胜率、盈亏比、频率与仓位：量化策略真正需要盯住的四个维度

发明者量化-小小梦

关注

1370

关注者

胜率、盈亏比、频率与仓位：量化策略真正需要盯住的四个维度

交流分享

创建于 2026-08-07 13:41:11 更新于 2026-08-07 14:56:32

一套量化策略写得多复杂，并不能直接说明它是否值得交易。

均线、RSI、机器学习模型，甚至更复杂的 Agent，最终都会落到几个非常朴素的问题：

有多大概率赚钱？赚的时候能赚多少？这样的机会多久出现一次？每次承担多大风险？

对应到策略运行，就是四个最值得持续监控的维度：

胜率、盈亏比、交易频率和仓位。

它们并不能描述交易系统的全部风险，但非常适合回答一个实际问题：

一套策略的统计优势，究竟是怎样转化成最终收益和回撤的？

本文结合加密货币市场和 FMZ 策略实现，重点讨论这四个维度如何联动，以及怎样把它们变成实盘中的监控和风险约束。

本文仅用于策略研究与程序设计，不构成任何投资建议。

一、先别看收益率，先看单笔净期望

设：

胜率为 \(p\)；
平均盈利是平均亏损的 \(b\) 倍；
单笔手续费、滑点和资金费用折算为平均亏损的 \(c\) 倍。

把平均亏损标准化为 1 个风险单位，那么单笔净期望可以写成：

\[ E=p\times b-(1-p)-c \]

这条公式已经把胜率、盈亏比和交易成本放进了同一个框架。

例如一套 BTC 永续策略：

胜率 42%；
实际盈亏比 2.2:1；
单笔综合成本约 0.08 个风险单位。

则：

\[ E=0.42\times2.2-0.58-0.08=0.264 \]

也就是说，在这些统计参数能够保持的前提下，每完成一次交易，平均净期望约为 0.264 个风险单位。

如果每笔计划承担账户权益的 0.5%，一个月有 12 次有效交易，那么在不考虑复利和风险重叠的简化条件下：

\[ 12\times0.264\times0.5\%=1.584\% \]

这不是收益预测。

它真正说明的是：

胜率本身没有意义，盈亏比本身也没有意义。真正值得观察的是成本之后的组合期望。

二、胜率与盈亏比必须放在一起看

这是四个维度中最容易被错误优化的一组。

很多策略可以通过改变离场方式轻易提高胜率。

比如：

更早止盈；
放宽止损；
亏损后继续等待；
通过补仓降低平均成本。

结果往往是：

胜率提高了，但平均盈利下降，平均亏损扩大，尾部损失变得更加危险。

一个胜率 85%、平均盈利 0.3R、平均亏损 2.5R 的策略：

\[ 0.85\times0.3-0.15\times2.5=-0.12R \]

依然是负期望。

反过来，趋势策略完全可能只有 30%—40% 左右的胜率，却依靠少数大趋势覆盖大量小亏损。

所以实盘中真正值得保存的，不只是一个总胜率，而是：

指标	作用
滚动胜率	判断近期命中率是否变化
平均盈利 R	判断盈利是否仍能充分扩张
平均亏损 R	判断止损是否仍然有效
单笔期望 R	判断策略当前是否仍有统计优势
最大单笔亏损 R	发现尾部风险和执行异常
MFE / MAE	判断止盈、止损与实际价格路径是否匹配

这里尤其推荐使用 R 倍数，而不是直接比较 USDT 盈亏。

定义：

\[ R_{\text{realized}} = \frac{\text{本次净盈亏}} {\text{开仓时计划风险金额}} \]

例如：

一笔交易赚 100 USDT，但原计划只承担 50 USDT 风险，那么结果是 +2R。

另一笔赚了 300 USDT，但承担了 500 USDT 风险，实际上只有 +0.6R。

后者赚的钱更多，但前者对风险的利用效率明显更高。

三、频率真正要看的是“有效机会”

频率并不是简单地统计一天或者一个月交易多少次。

至少应该区分三个概念：

信号频率、订单频率、完整交易频率。

一套策略一个月可能只有 20 次真正的入场机会，却提交、修改和撤销了几千张订单。

这时真正增长的不一定是 Alpha，而可能是：

手续费；
买卖价差；
滑点；
API 和订单状态管理压力；
重复下单概率；
市场冲击。

所以比“交易次数”更重要的是：

每增加一笔交易，是否仍然具有足够的净优势？

假设分钟级策略平均每笔毛优势只有 0.06%，完整开平仓成本已经达到 0.05%。

真正剩下的空间只有 0.01%。

只要实盘成交稍微差一点，正期望就可能消失。

另一方面，交易次数也不能无限减少。

一年只有几笔交易时，即使全部盈利，也很难判断这是长期优势还是某一段行情刚好适合策略。

因此真正值得优化的不是“高频”或“低频”，而是：

在交易成本可以承受的情况下，尽可能获得更多相对独立的正期望机会。

这里的“独立”非常重要。

BTC、ETH、SOL 在同一时间全部出现做多信号，看起来是三次机会，但它们可能只是同一个加密市场风险因子的三种表现。

同时开三笔，并不等于获得了三份独立优势。

所以实盘还应该监控：

同方向风险；
多品种相关性；
同一时间窗口的集中信号；
总名义敞口；
总计划止损风险。

四、仓位不是杠杆，而是风险预算

仓位是四个维度中真正把“统计优势”转化成账户结果的变量。

正确的计算顺序应该是：

先决定最多允许亏多少，再反推应该买多少。

例如：

账户权益：

\[ 10,000\ USDT \]

单笔最大计划风险：

\[ 0.5\% \]

则风险预算为：

\[ 10,000\times0.5\%=50\ USDT \]

如果入场价到止损价的距离为 2.5%，则名义仓位约为：

\[ \frac{50}{2.5\%}=2,000\ USDT \]

这里真正决定风险的是：

止损距离 × 名义仓位。

杠杆主要影响保证金占用。

当然，真实市场里还存在滑点、跳价、流动性不足和强平风险，所以“计划亏损 50 USDT”并不意味着实际亏损一定精确等于 50 USDT。

这也是为什么系统不仅要记录计划风险，还必须记录：

\[ \text{实际亏损}/\text{计划风险} \]

如果一套策略原本计划每次最多亏 1R，但实盘不断出现 -1.5R、-2R，首先应该检查的不是信号，而是执行和风险控制。

单笔风险之外，还要控制组合风险

假设系统同时持有：

BTC 多单；
ETH 多单；
SOL 多单。

每笔计划风险都是账户的 0.5%。

单独看都不大。

但如果它们本质上暴露在同一个市场方向，真正需要考虑的是三笔交易同时止损。

因此仓位管理至少需要三道风险限制：

风险层	示例
单笔风险	≤ 0.5%
同方向累计风险	≤ 1%
全组合计划风险	≤ 1.5%

具体数值并不是重点。

重点是：

不能只限制单笔仓位，而不限制相关仓位叠加之后的组合风险。

五、四个维度真正形成的是一条盈利链

把前面的关系放在一起，一套策略在单位时间里的简化期望可以写成：

\[ E_{\text{period}} \approx N\times E_R\times r \]

其中：

\(E_R\)：平均每笔净期望，以 R 表示；
\(N\)：有效交易机会数量；
\(r\)：单笔风险占账户权益的比例。

更一般地，如果每笔风险并不相同，则更接近：

\[ E_{\text{period}} \approx \sum_i E_{R,i}\times r_i \]

这说明一个很重要的问题：

四个维度不能分别最大化。

提高止盈目标，可能增加盈亏比，却降低胜率。放宽信号条件，可能增加交易频率，却降低单笔期望。扩大仓位可以放大收益，同样会放大回撤和模型误差。减少止损可能提高短期胜率，却可能把风险转移到少数极端亏损上。

真正需要优化的是：

成本、回撤和执行约束之下，四个维度形成的整体结构。

六、在 FMZ 中，真正需要记录的并不多

如果完整策略源码已经存在，文章没有必要再逐个介绍 GetTicker()、GetDepth() 或下单接口。

四维框架真正需要的是一份统一的交易记录。

每次完整平仓后，至少保存：

第一组：交易身份与时间

字段	含义	作用
`symbol`	交易品种，例如 `BTC_USDT.swap`	用于分别统计 BTC、ETH 或不同策略品种的表现
`direction`	交易方向，例如多头 `long`、空头 `short`	判断多空两侧的表现是否存在明显差异
`entryTime`	实际建立仓位的时间	用于分析入场时段、市场环境和交易频率
`exitTime`	仓位完全退出的时间	与入场时间结合计算持仓周期
`holdingTime`	从实际入场到完全平仓的持续时间	判断策略持仓时间是否发生明显变化

第二组：开仓时的风险基准

字段	含义	作用
`plannedRisk`	开仓时计划最多承担的风险金额，例如 50 USDT	作为之后计算 R 倍数和检查风险偏差的基准
`equityAtEntry`	建仓时账户的总权益	用于计算这笔交易实际占用了账户多少风险

第三组：真实收益与交易成本

字段	含义	作用
`grossPnl`	不考虑额外费用时，这笔交易产生的交易盈亏	用来观察策略信号本身创造了多少毛利润
`fee`	开仓、平仓以及其他成交产生的手续费	判断手续费侵蚀了多少策略优势
`funding`	永续合约持仓期间实际支付或获得的资金费用	对持仓时间较长的永续策略尤其重要
`netPnl`	扣除相关现金成本后的最终净盈亏	用于计算真实胜率、实际盈亏比和最终期望
`slippage`	理论成交价格与实际成交价格之间的偏差	用于衡量执行质量，而不只是信号质量

其中滑点最好单独作为执行质量指标保存。

需要特别注意定义：

如果 grossPnl 已经使用真实成交价计算，那么买卖价格偏离理论价格造成的影响实际上已经进入交易盈亏。

此时再把同一笔滑点重复从 netPnl 中扣除，就可能造成双重计算。

因此系统应该明确区分：

现金成本和执行归因成本。

一个更稳妥的四维统计函数

原理其实很简单。

与其重新通过胜率和平均盈亏反推期望，不如直接对每笔已经标准化的 realizedR 求平均。


            javascript
            
            
function average(arr) {
    if (!arr || arr.length === 0) {
        return 0
    }

    return arr.reduce((sum, x) => sum + x, 0) / arr.length
}

function calcFourDimensions(trades) {
    if (!trades || trades.length === 0) {
        return null
    }

    const rs = trades.map(t => t.realizedR)

    const wins = rs.filter(r => r > 0)
    const losses = rs.filter(r => r < 0)

    const avgWinR = wins.length ? average(wins) : 0
    const avgLossR = losses.length ? Math.abs(average(losses)) : 0

    return {
        count: trades.length,

        winRate:
            wins.length / trades.length,

        payoffRatio:
            avgLossR > 0
                ? avgWinR / avgLossR
                : null,

        expectancyR:
            average(rs),

        avgRiskRate:
            average(
                trades
                    .filter(t => t.equityAtEntry > 0)
                    .map(t => t.plannedRisk / t.equityAtEntry)
            )
    }
}

这里最重要的是：


            javascript
            
            
expectancyR = average(realizedR)

这样保本交易就是 0，不需要人为把所有交易重新划分成“赢”和“输”之后再计算期望。

同时建议维护至少两个滚动窗口，例如：

再与历史回测基准比较。

全历史统计只适合回答“这套策略过去总体表现怎样”。

滚动统计才适合回答：

它现在是否还在按照原来的方式工作？

七、用一个简单策略测试四维框架

为了观察四个维度，没有必要使用复杂信号。

反而应该尽量让 Alpha 部分保持简单。

例如可以使用这样一个研究策略：

项目	规则
市场	BTC_USDT.swap / ETH_USDT.swap
周期	1 小时
入场	已完成 K 线突破此前 20 根 K 线区间
波动率	ATR(14)
初始止损	2 × ATR
单笔风险	账户权益 0.5%
同方向风险	≤ 1%
总组合风险	≤ 1.5%
离场	初始止损、反向突破或追踪止损

这个策略本身不是本文要证明的 Alpha。

它只是一个实验载体。

我们真正观察的是：

信号经过仓位、成本和执行之后，四个维度发生了什么变化。

例如：

回测里：


            text
            
            
胜率      41%
盈亏比    2.4
月均交易  11
平均风险  0.5%

实盘滚动窗口突然变成：


            text
            
            
胜率      34%
盈亏比    1.3
月化频率  27
实际风险  0.8%

这时问题已经不只是“最近运气不好”。

它可能意味着：

假突破增加，使胜率下降；提前离场或趋势缩短，使盈亏比下降；震荡造成重复入场，使频率快速增加；滑点和成交异常，使实际风险超过计划值。这才是“四维体检”真正有价值的地方。

八、策略失效要区分两种情况

实盘中最容易混淆的是：

策略统计退化和系统执行故障。

两者应该完全不同地处理。

第一类：统计退化

例如：

滚动期望持续下降；
胜率和盈亏比同时恶化；
有效频率下降；
成本占毛利润比例明显提高；
回撤超出过去正常区间。

这种情况通常还有观察空间。

可以先降低风险，让系统继续积累样本。

第二类：系统故障

例如：

行情数据异常；
本地仓位和交易所仓位不一致；
重复下单；
订单状态无法确认；
止损没有真实提交或执行；
实际风险频繁突破系统上限。

这种问题不需要等统计显著性。

应该直接停止新增风险。

因为这已经不是 Alpha 是否有效的问题，而是系统是否还能正确执行的问题。

可以把处理机制压缩成三级

状态	典型情况	动作
正常/观察	单个指标轻微偏离，期望仍为正	保持参数，继续观察
降低风险	多个统计指标同步恶化	单笔风险减半，降低组合上限
停止开仓	期望持续为负或执行系统异常	停止新增仓位并排查

这里还有一个原则：

不要因为最近亏损，就立即重新优化参数。

否则很容易把正常的随机波动误判成策略失效，然后不断追逐最近一段行情。

九、回测真正需要验证的只有三道关

与其堆很多漂亮指标，不如重点检查三个问题。

第一关：成本之后还有没有优势

手续费、滑点、资金费用、买卖价差加入之后，策略是否仍然保持正期望？

如果一加入合理交易成本就失效，那么原来的优势很可能只是理想成交造成的。

第二关：优势是否只存在于某一组参数

把突破周期从 20 改成 18、19、21、22；把 ATR 止损从 2 调整到 1.8 或 2.2；换一段时间；换 BTC、ETH；重新测试。如果只有一个极窄参数组合表现优秀，需要高度警惕过拟合。

第三关：回测统计能不能在真实执行中复现

小资金实盘阶段真正需要验证的是：

realizedR 是否符合预期
实际成本是否接近假设
订单状态是否可靠
止损风险是否受控
交易频率是否异常
组合风险是否正确

这里的重点不是赚多少钱。

而是确认：

回测中的四维结构，在真实市场里是否仍然存在。

最后

量化交易不是一场“猜价格比赛”。

策略也不需要每次都正确。

真正需要建立的是一条稳定的盈利链：


            text
            
            
**有统计优势的信号**

↓

**合理的实际盈亏比**

↓

**足够但不过度的有效交易频率**

↓

**能够承受连续亏损和模型误差的仓位**

胜率告诉我们有多经常赚钱。盈亏比告诉我们一次盈利可以覆盖多少次亏损。频率决定统计优势能否在有限时间里兑现，同时决定成本会不会把优势吃掉。仓位则决定在优势兑现之前，账户能不能活下来。代码只是把这些规则持续执行下去。

真正成熟的量化系统，应该始终知道三件事：

1、这一次最多准备亏多少。
2、长期为什么可能赚钱。
3、什么情况下应该停止继续承担风险。

完整 FMZ 策略源码沿用原文链接：策略源码

本策略仅用于量化研究和程序设计，不构成投资建议。