 期望值为正值是交易系统最为关键的要素。 如果没有正的期望值，那么这个系统根本没有价值。 无论你用什么样的技巧，都无法最终实现盈利。 期望值(E)由两部分决定，一是回报风险比(r),二是胜率(P)。 E=r*P-1*(1-P) 期望值与回报风险比和胜率都是正相关。回报风险比越高，期望值越理想; 胜率和期望值的关系亦然。 有一点我需要重点强调：在前面的例子中，无论是赌场的例子，还是摸球的例子，共同点是回报风险比和胜率都是确定的，因此，你只要进行简单地计算就可以知道期望值是多少。 而交易系统却有所不同： 第一， 胜率无法事先确定，只能通过历史数据模拟检测或者通过一定次数的真实交易后，才可以统计岀来。 第二， 胜率和回报风险比是负相关的关系，在其他条件不变的前提下。 也就是说，回报风险比的变动，会对胜率产生反向的影响， 具体如下： ① 在止损位确定的情况下，预计收益定的越高，即回报风险比越高，就有越大的概率在没有到达预计收益时，再次跌回止损位，从而降低胜率; ② 在预计收益确定时，如果止损位定的越宽松，即回报风险比越低，则相应的胜率会越高。因此，在你向别人吹嘘你的高胜率时，记着顺便说一下你的止损位和预计盈利的目标。 在回报风险比很低的情况下谈胜率并没有太大意义。 第三，二者的逻辑关系是必须先确定回报风险比，然后才能相应地确定在这个回报风险比下的胜率。这个顺序一定要搞清楚。 当然，如果再考虑到提前止损、跟踪止盈、加码、减码等因素，则情况会变得非常复杂，使得交易系统期望值的计算无法进行。 在后面的高级技巧中，我们会进一步探讨这些问题，这里我们主要讨论最简单的交易系统模型，也就是假定：回报风险比是确定的，到了止损点就止损，到了止盈位就止盈，其他状态不操作。 也就是要么实现预计盈利，要么实现预定的止损，没有中间状态。 我们来看回报风险比。 回报风险比=预计收益/初始风险R。 而初始风险R是买入的价格减去你愿意止损的价格，然后再乘以股票数量，也就是每笔交易你愿意承受的初始风险。 这里的R衡量的是绝对值。 但我们关心的是预计收益相对于初始风险R的比率。 现在改变一下计量的方式，把R当作一个标准的单位，我们称为一个单位的初始风险，就是1R。 这样的话，预计收益我们就可以用多少单位的R来表示，从而建立了统一的衡量标准。 再来看看胜率。有时胜率很高，但在回报风险比很低的情况下，期望值甚至为负。 例如，止损点设在4%,但每次赚1%就止盈岀局;回报风险比是1：4;你有很高的成功率，比如75%。你会赚钱吗? 计算一下期望值E=0.25RX75%-RX25% = —0.0625R。是负值，还是亏钱的。 你的系统不具备优势。 而且，你的胜率还不一定能够这么高。如果你觉得自己的胜率一定高于50%,甚至80%,90%,那是你没有真正理解胜率的含义。 胜率要建立在到了止损点就必须严格止损以及必须达到预计收益才能止盈出局的基础上。 比如，你买入后，涨了，还没到预计盈利位就跌回来，这时你不能觉得略有盈余就先出局。这不是真正意义上的胜率。 还有一种情况，买入后直接跌到止损位，你不止损，又迅速上涨到预计盈利位，你却止盈。这也不是真正意义上的胜率。 这些都是伪胜率。 因为你可以说你的胜率很高，但这个胜率对于评估交易系统真正重要的期望值，没有意义，只不过用来自我安慰或者炫耀一下而已。 所以我称它为伪胜率。 只有在确定初始止损位和预计收益后，我们才能在此基础上评估具有实质意义的胜率。这个一定要牢记在心。 那回报风险比通常要达到多少，才是比较合适的呢? 回报风险比太高，会导致过于频繁的止损，对交易信心也是很大的打击; 回报风险比太低，虽然容易胜率高，但每次都是小幅盈利，容易导致频繁操作，再加上交易成本的因素，效果也不太理想。 此外，回报风险比越高，交易机会就越少。这个必须要重视。 大的趋势机会，有非常高的回报风险比，但出现的机会太少; 波段操作的机会则随处可见，但回报风险比通常都不高。 我认为，通常情况下，回报风险要达到2 : 1才是比较理想的。 主要是考虑到成功率可能在50%以下，以及交易成本的问题，否则期望值不一定为正。 有人建议最少要达到3： 1,我认为有些过高了， 这会显著地减少交易机会。当然，交易者可以根据自己的交易实践和交易习惯选择适合自己的具体数值。 只要是大于1 ：1的风险回报比，都是可以考虑的交易机会。 在回报风险比不低于2：1的情况下，胜率很难大幅高于50%, 尤其是为了提高回报风险比而把止损位设定在比较靠近买入价的情况下。 此外，止损位的设定也有很多的技巧。 同样的回报风险比，但合理的设定止损位，往往能够一定程度的提高胜率。 简单测算一下：如果回报风险比为2：1,即盈利赚取2R,亏损损失1R,胜率是50%,那么期望值E=2R*50% — lR*50% =0. 5R,意味着每笔交易平均下来你可以获利0. 5R; 如果你的回报风险比能达到3： 1的水准，即盈利赚取3R,亏损损失1R,胜率仍然是50%,那么期望值E=3R*50%-1R*5O% =1R,意味着每笔交易平均下来你可以获利IRo 同样道理，如果你把回报风险比定为1 : 1,而把希望寄托于提高胜率上，即使你的胜率达到75%的高水准，那么期望值也就是：E=1RX75% — 1RX25% = O.5R。所以，不要单纯追求过高的胜率指标，而是在保持合理回报风险比的前提下，尽量提高胜率。 以上谈到的计算期望值的方法是利用回报风险比和胜率，其前提是能够知道回报风险比和胜率的具体数值。 但在实际交易中，这个问题却不是那么容易解决的。 我们确定好止损位和预计盈利位后，相应的回报风险比也就确定了，比如为2：1。但我们能够准确地评估胜率吗? 在交易前，胜率是很难准确评估的。 无法准确评估胜率，那期望值的计算公式就失去了价值。 充其量只是一种理论上的描述，而无法很好地应用于实战。 此外，就算能够评估胜率，每次交易的胜率也未必相同，这与前面摸球和赌博的例子完全不同。 对于这个问题，有两种解决的思路： (1) 对系统进行历史数据模拟检测，得出总体结果后进行平均，以此来代替系统的期望值。这个就是机械式交易系统的基本思路， 其前提是这些买卖规则都能够为计算机所识别。这个方法不是按照回报风险比和胜率的角度计算期望值，而是直接根据模拟的交易结果来倒推。 这种情况下，也不需要先确定回报风险比。只要是计算机能够识别的交易规则，都可以通过历史数据模拟检测得出结果。 (2) 在回报风险比为2：1的情况下，如果不考虑交易成本，则随机买入的胜率应该是33. 3%。这是因为在不考虑交易成本的情况下，随机买入的期望值为零。 我把这个胜率称作基准胜率，也就是使得期望值为零的胜率(不考虑交易成本)。不难看出，回报风险比为3 ： 1时，基准胜率是25%;而回报风险比为1 ： 1时，基准胜率为50%。 如果我们能够找到一种评估标准，使得符合此种标准的胜率高于基准胜率，则该笔交易的期望值为正值。 我们不需要胜率的准确数值，只要期望值为正，就可以作为操作的依据。 当然，期望值越高，交易的效果越理想。 如果每一笔交易的期望值都为正，则系统的期望值相应的也必为正值。 因此，只要我们能对胜率做出合理的估算，就可以建立一个期望值为正值的交易系统。 例如，我们根据技术面和基本面设定数个标准，如果某个买点符合其中的半数以上,则可以合理地推定该笔交易的胜率超过基准胜率。 符合的数量越多,相应的胜率也就越高。 而系统真实的期望值和胜率，只能多笔实际交易后，通过统计的方法获得。 这个就是自主式交易系统的基本思路。 最后还有一个很重要的问题需要注意，它隐含在期望值当中，很多人并没有意识到。 要想充分地利用一个正期望值的系统并实现理论上的收益，你就必须做到每次下的赌注相同。 试想一下，在摸球的例子中，第一次你赌10元，结果你输了10元，第二次你赌1元，却赢了，结果只赢了1元。这样的情况下，即使你有一个正期望值的系统，也无法保证你实现盈利。 一个盈利的系统需要具备三个要素： (1)正期望值; (2)资金管理，从而避免破产风险; (3)等额下注，从而充分地利用期望值。 就交易系统而言，每笔交易所下的赌注就是初始风险R。 为了等额下注，我们需要将每一笔交易的初始风险R进行统一，使之全部相等，比如都等于总资金的2%。只有这样，交易系统的概率优势才能充分地发挥出来。 |
|
|
