极简主义：少即是多，专注比折腾更有效
本文仅用于教育与研究，不构成投资建议。
策略为什么会越改越复杂
一条均线规则遇到震荡亏损，于是加一个成交量过滤；又遇到一次假突破，再加 RSI；回测里某段行情仍不好看，于是继续加长期均线、波动率和宏观条件。
每个条件单独看都有理由。最后的问题却变成：到底是哪条规则在起作用？下一次表现变化时，又该改哪一个？
复杂常常不是从野心开始，而是从不愿接受策略有缺点开始。
多一条规则的真实代价
增加条件可能改善某段回测，也同时带来几项成本：
- 更多参数可以调，过拟合空间更大；
- 信号变少，需要更长样本才能观察；
- 交易逻辑更难解释，执行时更容易挑选性遵守；
- 数据缺失或定义变化时，故障点更多。
复杂策略并非天然较差。有些问题确实需要多个信号共同表达。区别在于，每一层复杂度是否解决了一个清楚、可验证的问题。
简单也不是越少越好
只写“价格涨了就买”当然简单，但不完整。极简不是删除必要条件，而是保留最少的一组规则，使策略仍能回答：
- 什么时候进入和退出；
- 仓位如何变化；
- 数据异常怎样处理；
- 失败时最多会暴露什么风险。
能用一句话解释策略很有帮助，但一句话不是质量证明。最终仍要看数据、成本和样本外表现。
加规则之前先做一个测试
当你想增加一个指标，可以先写下：
- 它要解决的具体问题是什么？
- 这个问题在多少个独立时期出现过？
- 不加这条规则，风险具体增加在哪里？
- 加入后，样本外表现和交易成本怎样变化？
- 它是否只是删除了几笔难看的历史交易？
最后一个问题尤其重要。看到结果以后再设计过滤条件，很容易把偶然事件包装成规律。
参数稳定，不等于参数神圣
参数需要一段稳定期，否则观察对象一直在变化。但“稳定”不是固定六个月或一年，也不是永远不改。
更可靠的做法是提前约定复核方式：什么时候检查、用哪些数据、什么变化值得重新研究。进入验证区间后，不再根据验证结果反向修改同一个版本；需要修改时，生成新版本并重新验证。
策略数量也会制造噪声
同时跟踪很多相似策略，会产生另一个问题：总能找到一条最近表现最好。频繁切换到近期赢家，看起来是在选择最优策略，实际上可能只是在追逐不同样本中的噪声。
是否只跟踪一套策略没有统一答案。多个策略有意义的前提是，它们承担不同任务，风险来源也确实不同。如果几套策略都持有高度相似的资产，只是参数略有不同，数量增加未必带来分散。
信息输入也需要边界
策略没有变化，不代表每天都需要寻找新的解释。新闻、群聊和收益截图可以进入研究清单，但不应直接变成模拟组合规则。
一个简单做法是把“研究”和“执行”分开：平时记录想法，在固定时间集中验证。这样既没有拒绝新信息，也不会让每条新闻都改写当前计划。
AI 最适合做什么
AI 很擅长列出更多指标和参数组合，这恰好也是风险所在。更好的用法不是问“还能加什么”，而是问：
- 哪几条规则表达了同一件事？
- 哪个条件删掉后结果几乎不变？
- 这次改进是否只发生在训练区间？
- 交易次数减少，是过滤了噪声还是错过了行情？
AI 可以帮助整理和比较，回测负责提供样本内证据。两者都不能保证新版本未来更好。
做一次减法复盘
选择当前最复杂的一套策略，画出每个条件对应的问题。凡是说不清用途的条件，先做删除测试，而不是立刻从正式版本移除。
复盘最后只需要留下三类结论：
- 必须保留：删除后策略含义或风险结构明显改变；
- 仍需验证：可能有用，但证据不足；
- 可以删除：主要改善训练期曲线，样本外没有稳定贡献。
说到底
极简主义不是迷信简单，而是要求复杂度自己证明价值。
一套策略可以不完美，也必然会有不擅长的行情。与其不断添加条件消灭每一段亏损，不如先弄清楚：哪些缺点是策略的代价，哪些才是真正需要修复的问题。
相关阅读：