Paper Alpha（纸面 alpha）是量化交易中的术语，指在回测或理论计算中获得的收益，未考虑实际交易成本。
Paper Alpha=理论收益−基准收益
与 Realized Alpha（实盘 alpha）的区别：
Realized Alpha=Paper Alpha−Slippage−Fees−Market Impact
| 指标 |
数值 |
| Paper Alpha |
+$2,000,000 |
| 交易手续费 |
-$500,000 |
| Slippage |
-$2,500,000 |
| Realized Alpha |
-$1,000,000 |
核心问题：模型过度拟合 LOB 微观噪声，产生大量虚假信号，导致过度交易。
- 模型在训练数据上表现完美
- 但在实盘数据中失效
- 尤其常见于高自由度模型（深度学习）
- 使用未来信息做决策
- 回测中"预知"未来，实盘中无法做到
- 回测假设完美执行
- 忽略 slippage、手续费、市场冲击
OOS R2=1−∑test(y−yˉ)2∑test(y−y^)2
在回测中纳入：
- 固定手续费（per trade）
- 比例手续费（percentage）
- 估计 slippage（基于订单大小）
滚动窗口训练和测试：
[Train][Test] -> [Train][Test] -> [Train][Test]
- 使用实时数据但不实际执行
- 观察模型在真实市场环境下的表现
- 比回测更接近实盘，但仍不完美
| 维度 |
简单模型 |
深度学习（未优化） |
| Paper Alpha |
通常较低 |
可能很高 |
| 交易成本占比 |
低（交易频率低） |
高（交易频率极高） |
| Realized Alpha |
接近 Paper Alpha |
可能为负 |
| 行业生存率 |
高 |
低（很多"死掉"） |
"paper alpha 收益：正两百万美金。付给 broker 的交易手续费和 slippage：负三百万美金。"
关键原则：
- 任何策略评估必须考虑交易成本
- 高频策略尤其需要精确的 slippage 模型
- Paper Alpha 高 ≠ 实盘能赚钱
创建于：2026-06-11
*来源：栀染《量化交易的深度学习困境》