回测、结论,以及读论文时该问的问题
做完这一节,你读完了整篇论文。你能评价它的回测,知道作者说的下一步是什么,并带走一份以后读同类论文都能用的提问清单。
4.3 回测:怎么设计的
- 市场和时间:A 股,一年(2025 年 5 月到 2026 年 4 月)
- 信号:按预测的终点收益给品种排名
- 组合:只做多,买排名靠前的 N 只
- 参数怎么定:持仓数 N 和调仓频率在验证期上选好后冻结,不在测试期上调
- 涨停买不进:会以涨停收盘的买单跳过
- 成本:买入 12.5 个基点、卖出 22.5 个基点(佣金 2.5、印花税 10、每边滑点 10)
结果
扣除成本后,测试期年化净收益:
| 粒度 | 年化净收益 | 夏普比率 |
|---|---|---|
| 5 分钟线 | +65.2% | 1.70 |
| 2 小时线 | +64.4% | 2.46 |
图 4 里 KiT 的净值曲线最终高于同一股票池的等权组合、高于单只股票买入持有的中位数,也跑赢沪深 300 和中证 500。
夏普比率是“每承担一单位波动,换来多少超额收益”。同样的年化收益,2 小时线的夏普更高,说明它的净值曲线更平稳。
回测该怎么看
论文自己在结论里用的词是“理论回测”(theoretical backtests),用来说明预测“有经济意义”。读的时候,可以对照评估与回测那一课里开源回测脚本的规则,问几个问题:
- 流动性和冲击成本:开源脚本明确不考虑一手 100 股和大单冲击。资金量大了,排名靠前的小票可能买不到那么多。
- 成本假设:滑点每边 10 个基点在高频调仓(5 分钟线)下是否够?
- 一年够不够长:这一年的市场环境是否特殊?
- 股票池:选哪些品种进池子,本身会影响结果。
这些不是说回测有错,而是任何回测都有的边界。论文的主要证据是表 1、表 2 的 RankIC;回测是辅助说明。
第 5 节:结论和下一步
作者总结了三点:流匹配的扩散 Transformer 建模 K 线路径、严格保持 K 线几何的五维表示、按信号性质设计的条件注入。
提出的两个方向:
- 更高维的输入:因为不需要离散分词器,KiT 可以直接接入更多维度的数据,论文举的例子是 Level-3 逐笔委托簿和 alpha 因子。
- 面向下游任务的微调:作为基础模型,针对具体任务微调是值得探索的方向。你在微调那节已经试过最简单的一种。
一份通用的提问清单
读任何“预测类”论文,都可以问这几个问题。拿 KiT 练一遍:
查一查问题
点一个看看。
你读完了
回头看第一节那张表:三个难点、三个回答,现在每一格你都能说出公式、代码位置和消融数字。
考考你KiT 论文里,证明“五维表示有用”最直接的证据是哪一张表?
检查一下
- 我能说出回测的设计和两组年化、夏普数字
- 我能列出至少三个回测没覆盖的现实因素
- 我用提问清单把 KiT 过了一遍