怎么把投资收益提高一倍，改一个参数就行，就能把量化策略收益提高一倍。比如这个策略，原来的收益是7.1倍。
我修改了一下时间参数，把5月份交易改成了7月份交易。策略收益一下子变成了13.75倍。
其实，从回测曲线上，把策略收益提高一倍很容易。别说一倍了，就是几倍甚至更多，也是很有可能的，只要不断优化参数就行。我们看到的收益率奇高的量化策略，大部分都是优化参数的结果，我们管这个叫做过度拟合。
那么，怎么分辨出哪些是过度拟合，哪些是合理优化。回测曲线可能差不多，哪个可以用于实战，哪个不行。
我举个例子，我之前文章中曾经提到过的一个策略：高分红高ROE策略。
这个策略每年只有一个时间会触发买点，那就是5月。为什么定在5月，因为这个策略要获取分红数据，要从年报中获取，而制度规定，年报必须在4月底前发布。所以最早在5月份，我们能够拿到这个数据。
那么如果我们对于5月这个时间参数进行优化，会怎么样呢。假定都买入5只股票。回测时间都是2007.12.31至2021.5.1，策略表现如下：
可以明显看出一个情况，时间参数为5-6月的回报率，远低于7-10月的回报率。差了将近一倍。
也就是说，我之用该一个小小的参数，从5改成7，回报率马上就能提升一倍。
有人说，2008年正值大幅下跌的熊市，晚点买当然亏得少，对应收益率自然也就上来了。不可否认，有这个因素。但是这个原因，无法解释，为什么6月和7月的收益为什么差这么多。
这就要回到策略本身上来。
我们之所以用最近两年的累计分红作为影响因子，是因为近两年能够大手笔分红，说明仅两年收益良好，处于比较好的发展状态中，后续大概率会延续这种状态。
5月1号，有了年报数据，但是年报数据中的分红信息，是在分红实施之后才有的。也就是说，如果是时间参数是5月，那我们实际上用的分红数据是大前年和前年的汇总数。而时间参数是 7，那个时候很多分红已经实施完成了，我们实际使用的数据是前年和去年的汇总数。
这么看来的话，就能够解释为什么7月的参数，比5月的参数好了，因为更能反映企业最近的发展情况。
对于这种参数的优化，我们认为是合理的，是值得和应该做的。
我有个观点，做量化，思考原理的能力，比codeing的能力重要的多。如果优化的参数，是基于很强的逻辑推理的，那么就是对于量化策略的优化。
反之，不以找到真正的影响因子为根本，而是各种拟合参数，做出好看的曲线。那就是假的，比垃圾还没有价值。
