氢氟酸-金鱼柒如果你跟我一样，最早接触量化交易时，以为“核心就是训练一个能预测涨跌的模型”，那这篇文章大概会颠覆你不少东西。这些年，我在股票、期货等市场里用Python写过交易策略代码，也试过用强化学习里的马尔可夫决策过程去搭框架，还折腾过机器学习那一整套东西。最后发现，真正长期稳定赚钱的量化管理者和个人交易员，并不是靠“算得准”。他们赢在三个反直觉的认知上——概率结构、无情绪执行、资金安全。这三个认知不涉及玄学，也不依赖内幕消息，全部可以用代码验证、用数学拆解。这篇内容我尽量写得直白些，适合有一定编程基础、正在认真思考量化交易本质的读者，也适合那些已经在跑回测但账户曲线始终不理想的人。读完以后你再回头看自己的策略，可能会觉得以前盯错了方向。
1. 第一层认知：算法交易的胜负不取决于能不能看对方向
1.1 从“预测市场”到“适应市场”：我们被骗了很久
我们从小接触的考试逻辑是：答对越多题，分数越高。所以顺理成章地，很多人第一次接触量化交易时，也把重心放在“提高预测准确率”上。仿佛预测对了明天的涨跌方向，就能赚钱。这个直觉渗透在大量网上的所谓“量化策略源码”里——这些代码往往拼命优化信号，试图在历史K线上多抓住几次上涨、多躲开几次下跌。
我在这个阶段停留了很久。我的第一个系统是用多因子打分选股票，再叠加几种常见的动量指标，分类模型跑了很多个，准确率一度调到了65%左右。我兴冲冲地把模型接到模拟账户里，跑了三个月，结果让人非常失望：净值并没有大幅增长，甚至在部分行情里出现连续回撤。后来我才慢慢意识到，市场不是一个“答对越多赚越多”的考场。市场是一个把无数人不同判断撮合到一起的复杂系统。任何单一模型能捕捉到的预测优势都很短暂，并且可能被其他因素迅速吞掉。
真正让量化交易成立的关键，不是准确率本身，而是你在“看对”和“看错”时，分别赚多少和亏多少。
1.2 期望值公式：量化交易真正在优化的目标
量化交易的底层逻辑，可以通过一个很基本的数学公式来描述：
EV = p × W - (1-p) × L
其中EV是期望收益，p是策略胜率，W是平均盈利金额，L是平均亏损金额。只有当EV大于0时，策略从统计意义上才值得被执行。这里的重点是，提高W/L的比值，往往比提高p更容易、更稳定。
我用过一段时间马尔可夫决策过程(MDP)去思考交易下单决策：把市场状态看成离散的若干状态，把买入、持有、空仓看成动作，用状态转移概率去求最优策略。理论上很漂亮，但落地时你会发现，模型对转移概率的估计误差很大。市场状态远比几个离散状态复杂，一旦状态概率估错，策略就会飘。与其把重心全押在“预测下一个状态”上，不如把模型目标改成“在某类状态出现时，保证盈亏比占优”。这是我从“预测思维”转向“结构思维”的一个关键节点。
1.3 一个被误解的事实：顶级量化基金胜率未必高
很多人不知道，不少以稳健著称的量化策略，单笔胜率其实不高。比如趋势跟踪策略，很多胜率只有30%-45%。它的利润来源不是“猜对的次数多”，而是让少数几笔大盈利覆盖多次小亏损，最后整体期望值为正。
为了直观，我经常用这个例子向朋友解释：
- 策略A：胜率70%，平均盈利100元，平均亏损300元，EV=0.7×100-0.3×300=-20元。长期执行必亏。
- 策略B：胜率40%，平均盈利600元，平均亏损200元，EV=0.4×600-0.6×200=120元。长期执行必赚。
你说策略A看得准，但它赚不到钱；策略B看错的时候比看对多，但结构里有正期望。量化交易的目标不是成为“神算子”，而是构建一个在数学上具备正期望值、并且能被执行到足够多次数的决策系统。一旦想明白这一点，你对“赚了多少次”的执念就会明显下降，转而关心“整体账户净值曲线”和“单笔盈亏结构”。
提示：评价策略时，先把准确率放到一边，算一下这个策略的期望值是否为正、盈亏比是否合理。如果盈亏比小于1:1，即便胜率超过60%，也可能是一笔亏钱买卖。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 第二层认知：最值钱的“算法”不是复杂模型，而是无条件执行
2.1 为什么实盘和回测差距巨大：人的情绪会扭曲决策
很多策略在回测里漂亮得像一条直线，一到实盘就崩。除了技术上的坑，更隐蔽的问题是执行者本人。我以前的毛病很典型：做多的单子刚刚有了点浮盈，就迫不及待卖出落袋，结果错过后面的主升浪；持仓亏损时又舍不得止损，总安慰自己“再拿拿就回来了”，结果一个小亏变成大亏。这类行为在心理学里有很多解释，比如损失厌恶、处置效应。翻译成人话就是：人在面对浮盈和浮亏时，心理状态完全不对称，很难机械执行“截断亏损、让利润奔跑”的原则。
量化交易最大的价值之一，就是让决策不再受心跳影响。你提前把规则写进代码，当价格触发止损位时，系统会毫不犹豫地执行，不会因为“我今天心情好所以多扛一扛”而改变规则。
2.2 策略规则公开，为什么赚钱的人还是少
以海龟交易法则为例，它的规则在几十年前就被公开了，核心的逻辑也不复杂：突破入场、ATR止损、逐步加仓。按道理，大家都可以把这个规则写成代码，让程序自动跑。可现实中能长期执行它的人依然很少。
原因之一是“忍受连续亏损的能力”。趋势跟踪类策略经常连续止损五六次甚至十几次，在长期没有明显趋势的行情中，账户净值会缓慢下滑。这时候，“坚持执行”在心理上极其痛苦。很多人在趋势来临前夜放弃了规则，结果错过了最大的那一段利润。算法没有情绪，它会一单一单地跟下去。正因为这种“笨拙的坚持”，才让统计学上的正期望得以实现。人的大脑很难安于这种钝刀割肉的过程，这正是量化系统的优势。
2.3 你需要的不是更好指标，而是更强纪律层
我自己早期花了大量时间优化技术指标，把均线参数从一个周期调到另一个周期，试图寻找“圣杯”。后来发现，策略模型本身是否足够复杂，远不如执行纪律重要。一个简单的突破策略，配合严格的止损和仓位管理，长期跑下来，往往好过一个复杂的、加入了各种过滤条件的模型。
这里的“纪律层”，在代码里就是状态机和风险管理模块。它负责回答三个最简单也最难的问题：当前有没有持仓？持仓信号什么时候失效？失效时退出多少？当我把注意力从“寻找更低错误率的信号”转移到“设计不会犹豫的退出流程”上后，账户表现才有了实质改善。
所以别再问“用什么算法才能在行情预测上更准”，先问自己：“我的系统能不能在连续亏损之后，依然按规则交易下一笔。”如果没有，再先进的学习算法都救不了你。
3. 第三层认知：收益曲线是风险控制的副产品
3.1 爆仓公式与资金曲线的“不对称性”
普通投资者最容易忽略的风险特征是：账户亏损和赚钱是不对称的。亏10%需要赚11.1%才能回本，亏30%需要赚42.9%才能回本，亏50%则需要翻倍。也就是说，回撤越深，翻本难度呈非线性上升。
有些策略胜率很高，比如马丁格尔式的加仓摊平方法。它不断在亏损后加倍仓位，只要中间有一次反弹就能把之前的亏损全部赚回来。这类策略在回测曲线里往往极其平滑，胜率可能高达90%以上。但它有一个致命弱点：遇到连续多次逆势行情时，需要的加倍资金会呈指数增长，账户可能在一次极端行情中被打穿。这就是“高胜率假象”背后的尾部风险。
量化交易里，敬畏这种尾部风险，比追求高胜率重要得多。如果你的系统没有定义“最坏情况下会亏多少”，那就说明系统还没完工。
3.2 凯利公式的启示：仓位不是越大越好
凯利公式给了一个如何在胜率和赔率已知时优化下注比例的思路：
f* = (bp - q) / b
其中f*是最优资金比例，b是盈亏比，p是胜率，q是败率(1-p)。这个公式在纯赌博场景里具备严谨的数学条件，但交易市场的胜率和赔率本身不是恒定值，所以不能机械地满仓使用它。但它给我们的启发非常深刻：**当优势存在时，也存在最优下注比例。超过这个比例，预期收益和风险结构会恶化。**仓位越大，不代表赚得越快，反而可能让一次回撤就淘汰出局。
我常跟人打一个比方：如果你有一个抛硬币正反各50%的游戏，每次猜对赢两倍，猜错亏一倍，理论期望值是正数。这时你是不是应该把所有钱押进去？显然不是。因为只要连续几次猜错，押进去的钱就归零，后面再有优势也和自己无关了。交易市场比抛硬币复杂得多，不确定性更高。所以单笔风险控制在账户净值的1%到2%，是一个在实战中很稳妥的经验值。
3.3 顶级机构真正下功夫的地方：组合与风险平价
不少公开报道提到，西蒙斯和他的文艺复兴科技公司长期业绩突出。大众很容易把它解读为“他们的预测模型极其强大”。但圈内人更看重的往往是大奖章基金严格的风险管理体系。即使是看似最赚钱的策略，也会用组合的方式分散到多种资产、多个子策略上，并对杠杆、回撤、相关性做严格约束。你几乎看不到哪个成熟的量化团队会把全部头寸押在单个信号上。
所以我的一个建议是：把你的策略想象成一个“风险预算系统”。每笔交易最大亏损是多少、相关性比较大的头寸一共占用多少总风险、账户达到多大回撤时要自动降杠杆，这些都可以量化为硬性规则。当风险边界清晰后，收益曲线反而是被“管理”出来的结果，而不是靠赌出来的结果。
4. 用一个趋势策略Demo验证上面三条认知
4.1 用Python实现一个最小趋势系统
纸上谈兵再多，也不如跑一段真实代码。我拿一个最小的趋势跟踪系统来说明。这个系统不需要机器学习模型，不需要LSTM，也不需要马尔可夫决策过程，只用均线和ATR止损。
python复制import pandas as pd
import numpy as np
# 假设df包含K线数据，字段包括 datetime, open, high, low, close
df = pd.read_csv("daily_bars.csv", parse_dates=["datetime"])
df = df.sort_values("datetime").reset_index(drop=True)
# 一、计算快慢均线
df["ma_fast"] = df["close"].rolling(20).mean()
df["ma_slow"] = df["close"].rolling(60).mean()
# 二、计算ATR(14)，用于设置出场止损
df["prev_close"] = df["close"].shift(1)
df["tr"] = np.maximum(
df["high"] - df["low"],
np.maximum(
(df["high"] - df["prev_close"]).abs(),
(df["low"] - df["prev_close"]).abs()
)
)
df["atr"] = df["tr"].rolling(14).mean()
# 三、生成信号：只做多
# 快线上穿慢线，产生买入信号；快线下穿慢线，产生卖出/平仓信号
df["signal"] = 0
df.loc[df["ma_fast"] > df["ma_slow"], "signal"] = 1
df.loc[df["ma_fast"] < df["ma_slow"], "signal"] = 0
# 关键：用 shift(1) 避免“用当天收盘信号当天交易”的未来函数
df["position"] = df["signal"].shift(1).fillna(0)
# 四、使用ATR动态止损模拟离场：
# 这里简化展示“价格跌破入场价 - 2倍ATR”的止损触发逻辑
df["entry_price"] = np.nan
entry = np.nan
for i in range(len(df)):
if df.loc[i, "position"] == 1:
if pd.isna(entry):
entry = df.loc[i, "open"] # 次日开盘价作为实际成交价
else:
stop_price = entry - 2 * df.loc[i, "atr"]
if df.loc[i, "low"] <= stop_price:
df.loc[i, "stop_trigger"] = True
entry = np.nan
else:
df.loc[i, "stop_trigger"] = False
else:
entry = np.nan
# 五、策略每日收益率
df["ret"] = df["close"].pct_change()
df["strategy_ret"] = df["position"].shift(1) * df["ret"]
df["cum_ret"] = (1 + df["strategy_ret"]).cumprod()
print(df[["datetime", "close", "ma_fast", "ma_slow", "position", "cum_ret"]].tail())
这段代码刻意不追求完整交易细节，重点在于呈现趋势跟随策略的基本骨架：信号、仓位、止损、逐日收益计算。
4.2 参数为什么这样设置：不懂原理的参数都是碰运气
上面用到了20日均线、60日均线，ATR周期是14。这些参数不是魔法数字，背后有考量：20日均线接近一个月的交易周期，适合捕捉中短期趋势；60日均线类似一个季度的趋势锚点，用来过滤一部分短期反复震荡。快慢均线的差，实质是衡量趋势的动能是否形成一定级别的延续。ATR14则是过去14根K线平均波动幅度的度量，用2倍ATR作为止损，既能容纳正常的市场噪声，又能在趋势反转时快速截断亏损。
当然，这些参数不是唯一的；你也可以用40/120，或者用动态波动率过滤。重要的是理解：参数只是一个工具，真正决定策略长期效果的是“是否顺势、是否截断亏损、是否敢于让盈利奔跑”。如果只在乎调出历史收益最高的参数组合，就容易陷入下一节要说的过拟合陷阱。
4.3 回测结果怎么读：除了收益率曲线，还要看四个检查点
很多新手拿到回测结果，只看总收益率和年化收益率。这两个数在样本内可以被优化得很漂亮，但也最容易骗人。我在评估一个策略时，至少会看四个检查点：
- 最大回撤：从净值最高点到最低点的损失幅度。若超过自己心理承受范围，策略会很难坚持。
- 盈亏比：平均盈利除以平均亏损。趋势策略盈亏比如果达不到1.5以上，说明盈利奔跑部分可能没做好。
- 交易次数：次数太少，统计意义不足。至少要有几十笔甚至上百笔有效交易，期望值才有意义。
- 连亏次数与恢复时间：策略连续亏损最大几次？需要多长时间创新高？这决定了执行过程的心理压力。
把回测报告当成产品说明书来看，不要当成“财富承诺”。一个好的回测，只是为了确认策略在统计层面具备正期望，并且你愿意长期按它执行。如果你把回测当成对未来的精确预测，那它迟早会给你深刻的教训。
5. 这些坑，让我差点把回测当真
5.1 过拟合：历史参数为什么会骗你
我在前几年经常犯一个错误：把策略参数丢进历史数据里反复搜索，每次都选收益率最高、回撤最小的那组参数。当时内心很有成就感，因为回测曲线实在太漂亮了。可每次一跑样本外数据，表现立刻跳水。原因很典型：模型记住了历史行情中的噪声，而不是真实的规律。
这就好比一个学生只背熟了某套模拟卷的答案，换一套新卷子分数就掉下来。防止过拟合的简单做法有几种：一是把数据分成训练集和测试集，在训练集上定参数，在测试集上看效果；二是做参数敏感性分析，检查参数如果偏移10%或20%，策略是否仍然稳健；三是尽量减少策略参数的数量。
提示：如果一个策略需要你微调很多参数、再叠加很多过滤条件，历史回测才能赚钱，那它大概率是个过度拟合的策略。真正稳健的策略往往逻辑简单，参数即使小范围改动，结果也不会差很多。
5.2 幸存者偏差与未来函数：两类最隐蔽的错误
幸存者偏差常见于股票标的筛选类策略。如果回测时使用的股票池只包含当前仍然挂牌的股票，而退市的股票从一开始就被剔除了，那么回测收益会被系统性高估。你以为自己找到了一套“永远上涨”的选股逻辑，其实只是站在了幸存者肩膀上。克服方法是使用包含退市股票的全量历史数据，或者用国证、中证等指数成分的历史快照数据。
未来函数则发生在代码不小心“偷看未来”的时候。最常见的一种，就是当天收盘信号用当天收盘价成交，但实际上当天收盘之后你才能确认信号，只能以第二天开盘价成交。我在前面示例代码里特意用了shift(1)处理仓位，目的就是避免这一错误。另一种未来函数发生在指标计算里，比如有些技术指标用到了未来N天的数据，回测中会有虚假的“精准逃顶”效果。
5.3 手续费和滑点：感觉不高的成本，会吞掉大部分利润
早期回测时，我常把手续费设得很低，滑点设为零。结果策略模块在回测里年化收益很诱人。实际模拟盘一跑，成交价格总是不如回测假设的那么理想——尤其在高频或快进快出的策略里，滑点可以直接抹平策略本就不高的边际利润。
我现在做回测时至少会加入万几级别的交易成本，并在价格上预留一定滑点。有人会认为这样太保守，但保守才是负责任。宁可回测收益看起来没那么刺激，也不要等到实盘被成本打击得怀疑人生。对于大多数中低频趋势策略，交易成本稍微高估一点，对最终结论不会伤筋动骨；但对于高频策略，成本假设一旦错误，回测结论基本失效。
5.4 从“重信号”到“重结构”的思维方式转变
如果你能看懂上面几个坑，就能理解为什么我一直强调：量化交易的核心竞争力不只是一个选时信号，而是一个完整的结构。这个结构包括信号逻辑、仓位逻辑、止损逻辑、成本和滑点假设、回撤处理机制。
大多数人把精力用来寻找一个“准确率更高的信号”——但市场里并不存在这种长期有效的圣杯。少数赚钱的人在做的事情，是把一个平平无奇的信号放进一个合理交易结构里，让正期望有足够多机会发挥出来。这个认知转变，才是很多个人交易者走向稳定盈利的分水岭。回头看我的经历，当我不再痴迷于复杂算法、不再把“预测准确率”当核心指标、把所有精力先放在风险框架和执行纪律上时，账户表现才真正发生了质的变化。
最后再分享一点经验——如果现在有人让我给刚入门的朋友提建议，我会说：不要急着堆模型，也不要被各类复杂名词吓住。先用Python把一个最朴素的趋势策略写完整，把止损、仓位、成本、回撤全部跑通，然后在模拟盘上让规则飞一段时间。这个过程会让你真切理解，量化的收益来自纪律和风险结构的合力，而不是某个闪闪发光的算法黑盒。等你能心平气和地接受连续止损，并按规则执行下一笔交易时，你已经超过了绝大多数在门口观望的人。