上周五我们讨论的是150元阈值下不同轮动日的影响，那么如果是无阈值，或者170元阈值、130元阈值的情况下会如何呢？我们先来看看最激进的无阈值：

和150元阈值类似，也还是差异很大，2018年1月3日轮动的一天，2020年的收益率高达惊人的190.09%，即使2021年也高达114.79%，但到了2022年一下子缩水乘1.99%，2023年截止到4月14日也只有2.12%，今年3个多月甚至跑输等权指数。即使其他日子轮动的没有那么惊人的收益率，但也是波动特别大。

我们再来看看170元阈值的结果：

依然是2018年1月3日开始轮动的一天效果最好，但依然是最近2年相对其他轮动日稍微差一点，虽然从最大回撤、夏普比例是在10个交易日轮动里表现最好的，但考虑到这2年的表现，就可能不是最佳选择了。均值回归现象依旧。

最后再看看最保守的130元阈值：

最佳日期似乎在2018年1月15日，最大回撤16.88%，夏普比例1.63，相对来说波动小很多了。

作为比较，我们在看看低价格和低转股溢价率双低排序的结果：

从数据上看，双低排序策略在前几年平均来说还能勉强可转债等权指数，但到了2023年就大幅度跑输了，有点和无阈值类似，简单的因子如果有效，市场会很快的抹平它的有效，只不过在A股这段时间可能很长。

我们再把无阈值、170、150、130阈值和双低排序不同日期轮动的平均值做在一张表里：

从上表我们看到，即使平均后，如果只看收益率，那么还是最激进的无阈值表现最好，2019年起平均累计收益率高达549.25%，年化收益率高达54.38%。但如果分年度看，是非常不均匀的，另外32.37%的最大回撤也偏大，夏普比例1.38%也不是最好的。相比较而言，150元阈值的最大回撤和夏普比例反而胜出。简单的双低排序似乎表现相对不佳。

从以上讨论可以看到，用全部数据来优化，很容易使得某一天轮动日对应的策略经过优化后存在过度拟合，从表现上看，就是稍微改动一下轮动日，回测的收益率就下跌，但如果下降的不多，这也是可以接受的。或者还有一种方法是把所有数据分成新老数据两段，，比如最近3个月的数据作为新数据，3个月前的作为老数据。优化因子的时候新数据先不参与，等优化确定因子权重后再观察新数据段的表现，这相当于把新数据段作为实盘了。即使这样，我们依然会遇到各种意想不到的问题，量化不是无脑，而是要动更多的脑筋。我相信将来AI会大有用武之地的。

本篇文章来源于微信公众号: 持有封基