往组合里加一个亏钱的 EA,会发生什么
本系列第一篇里, 10 个模板策略在与单策略平均相同的回撤下拿到 +272.59%,平均两两相关只有 0.014。 文章发出后最直接的质疑也是最有道理的那个:
"你是在同一段历史上挑出十个能赚钱的策略,再回到这段历史上测它们 —— 好看是当然的。"
这一篇用第一篇做不到的方式回答它:一个在看结果之前就定好的 322 策略宇宙, 然后完全随机地组合。接着是同一个担心的实操版本 —— 当你的某一两个 EA 不再按回测的样子表现时,组合还剩下什么。
宇宙:322 个策略,一个都不筛掉
十三个流派 —— Supertrend、双均线+ADX、RSI 回调、唐奇安突破、MACD、布林回归、布林顺势、 SAR、KDJ、威廉指标、CCI、MFI、一目均衡 —— 展开成 23 个参数变体,在 14 个品种的 H1 上各跑一遍。 结果全部留下,包括那些把账户打掉一半的。
- 133 个赚钱,189 个亏钱。随手抓一个,59% 的概率是亏的。 这就是"指标策略 + 固定 ATR 止损 + 不做筛选"的真实基准线,后面所有数字都以它为参照。
- 赚钱的那批收益中位 +21.4%;亏钱的中位 -21.1%, 最惨 -51.2%。
- 51,681 个配对的日收益相关系数,平均 +0.018,中位 +0.008。 也就是说第一篇那个"正交"的结论,在完全不挑选的情况下依然成立 —— 这些策略是真的不一起动。
- 相关性最高的一对是 +0.910 —— 同品种、同流派,只差一个止盈倍数。 把它当"第二个策略"加进去,等于没加。
实验一:随机搭的组合越加越差
从宇宙里随机抽 N 个,各按 1% 风险一起跑,每个 N 抽 400 次。不做任何挑选。
| 随机抽几个 | 两年收益(中位) | 最大回撤(中位) | Sharpe(中位) | 亏钱的概率 | 拉到 20% 回撤后的收益 |
|---|---|---|---|---|---|
| 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% |
先看最后一列,因为只有它是可比的。中间的收益列跨行没法直接比 —— 12 个策略各 1% 风险本来就比 1 个策略 1% 风险杠杆更高,所以回撤那一列会从 18.9% 一路涨到 62.5%。最后一列把这个因素去掉了: 每个组合都缩放到最大回撤正好 20%,然后再比收益。
这么一拉平,答案是一条平的负线 —— 不管加多少个,都在 −4% 到 −8% 之间。 与此同时亏钱的概率还在上升,从 57.2% 到 79.8%, Sharpe 中位从 -0.02 漂到 -0.21。
如果分散化是保险,这一列应该往上走。它没有。
对照组:同一个实验,换成筛过的池子
现在只改一件事:从那 65 个"赚钱且成交 ≥60 笔"的策略里抽,其余步骤完全一样。
| 条数 | 不筛选:Sharpe | 不筛选:等风险收益 | 先筛选:Sharpe | 先筛选:等风险收益 | 先筛选: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% |
- 只从赢家池抽
- 从全宇宙抽(不筛选)
两条线用的是同一套随机抽样、同一个等风险口径,唯一的差别是池子里有没有先剔除历史亏钱的策略。加腿本身既不创造优势也不摧毁优势 —— 它只是把池子已经有的那个符号按 √N 放大。这就是为什么下面那条线是平的,不是往上走的。
同样的抽样、同样的等风险缩放,结果反向。加腿没能把亏钱的池子救回来, 也不需要把赚钱的池子变赚钱 —— 它只是把池子里本来就有的那个符号放大了。
为什么:是 √N,而且能在数字里看见
对大致不相关的腿,把 N 条并在一起,期望收益乘 N,波动只乘 √N —— 两者之比就改善 √N 倍。 这个推导里没有任何一步关心期望收益的正负。负的优势被放大的效率,和正的一模一样。
拿筛过的池子里单腿的 Sharpe(0.76)乘以 √N:
| 条数 | √N 理论预测 | 实测 | 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 条、3 条几乎完全吻合,之后越来越低于理论值。这个缺口就是那 +0.018 的残余相关 要收的费 —— 真实策略不是完全独立的,所以堆得越多,边际收益衰减越快。 这也是"该跑几个策略"这个问题最诚实的答案:前四条腿吃掉了大部分好处。
实验二:往好组合里掺真正亏钱的策略
这就是本文的起因。先用赢家池搭一个 6 腿组合,然后把其中 k 条换成从亏家池那 93 个里抽的 —— 这些是真实策略,它们自己的回测中位收益是 -21.1%。
| 6 条腿里有几条是亏钱的 | 两年收益(中位) | 最大回撤 | Sharpe | 最差单日 | 亏钱概率 | 拉到 20% 回撤后的收益 |
|---|---|---|---|---|---|---|
| 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% |
| 参考:只跑 1 个好策略 | +19.5% | 14.87% | 0.79 | — | 0.0% | +34.1% |
有三件事要分开说:
- 6 条里坏 1 条,收益掉了一半以上 —— 等风险口径从 +162.7% 掉到 +73.7%。比"六分之一"惨得多,因为坏腿不是贡献零,它是在倒扣。
- 但仍然是单独跑一个好策略(+34.1%)的两倍左右。坏一条腿,组合没有废掉。
- 坏两条就过界了。+22.7% 已经不如单独跑一个筛过的策略, 两年亏钱的概率从约 0 跳到 11.0%。坏三条是 71.0%。
然后看实验二那一列最差单日,它几乎没动:没有坏腿时 -7.56%,坏三条时 -7.54%。这是说明"分散化能干什么、不能干什么"最锋利的一个角度 —— 那些坏腿在方差意义上被分散得非常好,它们没有让你最差的一天更差, 因为它们确实不跟别人在同一天亏。它们只是在均值意义上无法被分散。 相关性管的是方差。期望值不是相关性能修好的东西。
实验三:不是"本来就坏",而是"做着做着不灵了"
实验二是悲观情形:这条腿有真实的负期望。现实里更常见的失效要温和一些 —— 策略还在跑,还在按同样的风险开单,只是回测里那点优势没有了。 所以:拿一个 6 腿的赢家组合,把选中的腿减掉它自己的日收益均值, 波动和相关结构原封不动。这条腿照样交易、照样让账户上下晃,只是赚的恰好是零。
| 6 条腿里有几条失去优势 | 两年收益(中位) | 最大回撤 | Sharpe | 亏钱概率 | 拉到 20% 回撤后的收益 |
|---|---|---|---|---|---|
| 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% |
| 参考:只跑 1 个好策略 | +19.5% | 14.87% | 0.79 | 0.0% | +34.1% |
这组数字才是"为什么要做组合"的正面回答:
- 6 条里死 1 条:等风险 +104.5% —— 仍是单策略的三倍。
- 死 2 条:+66.9%,仍是两倍。
- 死 3 条,也就是一半:+40.7%,仍然领先 +34.1%。
- 死 4 条:+19.8%,而且还有 98.8% 的抽样是赚的。
- 六条全死:-3.2% —— 纯噪音,只能是这样。 相关性结构里没有藏着白吃的午餐。
拿它跟集中的做法比一下。如果你只跑一个策略,而它正好是失效的那个,你就是零 —— 一条腿的组合没有"六分之四"这回事。实验二和实验三正好夹住了现实的区间: 一条退化的腿给你造成的损失,介于实验三那一行(优势归零)和实验二那一行(优势变负)之间。
实验四:用去年的数据选,在今年活一遍
上面所有实验都有同一个毛病,正是本文开篇拿来指责第一篇的那个。 实验二和实验三是人为把腿弄坏的:坏到什么程度是我定的,而我是知道整整两年行情才定的; 对照组那个"筛过的池子",也是在同一段窗口里筛、又在同一段窗口里测。
所以下面是干净的版本,一句话就能说完:
为什么按相关性选,而不是按盈利选?因为上面那个发现:盈利根本延续不下来。 第一年赚钱的 152 个策略里,第二年仍然赚钱的只有 42.1% (95% 置信区间 34.5%~50.1%,区间盖住了 50%), 样本内 Sharpe 对样本外 Sharpe 的预测力是 -0.034,p = 0.58。 按回测收益排名就是按噪音排名。相关性是唯一站住了的那个测量。
候选池就是那 152 个样本内赢家,三种选法都从同一个池子里选, 所以唯一变化的是怎么挑腿:
- 低相关 —— 只用第一年的数据,贪心挑出平均两两相关最低的 N 个
- 高相关 —— 同样的做法,方向反过来
- 随机 —— 完全不看相关性
每种跑 300 轮,每轮先随机抽 40 个候选再在其中选 —— 这样出来的是一个分布,而不是某一个走运的组合。
结果
| 腿数 | 选法 | 样本内平均相关 | 样本外平均相关 | 样本外收益中位 | 回撤中位 | 最差单日 | 赚钱的比例 |
|---|---|---|---|---|---|---|---|
| 3 | 低相关 | -0.188 | -0.141 | -12.7% | 24.44% | -4.10% | 24.7% |
| 3 | 随机 | +0.023 | +0.024 | -8.9% | 24.57% | -4.49% | 35.3% |
| 3 | 高相关 | +0.565 | +0.527 | +7.0% | 31.19% | -6.64% | 56.7% |
| 5 | 低相关 | -0.089 | -0.055 | -13.1% | 29.02% | -5.19% | 27.3% |
| 5 | 随机 | +0.028 | +0.024 | -15.0% | 32.26% | -6.02% | 30.3% |
| 5 | 高相关 | +0.356 | +0.319 | -11.3% | 41.38% | -9.06% | 38.0% |
| 8 | 低相关 | -0.049 | -0.021 | -13.0% | 34.20% | -6.80% | 36.0% |
| 8 | 随机 | +0.029 | +0.024 | -22.2% | 40.60% | -7.81% | 26.0% |
| 8 | 高相关 | +0.229 | +0.185 | -27.4% | 51.26% | -11.34% | 29.0% |
先看两列相关系数,因为它们是这张表其余部分有意义的前提。 第一年选出来的东西,第二年还是那个样子:低相关组按 -0.089 选出, 样本外实测 -0.055;高相关组按 +0.356 选出, 样本外 +0.319。选法是有效的。问题是它买到了什么。
它买到的是风险的下降,而且稳定、腿越多越明显:
| 腿数 | 收益差(低相关 − 高相关) | 95% 区间 | 回撤差(高相关 − 低相关) | 95% 区间 |
|---|---|---|---|---|
| 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] |
在每一轮内部比较 —— 同一个候选子集,只有选法不同 —— 高相关组合的回撤在所有情形下都更大,而且差距随腿数拉开: 3 条腿差 5.7 个百分点,5 条腿 11.5,8 条腿 18.1,没有一个区间碰到 0。 最差单日是同一个故事:8 条腿时低相关 -6.80%,高相关 -11.34%。
它没有稳定买到的是收益。8 条腿时低相关确实领先 +16.4 个百分点, 但 3 条腿时反而落后 -15.5 个百分点, 5 条腿是 -0.1、区间跨过 0。
3 条腿那次反转值得弄懂,而不是绕开。三个相关性拉满的策略,实际上就是对同一个市场下三次注。 样本外那一年,这个集中的赌注碰巧押对了 —— 而这正是集中该有的样子:它把分布往两边同时拉宽。 代价是回撤 31.19% 对 24.44%; 到了 8 条腿、集中已经分散不掉任何东西的时候,同一个选法跑出 -27.4%,而低相关是 -13.0%。
曲线
把 5 条腿那组里的一轮画出来。这是 300 轮里收益排正中间的那一轮, 不是最好的那一轮:
- 低相关 5 腿
- 随机 5 腿
- 高相关 5 腿(全是 GER40)
- 样本内最强的单个策略
四条线都从 $10,000 起,横轴是样本外那一年。四条全是亏的 —— 池子本身没有正期望,选法改变不了这一点。真正的差别在路径:高相关那条(五个策略全在 GER40 上)冲到 $13,592,又跌到 $7,075,峰谷回撤 38.3%;低相关那条平缓得多,31.8%。而样本内 Sharpe 高达 2.62 的那个单腿,样本外只剩 -2.82%。
注意这一轮里随机那条(灰虚线)反而比低相关还平一点(24.7% 对 31.8%)—— 这是单轮的随机性,上面 300 轮的中位数是反过来的(随机 32.26%,低相关 29.02%)。一条曲线永远只是一次抽样,这正是要看分布而不是看曲线的原因。
高相关那个组合是五个 GER40 策略 —— 两个不同止盈的 MACD、SAR、威廉指标、RSI 回调。 五张图表、五个 EA、五份点差,押的是同一个注。低相关那个分散在 US30、NAS100、XAUUSD 和 BTCUSD 上。
蓝线值得停一下:那是整个池子里样本内 Sharpe 最高的单个策略 —— 2.62,任何一个正常人都会挑它。 它样本外的成绩是 -2.82%。 而且它还是图上最平滑的一条,回撤只有 11.57%, 低相关组是 31.76%,高相关组 38.31%。
这就是整个实验最诚实的总结。按相关性选,给了我们对风险的控制权,没给我们对收益的控制权 —— 而这不是一个令人失望的结果,一旦你知道相关性会延续、盈利不会,这本来就是应该出现的结果。
那什么留住了:风险,不是收益
如果回测预测不了明年的收益,下一个该问的就是:它到底还能预测什么。 于是我们把同一套切分用在回测产出的每一个数上 —— 第一年测一遍,第二年再测一遍, 看前者对后者有多少预测力。基于全部 291 个策略(相关性那一行则基于全部 42,195 个配对):
| 回测告诉你的这个数 | 去年 → 今年的相关系数 | 置换检验 p | 留得住吗 |
|---|---|---|---|
| 两两相关结构 | +0.707 | < 0.0001 | 是 |
| 最差单日 | +0.610 | < 0.0001 | 是 |
| 最大回撤 | +0.307 | < 0.0001 | 是 |
| 总收益 | -0.016 | 0.79 | 否 |
| Sharpe | -0.034 | 0.58 | 否 |
干净的两组,分界线一点也不含糊。关于风险的全部留住了,关于盈利的一样没留住。 一个策略最差的一天能让你多难受,是仅次于相关性的第二可预测的东西; 而它赚了多少,跟噪音没有区别。
相关性那一行值得再看一眼,因为整个系列都建立在它上面。两两相关的平均值, 第一年 +0.0191,第二年 +0.0190 —— 精确到小数点后三位都是同一个数。 而第一年相关超过 +0.3 的那 1,145 对,第二年平均仍有 +0.446。 重复的仍然重复,正交的仍然正交。
这把通常的优先级整个翻了过来。大多数人看回测先看收益那个数,顺带瞄一眼回撤。 按这次的证据,收益恰恰是不会延续的那个,风险指标才是会延续的那些。
同一套做法,用在一个确实有优势的池子上
实验四跑的是一个刻意不筛选的宇宙,而那个宇宙两年都没有优势 —— 第一年 47.1% 赚钱,第二年 41.3%。在那里按相关性选,只控住了风险、变不出收益, 这跟机制的预测完全一致。那么下一个该问的就是:同样的做法, 用在一个确实有优势的池子上会怎样。
于是我们把它跑在本站的 14 个模板策略上。规则一模一样,而且选的时候照样不看第二年: 用 2024-08-03 – 2025-08-09 算相关矩阵,取平均两两相关最低的六个 (每个品种最多两个,免得选出来只是同一个品种换了六张皮),锁死, 成绩只算 2025-08-10 – 2026-08-16。
| 品种 · 周期 | 策略 | 样本内 | 样本外 |
|---|---|---|---|
| BTCUSD · H4 | 一目云上突破 | +21.08% | -1.31% |
| BTCUSD · H4 | MACD 顺势 + ADX | +10.00% | +14.33% |
| GBPUSD · H4 | 布林带均值回归 | +11.19% | +14.66% |
| GBPUSD · M15 | 双均线金叉 + ADX | +18.61% | +20.51% |
| US500 · M30 | RSI 回调 | +23.26% | +13.93% |
| XAUUSD · M15 | 一目均衡日内突破 | +13.87% | +40.25% |
| 6 腿等权组合 | — | +150.22% | |
| 这 6 条各自单跑的平均 | — | +17.06% | |
- 6 腿低相关组合 · +150.22%,回撤 7.33%
- 这六条各自单跑的平均 · +17.06%,回撤 6.33%
样本外那一年(2025-08-10 ~ 2026-08-16),两条线都从 $10,000 起,每条腿的每笔风险完全相同。橙线是六条合起来跑,灰线是它们各自跑的平均。终点 $25,022 对 $11,706 —— 差别不是靠加杠杆买来的:橙线最大回撤 7.33%,灰线 6.33%,只差一个百分点。这就是 -0.0253 的相关性换来的东西。
看这条曲线要记住两个前提:六条腿是用第一年的相关性选的(这一步干净),但这批模板本身是用两年选出来的(这一步不干净)。
- 按 -0.0394 的平均两两相关选出,样本外实测 -0.0253。 正交性延续住了 —— 这就是前面那个 +0.707 落到一个具体决定上的样子。
- 六腿等权:+150.22%,最大回撤 7.33%, Sharpe 3.82,最差单日 -3.04%, 13个月里 12 个月盈利。
- 这六条各自单跑的平均是 +17.06%、回撤 6.33% —— 组合把收益放大了约九倍,而回撤只多了一个百分点。
- 六条里有一条样本外是亏的(BTCUSD H4,-1.31%)。 这正是实验二说的情形真实发生了一次,组合把它吸收掉了。
回过头检验第一篇
现在我们有了第一篇缺的那个分布。随机抽 10 条筛过的腿、抽 2000 次, 组合 Sharpe 中位是 2.09,90 分位 2.49,最高 3.33。 第一篇那个十模板组合是 3.12 —— 高过几乎整个分布。
这件事有两面,两面都得说:
- 模板的筛选比实验四测的那个更严 —— 它还要求样本外 PF 大于 1, 这是个实打实的门槛,不是"总体赚钱"就算过。十个模板打赢了几乎每一次"随机抽十个样本内赢家"。
- 也正因为它离得这么远,它恰恰是最可能被事后视角美化的那个数字。 实验四正是要你认真对待这句话、而不是把它当套话。 请把 3.12 当成上限读,不是当成期望值 —— 而且要知道,我们至今没有展示过任何一种筛选熬过了真正的前瞻测试。
所以该怎么做
- 别指望一年的回测能挑出赢家。这是本文最重要的发现, 而且跟大多数散户的工作流假设正好相反。42.1% 的存活率、 置信区间还盖着 50%,意思是你花一个周末排出来的那张榜,可能一点信息量都没有。
- 分散化救不了这件事。加腿会把池子的期望优势按大约 √N 放大,方向随池子。 如果你没法确认那个符号是正的,加腿只会让结果更确定,而不是更安全 —— 样本外从 1 条腿加到 12 条,亏钱概率从 58.5% 升到 80.0%。
- 所以力气要花在筛选上,不是花在数量上。有希望管用、而这次测试没有包含的做法: 在回测内部就要求样本外 PF 大于 1、要求同一套逻辑在多个品种上都成立、 用远多于一年的历史、以及入金前先在模拟盘前瞻测试。 这些在本文里都没有被证明 —— 但"更长的历史、更硬的门槛、独立的验证" 是证据唯一指向的方向。
- 4 到 6 条吃掉大部分的波动率好处。√N 那张表里,理论与实测从第四条腿之后开始分家, 原因是真实策略之间还留着相关性。超过 6 条,你增加的是图表、保证金和 VPS 不能宕机, 换来的统计收益却在缩小。
- 加之前先看相关性,不是先看回测收益。这个宇宙里同品种同流派的一对相关到 +0.91,它要占你一张图表、一份保证金、一份注意力,换回来的是零。 而这恰恰是整个分析里样本外站得住的那部分:相关性跨年份持续性 +0.707, 业绩只有 -0.034。
- 永远单独评估每条腿。组合很擅长把一条死掉的腿藏起来 —— 这是实验三的意义,也是实验三的危险。一条已经悄悄失效的腿, 不到好几条一起失效,是不会在组合的权益曲线上显形的。
这个测试的弱点
- 实验四只有一次切分、一个样本外年份。2025-08-04 到 2026-08-02 只是所有可能的未来里抽到的一个。换一年,这些策略的排名可能完全不同; 而测一次得到的 42.1% 存活率,置信区间 (34.5%~50.1%)宽到同时容得下"比抛硬币略差"和"就是抛硬币"。 它容不下的是"历史能可靠预测未来" —— 而那正是这个实验要检验的信念。
- 用一年数据做筛选,本身就是个弱门槛。更长的样本内窗口, 或者比"Sharpe > 0"更硬的判据,也许能做得更好 —— 这次测试没法证实也没法证伪,它只能报告:最常见的那套做法失效了。
- 只有两年、一条路径。728 个日历日不足以排除"某种行情把不相关的策略一起打穿"。 第一篇里就找到过一段 19 天,平均相关 0.014,但 10 条腿里有 8 条同时在亏。
- 这个宇宙是一个引擎的口味。322 个策略全部是单持仓、K 线收盘判定、 固定 ATR 止损、按 R 倍数止盈。这个构造本身就是偏见 —— 它对加仓、网格和日内择时都不友好,那个 59% 的失败率 是这个构造的属性,不是交易本身的属性。
- 实验三用的是全样本均值来抹掉一条腿的优势 —— 它需要知道未来,才能恰好减对量。 它是压力测试,不是预测。它的价值在于给出一个界:当一条腿的贡献精确等于零时,还剩什么。
- 含真实点差,不含隔夜利息与佣金。六条腿要付六份。
- 等风险缩放假定收益随仓位线性变化。保证金、最小手数粒度和复利, 在高风险那一端都会先撞墙。
常见问题
多加几个 EA 能降低我的风险吗?
它降低的是"每单位期望收益对应的波动",这跟"降低风险"不是一回事。 在这次测试里,用没筛过的策略搭组合,腿加得越多亏钱的概率越高 (1 条腿 57%,12 条腿 80%)。 分散化放大你已有的优势,它不负责提供优势。
回测既然预测不了未来收益,那还回测什么?
因为收益恰恰是唯一没能延续下来的那个产出,其余的都延续了。 相关性的跨年份持续性是 +0.707,最差单日 +0.610, 最大回撤 +0.307,都是 p < 0.0001。 所以回测是一件风险工具:它告诉你这东西能把你伤到多深、 它会怎样跟你已有的仓位一起动 —— 这两件事样本外都站住了。 它还能把策略排除掉,这也值点钱。它做不到的,是按"将来能赚多少"给候选排名。
我有 5 个 EA,其中一个连亏了几个月,该撤掉吗?
这里的测量说:6 条里坏 1 条能活,但代价不小 —— 等风险收益掉了一半以上。 判断依据应该是它自己的记录,不是组合的表现:如果它已经跌破了自己回测的预期, "组合还在赚"不构成留它的理由。但如果它只是走平、并且跟别人不相关, 实验三说明它的实际成本远比你感觉的小。
跑几个策略比较合适?
按这次的证据是 4 到 6 个。√N 的好处在前四条腿上接近理论值,之后因为残余相关而衰减。 超过 6 条,你增加的是运营风险 —— 图表、保证金、VPS 不能宕机 —— 换来的统计收益却在缩小。
亏钱的策略有没有可能反而帮到组合?
只有当它是真正的对冲、也就是可靠的负相关时才可能,而这个宇宙里这样的极少。 一个仅仅是"不相关"的亏钱策略,会把它的亏损直接减掉,不还回来任何东西。 注意实验二的最差单日那一列:坏腿并没有让尾部风险变差,它只是每天都在花钱。
怎么知道我的几个策略相不相关?
各自回测,导出权益曲线,按日重采样,转成日收益,算相关系数矩阵。 从这个宇宙里能总结出的经验法则是:同品种同流派基本等于重复(最高到 0.91), 不同品种加不同逻辑基本等于零。