交易中的 Monte Carlo 模拟：回撤、爆仓风险与仓位大小

我给订阅者看过的最有用图表不是一笔交易，而是他自己策略的 1,000 个版本：曲线像扇面一样展开，其中五分之一在 200 笔交易后仍处于亏损。他确实有优势，却像买彩票一样给它配仓位。本页就是那张图、图背后的直方图，以及一个模拟器，让您在市场替您运行这些数字之前，先自己跑一遍。

◆ 真实图表 · XAUUSD · 15M · Quantum Algo Zeno Gold

◆ 真实图表 · BTCUSDT 永续合约 · 2H · Quantum Algo Zeno + Tidal Force

◆ 真实图表 · NAS100 CFD · 4H · Quantum Algo Zeno + Tidal Force

Monte Carlo 模拟能告诉您哪些回测无法告诉您的事？

回测给您的是一段历史：交易按一个顺序发生，产生一条资金曲线、一个最大回撤和一个最终余额。Monte Carlo 模拟拿同一批交易重排数千次，让您看到该策略在运气顺序不同的情况下，本来可能产生的整组资金曲线。

◆ 图示 · 一个策略，1,000 个未来 · 55% 胜率 · 1.8R · 200 笔交易

这很重要，因为交易顺序是您对未来唯一无法知道的事。55% 胜率、1.8R 平均盈利是一个不错的策略；本指南顶部的图展示了这个完全相同的策略在 200 笔交易中的 1,000 次运行，而第 5 百分位路径在 200 笔后仍处于亏损，第 95 百分位路径则达到中位数的 3 倍。同样的优势。同样的交易。不同的年份。

一旦您看过这张扇形图，就不会再问“回撤是多少？”，而会开始问“我应该预期多大回撤，以及它会多频繁出现？”——这才是决定仓位大小的问题。

Monte Carlo 模拟如何运作？

这种方法需要 3 个输入，并反复做一件事：

1. 一份以 R 倍数表示的交易结果列表——如果您没有列表，也可以使用胜率加平均盈利和平均亏损。
2. 每次运行的交易笔数，通常是您关心周期的长度（例如您一年交易 150–300 笔）。
3. 运行次数，通常为 1,000 到 10,000。

每次运行时，它从列表中随机抽取交易（可重复抽样），把它们串成一条资金曲线，记录最终结果和最深回撤，然后进入下一次运行。最后您会得到 1,000 个最终余额和 1,000 个最大回撤，并把它们作为分布来阅读：中位数、第 5 和第 95 百分位，以及有多少比例越过了您定义为爆仓的那条线。

这里没有预测。它不知道市场接下来会怎么走；它只知道当同样的结果以不同顺序出现时，您的策略会怎样。这一限制也是它的优势——它无法被曲线拟合。

如何阅读 Monte Carlo 回撤分布？

本指南中的直方图是会改变行为的输出。55%/1.8R 策略在每笔交易风险 1% 下运行 1,000 次：大多数运行的最高回撤落在 8% 到 12% 之间，尾部延伸到 35%，并且 3.2% 的运行越过了 25% 回撤。

◆ 图示 · 回撤分布 · 1,000 次运行 · 爆仓线位于 25%

您需要从中带走 3 件事：

• 回测中的单个回撤数字只是从这个分布中抽到的一次结果，而您不知道它是不是幸运样本。
• “爆仓风险”不再是一句口号。如果您的资金账户限制是 25%，那么这个策略在这个仓位下大约每 30 年会有 1 年让账户失败。这是一个您可以决策的数字。
• 右侧尾部很长。中位结果让人安心；真正终结交易生涯的是尾部。

仓位大小如何改变回撤尾部？

三联图是本页最有用的图。同一个策略，同样 1,000 次运行，每笔交易风险分别设为 0.5%、1% 和 2%：

◆ 图示 · 仓位大小改变尾部 · 同一策略在 0.5% / 1% / 2% 风险下

• 在 0.5% 时，分布集中在约 5% 回撤，几乎没有运行越过 25%。
• 在 1% 时，分布集中在约 10%，约 3% 的运行越过 25%。
• 在 2% 时，分布集中在约 15%，约 14% 的运行越过 25%。

三种情况下每笔交易的期望值完全相同。仓位翻倍并没有让爆仓风险翻倍——而是让它扩大到 4 倍以上。这种非线性让“优势为正，直接加仓就行”成为一句代价高昂的话，也正因如此，我们的仓位大小指南把风险百分比视为生存参数，而不是收益旋钮。

如何设置现实的爆仓风险阈值？

爆仓不是归零。爆仓是指回撤达到某个水平后，您无法再按设计执行策略：

• 资金账户：该计划的最大回撤，考核中通常为每日 5%、总计 10%，资金账户阶段更宽。请精确使用这些数字。
• 自有资金：您知道自己会开始改规则的回撤水平——对大多数人来说，这通常在 20% 到 30% 之间，远早于账户清零。
• 受托资金：授权书中规定的任何数值，再减去一段缓冲。

把这条线画出来运行模拟，然后读取尾部比例。任何超过约 5% 运行的结果，都是仓位问题，不是策略问题，修正方法就在上一节。

哪些输入会让 Monte Carlo 模拟不可靠？

Monte Carlo 对交易顺序很诚实；但如果您喂给它的东西很差，它对其他所有事情都会不诚实。

交易太少。30 笔交易只给您 30 个可抽取结果；模拟会很乐意用它们生成一张漂亮的扇形图，但这张图建立在一个连 55% 策略和 45% 策略都无法区分的样本上。低于约 100 笔交易时，应把输出当作草图。本指南顶部的 BTCUSDT 图表很好地说明了这个问题：6 个月内 5 个市场状态标签是真实形态，但观测数量远远不足以模拟——您需要的是它们背后的账本，而不是图片。

序列相关。真实连续亏损往往聚集在市场状态变化附近；随机重采样会把它们均匀打散。如果您的策略在震荡中亏损、在趋势中盈利，模拟尾部就会过于友好。修正方法是区块重采样——抽取连续 5 笔或 10 笔交易，而不是单笔交易——大多数电子表格设置可以做到，下方工具也可以。

遗漏成本。如果交易列表未扣除手续费、滑点和资金费率，每次运行都会继承这种乐观偏差。请使用净 R 倍数；我们的利润计算器指南展示了如何净化这些结果。

Monte Carlo 与滚动样本外测试有什么不同？

人们常把它们当作相互竞争的方法。其实它们回答的是不同问题。

滚动样本外测试问的是：规则在未被拟合的数据上是否仍然有效？它测试的是优势。

Monte Carlo 问的是：在规则确实有效的前提下，它在好起来之前可能糟到什么程度？它测试的是仓位。

顺序应当是先滚动样本外测试，再 Monte Carlo，而免费算法交易课程正是因为这个原因，把它们放在第 7 周和第 8 周。

您如何自己运行 Monte Carlo 模拟？

本页模拟器足够做第一次观察：输入胜率、平均盈利、平均亏损、每次运行交易数和每笔交易风险，它会在浏览器中绘制资金扇形图和回撤直方图。对于您自己的交易列表，电子表格就能完成：把 R 倍数粘贴到一列中，用随机索引重采样，累计结果，并记录每次运行的回撤——1,000 次运行只需几分钟重新计算。Python 用户可以用 numpy 在 20 行内完成；回测指南中有这个模式。

无论您使用哪种工具，在信任一个策略之前，都请写下 3 个数字：最终 R 中位数、第 5 百分位最终 R，以及越过您爆仓线的运行比例。