"量化交易策略系统化测试"
量化交易策略的系统化测试是投资世界中当前非常流行的一种方法。然而，测试系统化交易规则通常通过回测进行，存在高风险的虚假准确性问题，由于数据挖掘偏差（DMB）存在于同时测试多个规则的历史记录中。
为了解决这个问题，现有的研究文献中提出了多种统计方法来检测和解决数据挖掘偏差问题。例如，Chordia et al. (2017)、Harvey and Liu (2014)、Novy-Marx (2016) 和 Peterson (2015) 等研究论文都讨论了这个问题。
本研究旨在对这些统计方法进行总体回顾，并将其应用于模拟测试中，以批判性地比较和评估它们的效果。关键词包括数据挖掘偏差、系统化交易、人工交易规则、回测、White 的现实检查、蒙特卡罗置换、家庭式错误率、虚假发现率、Hansen 的预测准确性测试、Corradi & Swanson 的扩展、Step-M 方法等。
在本研究中，我们将讨论系统化交易策略的测试方法，并对当前的统计方法进行评估。我们还将讨论数据挖掘偏差对系统化交易策略的影响，以及如何使用统计方法来解决这个问题。
系统化交易策略的测试方法主要有两种：一种是回测，另一种是 walk-forward 优化。回测是指使用历史数据来测试交易策略的效果，而 walk-forward 优化是指使用当前数据来优化交易策略。然而，这两种方法都存在数据挖掘偏差的风险。
为了解决这个问题，研究人员提出了一些统计方法来检测和解决数据挖掘偏差问题。例如，White 的现实检查方法可以用来检测数据挖掘偏差，而蒙特卡罗置换方法可以用来估算数据挖掘偏差的风险。
此外，研究人员还提出了一些方法来解决数据挖掘偏差问题，例如 Hansen 的预测准确性测试、Corradi & Swanson 的扩展、Step-M 方法等。这些方法可以用来评估系统化交易策略的效果，并解决数据挖掘偏差问题。
系统化交易策略的测试是一个复杂的问题，需要考虑多种因素，包括数据挖掘偏差、统计方法、交易策略等。为了确保系统化交易策略的效果，需要充分考虑这些因素，并使用适当的统计方法来检测和解决数据挖掘偏差问题。
