量化交易的 10 个博弈指标：不是看数字，是看制约关系
本文是通用的量化交易方法论知识，不构成具体投资建议，仅供参考。
做量化交易系统，绕不开这 10 个指标。但大多数人犯的错误是孤立地优化单个数字——比如一心把胜率从 55% 拉到 70%，结果盈亏比从 2:1 掉到 0.8:1，整体期望值反而下降了。
这 10 个指标之间有很强的相互制约关系，通常需要根据策略定位做取舍。
10 个核心指标速览
| # | 指标 | 衡量什么 |
|---|---|---|
| ① | Max Drawdown（最大回撤） | 峰值到谷值的最大亏损幅度 |
| ② | Expectancy（期望值） | 每笔交易的平均预期收益 |
| ③ | Profit Factor（盈亏比） | 总盈利 / 总亏损 |
| ④ | Sharpe Ratio | 风险调整后的收益率 |
| ⑤ | Calmar Ratio | 年化收益 / 最大回撤 |
| ⑥ | Win Rate（胜率） | 盈利交易占总交易的比例 |
| ⑦ | Annual Return（年化收益） | 年化的净收益率 |
| ⑧ | Trade Count（交易次数） | 统计样本量 |
| ⑨ | MAE（最大不利偏移） | 持仓期间经历的最大浮亏 |
| ⑩ | MFE（最大有利偏移） | 持仓期间经历的最大浮盈 |
核心制约：提高胜率往往降低盈亏比，降低回撤往往牺牲收益。不可能同时优化所有指标。
仓位与风险管理：控制 ①回撤 和 ⑨MAE
这一层决定你”亏多少能活下来”。
固定分数仓位法（如 1/4 凯利）比固定手数更能控制回撤——亏损后自动减仓、盈利后温和加仓，天然带有自适应性。
动态止损基于 ATR 或历史波动率设置，而不是固定点位。固定 2% 止损在低波动市场太宽、在高波动市场太窄——让止损距离适应市场状态，能减少 MAE 被噪音打穿的情况。
组合级风控同样关键：
单策略风险预算 ≤ 总资金的 X%
单品种风险预算 ≤ 总资金的 Y%
策略间相关性越低越好如果系统跑多个子策略，选相关性低甚至负相关的组合，可以在不牺牲总收益的情况下显著压低组合级最大回撤。
信号与出场：提升 ②期望值、③盈亏比、⑩MFE
很多系统只优化入场信号，出场逻辑却很粗糙。典型症状：MFE 很高但实际盈利兑现很低——赚了指标没赚到钱。
出场比入场更重要
引入移动止盈 / 分批止盈机制：在价格达到历史统计中该品种典型 MFE 分位数附近锁定部分利润。
入场 → 价格涨到 MFE P50 → 锁定 50% 仓位利润
→ 价格涨到 MFE P75 → 锁定剩余 25%
→ 剩余 25% 用移动止盈跟踪盈亏比 > 胜率
提高盈亏比比提高胜率更可持续：
- 胜率提高往往依赖过拟合历史数据
- 放大盈亏比可以通过让盈利单跑更久、亏损单更快止损来实现
- 对 Expectancy 的提升是乘数级的
Expectancy = 胜率 × 平均盈利 - (1-胜率) × 平均亏损一个 40% 胜率 + 3:1 盈亏比的系统，比 70% 胜率 + 0.8:1 盈亏比的系统赚得多。
MAE/MFE 的路径分析
做”入场后 N 根 K 线的价格路径统计”——分析持仓在盈利/亏损前经历了多大的偏移。这能直接指导止损止盈参数设置，而不是拍脑袋定数字。
注意：MAE/MFE 在多数交易所（包括 OKX）不直接提供。需要自己在每次开仓时记录存续期间的最高浮盈和最大浮亏，通常要接入 K 线数据自行计算。
收益质量：稳定 ④Sharpe、⑤Calmar、⑦年化收益
Sharpe 偏低的真正原因
通常问题出在收益波动率太大，而不是收益绝对值太低。
检查是否存在少数几笔极端交易主导了整体收益分布（看收益的偏度/峰度）。过度依赖尾部大单的系统 Sharpe 天然不稳定。
Calmar 低但 Sharpe 还行
说明存在阶段性大回撤而非持续小幅波动。适合加入”回撤熔断”机制：
if 账户回撤 > 阈值:
仓位降至 50% 或暂停策略
等待市场状态修复
逐步恢复仓位不要靠杠杆拉年化
加杠杆同时等比例放大回撤和 MAE。实质是拿风险换收益，Sharpe 和 Calmar 不会因此变好。
只有真正提高策略的信息比率（Alpha 能力）才是可持续路径。
回测验证：指标可信度才是根本
以上所有指标，如果只跑一次全样本回测，几乎必然过拟合。换个时间段数字就会大幅下滑。
Walk-Forward 验证
训练窗口 [T1-T2] → 验证窗口 [T2-T3]
训练窗口 [T2-T3] → 验证窗口 [T3-T4]
训练窗口 [T3-T4] → 验证窗口 [T4-T5]观察指标在不同市场环境（趋势/震荡/高波动/低波动）下的稳定性，而不是只看一个漂亮的总体数字。
参数敏感性测试
把止损止盈参数改动 10%~20%，如果指标剧烈恶化，说明策略是在拟合噪音而非真实规律。这种”看起来好”的指标最不可信。
一个健壮的策略应该在参数微调后指标平滑退化而非断崖下跌。
一句话总结
不要追求每个指标都漂亮。理解它们之间的制约关系，根据你的策略定位选择优化哪个、牺牲哪个——这才是真正的量化思维。