绝大多数独立交易者和初级量化研究员的日常工作状态是混乱的：浏览器里开着几十个财经网页，Jupyter Notebook 里堆满了没有注释的代码块，本地文件夹里塞满了命名为 `data_final_v2_new.csv` 的临时表格。
看到回测曲线陡峭向上就欣喜若狂；一旦实盘跑起来严重回撤，想回头复盘，却连当初到底用了哪份数据、扣没扣交易手续费、前后试了多少组参数才挑出这个‘最优解’都记不清了。
没有严谨的过程留痕，交易研究就沦为了凭运气的‘数据挖掘’与‘过度拟合’。本文为你提供一份轻量、模块化且立即可用的 8 步交易研究日志模板，帮你建立真正经得起推敲的研究习惯。
TL;DR
一份具备审计价值的交易研究日志（Trading Research Notebook），必须在写代码前与回测结束后，忠实记录整个策略假设的演化全貌。它包含 8 个核心字段：(1) 核心研究问题、(2) 经济学逻辑假设、(3) 数据源与版本、(4) 交易摩擦假设、(5) 测试参数与试错总次数、(6) 样本内外测试结果、(7) 明确的已知局限性、(8) 下一步待验证假说。这套流程能彻底阻断用事后诸葛亮视角美化数据的心理偏误。
| 模板模块 | 核心填报目的 | 实战填报参考范例 |
|---|---|---|
| 1. 核心研究问题 | 本次实验具体要探究哪一个清晰可测的市场现象？ | “在沪深 300 蓝筹股中，股价创 20 日新高后是否具备持续动量超额？” |
| 2. 经济学假说 | 为什么这个超额逻辑在现实商业世界中应该合理存在？ | “机构建仓需多日分批算法执行，导致价格突破初期存在反应不足与动量延续效应。” |
| 3. 数据源与范围 | 精确记录使用了什么数据资产、跨度与清洗版本 | “2016-2024 年日 K 线数据，前复权，Tushare API 2026-09-01 归档快照，剔除 ST 与停牌个股。” |
| 4. 摩擦成本假设 | 实盘执行时考虑了哪些现实摩擦？ | “双边万分之三佣金、单边千分之一印花税、次日开盘价计入千分之一滑点。” |
| 5. 参数与试错总数 | 如实记录尝试过的参数组合数与被废弃的方案 | “突破周期设为 20 日；此前尝试了 5 日、10 日、60 日共 3 组被废弃（回撤超 25%）。” |
| 6. 样本内外检验 | 策略是否在未见过的后续新数据中依然成立？ | “样本内夏普比率 1.42 (2016-2021)；样本外夏普比率 1.05 (2022-2024)，最大回撤 16%。” |
| 7. 已知局限性 | 这个模型在什么极端市况下必定会失效挨打？ | “在震荡横盘市中极易反复被假突破多空双巴；未考虑微盘股极端流动性锁死风险。” |
| 8. 下一步验证 | 下一个具体的证伪实验是什么？ | “引入全市场成交量均线作为过滤开关，测试能否压降震荡市的假突破磨损。” |
严防研究自欺欺人的四条铁律
- 动代码前先写假设：如果对着已经跑出来的 K 线形态反向倒推‘解释理由’，你就是在纯粹的看图说话与曲线拟合。假设必须先于回测落笔。
- 如实记录试错分母：不加惩罚地测试数十上百组参数组合，会极大地推高数据窥探与过度拟合风险。如实记录被推翻的试错次数，是评估最终策略是否具备统计显著性的关键。
- 数据切片严格版本锁定：不要直接在一个经常被覆盖更新的共享数据库上跑策略，必须固化测试当天的静态数据快照。
- 模板力求 5 分钟可写完：好的流程是轻量化的。把日志格式精简成一个 Markdown 模版，如果每次记录都要花半小时写大论文，没有任何人能坚持下来。
常见疑问解答
主观趋势交易者没有写代码，也需要用这个模板吗？
非常需要。主观交易者在复盘‘均线突破’或‘形态收敛’时极易陷入选择性记忆。用这套模板预先写下入场条件与历史抽检范围，能彻底杜绝‘主观只看赚钱案例’的心理偏差。
量化策略代码和研究日志如何优雅地做版本联动？
在 Git 代码仓库中建立一个 `research/` 目录，每次跑完实验，将对应的 Git Commit Hash（如 `commit 4ca6105`）直接粘进日志的‘参数与环境’一栏，随时一键重现当时的代码环境。
如果一个策略经过样本外测试完全失败了，这份日志还有留着的价值吗？
价值极高！量化团队最宝贵的资产之一就是‘失败实验库’。记录失败能让你在半年后不会重复掉进同一个看似诱人的技术陷阱中。
