可以验证经济周期的刻画是否准确、资产价格的运动变化是否符合经济周期的规律、从经济周期映射到配置组合的路径是否合理等等。
因此当策略表现与预期不相符时，投资者能从不同角度对策略进行评估，能在市场发生变化时及时校验策略的逻辑。仍然以美林投资时钟为例，策略根据经济增长和通胀水平对周期阶段进行划分，周期状态的结论理应可以通过其他经济指标相互佐证。比如采购经理指数、工业增加值、货币供应量、资金流向等指标通常能反映市场的状态，进而能够对当前所处的经济周期阶段给出综合判断。如果多种不同指标能共同验证，那结论的确定性将会更大。如果不同指标之间出现背离，投资者也能有明确的分析方向，可以具体探究背后的原因和后续可能的演进结果。
市场运行过程中必然会有种种不确定因素，也一定会有样本内无法预期的事情发生。当策略发生回撤时，首要的是判断受到冲击的是策略业绩还是策略逻辑。归根结底，如果策略逻辑发生了变化，意味着样本内挖掘的规律不会再重演，那么策略大概率走向失效。而如果策略逻辑仍然成立，仅是短期扰动使得策略业绩发生波动，那么当冲击减弱、干扰因素逐渐消退之后，市场的变化仍然受到规律所主导，策略逻辑依然有效，策略业绩也大概率会迎来修复。
金融市场是在不断进化的，跟生物学中强调的“适者生存”非常相像。生物能够从过去的环境中学习到存活的本领，但也必须根据当前的环境调整生存的方式，还需要有足够的准备应对未来的变化。对于生物来说，“最优解”不是最重要的，因为“最优”会随着环境的变化而发生变化，“存活”向来都是首要目标。金融市场本来就是人类进化的产物，金融市场的运行也不会依赖严格的物理规律。投资是不断被市场教育的过程，没有人能够决定市场的方向，也没有人能够干预市场，“适者生存”的法则在金融市场的实践同样直接而残酷，不能适应市场的投资者很容易会被市场淘汰。
市场在进化，通过挖掘市场规律所形成的策略也应该不断进化。投资者做不到100%认识市场，模型也做不到永远有效，我们都必须承认自身知识和信息的不完备，也需要承认策略的不完美。金融市场促使投资者持续学习和进步，而不断进步的市场参与者使得金融市场更有活力。在向市场学习的过程中，新的经验和收获会成为投资框架的一部分，策略也会随着市场环境的变化面临版本的更替。不断升级迭代的策略是市场生命力的重要组成部分，市场与模型的共同进化形成了金融市场中的一个良性循环。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
