3.效率与权重的对应问题可以极度复杂，也可以极度简单。由于E本身取值就处于［0，1］的范围，所以按照效率越大，越接近短期均线的方式，我们完全可以让w=E。但这一武断指定会让我们觉得多少有些不妥。一种替代方案是：“效率E本身数值小的时候，对应的变化可以不敏感；效率E较大时，对应的变化敏感。”这替代方案似乎有些道理，但仍然对数值大小本身产生歧视。更进一步的，我们可以让效率E在数值较大和较小的阶段都对应变化不敏感区域，而在中间对应敏感区域。必须承认，笔者的第一感觉是这里的可选范围很广。但结合笔者有限的数学修养，最终采用如下形式围绕这个函数，有一个令人捧腹的故事，这对一个枯燥、无趣的过程来说异常珍贵。笔者感谢王凡和周边被骚扰的同事。
y=∫（x·（1—x）ndx∫10（x·（1—x）n）dx
此处，我们假设n为正整数，函数会具有如下形式：
∫（x（1—x）n~dxΓ（n~+1）Σn~—kI=0（—1）—kI（n~+1+—kI）Γ（1+—kI）Γ（n~+1——kI）
当然，由于我们只关心区间［0，1］，并且对于参数n的选择仅需要少数的几个值，所以函数的具体形式也并不十分的悲摧。在稍后我们还会比较在无此对应关系的情况下的收益率情况。
4.不要小看了最后一步，如果这一步选错了校验方式，则之前所有的工作意义都将大打折扣。回忆一下之前的三个步骤，除在第一步选择优化目标时可以选择此处的校验方式，其余皆没有硬性要求。考虑到这是单一指标体系，故基于交叉的方式来判断校验条件的激发并不合适。最先闪过的念头包含两个方式：（1）基于价格与自适应均线的位置关系进行确定。例如，价格在自适应均线之上就确定为买入并持有状态，如果价格在自适应均线之下就确定为卖出并空仓的状态。（2）自定义折点，并在自适应均线折点起向上的阶段确定为买入并持有状态，在向下阶段确定为卖出并空仓的状态。由于自定义折点又涉及到多引入参数，笔者的第一个反应是采用第一方案。读者如果还记得笔者在之前章节评价“神奇的大××”时给出的收益率与参数的对应关系图，就一定不会惊讶该指标参数收敛于中短期水平。毕竟两者的校验方式相同。这并不正常，毕竟自适应均线的精华就在于指标的主动调整，收敛于单一参数绝对不是预期中的结果。
问题出在哪里？第1步和第4步隐含逻辑的不自洽！效率指标E的任务是快速捕捉市场的变化，而校验模式却采用了一种倾向忽略市场变化的规则实施。这两者之间的不协调必然导致效率指标的作用被弱化，尤其以收益率为优先考虑的结构下更是如此。剩下的问题借鉴意义就十分有限，笔者也不赘述于此了。但相信读者却在这里有了一个警惕，越是复杂的系统，各步骤相关联的部分就越容易暗藏陷阱。这也是笔者从来都不反对简单的策略靠数量取胜模式的原因之一。参数越少，背后的逻辑冲突的可能也往往越少。在一个都是基于概率支撑的体系下考虑策略执行，过分迷信于复杂度并没有明确优势。围绕着目标，越直接的方式往往越有效。
下两图为在佣金费率和印花税均为1.5‰的水平进行的校验测试，本模型依照采用的综合形态不同，涉及4—5个参数。其中部分参数的取值较为稳定。但通过图14和图15的比较，不难发现一个问题：“效率对应下的最优表现与非效率对应下的最优表现并不重合！”如果我们采用单一参数优化的形式，在两者的选择上，很有可能选择收益率接近3.6的参数组并进一步质疑效率对应步骤的意义。但从另一个角度来说，该单点值过于跳跃，使得我们会从敏感性的角度产生不安。而效率对应过后的优良区域表现更为稳定。这从另一个层面对模式的微小迁移给出了容错空间。2.9的收益率实际上也并不逊色，在有容错缓冲的情况下就更值得使用。另外，我们需要说一下买入并长期持有的策略收益为1.38。从这个层面来说，该算法已经完成了自己的任务，并较好地向读者阐明了笔者的观点。
当然，这还仅仅是过了算法评估的第一个关卡。接下来我们还要对一些具体的指标进行分析，下表以无效率对应的最优收益率策略设置为例，简述了常用的策略算法衡量指标。由于衡量标准较为简单，笔者就不再浪费笔墨。读者其实还能发现，这个策略本身的胜率并没有达到50%，但是并不必然表明该策略的意义有限。收益率有偏一直是我们强调的问题之一，原因可见一斑。
净收益3.633498总收益30.20668总损失0.120288年收益率1.137753
交易次数142胜利次数55失败次数87
最大盈利1.554011最大损失0.922253平均总收益1.063925平均总损失0.975951
最大连赢次数25最大连输次数56平均收益1.009127盈利损失比2.658066
（第四节）浅谈组合管理——联系beta的一个示例
仓位设置和组合管理往往在算法层级上有更高优先权，所以其重要性不言自明。实际上，这个领域不应当被分析手段局限，本节就采用常见的beta来作为一个引子，尝试打开这个缤纷的领域。实际上组合管理完全可以基于策略表现，而非本节这种基于一个指数表现的示例。
beta的兴起、“beta之死”与组合管理的一个应用
beta在20世纪70年代十分流行，华尔街围绕着这个概念产生过很多操作策略，如“预计上涨时高beta，预计下跌时低beta”。各大券商和信息供应商都提供自己的beta值估计（笔者念书的时候，上课的老师就以finance雅虎上的数据做过参考）。1992年法马和弗兰齐一个涵盖了30年数据的研究表明：“收益与beta之间的关系本质上没有说服力。”于是，什么“beta之死”之类的宣传又开始了新的浪潮。
其实，仔细想想这种“三十年河东，三十年河西”的交替真是一点意思都没有。人类社会总是能表现出一些不可理喻的现象。比如说某样东西好就希望它包治百病，说某样东西不好就恨不得让它永世不得翻身。笔者认为马尔基尔的评价是客观公允的，“即便beta与收益之间没有长期的相关关系，beta仍然可能是一种有用的投资管理工具。”由于国内市场已经存在了股指期货，对于大资金的管理来说，对冲风险已经是可行的了，所以基于beta的风险对冲方法也有很多走到了台前。不过笔者在这里尝试的是用beta来进行资产管理，这也算是为了佐证马尔基尔的观点吧。
这里虽然是基于beta来进行观点阐述，但是还是涉及到两个比较基准的问题：市场指数或基金指数。
尽管从逻辑上来说，基于股票型基金指数的比较更合乎道理，尤其是在beta本身反映了股票型基金作为整体的仓位信息时。但一个不能否定的事实是：“基金本身也需要与市场进行比较。”以股票市场指数为基准：经过前面第四章的介绍，读者可能对基金表现在市场极端上涨时刻容易弱于指数，而在市场极端下跌的时刻容易强于指数有所了解。部分原因来自于仓位的调整，实务中的判断依据也就是一个基于beta的估计值。但如何来判断仓位控制在整个过程中的作用却有些模糊。首先，A股市场近10年的表现以震荡为主，从上证指数总体涨幅即可看出这一现象。2009年9月至2011年9月（笔者写作此稿之时），上证指数仅有约4%左右的跌幅。这种数据结构，就直接的导致了近两年仓位策略的意义十分有限。形象的说，满仓股票和空仓持有现金的收益率相差太小。静态的看，高仓位和低仓位从本质来说不能很好的在收益率评价上进行区分当然，不能排除每个波段都能准确判断并进行仓位调整的极端成功案例。此种问题也同样出现在以股票型基金为参考对象的情况。所以公平的说，考虑2008年的极端行情并基于beta估计建立仓位调整策略严格来说，这个策略也是建立在笔者早年的工作上。由于当时代码书写采用了依托“worksheet”的模式，重写代码极端耗时，笔者就没有尝试更改已有工作。不过，“beta值本身波动性较大，需要经过平滑处理”；“一年要进行4次的最优化选择参数”；“数量化策略应用与分析应用会有不同”这三个大准则还是对读者适用的。其实，也还能基于这个估计做更为优化的策略，但笔者认为从说理的角度来说已经足够了，所以仅仅将估计值直接放在仓位调整输入上进行了校验。是权宜之计。
从2007年9月6日市场下跌开始计算至2008年11月7日，上证指数跌至32.40%，深成指跌至31.83%，沪深300跌至31%，中证股票型基金指数跌至44.44%。笔者通过beta粗略构建了一个仓位调整策略，在考虑到佣金费率的前提下，达到了44.08%的水平。这就意味着基于公开的指数，我们已经能够得到基金市场平均的仓位调整能力。基金经理仓位判断的部分信息已经被剥离了出来实际上，策略算法的魅力部分源于这个领域。研究员可以通过构建模型，尝试低成本的获取他人的“投资建议”。一旦能同本策略一样产生保险的效果，那对于算法池的整体效能提升将十分有帮助。不过这种领域相对较少，更多的是基于alpha策略和部分择时概念的beta策略。当然，这里有些概念交叉。
这个策略的意义显然还是明确的，在市场趋势不明的情况下，该策略的作用不明显，收益率更多的是建立在alpha策略或其他择时策略基础上的。一旦市场出现较大幅度的调整，我们的策略基本上可以保证与主动型管理基金的仓位判断同步，进而避免更大的损失。也正因如此，个人投资者相当于获取了专业投资人的仓位调整建议，并进而建立策略应对。从这个意义上来说，其更类似于一个“保险”。这也是本节将其纳入到示例范围的主要原因。
