量化交易系列（三）：90% 的人亏钱，不是因为策略差，是因为不会管风险

量化交易系列（三）：90% 的人亏钱，不是因为策略差，是因为不会管风险

导语

我见过太多这样的案例：一个人找到了一个年化 30% 的策略，兴奋地投入真金白银，结果半年后本金亏掉 60%，被迫清仓离场。

策略有问题吗？回测数据确实是年化 30%。但回测里有一段最大回撤 45% 的时期——而这个人在回撤到 30% 时就扛不住了。

策略决定了你能赚多少，风险管理决定了你能不能活着赚到。

这是量化交易系列的第三篇，我们聊量化交易中最重要、也最被低估的话题：风险管理。

一、为什么风险管理是第一优先级？

不对称性：亏钱比赚钱容易

一个简单的数学事实：

亏损幅度 回本所需涨幅
-10% +11.1%
-20% +25.0%
-30% +42.9%
-50% +100.0%
-70% +233.3%
-90% +900.0%

亏 50% 很容易——一次错误的重仓、一次没设止损的黑天鹅事件就够了。但要从 50% 的亏损中恢复，你需要赚 100%。

这种不对称性意味着：在量化交易中，防守比进攻重要得多。 一次大亏可以毁掉多年的积累。

"活得久"比"赚得多"重要

Ed Thorp——传奇量化交易者、凯利公式在投资领域的引入者——在他的自传《A Man for All Markets》中说过：

"Rule number one: Don't lose money. Rule number two: Don't forget rule number one."

（第一条规则：不要亏钱。第二条规则：不要忘记第一条。）

这不是说"永远不能有亏损的交易"，而是说不能有毁灭性的亏损。只要你还在牌桌上，就有翻盘的机会。一旦离开牌桌，游戏就结束了。

长期资本管理公司（LTCM）是最经典的反面教材。它由两位诺贝尔经济学奖得主（Myron Scholes 和 Robert Merton）创立，前四年年化收益超过 40%。然后在 1998 年俄罗斯债务危机中，四个月亏损 46 亿美元，几乎引发全球金融系统性风险，最终被迫清算。

不是因为他们的策略不好——他们的统计套利策略在 99% 的时间里都是对的。但那 1% 的极端情况，加上过高的杠杆，足以毁灭一切。

二、仓位管理：你该押多大？

凯利公式：数学最优下注比例

假设你有一个胜率 60%、盈亏比 1:1 的策略（赢了赚 1 倍，输了亏 1 倍）。你该把多少比例的本金押上去？

直觉上，很多人会说"当然尽量多押"——毕竟你有 60% 的概率赢。但这是错的。

John Kelly 在 1956 年发表了著名的凯利公式（Kelly Criterion），给出了数学上的最优下注比例：

f = (bp - q) / b*

其中：

  • f* = 最优下注比例
  • b = 盈亏比（赢/亏）
  • p = 胜率
  • q = 败率（1 - p）

代入我们的例子：f* = (1 × 0.6 - 0.4) / 1 = 20%

这意味着，数学上最优的策略是每次只押本金的 20%。

为什么不能"全仓梭哈"？

让我们用一个思想实验来说明。

假设你有一个 60% 胜率、1:1 盈亏比的游戏。你有 10000 元。

策略 A：每次全仓

  • 第一次赢了：20000
  • 第二次输了：0

两把就归零了。不管胜率多高，全仓策略的破产概率在无限次博弈中趋近于 100%。

策略 B：每次押 20%（凯利比例）

  • 赢了：10000 → 12000
  • 输了：12000 → 9600
  • 赢了：9600 → 11520
  • ...

每次亏损只损失当前资金的 20%，永远不会归零。而凯利公式保证了在这个下注比例下，长期资金增长速度最大化。

实践中的"半凯利"

理论上，凯利比例是最优的。但实践中，几乎所有专业量化交易者都会使用半凯利（Half Kelly）——即只用凯利公式建议仓位的 50%。

原因有三：

  1. 参数估计误差：你以为胜率是 60%，但实际可能只有 55%。凯利公式对参数极其敏感——胜率偏移 5%，最优仓位可能差一倍。使用半凯利给了你"犯错的空间"。

  2. 收益率分布偏差：凯利公式假设收益率服从对数正态分布，但真实市场的收益率有"肥尾"——极端事件的概率远超正态分布预测。半凯利能更好地应对尾部风险。

  3. 心理承受力：全凯利下注的波动性极大。在数学上它是最优的，但在心理上大多数人扛不住。回撤 30% 时你可能会恐慌平仓，而半凯利的最大回撤大约是全凯利的一半，更容易坚持。

Ed Thorp 的原话："Kelly betting tells you the best you can do. But half-Kelly costs you only about 25% of the growth rate while cutting the variance in half."（凯利下注告诉你能做到的最好情况。但半凯利只损失约 25% 的增长率，却将方差降低了一半。）

三、回撤控制：活过黑暗时刻

什么是最大回撤？

最大回撤（Maximum Drawdown, MDD）是衡量策略风险的核心指标——它衡量的是从历史净值最高点到后续最低点的最大跌幅。

假设你的策略净值走势是：100 → 150 → 90 → 120

最大回撤 = (150 - 90) / 150 = 40%

这个数字告诉你：在最糟糕的情况下，你要承受多大的浮亏。

回撤的心理学

回撤不只是数学问题，更是心理问题。

假设你的策略长期年化收益率 15%，最大回撤 35%。在纸面上，这是一个很好的策略——夏普比率大约在 0.8-1.0 之间。

但当你真的经历这 35% 的回撤时：

  • 你的 100 万变成了 65 万
  • 你开始怀疑策略是不是失效了
  • 你的家人问你"亏了多少"
  • 你看到别人在赚钱而你在亏钱
  • 你每天打开账户看到的都是红色数字
  • 你不知道回撤什么时候结束——可能明天就反弹，也可能继续跌到 50%

在回测中经历 35% 回撤只需要滚动一下鼠标。在真实交易中经历 35% 回撤，可能是三个月到一年的持续折磨。

这就是为什么大部分策略在实盘中的表现远差于回测——不是因为策略失效了，而是因为交易者在最不应该放弃的时候放弃了。

回撤控制的实用方法

1. 预设最大可接受回撤

在开始交易之前，就确定你能承受的最大回撤。一般原则：

  • 保守型：10%-15%
  • 稳健型：15%-25%
  • 激进型：25%-40%

如果你的策略回测显示最大回撤是 30%，那你应该预期实盘中可能出现 40%-50% 的回撤（回测总是低估真实风险），然后问自己：这个数字你能不能扛住？

如果不能，要么降低仓位，要么换策略。不要在回撤发生后再做这个决定——那时候你的判断已经被恐惧主导了。

2. 动态仓位调整

回撤发生时主动缩减仓位，而不是等回撤到极限才止损。

一个简单但有效的方法：线性缩减法。

假设你的最大可接受回撤是 20%。当回撤达到 10%（即最大可接受回撤的一半）时，将仓位缩减到 50%。回撤越深，仓位越小。

当前仓位比例 = max(0, 1 - 当前回撤 / 最大可接受回撤)

这种方法的妙处在于：当你连续亏损时，你的仓位在缩小，所以每一笔新的亏损对你总资金的影响越来越小。这大大降低了"深度回撤"的概率。

3. 策略多元化

不要只跑一个策略。如果你同时运行动量策略和均值回归策略，它们的回撤期往往不重叠——动量崩溃的时候，均值回归可能正在赚钱。

这是专业量化基金的标准做法。Citadel、Two Sigma 等顶级基金不是只有一个策略，而是同时运行数百个不同的策略，通过策略分散化来平滑整体回撤。

四、尾部风险：防范那些"不可能发生"的事

肥尾分布：极端事件比你以为的频繁得多

传统金融理论假设市场收益率服从正态分布（高斯分布）。在正态分布下：

  • 3 个标准差的事件（"3 sigma"）：每 370 天发生一次
  • 4 sigma 事件：每 16000 天发生一次（约 63 年）
  • 5 sigma 事件：每 350 万天发生一次（约 14000 年）
  • 6 sigma 事件：理论上几乎不会发生

但真实市场远非如此。

2008 年 10 月 15 日，标普 500 单日暴跌 9%——在正态分布下，这大约是一个 7-8 sigma 事件，按正态分布的概率，应该自宇宙诞生以来都不太可能发生一次。

2020 年 3 月 16 日，标普 500 单日暴跌 12%——更极端。

2022 年 5 月，Luna/UST 从 80 美元跌到接近 0——在正态分布框架下，这种事件的概率基本等于零。

真实的市场收益率服从的是"肥尾分布"——极端事件的概率远远高于正态分布的预测。

Nassim Taleb（《黑天鹅》作者）用了一个生动的比喻：如果你根据过去1000天的数据来判断一只火鸡的生活质量，你会得出结论"每天都有人喂食，生活很美好"。直到感恩节那天。

量化尾部风险的方法

1. VaR（Value at Risk，在险价值）

VaR 回答的问题是："在给定的置信水平下，我的最大亏损是多少？"

例如："95% VaR 为 5%"意味着：有 95% 的概率，一天内的亏损不会超过组合价值的 5%。

VaR 简单直观，但有一个致命缺陷：它不告诉你那剩下 5% 的情况会有多糟糕。 5% 的概率亏 5% 和 5% 的概率亏 50%，VaR 都是一样的。

这就好比说"飞机 99% 的概率能安全着陆"——你还是想知道那 1% 会怎样。

2. CVaR / Expected Shortfall（条件在险价值）

CVaR 弥补了 VaR 的不足。它衡量的是：当亏损超过 VaR 时，平均亏损是多少？

例如："95% CVaR 为 8%"意味着：在最差的 5% 情况中，平均亏损是 8%。

CVaR 比 VaR 更能捕捉尾部风险，因此被越来越多的监管机构和专业机构采用。

3. 压力测试（Stress Testing）

不要只看统计模型的输出，直接把历史上的极端事件"重播"到你的策略上：

  • 如果 2008 年金融危机再来一次，你的策略会亏多少？
  • 如果 2020 年 3 月的新冠暴跌再来一次呢？
  • 如果 2022 年 Luna/FTX 崩盘再来一次呢？
  • 如果出现一个比以上任何事件都更极端的情况呢？

最后一个问题最重要。 最大的风险永远是你没见过的那种。

五、杠杆：放大一切的双刃剑

杠杆的数学

杠杆 = 总头寸价值 / 自有资金

2 倍杠杆意味着你用 10 万的本金控制了 20 万的头寸。市场涨 10%，你赚 20%（2 倍）。但市场跌 10%，你也亏 20%。

看起来对称？不对称。记住前面的表格——亏 20% 需要涨 25% 才能回本，但在 2 倍杠杆下，市场只需要跌 10%。

更极端的情况：10 倍杠杆下，市场跌 10% 你就归零了。

LTCM 的教训

长期资本管理公司（LTCM）在其巅峰时期的杠杆倍数达到了25-30 倍。

他们的策略本身是合理的——买入被低估的债券、卖空被高估的债券，等待价差收敛。在"正常"市场环境下，这些价差通常在几周到几个月内回归。

但 1998 年俄罗斯债务违约引发了全球恐慌，投资者疯狂涌向"安全资产"（美国国债），导致 LTCM 持有的价差不仅没有收敛，反而急剧扩大。在 25 倍杠杆的放大效应下，价差扩大 4% 就意味着本金亏损 100%。

最终结果：46 亿美元的基金几乎归零，美联储不得不组织华尔街 14 家大银行进行紧急救助，以避免全球金融系统崩溃。

教训：杠杆不会创造 Alpha，它只会放大你已有的 Alpha 和风险。 如果你的策略本身不赚钱，杠杆只会让你更快地亏光。如果你的策略赚钱但风控不到位，杠杆会把一次正常的回撤变成致命的崩溃。

安全的杠杆使用原则

  1. 杠杆倍数和你的策略最大回撤反向相关。 如果策略最大回撤是 20%，3 倍杠杆下最大回撤就是 60%——你能承受吗？

  2. 永远不要用借来的钱交易。 如果你用了保证金或贷款，那在最不该被迫平仓的时候（市场恐慌、流动性枯竭），你恰恰会被追加保证金逼着平仓。

  3. 加密市场的杠杆要特别谨慎。 加密市场的波动率是传统金融市场的 3-5 倍。在传统市场 3 倍杠杆的风险，在加密市场大约等于 1 倍杠杆。换句话说，在加密市场不用杠杆交易，就已经相当于在传统市场用了 3 倍杠杆。

六、相关性陷阱：你以为的分散化可能是假的

正常时期的相关性不可靠

投资组合理论（Markowitz 均值方差模型）告诉我们：通过持有低相关性的资产，可以在不降低预期收益的情况下降低风险。

这在理论上完全正确。但实践中有一个致命的问题：在你最需要分散化的时候（市场暴跌），相关性会突然飙升。

这叫做"相关性收敛"或"危机时期的相关性趋一"。

平时，美国股票和黄金的相关性接近 0（几乎不相关）。但在 2008 年金融危机最恐慌的阶段和 2020 年 3 月新冠暴跌中，几乎所有资产类别都同时下跌——股票、债券、商品、加密货币、甚至黄金都在跌。

为什么？因为在极端恐慌中，所有人都在做同一件事——卖掉一切，持有现金。流动性枯竭导致所有资产被无差别抛售。

这意味着：你不能用正常时期的相关性矩阵来评估极端情况下的组合风险。 如果你的风控模型假设"股票和债券是负相关的"，那在真正的危机中，这个假设会失效，你的组合亏损会远超模型预期。

应对方法

  1. 使用尾部相关性而非线性相关性。 尾部相关性衡量的是极端情况下资产的共同运动——这比普通相关系数更能反映真实的危机风险。

  2. 压力测试中假设"所有相关性趋近 1"。 在你的最差情景分析中，假设所有资产同时下跌，看你的组合能否存活。

  3. 保留现金。 在所有资产都在跌的时候，现金（或短期国债）是唯一真正的"避风港"。保留一部分现金不仅是风险管理，还是为了在危机中有能力"捡便宜货"。

七、风险管理的核心框架：三层防御

总结以上内容，一个完整的量化交易风险管理体系应该有三层防御：

第一层：仓位管理（日常运营）

  • 使用半凯利或更保守的下注比例
  • 单个头寸不超过总资金的 2%-5%
  • 总仓位控制在预算范围内

第二层：回撤控制（应对不利情况）

  • 预设最大可接受回撤
  • 回撤触发阈值时主动缩减仓位
  • 策略分散化，避免所有鸡蛋在一个篮子里

第三层：灾难保护（防范极端事件）

  • 限制最大杠杆倍数
  • 定期进行压力测试
  • 保留应急现金
  • 设置硬性止损线——如果总资金亏损达到 X%，无条件清仓，远离市场，重新评估

三层防御的关系就像航空安全的"瑞士奶酪模型"——每一层都有漏洞，但多层叠加后，所有漏洞同时对齐（导致灾难）的概率就极小了。

八、结语：风险管理不性感，但它决定了一切

最后分享一段 Howard Marks（橡树资本创始人、全球最受尊敬的投资者之一）的话：

"投资中最重要的不是你买了什么，而是你付了多少钱、以及你的仓位多大。前者决定了你买了好东西还是坏东西，后者决定了你能不能在错误中存活。"

量化交易的世界充满了追求 Alpha 的激动和兴奋。人们花 90% 的时间研究策略，只花 10% 的时间思考风险。但真正的专业玩家恰恰相反——他们最关心的不是"怎么赚更多"，而是"怎么不亏大钱"。

因为在这个游戏里，活着就是最大的优势。只要你还在场，总有赚回来的机会。而一旦出局，一切归零。

下一篇：量化交易系列（四）——多因子模型：从学术论文到实战投资。Fama-French 三因子、五因子到现代多因子框架。

关注公众号「coft」，获取更多 AI 时代的深度思考。

posted @ 2026-03-08 22:00  warm3snow  阅读(7)  评论(0)    收藏  举报