“回测易，实盘难”这个问题是好问题。如果能大致解决这个矛盾，那么就能开启Quant的grail模式，源源不断地生产各种赚钱的ATM机器了。
有几个层面的原因。从易到难。
第一层，从想法到程序，思路策略技术性完成度。未来函数这样的常识性bug，扣除手续费，滑点之类的估算，交易平台的正确运行等等这都是基本的问题。
第二层，从程序到结果，backtest的正确使用度。backtest的样本内外的区分，斟酌合适时间段的问题。分类行情历史数据的分段测试，伪行情数据的暴力测试（针对国内市场历史数据不够情况）等等。做完整了这些还是有可能overfit的。因为做策略的会想尽一切办法利用已经存在的数据来提高绩效，你怎知他的样本外不是样本内呢。另外，还有专门针对backtest绩效的分析来看有没有参数的overfit等等（er，不能再说了……）。做完这些backtest后，基本要达到尽量避免参数主动overfit，给个黑盒子策略能看出策略是什么风格的，适应什么情况，遇到什么情况怎么用。
第三层，从过去到未来。未来行情的重演程度。这才是最精彩的部分。考虑完所有能成交的技术细节后，就算上面做到了99.99….%的正确度，还是有可能遇到不可知的风险。这样前面的分析就有用了。另外还需要在新行情中找到策略是否有可能被动overfit了。从fit到overfit只有一线之差，人为的参数优化是主动的，然而策略逻辑的偏颇带来对隐含因素考虑不周就是被动的了。
如果这些都解决了，绩效还可以，那么就暂时找到了Alpha。问题提到的“难易”是寻找过程中的难易。寻找到Alpha的难易取决于Alpha存在于什么地方，能不能被发现。
来源：知乎 www.zhihu.com
作者：老豚晕糖
【知乎日报】千万用户的选择，做朋友圈里的新鲜事分享大牛。
点击下载
此问题还有 18 个回答，查看全部。
延伸阅读：
程序化交易、算法交易、量化投资、高频交易、统计套利，这些名词之间的关系是怎么样的？
国内的对冲基金如何实现动量交易和反转交易？
