往組合裡加一個虧錢的 EA,會發生什麼
本系列第一篇裡, 10 個模板策略在與單策略平均相同的回撤下拿到 +272.59%,平均兩兩相關只有 0.014。 文章發出後最直接的質疑也是最有道理的那個:
"你是在同一段歷史上挑出十個能賺錢的策略,再回到這段歷史上測它們 —— 好看是當然的。"
這一篇用第一篇做不到的方式回答它:一個在看結果之前就定好的 322 策略宇宙, 然後完全隨機地組合。接著是同一個擔心的實操版本 —— 當你的某一兩個 EA 不再按回測的樣子表現時,組合還剩下什麼。
宇宙:322 個策略,一個都不篩掉
十三個流派 —— Supertrend、雙均線+ADX、RSI 回檔、唐奇安突破、MACD、布林迴歸、布林順勢、 SAR、KDJ、威廉指標、CCI、MFI、一目均衡 —— 展開成 23 個參數變體,在 14 個品種的 H1 上各跑一遍。 結果全部留下,包括那些把帳戶打掉一半的。
- 133 個賺錢,189 個虧錢。隨手抓一個,59% 的機率是虧的。 這就是"指標策略 + 固定 ATR 止損 + 不做篩選"的真實基準線,後面所有數字都以它為參照。
- 賺錢的那批收益中位 +21.4%;虧錢的中位 -21.1%, 最慘 -51.2%。
- 51,681 個配對的日收益相關係數,平均 +0.018,中位 +0.008。 也就是說第一篇那個"正交"的結論,在完全不挑選的情況下依然成立 —— 這些策略是真的不一起動。
- 相關性最高的一對是 +0.910 —— 同品種、同流派,只差一個止盈倍數。 把它當"第二個策略"加進去,等於沒加。
實驗一:隨機搭的組合越加越差
從宇宙裡隨機抽 N 個,各按 1% 風險一起跑,每個 N 抽 400 次。不做任何挑選。
| 隨機抽幾個 | 兩年收益(中位) | 最大回撤(中位) | Sharpe(中位) | 虧錢的機率 | 拉到 20% 回撤後的收益 |
|---|---|---|---|---|---|
| 1 | -3.5% | 18.88% | -0.02 | 57.2% | -3.4% |
| 2 | -6.3% | 26.95% | -0.08 | 59.8% | -4.2% |
| 3 | -12.8% | 34.11% | -0.17 | 65.0% | -6.4% |
| 4 | -16.9% | 38.61% | -0.19 | 69.2% | -7.0% |
| 5 | -20.0% | 43.30% | -0.18 | 71.2% | -6.3% |
| 6 | -19.0% | 45.20% | -0.11 | 70.5% | -5.7% |
| 8 | -26.6% | 49.95% | -0.13 | 72.2% | -6.1% |
| 10 | -34.4% | 57.78% | -0.20 | 77.8% | -7.3% |
| 12 | -40.5% | 62.49% | -0.21 | 79.8% | -7.8% |
先看最後一列,因為只有它是可比的。中間的收益列跨行沒法直接比 —— 12 個策略各 1% 風險本來就比 1 個策略 1% 風險槓桿更高,所以回撤那一列會從 18.9% 一路漲到 62.5%。最後一列把這個因素去掉了: 每個組合都縮放到最大回撤正好 20%,然後再比收益。
這麼一拉平,答案是一條平的負線 —— 不管加多少個,都在 −4% 到 −8% 之間。 與此同時虧錢的機率還在上升,從 57.2% 到 79.8%, Sharpe 中位從 -0.02 漂到 -0.21。
如果分散化是保險,這一列應該往上走。它沒有。
對照組:同一個實驗,換成篩過的池子
現在只改一件事:從那 65 個"賺錢且成交 ≥60 筆"的策略裡抽,其餘步驟完全一樣。
| 條數 | 不篩選:Sharpe | 不篩選:等風險收益 | 先篩選:Sharpe | 先篩選:等風險收益 | 先篩選:25 分位 |
|---|---|---|---|---|---|
| 1 | -0.07 | -4.2% | 0.76 | +34.1% | +17.2% |
| 2 | -0.04 | -2.9% | 1.08 | +58.7% | +39.1% |
| 3 | -0.14 | -6.0% | 1.30 | +83.2% | +57.7% |
| 4 | -0.10 | -4.8% | 1.43 | +107.5% | +76.4% |
| 6 | -0.16 | -6.8% | 1.68 | +170.7% | +116.4% |
| 8 | -0.19 | -6.9% | 1.94 | +221.8% | +154.2% |
| 10 | -0.21 | -7.5% | 2.09 | +284.3% | +203.3% |
| 12 | -0.24 | -8.0% | 2.25 | +373.4% | +268.0% |
- 只從贏家池抽
- 從全宇宙抽(不篩選)
兩條線用的是同一套隨機抽樣、同一個等風險口徑,唯一的差別是池子裡有沒有先剔除歷史虧錢的策略。加腿本身既不創造優勢也不摧毀優勢 —— 它只是把池子已經有的那個符號按 √N 放大。這就是為什麼下面那條線是平的,不是往上走的。
同樣的抽樣、同樣的等風險縮放,結果反向。加腿沒能把虧錢的池子救回來, 也不需要把賺錢的池子變賺錢 —— 它只是把池子裡本來就有的那個符號放大了。
為什麼:是 √N,而且能在數字裡看見
對大致不相關的腿,把 N 條並在一起,期望收益乘 N,波動只乘 √N —— 兩者之比就改善 √N 倍。 這個推導裡沒有任何一步關心期望收益的正負。負的優勢被放大的效率,和正的一模一樣。
拿篩過的池子裡單腿的 Sharpe(0.76)乘以 √N:
| 條數 | √N 理論預測 | 實測 | 差 |
|---|---|---|---|
| 2 | 1.07 | 1.08 | +0.01 |
| 3 | 1.32 | 1.30 | -0.02 |
| 4 | 1.52 | 1.43 | -0.09 |
| 6 | 1.86 | 1.68 | -0.18 |
| 8 | 2.15 | 1.94 | -0.21 |
| 10 | 2.40 | 2.09 | -0.31 |
| 12 | 2.63 | 2.25 | -0.38 |
2 條、3 條幾乎完全吻合,之後越來越低於理論值。這個缺口就是那 +0.018 的殘餘相關 要收的費 —— 真實策略不是完全獨立的,所以堆得越多,邊際收益衰減越快。 這也是"該跑幾個策略"這個問題最誠實的答案:前四條腿吃掉了大部分好處。
實驗二:往好組合裡摻真正虧錢的策略
這就是本文的起因。先用贏家池搭一個 6 腿組合,然後把其中 k 條換成從虧家池那 93 個裡抽的 —— 這些是真實策略,它們自己的回測中位收益是 -21.1%。
| 6 條腿裡有幾條是虧錢的 | 兩年收益(中位) | 最大回撤 | Sharpe | 最差單日 | 虧錢機率 | 拉到 20% 回撤後的收益 |
|---|---|---|---|---|---|---|
| 0 | +251.1% | 26.38% | 1.71 | -7.56% | 0.0% | +162.7% |
| 1 | +119.8% | 29.75% | 1.18 | -7.56% | 0.0% | +73.7% |
| 2 | +36.4% | 33.69% | 0.59 | -7.38% | 11.0% | +22.7% |
| 3 | -14.4% | 45.13% | 0.01 | -7.54% | 71.0% | -2.4% |
| 參考:只跑 1 個好策略 | +19.5% | 14.87% | 0.79 | — | 0.0% | +34.1% |
有三件事要分開說:
- 6 條裡壞 1 條,收益掉了一半以上 —— 等風險口徑從 +162.7% 掉到 +73.7%。比"六分之一"慘得多,因為壞腿不是貢獻零,它是在倒扣。
- 但仍然是單獨跑一個好策略(+34.1%)的兩倍左右。壞一條腿,組合沒有廢掉。
- 壞兩條就過界了。+22.7% 已經不如單獨跑一個篩過的策略, 兩年虧錢的機率從約 0 跳到 11.0%。壞三條是 71.0%。
然後看實驗二那一列最差單日,它幾乎沒動:沒有壞腿時 -7.56%,壞三條時 -7.54%。這是說明"分散化能幹什麼、不能幹什麼"最鋒利的一個角度 —— 那些壞腿在方差意義上被分散得非常好,它們沒有讓你最差的一天更差, 因為它們確實不跟別人在同一天虧。它們只是在均值意義上無法被分散。 相關性管的是方差。期望值不是相關效能修好的東西。
實驗三:不是"本來就壞",而是"做著做著不靈了"
實驗二是悲觀情形:這條腿有真實的負期望。現實裡更常見的失效要溫和一些 —— 策略還在跑,還在按同樣的風險開單,只是回測裡那點優勢沒有了。 所以:拿一個 6 腿的贏家組合,把選中的腿減掉它自己的日收益均值, 波動和相關結構原封不動。這條腿照樣交易、照樣讓帳戶上下晃,只是賺的恰好是零。
| 6 條腿裡有幾條失去優勢 | 兩年收益(中位) | 最大回撤 | Sharpe | 虧錢機率 | 拉到 20% 回撤後的收益 |
|---|---|---|---|---|---|
| 0 | +247.7% | 25.99% | 1.72 | 0.0% | +165.0% |
| 1 | +172.5% | 28.26% | 1.38 | 0.0% | +104.5% |
| 2 | +112.5% | 30.03% | 1.11 | 0.0% | +66.9% |
| 3 | +64.8% | 32.27% | 0.82 | 0.0% | +40.7% |
| 4 | +30.5% | 35.23% | 0.53 | 1.2% | +19.8% |
| 6(全部) | -16.2% | 43.18% | 0.00 | 100.0% | -3.2% |
| 參考:只跑 1 個好策略 | +19.5% | 14.87% | 0.79 | 0.0% | +34.1% |
這組數字才是"為什麼要做組合"的正面回答:
- 6 條裡死 1 條:等風險 +104.5% —— 仍是單策略的三倍。
- 死 2 條:+66.9%,仍是兩倍。
- 死 3 條,也就是一半:+40.7%,仍然領先 +34.1%。
- 死 4 條:+19.8%,而且還有 98.8% 的抽樣是賺的。
- 六條全死:-3.2% —— 純噪音,只能是這樣。 相關性結構裡沒有藏著白吃的午餐。
拿它跟集中的做法比一下。如果你只跑一個策略,而它正好是失效的那個,你就是零 —— 一條腿的組合沒有"六分之四"這回事。實驗二和實驗三正好夾住了現實的區間: 一條退化的腿給你造成的損失,介於實驗三那一行(優勢歸零)和實驗二那一行(優勢變負)之間。
實驗四:用去年的資料選,在今年活一遍
上面所有實驗都有同一個毛病,正是本文開篇拿來指責第一篇的那個。 實驗二和實驗三是人為把腿弄壞的:壞到什麼程度是我定的,而我是知道整整兩年行情才定的; 對照組那個"篩過的池子",也是在同一段視窗裡篩、又在同一段視窗裡測。
所以下面是乾淨的版本,一句話就能說完:
為什麼按相關性選,而不是按盈利選?因為上面那個發現:盈利根本延續不下來。 第一年賺錢的 152 個策略裡,第二年仍然賺錢的只有 42.1% (95% 置信區間 34.5%~50.1%,區間蓋住了 50%), 樣本內 Sharpe 對樣本外 Sharpe 的預測力是 -0.034,p = 0.58。 按回測收益排名就是按噪音排名。相關性是唯一站住了的那個測量。
候選池就是那 152 個樣本內贏家,三種選法都從同一個池子裡選, 所以唯一變化的是怎麼挑腿:
- 低相關 —— 只用第一年的資料,貪心挑出平均兩兩相關最低的 N 個
- 高相關 —— 同樣的做法,方向反過來
- 隨機 —— 完全不看相關性
每種跑 300 輪,每輪先隨機抽 40 個候選再在其中選 —— 這樣出來的是一個分佈,而不是某一個走運的組合。
結果
| 腿數 | 選法 | 樣本內平均相關 | 樣本外平均相關 | 樣本外收益中位 | 回撤中位 | 最差單日 | 賺錢的比例 |
|---|---|---|---|---|---|---|---|
| 3 | 低相關 | -0.188 | -0.141 | -12.7% | 24.44% | -4.10% | 24.7% |
| 3 | 隨機 | +0.023 | +0.024 | -8.9% | 24.57% | -4.49% | 35.3% |
| 3 | 高相關 | +0.565 | +0.527 | +7.0% | 31.19% | -6.64% | 56.7% |
| 5 | 低相關 | -0.089 | -0.055 | -13.1% | 29.02% | -5.19% | 27.3% |
| 5 | 隨機 | +0.028 | +0.024 | -15.0% | 32.26% | -6.02% | 30.3% |
| 5 | 高相關 | +0.356 | +0.319 | -11.3% | 41.38% | -9.06% | 38.0% |
| 8 | 低相關 | -0.049 | -0.021 | -13.0% | 34.20% | -6.80% | 36.0% |
| 8 | 隨機 | +0.029 | +0.024 | -22.2% | 40.60% | -7.81% | 26.0% |
| 8 | 高相關 | +0.229 | +0.185 | -27.4% | 51.26% | -11.34% | 29.0% |
先看兩列相關係數,因為它們是這張表其餘部分有意義的前提。 第一年選出來的東西,第二年還是那個樣子:低相關組按 -0.089 選出, 樣本外實測 -0.055;高相關組按 +0.356 選出, 樣本外 +0.319。選法是有效的。問題是它買到了什麼。
它買到的是風險的下降,而且穩定、腿越多越明顯:
| 腿數 | 收益差(低相關 − 高相關) | 95% 區間 | 回撤差(高相關 − 低相關) | 95% 區間 |
|---|---|---|---|---|
| 3 | -15.5 | [-19.7, -9.8] | +5.73 | [+3.82, +8.24] |
| 5 | -0.1 | [-8.6, +5.6] | +11.54 | [+9.37, +14.37] |
| 8 | +16.4 | [+8.7, +22.3] | +18.08 | [+15.62, +20.11] |
在每一輪內部比較 —— 同一個候選子集,只有選法不同 —— 高相關組合的回撤在所有情形下都更大,而且差距隨腿數拉開: 3 條腿差 5.7 個百分點,5 條腿 11.5,8 條腿 18.1,沒有一個區間碰到 0。 最差單日是同一個故事:8 條腿時低相關 -6.80%,高相關 -11.34%。
它沒有穩定買到的是收益。8 條腿時低相關確實領先 +16.4 個百分點, 但 3 條腿時反而落後 -15.5 個百分點, 5 條腿是 -0.1、區間跨過 0。
3 條腿那次反轉值得弄懂,而不是繞開。三個相關性拉滿的策略,實際上就是對同一個市場下三次注。 樣本外那一年,這個集中的賭注碰巧押對了 —— 而這正是集中該有的樣子:它把分佈往兩邊同時拉寬。 代價是回撤 31.19% 對 24.44%; 到了 8 條腿、集中已經分散不掉任何東西的時候,同一個選法跑出 -27.4%,而低相關是 -13.0%。
曲線
把 5 條腿那組裡的一輪畫出來。這是 300 輪裡收益排正中間的那一輪, 不是最好的那一輪:
- 低相關 5 腿
- 隨機 5 腿
- 高相關 5 腿(全是 GER40)
- 樣本內最強的單個策略
四條線都從 $10,000 起,橫軸是樣本外那一年。四條全是虧的 —— 池子本身沒有正期望,選法改變不了這一點。真正的差別在路徑:高相關那條(五個策略全在 GER40 上)衝到 $13,592,又跌到 $7,075,峰谷回撤 38.3%;低相關那條平緩得多,31.8%。而樣本內 Sharpe 高達 2.62 的那個單腿,樣本外只剩 -2.82%。
注意這一輪裡隨機那條(灰虛線)反而比低相關還平一點(24.7% 對 31.8%)—— 這是單輪的隨機性,上面 300 輪的中位數是反過來的(隨機 32.26%,低相關 29.02%)。一條曲線永遠只是一次抽樣,這正是要看分佈而不是看曲線的原因。
高相關那個組合是五個 GER40 策略 —— 兩個不同止盈的 MACD、SAR、威廉指標、RSI 回檔。 五張圖表、五個 EA、五份點差,押的是同一個注。低相關那個分散在 US30、NAS100、XAUUSD 和 BTCUSD 上。
藍線值得停一下:那是整個池子裡樣本內 Sharpe 最高的單個策略 —— 2.62,任何一個正常人都會挑它。 它樣本外的成績是 -2.82%。 而且它還是圖上最平滑的一條,回撤只有 11.57%, 低相關組是 31.76%,高相關組 38.31%。
這就是整個實驗最誠實的總結。按相關性選,給了我們對風險的控制權,沒給我們對收益的控制權 —— 而這不是一個令人失望的結果,一旦你知道相關性會延續、盈利不會,這本來就是應該出現的結果。
那什麼留住了:風險,不是收益
如果回測預測不了明年的收益,下一個該問的就是:它到底還能預測什麼。 於是我們把同一套切分用在回測產出的每一個數上 —— 第一年測一遍,第二年再測一遍, 看前者對後者有多少預測力。基於全部 291 個策略(相關性那一行則基於全部 42,195 個配對):
| 回測告訴你的這個數 | 去年 → 今年的相關係數 | 置換檢驗 p | 留得住嗎 |
|---|---|---|---|
| 兩兩相關結構 | +0.707 | < 0.0001 | 是 |
| 最差單日 | +0.610 | < 0.0001 | 是 |
| 最大回撤 | +0.307 | < 0.0001 | 是 |
| 總收益 | -0.016 | 0.79 | 否 |
| Sharpe | -0.034 | 0.58 | 否 |
乾淨的兩組,分界線一點也不含糊。關於風險的全部留住了,關於盈利的一樣沒留住。 一個策略最差的一天能讓你多難受,是僅次於相關性的第二可預測的東西; 而它賺了多少,跟噪音沒有區別。
相關性那一行值得再看一眼,因為整個系列都建立在它上面。兩兩相關的平均值, 第一年 +0.0191,第二年 +0.0190 —— 精確到小數點後三位都是同一個數。 而第一年相關超過 +0.3 的那 1,145 對,第二年平均仍有 +0.446。 重複的仍然重複,正交的仍然正交。
這把通常的優先順序整個翻了過來。大多數人看回測先看收益那個數,順帶瞄一眼回撤。 按這次的證據,收益恰恰是不會延續的那個,風險指標才是會延續的那些。
同一套做法,用在一個確實有優勢的池子上
實驗四跑的是一個刻意不篩選的宇宙,而那個宇宙兩年都沒有優勢 —— 第一年 47.1% 賺錢,第二年 41.3%。在那裡按相關性選,只控住了風險、變不出收益, 這跟機制的預測完全一致。那麼下一個該問的就是:同樣的做法, 用在一個確實有優勢的池子上會怎樣。
於是我們把它跑在本站的 14 個模板策略上。規則一模一樣,而且選的時候照樣不看第二年: 用 2024-08-03 – 2025-08-09 算相關矩陣,取平均兩兩相關最低的六個 (每個品種最多兩個,免得選出來只是同一個品種換了六張皮),鎖死, 成績只算 2025-08-10 – 2026-08-16。
| 品種 · 週期 | 策略 | 樣本內 | 樣本外 |
|---|---|---|---|
| BTCUSD · H4 | 一目雲上突破 | +21.08% | -1.31% |
| BTCUSD · H4 | MACD 順勢 + ADX | +10.00% | +14.33% |
| GBPUSD · H4 | 布林帶均值迴歸 | +11.19% | +14.66% |
| GBPUSD · M15 | 雙均線金叉 + ADX | +18.61% | +20.51% |
| US500 · M30 | RSI 回檔 | +23.26% | +13.93% |
| XAUUSD · M15 | 一目均衡日內突破 | +13.87% | +40.25% |
| 6 腿等權組合 | — | +150.22% | |
| 這 6 條各自單跑的平均 | — | +17.06% | |
- 6 腿低相關組合 · +150.22%,回撤 7.33%
- 這六條各自單跑的平均 · +17.06%,回撤 6.33%
樣本外那一年(2025-08-10 ~ 2026-08-16),兩條線都從 $10,000 起,每條腿的每筆風險完全相同。橙線是六條合起來跑,灰線是它們各自跑的平均。終點 $25,022 對 $11,706 —— 差別不是靠加槓桿買來的:橙線最大回撤 7.33%,灰線 6.33%,只差一個百分點。這就是 -0.0253 的相關性換來的東西。
看這條曲線要記住兩個前提:六條腿是用第一年的相關性選的(這一步乾淨),但這批模板本身是用兩年選出來的(這一步不乾淨)。
- 按 -0.0394 的平均兩兩相關選出,樣本外實測 -0.0253。 正交性延續住了 —— 這就是前面那個 +0.707 落到一個具體決定上的樣子。
- 六腿等權:+150.22%,最大回撤 7.33%, Sharpe 3.82,最差單日 -3.04%, 13個月裡 12 個月盈利。
- 這六條各自單跑的平均是 +17.06%、回撤 6.33% —— 組合把收益放大了約九倍,而回撤只多了一個百分點。
- 六條裡有一條樣本外是虧的(BTCUSD H4,-1.31%)。 這正是實驗二說的情形真實發生了一次,組合把它吸收掉了。
回過頭檢驗第一篇
現在我們有了第一篇缺的那個分佈。隨機抽 10 條篩過的腿、抽 2000 次, 組合 Sharpe 中位是 2.09,90 分位 2.49,最高 3.33。 第一篇那個十模板組合是 3.12 —— 高過幾乎整個分佈。
這件事有兩面,兩面都得說:
- 模板的篩選比實驗四測的那個更嚴 —— 它還要求樣本外 PF 大於 1, 這是個實打實的門檻,不是"總體賺錢"就算過。十個模板打贏了幾乎每一次"隨機抽十個樣本內贏家"。
- 也正因為它離得這麼遠,它恰恰是最可能被事後視角美化的那個數字。 實驗四正是要你認真對待這句話、而不是把它當套話。 請把 3.12 當成上限讀,不是當成期望值 —— 而且要知道,我們至今沒有展示過任何一種篩選熬過了真正的前瞻測試。
所以該怎麼做
- 別指望一年的回測能挑出贏家。這是本文最重要的發現, 而且跟大多數散戶的工作流假設正好相反。42.1% 的存活率、 置信區間還蓋著 50%,意思是你花一個週末排出來的那張榜,可能一點資訊量都沒有。
- 分散化救不了這件事。加腿會把池子的期望優勢按大約 √N 放大,方向隨池子。 如果你沒法確認那個符號是正的,加腿只會讓結果更確定,而不是更安全 —— 樣本外從 1 條腿加到 12 條,虧錢機率從 58.5% 升到 80.0%。
- 所以力氣要花在篩選上,不是花在數量上。有希望管用、而這次測試沒有包含的做法: 在回測內部就要求樣本外 PF 大於 1、要求同一套邏輯在多個品種上都成立、 用遠多於一年的歷史、以及入金前先在模擬盤前瞻測試。 這些在本文裡都沒有被證明 —— 但"更長的歷史、更硬的門檻、獨立的驗證" 是證據唯一指向的方向。
- 4 到 6 條吃掉大部分的波動率好處。√N 那張表裡,理論與實測從第四條腿之後開始分家, 原因是真實策略之間還留著相關性。超過 6 條,你增加的是圖表、保證金和 VPS 不能宕機, 換來的統計收益卻在縮小。
- 加之前先看相關性,不是先看回測收益。這個宇宙裡同品種同流派的一對相關到 +0.91,它要佔你一張圖表、一份保證金、一份注意力,換回來的是零。 而這恰恰是整個分析裡樣本外站得住的那部分:相關性跨年份持續性 +0.707, 業績只有 -0.034。
- 永遠單獨評估每條腿。組合很擅長把一條死掉的腿藏起來 —— 這是實驗三的意義,也是實驗三的危險。一條已經悄悄失效的腿, 不到好幾條一起失效,是不會在組合的權益曲線上顯形的。
這個測試的弱點
- 實驗四只有一次切分、一個樣本外年份。2025-08-04 到 2026-08-02 只是所有可能的未來裡抽到的一個。換一年,這些策略的排名可能完全不同; 而測一次得到的 42.1% 存活率,置信區間 (34.5%~50.1%)寬到同時容得下"比拋硬幣略差"和"就是拋硬幣"。 它容不下的是"歷史能可靠預測未來" —— 而那正是這個實驗要檢驗的信念。
- 用一年資料做篩選,本身就是個弱門檻。更長的樣本內視窗, 或者比"Sharpe > 0"更硬的判據,也許能做得更好 —— 這次測試沒法證實也沒法證偽,它只能報告:最常見的那套做法失效了。
- 只有兩年、一條路徑。728 個日曆日不足以排除"某種行情把不相關的策略一起打穿"。 第一篇裡就找到過一段 19 天,平均相關 0.014,但 10 條腿裡有 8 條同時在虧。
- 這個宇宙是一個引擎的口味。322 個策略全部是單持倉、K 線收盤判定、 固定 ATR 止損、按 R 倍數止盈。這個構造本身就是偏見 —— 它對加倉、網格和日內擇時都不友好,那個 59% 的失敗率 是這個構造的屬性,不是交易本身的屬性。
- 實驗三用的是全樣本均值來抹掉一條腿的優勢 —— 它需要知道未來,才能恰好減對量。 它是壓力測試,不是預測。它的價值在於給出一個界:當一條腿的貢獻精確等於零時,還剩什麼。
- 含真實點差,不含隔夜利息與佣金。六條腿要付六份。
- 等風險縮放假定收益隨倉位線性變化。保證金、最小手數粒度和複利, 在高風險那一端都會先撞牆。
常見問題
多加幾個 EA 能降低我的風險嗎?
它降低的是"每單位期望收益對應的波動",這跟"降低風險"不是一回事。 在這次測試裡,用沒篩過的策略搭組合,腿加得越多虧錢的機率越高 (1 條腿 57%,12 條腿 80%)。 分散化放大你已有的優勢,它不負責提供優勢。
回測既然預測不了未來收益,那還回測什麼?
因為收益恰恰是唯一沒能延續下來的那個產出,其餘的都延續了。 相關性的跨年份持續性是 +0.707,最差單日 +0.610, 最大回撤 +0.307,都是 p < 0.0001。 所以回測是一件風險工具:它告訴你這東西能把你傷到多深、 它會怎樣跟你已有的倉位一起動 —— 這兩件事樣本外都站住了。 它還能把策略排除掉,這也值點錢。它做不到的,是按"將來能賺多少"給候選排名。
我有 5 個 EA,其中一個連虧了幾個月,該撤掉嗎?
這裡的測量說:6 條裡壞 1 條能活,但代價不小 —— 等風險收益掉了一半以上。 判斷依據應該是它自己的記錄,不是組合的表現:如果它已經跌破了自己回測的預期, "組合還在賺"不構成留它的理由。但如果它只是走平、並且跟別人不相關, 實驗三說明它的實際成本遠比你感覺的小。
跑幾個策略比較合適?
按這次的證據是 4 到 6 個。√N 的好處在前四條腿上接近理論值,之後因為殘餘相關而衰減。 超過 6 條,你增加的是運營風險 —— 圖表、保證金、VPS 不能宕機 —— 換來的統計收益卻在縮小。
虧錢的策略有沒有可能反而幫到組合?
只有當它是真正的對沖、也就是可靠的負相關時才可能,而這個宇宙裡這樣的極少。 一個僅僅是"不相關"的虧錢策略,會把它的虧損直接減掉,不還回來任何東西。 注意實驗二的最差單日那一列:壞腿並沒有讓尾部風險變差,它只是每天都在花錢。
怎麼知道我的幾個策略相不相關?
各自回測,匯出權益曲線,按日重取樣,轉成日收益,算相關係數矩陣。 從這個宇宙裡能總結出的經驗法則是:同品種同流派基本等於重複(最高到 0.91), 不同品種加不同邏輯基本等於零。