一次向一个朋友介绍我们公司的深度数据因子模型时，朋友问我，模型回测时间跨度是多长？我说，从09年1月1日到18年12月28日。朋友说了一句，那你们模型的训练样本太多，实测样本有点少。
当时听到这句话时有点懵，咋一听好像挺有道理，但是总觉得哪里不对。后来仔细一想， 这是把模型训练过程和模型回测过程混起来了。所以，我想用这篇文章，来说说我对这两个概念的理解。
模型是什么？
首先要说说模型的概念，英文单词model，可以用于多个领域，在wiki上，model这个单词分别从科学、技术、数学、心理学、经济等很多个不同的领域进行了不同的定义。
当然，本文提到的模型，仅仅限制在投资领域。那么模型到底是什么呢？
模型可以是一个函数
比如下面这个公式：
y = f ( x1, x2, x3, ......xn)；
一般而言，函数的输入往往会有多个参数（维度），而输出的结果如果只专注一个单一的目标，那么结果就只有一个，比如我们公司提供的护城河因子就只有一个结果——护城河评分；而如果关注的目标有多个，比如投资评级变动因子，其目标除了投资评级变动评分以外，还有过去一段时间内给出投资评级的机构数目，那么这样的模型结果就是一个由多个数值组成的数组。
模型的创建一定需要训练样本吗？
我们平常使用的量化因子数据其实就是通过不同的模型创建出来的。
举个例子，我们想依据上市公司的财务表现给每个股票的护城河属性进行打分。
假如我们可以考虑的输入参数是ROE，ROIC，毛利率，净利率，输出结果是0～5之间的一个数。一种简单的做法是，利用专家的业务经验和相关的金融模型等，拟合一个函数，这种做法不需要训练样本；另一种做法是，挑出一大堆包括ROE，ROIC，毛利率，净利率数据的样本数据，接着由专家在0～5分之间打分，然后再用这堆样本数据，用人工智能算法去训练这个函数，这一堆样本数据就是训练样本。
模型也可以是量化程序。
量化程序往往是一个比较复杂的模型，一般会使用大量的数据，并结合业务逻辑，以交易获利为目的，这种模型更合适的叫法应该是策略，或者更精确点，叫量化策略（区别于主观交易策略）。
回测的作用是什么？
量化策略效果怎么样，最直接的做法，就是利用历史数据进行回测，所以回测的作用，就是用来查看量化策略在历史上的表现情况。如果回测表现不佳，那么说明量化程序还需要改进。只有在回测表现符合预期之后，才能进入实盘验证阶段。
当然，如何检查回测的表现，这也是一个比较专业的活，需要另外再写一个文档来介绍。
最后总结一下本文的观点：
1 并不是所有的模型创建都需要用到训练样本，只有通过人工智能方式创建的模型才需要使用；
2 模型可以是一个函数，也可以是一个以交易获利为目的的量化交易程序；
3 量化交易程序模型更适合的称呼是量化策略，回测是用来检验量化策略效果的最直接的方法。