那天晚上一个做程序员的哥们给我发消息说他用 Python 写了个简单的量化策略回测下来年化收益率能到 80%兴奋得不行。我问他“你这策略最大回撤多少夏普比率多少有没有做过样本外测试”他愣了一下说“这些是啥收益率高不就行了吗”这个场景太典型了。很多人刚接触量化交易时眼里只有收益率这个单一指标却忽略了更重要的东西——稳定盈利的能力。量化交易的核心从来不是追求某一年翻几倍的暴利而是构建一个能够持续产生正收益的系统。这个系统可能年化只有 15%但它能在市场波动中保持稳定不会因为一次黑天鹅事件就崩盘。今天我们就从三个核心概念入手——正期望值、夏普比率、海龟策略聊聊为什么“稳定盈利比暴利更重要”。1. 正期望值量化交易的基石为什么高胜率不等于赚钱很多人有个误解胜率越高的策略越好。比如一个策略 10 次交易能赢 8 次听起来很厉害吧但如果那 2 次亏损的金额远大于 8 次盈利的总和最终你还是亏钱的。这就是正期望值Positive Expected Value概念的重要性所在。1.1 期望值不是猜涨跌而是赔率与概率的平衡期望值的计算公式很简单期望值 (平均盈利 × 盈利概率) - (平均亏损 × 亏损概率)但理解这个公式背后的意义比记住公式本身更重要。举个例子假设你有两个策略策略 A胜率 80%平均盈利 100 元平均亏损 500 元策略 B胜率 40%平均盈利 500 元平均亏损 100 元单纯看胜率策略 A 完胜。但算一下期望值策略 A 期望值 (100 × 0.8) - (500 × 0.2) 80 - 100 -20 元策略 B 期望值 (500 × 0.4) - (100 × 0.6) 200 - 60 140 元策略 A 每笔交易预期亏损 20 元策略 B 每笔交易预期盈利 140 元。高胜率反而亏钱低胜率反而赚钱——这就是期望值的反直觉之处。1.2 正期望值系统的三个特征一个具有正期望值的交易系统通常具备以下特征盈亏比合理平均盈利与平均亏损的比值至少大于 1理想情况下在 2:1 到 3:1 之间。这意味着即使胜率只有 40%只要抓住一次大行情就能覆盖多次小亏损。止损明确每笔交易都有明确的退出条件不会让亏损无限扩大。这是控制“平均亏损”的关键。一致性执行系统不会因为一两次亏损就随意修改规则。正期望值是在大量交易中体现的统计规律单次结果具有随机性。注意正期望值不代表每笔交易都赚钱它描述的是长期统计意义上的盈利预期。就像抛硬币正面赢 1 元反面输 0.5 元虽然单次结果随机但长期一定盈利。1.3 如何验证你的策略是否有正期望值最直接的方法就是回测。但回测时要注意几个坑避免过度优化在历史数据上把参数调得太完美可能导致在未来数据上失效。考虑交易成本手续费、滑点等实际成本会显著影响期望值。样本外测试用没参与过参数优化的数据验证策略效果。如果你的回测结果显示期望值为负不要急着放弃。可以分析是胜率太低还是盈亏比不合理然后针对性调整入场、止损或止盈策略。2. 夏普比率衡量性价比为什么收益率不是唯一指标假设有两个策略策略 X年化收益率 50%但波动巨大最好时赚 80%最差时亏 30%策略 Y年化收益率 20%但走势平稳最大回撤不超过 5%哪个策略更好如果你只能选一个投入真金白银很可能是策略 Y。因为策略 X 的波动性可能让你在最低点被迫止损出局根本享受不到长期的高收益。这就是夏普比率Sharpe Ratio要解决的问题衡量每承担一单位风险能获得多少超额回报。2.1 夏普比率的计算与解读夏普比率 (投资组合收益率 - 无风险利率) / 组合收益率的标准差简单理解分子代表你冒风险获得的额外收益分母代表你承担的风险大小比值越高说明风险调整后的收益越好一般来说夏普比率 1性价比一般1 夏普比率 2还不错夏普比率 2相当优秀夏普比率 3可能是过度优化或未来难以维持但要注意夏普比率也有局限性假设正态分布金融市场收益往往不服从正态分布存在肥尾效应极端事件概率高于理论值。对波动率平等看待上涨的波动和下跌的波动都被视为风险这有时不太合理。依赖无风险利率不同市场的无风险利率选择会影响结果。2.2 夏普比率在实战中的三个应用场景策略筛选当你有多个正期望值策略时优先选择夏普比率高的。比如一个年化 15%、夏普 1.5 的策略通常比年化 25%、夏普 0.8 的策略更值得投入。仓位管理夏普比率可以帮助确定最优仓位。凯利公式的一个变种是f (预期收益率 - 无风险利率) / 收益率方差。夏普比率越高理论上可以承受的仓位越大。组合构建将夏普比率高且相关性低的策略组合在一起可以进一步提升整体夏普比率。这就是所谓的“策略多元化”。2.3 避免夏普比率的误用最常见的问题就是过拟合Overfitting。如果你在历史数据上不断调整参数总能找到一个夏普比率很高的组合但这可能只是巧合。检验是否过拟合的方法样本外测试用完全没碰过的数据验证滚动窗口回测在不同时间段测试策略稳定性简化参数参数越少的策略通常越稳健记住夏普比率是评价历史表现的指标不代表未来一定如此。市场环境变化可能让曾经有效的策略失效。3. 海龟策略经典案例如何构建稳定盈利系统海龟交易法则可能是量化领域最著名的公开策略之一。1983年著名商品交易员理查德·丹尼斯与他的朋友威廉·埃克哈特打赌赌注是“伟大的交易员是天生的还是可以培养的”。丹尼斯认为可以培养于是招募并训练了一批“海龟”这些人在随后四年中取得了年均复利80%的收益。海龟策略的成功完美诠释了如何通过系统化方法实现稳定盈利。3.1 海龟策略的核心逻辑海龟策略本质上是一个趋势跟踪系统基于以下几个核心原则市场选择选择流动性好、趋势性强的市场当时主要是商品期货。仓位规模使用“N值”平均真实波幅确定仓位波动大的市场仓位小波动小的市场仓位大保证每个市场风险暴露一致。入市信号系统120日突破入场短线系统255日突破入场长线退出规则系统110日反向突破离场系统220日反向突破离场风险控制任何单笔交易最大风险不超过账户总资金的2%。这个系统的精妙之处在于它不预测市场方向而是跟随趋势。当趋势出现时它能够抓住当趋势反转时它能够及时退出。3.2 海龟策略为什么能稳定盈利正期望值来源海龟策略的胜率并不高大约只有35%-40%。但它的盈亏比很高一次大的趋势盈利可以覆盖多次小的止损亏损。这就是典型的“低胜率、高盈亏比”策略。风险控制机制2%的单笔风险限制确保了不会因连续亏损而爆仓。即使用一个只有40%胜率的系统连续亏损10次的概率也只有0.6^10 0.6%在可接受范围内。系统性执行海龟们被要求严格按规则交易克服情绪干扰。这是系统能够长期有效的关键。3.3 海龟策略的现代启示虽然原始的海龟策略在今天的市场中直接使用可能效果有限市场结构变化、参与者增多但其思想仍然有价值趋势跟踪仍然有效市场总会存在趋势只是表现形式和持续时间可能变化。风险管理是核心无论策略多好没有严格的风险管理都可能失败。系统化胜过主观判断用规则约束情绪才能保持一致性。如果你想在自己的交易中应用海龟思想可以考虑修改突破参数适应不同品种结合其他指标过滤假突破调整仓位管理方法适应个人风险偏好关键不是照搬具体规则而是理解其背后的逻辑如何构建一个具有正期望值的系统并通过严格的风险控制使其能够长期稳定运行。4. 从理论到实践构建你自己的稳定盈利系统了解了正期望值、夏普比率和海龟策略后如何将这些概念应用到自己的交易中下面是一个四步框架。4.1 第一步策略设计——找到你的边缘每个盈利策略都需要一个“边缘”Edge也就是相对于市场的优势。这个优势可能来自信息优势更快获取或处理信息对个人投资者较难分析优势更好的数据分析方法行为优势利用市场参与者的非理性行为系统优势更严格的风险控制和执行纪律对于大多数个人投资者最现实的是从行为优势和系统优势入手。比如你可以设计一个均值回归策略利用市场短期过度反应或者设计一个动量策略跟随机构资金流向。关键问题是你的策略为什么应该赚钱如果回答不了这个问题很可能你只是在随机赌博。4.2 第二步回测验证——用数据说话但不要过度拟合回测时遵循以下流程数据准备获取高质量的历史数据包括价格、成交量、财务数据等。注意处理分红、拆股等公司行动。初始回测用较长时间段如5-10年测试策略基本表现。关注核心指标年化收益、最大回撤、夏普比率、胜率、盈亏比。参数优化如果初始结果尚可可以适当优化参数。但要遵守“钝化”原则——参数不应该太敏感附近的值表现差不多才是好参数。样本外测试用优化后完全没见过的数据验证。如果样本外表现明显差于样本内可能是过拟合。稳健性检验在不同市场环境牛市、熊市、震荡市、不同品种上测试策略适应性。回测最大的陷阱是“未来函数”Look-ahead Bias——不小心使用了当时不可得的信息。比如用全年数据计算均线然后在一月份交易。4.3 第三步实盘演练——从小开始逐步放大回测通过后不要立即投入大量资金模拟交易先用模拟账户运行1-3个月检验实际执行情况估算滑点和冲击成本。小资金实盘投入你能完全承受亏损的资金比如总资金的5%-10%运行3-6个月。逐步加码如果小资金实盘表现与回测基本一致可以逐步增加资金规模。这个过程中最重要的是记录每笔交易分析实际与回测的差异。常见的差异来源实际交易成本高于假设流动性不足导致无法按理想价格成交心理因素影响执行纪律4.4 第四步持续优化——保持系统的适应性市场在变策略也需要相应调整定期回顾每月或每季度回顾策略表现检查核心指标是否显著恶化。环境分析如果策略持续亏损分析是正常回撤还是市场环境已不适用。谨慎改进对策略的修改要谨慎避免频繁调整导致失去一致性。策略轮动准备多个不同逻辑的策略根据市场环境调整权重。记住没有永远有效的策略但有永远有效的原则——正期望值、风险控制和纪律执行。5. 常见误区与进阶思考在量化交易的学习过程中有几个常见误区需要特别注意。5.1 误区一追求完美策略很多人总想找到“圣杯”策略——高胜率、高盈亏比、低回撤、适应所有市场环境。这种策略不存在因为金融市场本质上是概率游戏。更好的思路是接受策略的不完美通过组合和风险管理来应对不同情况。比如趋势策略在震荡市会亏损均值回归策略在趋势市会亏损但将它们组合可能得到更平滑的收益曲线。5.2 误区二忽视心理因素即使有正期望值的系统很多人还是亏钱原因是无法坚持执行。常见的心理陷阱亏损厌恶不愿意止损希望价格能回来盈利恐惧过早止盈害怕利润回吐确认偏误只关注支持自己判断的信息近期偏好过分重视最近的经验系统化交易的一个重要价值就是帮助克服这些心理偏差。但系统本身也需要考虑人性因素——如果一个策略最大回撤50%绝大多数人都无法坚持。5.3 误区三低估技术实现难度理论上有效的策略在技术上可能难以实现数据质量历史数据可能有错误、缺失或幸存者偏差执行延迟从信号产生到订单成交有时间差系统稳定性交易系统需要7×24小时稳定运行合规风险某些交易策略可能触及监管红线对于个人投资者从简单的策略开始使用成熟的框架如vn.py、QuantConnect等可以降低技术门槛。5.4 量化交易的未来与个人投资者的机会随着AI和机器学习的发展量化交易正在进入新阶段。但对于个人投资者我不建议一开始就追求复杂的机器学习模型原因数据需求大好的机器学习模型需要大量高质量数据过拟合风险高模型越复杂越容易过度适应历史数据解释性差黑箱模型难以理解失效原因个人投资者的优势在于灵活性和专注度。你可以专注于某个细分领域如特定行业、特定模式开发适合该领域的策略。大规模机构由于资金容量限制往往无法在这些小领域有效运作。量化交易的本质是用科学方法寻找市场中的规律性机会并通过系统化执行将其转化为稳定收益。这个过程需要耐心、纪律和持续学习但回报是值得的——不仅是金钱上的更是认知上的提升。真正优秀的交易者不是那些某一年收益率几倍的“明星”而是那些能够持续10年、20年稳定盈利的“寿星”。而要做到这一点理解并践行“稳定盈利比暴利更重要”这一原则是必不可少的起点。