问题:如何判断一个程序化策略失效还是正常失误，如果失效的话，如何判断是需要调整参数还是完全放弃策略?

回答:此问题确实关键而难以抉择，可藉由实务界的经验规则，或学术界的量化检验。首先谈实务界的规则， 根据RobertPardo(在国外系统交易界还算有名的一个人)的建议是这样的，如果一个交易系统是经过良好的design,良好的最佳化，没有over-fitting的情形：

1.如果是用2年的历史数据来设计出来的系统，而且在这2年的历史数据都有不错的表现的话，应该会有6-12个月的生命周期。

2.如果是用5年的历史数据的设计出来的系统，而且在这5年的历史数据都有不错的表现的话，应该会有1-2年生命周期。

这个答案可以参考，但我觉得时空背景不同，不能一概而论，且没有科学根据(在该篇文章的后续讨论串中，我也做了响应)，但提供一个可以接受的观念，「回测期间与可用期间成正比」，一般做当冲、短线、高频交易，回测只需取前几天。即，你使用的周期越小，持仓的平均时间越短，那就可以用越短的数据来进行测试，这也是古期在培训课程中有讲过，日内交易的，一般测式一年的时间是够用的，但隔日的，就要两年或以上的原因。

另一个较科学方法是使用统计检定，依据要检验的统计量，做均值、变异数与比例值的检定，用简单的话(不带学术术语)说，如果要确定该策略之「历史回测过程报酬率序列」(例如回测期间交易的报酬分别为10%,14%, 8%, -3%, 5%, -7% ….)，与「运用策略以后的报酬率序列」(-2%, 5%, -6%,3%...)间有无「明显」变差(一般所谓明显通常意指95%的可能性)，则做所谓的「均值检定」;均值检定如果样本数(即前述的报酬率值数目)小于30采取小样本，大于等于30采大样本检定，因为如果要等到策略运用过程收集到30个样本，恐怕亏损连连了，因此通常采取小样本。

再则，策略运用过程报酬是依序产生的，有2个报酬就可以作检定了(验证是否失效了)，但此统计方法在样本不足时也不会遽下定论，因此只要顺着产生的报酬数据依序带入检定，检查是否碰到临界值(失效的界线)或P值(依然维持原有绩效的可能性)，就可以决定是否放弃该交易模型了。(同理，也可以用变异数检定检定风险特性是否改变，用比例检定检定胜率是否改变)。

以上这种方法不太适用普通投资朋友，因为他的计算繁杂本身就是一个较大难度。所以，对于策略的失效与否，不妨用实盘中的一些数据，如近一个月远差于策略以往测试，连续两个月远不如策略以往测试数据的话，就可以基本认为失效了。

至于失效以后如何呢?

有些人认为，应该修改参数，有些人，认为应该放弃策略。我这人较中庸，古期认为，要按照你建立策略的思路来分析对待。这个范围太广了，这里不好讲。但我坚决反对，为了测试数据，胡乱用什么软件功能上的参数优化，那个得出的数据，很多会使得参数过从优化，而使得未来效用不大，甚至反效用。策略参数，思路的制定，我主张比历史经验，平常经验中提取。

至于可否使用时间数列方法，我认为因为是非定频时序数据，除非这领域的方法有突破(而我不知道)，否则用处不大。