发明者量化交易入门--从基础到实战

��型而言，最大回撤（Max Drawdown）是一个非常重要的风险指标，这个指标甚至比波动率还要重要。在回测中看到的最大回撤也在一定意义上代表你开仓后可能出现的最糟糕的状况。

从数学角度看，资金亏损20%则需要剩余资金盈利25%，才可以恢复原来的资金规模，如果亏损50%，则需要剩余资金盈利100%，才可以恢复亏损前的资金规模。

那么毫无疑问亏损的幅度越大，恢复到初始资金规模的可能性就越小，难度也就越大。资金向上的利润空间是无限的，向下亏损的空间却是有限的，触底出局的可能性也就越大。

不管怎么定义，至少这两点是目前的主流认识： 1、最大回撤越小越好； 2、回撤和风险成正比，回撤越大，风险越大，回撤越小，风险越小。

调整后收益风险比（RAROC）

很多人对这个概念较陌生，事实上，调整后收益风险比这个指标是专业玩家与业余玩家的分水岭。这也是投行、大型基金、职业交易员非常好的评测工具，而且是全球金融领域中通用的考核标准。

在投资中不光只看利润，更要看在获得这些利润的时候，付出了多大的风险。一般来说，资产的风险和收益是成正比的。这意味着当模型在收益率上傲视群雄，高歌猛进的时候，其风光的背后可能隐藏着还未爆发的风险。

例如，模型中的开平仓条件或加减仓条件，在上涨时有更高的收益，可一旦出现下跌，就会把损失成倍放大，造成巨大损失。何况，上涨和下跌具有相当大的不对称影响。

很多经验丰富的量化交易者愿意为了降低风险牺牲一部分收益，在这种情况下，经过风险调整后的收益更具有参考价值。所以在回测中，风险高、波动大的模型，即使收益较高，也不一定是好的模型。

存款安全，但年收益只有2%。市场可以让你几天赚上50%，也可以让你几天就亏50%。交易这么多年，我自己有一个非常重要的理念就是：正视风险，风险和收益从来不会孤立存在，交易如同出海打渔，你想打渔，却又不想承担大海的风险，是不可能的。过于保守和过于激进，事实上是走入了两个极端。设计策略模型也是如此。

交易次数

你总不能拿着几个月的回测绩效，来证明这个模型。如果回测数据过少，那么回测结果就有可能具有偶然性，要不就是参数偶然，要不就是行情偶然等等。另外较长的历史数据，也能过滤掉部分幸存者偏差。

一般来讲，对于国内的股票、商品，应该回测5年以上的数据，对于新上市的品种，至少也要回测3年。对于上市较早的品种或国际市场的黄金、美元指数等商品，则应至少回测一个牛熊周期，一般应该在10年–15年以上。回测的期间足够长久，回测的成绩才足够可靠。对于不能满足这个要求的品种，则应在开仓时将R值适当加权处理，主动降低风险暴露。

平均利润

平均利润这个指标数据，是看似普通，实则非常重要的一项。它的计算方式也非常简单：净利润 / 交易次数。毫不夸张的说，它是分辨那些回测绩效外表光鲜的照妖镜。如下图，如果这个策略能赚钱，那就不正常了： 图5-18 图5-19

如果你看到这个策略回测绩效，可能会有个疑问，这种近乎完美的策略，不用岂不可惜？且慢！请仔细看第二张图的平均利润，只有17，也就是平均交易一次只赚17元。

就拿期货市场大多数一跳为10元的品种来说，但凡做过实盘交易的人就能明白什么意思。在实盘中别说一跳了，十跳八跳都有可能。两跳三跳都是家常便饭。

胜率

胜率从来都不是单独存在的，或者说单独拿胜率说问题，是不切实际的。如果你在恰好的行情用上恰好的模型，胜率达到80%也毫不奇怪，但这毫无意义。

价格不是张就是跌，否则就是不动。如果时间足够长，你会发现，价格上涨和下跌的概率各是50%。不管你用哪种类型的策略模型，如果回测时胜率超过50%，你就要小心了。从数学和物理学的角度看，这是不可能的。

详细权益曲线(Equity Curve)

所谓一张图胜过千言万语，详细权益曲线( Equity Curve )是从第一笔进场的时间点一直到图表的最后一根bar的时间点结束。它是交易的实时资金曲线，说它是实时是因为它会将每根bar上的浮动盈亏计算在内。 图5-20

详细权益曲线反映的就是帐户净值的变化，是最直观的评量工具，可以一眼就对该策略亏损获利状况及损益的波动/平滑程度有概略的掌握。不过策略绩效报告这张图不仅胜过千言万语，更迷惑千万信众。另外永远不要看平仓权益曲线。

年化收益率

年化收益是一个比较争议的指标数据，有人认为它是给外行人看的，并不具备参考意义。首先，获得盈利是模型被选用的前提，或者说模型回报本身必须是正期望值的。 图5-21

你可以有无数个100%的收益，但是你最多只能承受一个100%。年化收益率，和真实的收益率（持有期收益率）的差距可能是很大的，有些时候大到超出我们想象。

总结

最后，有一点需要说明的是，十全十美的回测绩效并不存在，除了测试数据本身的问题以外，模型的使用方还有可能面临更多的陷阱，从参数优化到成交设计都有可能与实际运行的情况不同。

更重要的是，执行层面的情绪问题是模型投入生产的X因素，实盘交易不可能在“情绪真空”的环境中运行，厚尾现象是每一个程序化交易者必须时刻警惕的。

课后习题

1、列举出回测中，您认为最重要的绩效指标 2、试着计算夏普比率指标

5.4 为什么需要样本外测试

摘要

在上节中，分别围绕几个重要的绩效指标，教大家如何读懂策略回测绩效报告。其实写一个回测能赚钱的策略还不是最难的，比这更难的是，如何评价这个策略在投入实盘中是否继续有效。那么今天我将为大家讲解样本外测试，以及它的重要性。

回测不等于实盘

很多量化初学者凭借一个回测看似不错的绩效报告或资金曲线，就轻易的确信自己的交易策略，准备在市场中大展身手。诚然，这个回测结果能够完美地契合他们所观察到的某一市场状态，但是一旦这个交易策略被投入到较长时间的实战中，他们就会发现这套策略其实并不有效。

我见过许许多多交易策略，回测的时候成功率可以达到50%以上。在这么高胜率的前提下，还可以有1：1以上的盈亏比。可是，这些策略一旦付诸实盘，基本上都是亏损的。导致亏损的原因有很多，其中就有，在回测的时候，数据样本太少，导致数据迁就偏差。

然而，交易就是这样一件纠结的事情，事后回看无比清晰，但如果我们回到当初，依然不知所措。这就牵扯到量化的根源问题——历史数据的局限。那么，如果仅仅用有限的历史数据，来检验交易策略，则很难避免“看着后视镜开车”的问题。

什么是样本外测试

如何在数据有限的情况下，尽可能的充分利用有限的数据对交易策略科学回测？答案是样本外测试法。回测的时候，将历史数据根据时间先后分为两段，前一段数据用于策略优化，称为训练集，后一段数据用于样本外测试，称为测试集。

如果你的策略始终是有效的，那么在训练集数据中优化几组最好的参数，并把这几组参数应用到测试集数据中去回测，理想情况下，得到的回测结果应该与训练集相差不大，或者相差在一个合理的范围内。那么就可以说明这个策略是相对有效的。

但如果一个策略在测试集表现很好，但是在测试集表现很差，或者变化很大，并且选用其他参数也是如此，那么策略就有可能存在数据迁就偏差。

举一个例子，假设要回测商品期货螺纹钢，现在螺纹钢有10年左右的数据（2009年~2019年），那么可以把2009年~2015年的数据作为训练集，把2015年~2019年的数据作为测试集。比如一个双均线策略，在训练集中最好的几个参数组是（15周期均线和90周期均线）、（5周期均线和50周期均线）、（10周期均线和100周期均线）…那么，我们把这几组参数分别放到测试集中回测，并对比训练集与测试集的回测绩效报告和资金曲线，判断它们的相差是否在一个合理的范围内。

如果不使用样本外测试，直接用2009年~2019年的数据来回测策略，得到的结果就有可能因为拟合历史数据，得到一个很好的回测绩效报告和资金曲线，但是这样的回测结果对于实盘意义不大，并没有指导作用，特别是那些参数比较多的策略。

样本外测试的进阶

除了把历史数据分成两份，进行样本内和样本外回测外，其实还有一个更好的选择，那就是递推式回测和交叉式回测方法。特别是在历史数据很少的情况下，比如近年刚上市的原油期货、苹果期货，采用这两种方法可以利用有限的数据对模型进行全面的检验。

递推式检验的基本原理：用前一段较长的历史数据去训练模型，并用随后相对较短的数据去检验模型，然后不断地向后移动取数据的窗口，重复训练与检验的步骤。 训练数据：2000年至2001年，测试数据：2002年； 训练数据：2001年至2002年，测试数据：2003年； 训练数据：2002年至2003年，测试数据：2004年； 训练数据：2003年至2004年，测试数据：2005年； 训练数据：2004年至2005年，测试数据：2006年； …以此类推… 最后对（2002年、2003年、2004年、2005年、2006年…）的测试结果进行统计，来综合评估策略表现。

如下图，可以直观的解释递推式检验的原理： 图5-22

上图分别展示了递推式检验的两种方法。

第一种：每次检验时，测试数据比较短，测试次数较多。 第二种：每次检验时，测试数据比较长，测试次数较少。

在实际应用中，可以通过改变测试数据的长度，进行多次测试，用来判断模型在应对非平稳数据的稳定性。交叉式检验的基本原理：把全部数据等分为N个部分，每次用其中的N-1个部分做训练，用剩下的部分做检验。

把2000年至2003年按照每年划分，分为4个部分。那交叉校验的操作过程如下： 1、训练数据：2001-2003，测试数据：2000； 2、训练数据：2000-2002，测试数据：2003； 3、训练数据：2000、2001、2003，测试数据：2002； 4、训练数据：2000、2002、2003，测试数据：2001； 图5-23

如上图所示：交叉式检验最大的优点就是充分的利用有限的数据，每个训练数据同样也是测试数据。但交叉检验应用到策略模型的检验时也存在明显的缺点：

1、当价格数据非平稳时，模型的测试结果往往不可靠。例如，用2008年的数据做训练，用2005年的数据做测试。很有可能2008年的市场环境与2005年相比发生了很大的变化，所以模型测试的结果不可信。 2、与第一条类似，在交叉检验中，如果用最新的数据训练模型，而用较老的数据测试模型，这本身就不怎么符合逻辑。 另外，在对量化策略模型进行检验时，无论是递推式检验还是交叉式检验都遇到到数据重叠的问题。

在开发交易策略模型时，大部分的技术指标是基于一定长度的历史数据。例如，利用趋势性指标，计算过去50天的历史数据，而下一个交易日，该指标又是该交易日前50天的数据计算得出，那么计算这两个指标的数据有49天是相同的，这会导致每相邻两天该指标的变化很不明显。 图5-24

数据重叠会导致以下影响： 1、模型预测的结果变化缓慢导致持仓变化缓慢，这就是我们常说的指标的滞后性。 2、对模型结果检验的一些统计值不可用，由于重复数据导致的序列相关，使得一些统计检验的结果不可靠。

优秀的交易策略应该能够在未来具有获利性。样本外测试，除了能客观检测交易策略外，更能有效率节省量化交易者的时间。大部分情况下，直接采用全部样本的最优参数，投入实战是非常危险的。

如果对进行参数优化的时间点前的所有历史数据进行区分，划分为样本内数据与样本外数据，先利用样本内数据进行参数优化，再利用样本外数据进行样本外测试，则可以将这种错误排查出来，与此同时还能检验优化后的策略是否适用于未来的市场。

总结

就如同交易一样，我们永远没有办法穿越时间，为自己做一个一点错误都没有的正确决定。如果有上帝之手或者从未来穿越回来能力，那么不经过测试，直接上线实盘交易，也能赚的盆满钵满。而我等凡人，则必须在历史数据中检验我们的策略。

可是，即便拥有庞大数据的历史，但面对浩瀚无尽且不可预测的未来，历史就显得极度匮乏。所以基于历史自下而上倒推出来的交易系统，终究会随着时间而沉没。因为历史不能穷尽未来。因此一个完整的正期望交易系统必须由其内在原理、逻辑所支撑。

「信任，但要验证」——里根总统

课后习题

1、现实生活中有哪些现象是幸存者偏差？ 2、利用发明者量化工具，根据样本内外回测，并比较它们的不同。

5.5 交易策略优化及最佳化

摘要

交易策略其本质就是对市场规律的概括和总结，你对市场认识的越深，用代码表达思想的能力越高，你的策略就越贴近市场。本节将继续为大家讲解如何优化交易策略，为你的实盘交易做最后的准备。

优化进出场

大部分趋势跟踪策略会利用突破或者技术指标等方法捕捉行情，通常情况下这些信号的进出场方式，时效性较低，如果策略使用的是收盘价模型，那么入场点会在下根K线的开盘价上，因此会错过突破这根K线的最佳入场时间，无形中会错过很大一笔到手的利润。

所以有效的办法是，在策略实现中使用更具优势的即时价格，当出现信号时，立即发单。这样当信号成立时可以立即入场，不会错失利润。但并非所有的即时价格都要优于收盘价，这还要根据交易策略决定。一些交易逻辑简单的策略，即时价格与收盘价效果区别较小。但收盘价模型无法处理更加细致的交易逻辑，就需要采用即时价格了。

参数优化

参数优化可以使量化交易策略更贴近历史数据，回测绩效达到更好的结果。举个例子：我们在螺纹钢合约中，使用一个双均线策略中，但到底使用哪两根均线最好呢？那么可以利用发明者量化工具中的参数调优功能，自动寻找最好的两根均线参数。

如下图，以双均线策略为例，它本身是一个多维实例，如果我们把每个参数的回测结果画成一个点（注意看下图），那么每个参数都是这个策略的一个维度，最终所有的参数组合构建了这个复杂的多维曲面形状（就像一座山峰）。 图5-25

如上图，这是一个双参数策略绩效表现图，随着参数的不同，最终收益率也发生较大变化，曲面发生强扭曲，形成高低不同的“波峰”和“波谷”。通常优化结果收益率第一名，是全部曲面的最高点。但从参数敏感性、客观性等角度讲，有时候这个结果可能不是“最优”的。因为行情是在不断变化的。

所以，参数优化重要的原则就是要选择参数高原而不是参数孤岛。所谓参数高原，指的是存在着一个较宽泛的参数范围，策略在这个参数范围内都能取得较好的绩效。一般会以高原的中心形成类似正态分布状。而所谓参数孤岛，指的是只有参数值处于某个很小的范围内时，策略才会有较好表现，当参数偏离该值时，策略的表现就会显著变差。 图5-26

参数高原

以上图为例，好的策略参数分布应当是参数高原，即使当参数的设置有所偏差，策略的获利能力依然能够得到保证。这样的参数因稳定性强，可以使得策略在未来实战中遇到各类行情时，具有较强的普适性。 图5-27

参数孤岛

以上图为例，如果回测绩效呈现参数孤岛，当参数发生小的偏移时，策略的获利能力将降低很多，那么这样的参数因普适性较差，往往难以应对实际交易中变化多端的市场行情。

因此，如果附近参数的性能远差于最优参数的性能，那么这个最优参数可能是一个过度拟和的结果，在数学上可以认为是奇点解，而不是所要寻找的极大值解。从数学角度来说，奇点是不稳定的，在未来的不确定行情中，一旦市场特征发生变化，最优参数可能会变为最差参数。

增加滤网

很多趋势策略，在行情出现趋势的时候，都能很好的抓住趋势，实现丰厚的回报，但是长期运行下来，最终的结果不是小赚就是亏钱，问题出在哪里?

原因在于，策略在震荡行情中不断的反复交易，而震荡的交易大部分是亏损或者小盈利的，市场有70%左右的时间是处于震荡行情，长时间的连续小幅度亏损，导致之前的利润全部回吐。 图5-28

解决办法就是增加滤网，市场上的滤网有很多种，包括损益滤网、风险值滤网、走势型态滤网、技术指标滤网等等。比如增加一条大周期均线滤网，在震荡行情中能降低交易次数，过滤掉一半的错误交易。

平滑资金曲线

量化追求的是一种稳定的可持续盈利方法，这是绝大多数交易者所希望看到的，谁也不希望今年赚50%，明年亏30%，后年再赚40%，宁愿接受每年20%的收益率，但是可以持续十几年。这是量化投资可以做到的。因为量化投资是一种业绩可以持续的交易模式。

要想做到平滑的资金曲线，就需要多策略、多品种、多周期、多参数的构建投资组合。但未必是越多越好，这里有一个边际递减的效应，一开始加入组合越多，分散性越好，但是当策略达到一个数量级后就开始出现分散作用递减的效应了。组合的好处就是分散，虽然整体收益率不是最高的，但是最稳健的。

放弃寻找圣杯

究竟能不能用量化交易找到圣杯，这是很多交易者都会考虑的问题。有些交易者更是在简单的回测之后，就拿着所谓的完美策略冲进市场中。希望能够屡战屡胜，成为一路过关斩将的职业宽客。

但到底有没有圣杯？其实是非常简单的，答案就是没有。其实理解起来也并不困难，如果这个市场真的有规律，那么理应是智商越高、学历越高、越努力的人将会发现其中的规律，无论是用数学分析、信息垄断、还是其他的分析方法，最终他们将会赚到市场中大多数钱，长此以往，这些人就会垄断交易市场，直至市场无法正常运行。

总结

如果交易的时间足够长，任何人都可能在交易过程中面临各种各样的行情走势，而且这些走势也不可能完全重复过去。作为量化交易者，除了正确审视优化自己的交易策略外，还需要持续监控市场状态，针对市场的变化，不断完善策略。

同时也要意识到盈亏同源，亏损是整个交易策略中的一部分，即使是最好的交易策略也可能经历一系列回撤期，当每次交易有亏损的时候，你的交易规则和策略不应该受到质疑。至少不要轻易改变你的策略逻辑框架，除非一开始你的逻辑框架就是错误的。

课后习题

1、根据自己策略的特点，构建投资组合，并用发明者量化工具回测 2、试着根据本节的内容优化自己的量化交易策略

5.6 建立概率思维，提升你的交易格局

摘要

交易既是一门科学，也是一门艺术。交易中的方法有很多，无论是价值投资、技术分析、事件热点、套利对冲等，表面上看起来逻辑严谨，理论上也能说得通。但实际上往往相互矛盾，有时候，科学的严谨也无法解释艺术的天马行空。

虽然各种交易方法起点不相同，但条条道路通罗马。价值投资的优势是可以根据价值给价格波动划分一个安全边际；技术分析的优势是三大假设使交易具有一定的科学性。

但是，它们都有一个共同的特点，那就是：对未来的价格分析，只能做到大概预测，而不能精准预测。即使将基本面分析与技术分析相结合，也不能解决提高“精准”的问题，所以自始至终交易都是一个概率游戏。

概率游戏

其实，不仅仅交易是概率游戏。人这一生，小到过马路（绿灯了，现在过马路安全吗？），交什么样的朋友（这个朋友靠谱吗？）；大到从事什么样的事业（职业交易真的是一个好的事业吗？），跟什么人结婚（我们在一起会幸福吗？）等等，都是评估风险与回报的概率游戏。因为我们没有未卜先知的能力，每做一件事即使我们再有把握，风险都始终存在，无法做到百分之百确定性。

许多人在交易中犯错的重要原因就是缺少概率思维，在做交易时过于感性而非理性。感性其实就是我们的原始本能，在市场中，这些原始本能可以激发人的许多弱点，并且成倍放大。这也是大多数人来到市场，最终以失败而告终的原因。

交易失败的原因

原因一：因为人性

绝大多数人都有一个弱点：喜欢占小便宜，害怕吃小亏。在市场中一旦有点蝇头小利就马上兑现，获利出局；一旦有亏损，就抱着亏损的头寸不动，企图侥幸回本，结果小亏损慢慢积累成大亏损。

价格不是上涨就是下跌，否则就是不动。长期来看，在不考虑手续费和滑点等情况下，赚钱与赔钱的概率约等于50%，那么绝大多数人的交易方法也就变成了利润有限而风险无限的负期望策略。它们的交易结算单应该是这样的：小赚>>…>>小赚>>大亏。

在现实生活中，这与穷人思维和富人思维很相像。穷人厌恶风险，害怕亏损。喜欢旱涝保收的工作，追求安稳。即使做一件事，没有绝对把握，也坚决不做。表面上看起来这样做并没有什么错，但是背后却承担了巨大的机会风险。

而富人更愿意承担风险，知道风险与回报始终成正比，只有风险中才孕育着机会，合理评估风险，并在风险可控的情况下，勇敢下注。

原因二：喜欢赚快钱

国外有家机构曾经做过一个统计，长期而言，大多数行业的净资产年化回报率很难超过15%。相反，很多数散户认为在市场中赚个15%，都不好意思跟人打招呼。人们喜欢赚快钱，行动上就是重仓交易和短线交易。

重仓 重仓、高杠杆、配资都是非常诱人的，也是非常危险的。成则飞黄腾达，败则万劫不复。假如你有一个胜率为50%的交易策略，满仓加配资操作，运气好的话，你可能连赢十几次，财富从量变到质变也是可能的。

但是只需要错一次，就全部归零。即使你只是重仓操作不配资，也有账户归零的风险，因为你无法保证，在接下来的行情中，会不会连续亏损十几次。甚至重仓交易还能使使一个原本正期望的交易策略，变成了一个输赢不对等的策略。

短线 天下武功，唯快不破。在交易圈人工炒单、日内短线、量化高频一直都带有很神秘的色彩，我并不是怀疑这些看着秒表做交易的人，而是试图从另一个角度，劝你放弃短线交易。

我们判断一个方法是否可行，并不能只看用这些方法成功的那些人，更要看用这些方法失败的那些人。也就是说，你不能因为一部分人买彩票中大奖，就认为买彩票就是正期望的策略。

再者，看看私募产品排行，三年以上，排名前100名里面又有几个是做炒单或短线的？毫无疑问，短线成材率很低，就算成功，这种快速赚钱的方法也很难长期维持下去。如果你不是天赋异禀，慎用这类奇门绝招，毕竟西蒙斯只有一位。

原因三：偏见

如果可以，建议你花费100分钟，看一部电影——《十二怒汉》。一部电影由4个国家翻拍，1957年美国初版，1991年日本版、1997年俄罗斯版、2014年中国版。虽然这部电影并不能教你怎么去做交易，但却教你以什么样的态度看待事物，学会认识自己，这一点非常重要。

因为人的经历是有限的，所以人的认知也是有限的。每个人都或多或少，会根据自己的经历和经验，产生偏见。很多时候，偏见成为了大多数人的习惯，理所当然地带着自己的情感去评判很多事情。

回到市场，无论你对市场的判断是基于基本面分析还是技术分析，这些其实都不重要。如果你的观点与市场大多数人的观点不同，价格则更偏向于市场大多数人，市场不会以你的观点去运行。

所以，在交易中一定要牢记“判断，但不依赖判断”，最终还是要基于事实，基于价格。价格涨跌的唯一力量是大多数人对未来的预期。而你的判断在市场中并没有什么分量，千万不要让自己的判断形成自己的偏见。

原因四：追求完美。

市场的参与者有各行各业的大牛，有物理学、统计学、数学、天文学等等，很多人都试图用他们的专业知识，去解释这个市场。

但市场的参与主体是人，人本身就是有认知局限的，也就是说市场本身就是错的，是不完美的。那么又怎么用这些「完美」的方法来解释市场呢？这不就违背了市场的本质了吗？

以上列出了来到市场的绝大多数人，最终以失败告终的原因。除了上述几个主要原因外，还有很多因素，这里不再一一列出。总之，除了你必胜的信心外，其他的都是阻止你成功的绊脚石。

那些因为好运气而在市场里面赚到钱的人，也会随着时间的推移，终究会再还给市场。所以，期货市场是一个负和游戏的市场。只有转变自己的思维方式，建立自己的交易策略，才有成功的可能。

什么是概率的思维方式？

概率思维，是一个文绉绉的名字，说得通俗点就是——赌博思维。你没有听错，交易就是赌博。听到赌博，你可能会联想的「谁谁谁赌博输得倾家荡产或欠债跑路或妻离子散」，避而远之。

社会上也确实存在一些赌红眼的赌徒。但是赌博≠赌徒。「赌博」可能是被人们误解最深的词汇之一了。如果你的策略是负期望，就是赌徒；如果你的策略是正期望，就是赌博。

如果我们把「赌博」中的贬义去掉，将之理解为承担一定风险而获得一定回报的活动，那么人生真的处处是「赌博」。上学选择哪个专业、买不买房、项目上不上马、打工还是创业等等。

甚至把钱存到银行也是赌博，因为你不确定未来是否会通货膨胀，银行是否会破产（参考希腊债务危机）。总之从摇篮到坟墓，生命的每个过程都是在赌博。

如何才能久赌必赢

有个赌博这个概念，就需要进一步解决，怎样才能久赌必赢？在研究久赌必赢策略之前，我们先来研究一下，那些久赌必赢策略的原理。除了印钞机，还有什么是能久赌必赢的呢？

那就是赌场里面的：百家乐、轮盘赌、老虎机、21点等等，不管怎样变换玩法，赌场最终都会赢。这里面其实隐藏着一个赌场从来不说的秘密：大数定律。

骰宝游戏的原理

三个骰子，押大小，4-10是小，11-17是大，押对了就赢钱。而骰宝有一种围骰，就是三个骰子点数相同，赌场庄家通杀，围骰出现的概率是2.8%。那么出现大和出现小的概率就各是48.6%。赌场就是靠这2.8%的概率，如果每个赌客每局都押100元，玩100局赌场就会赢280元。

(0.486+0.028)100100-0.486100100=280

但是这个赌场策略是有漏洞的，万一一个大玩家心血来潮押个几百亿，恰好又赢了，赌场就一下子破产了。所以，赌场会设置一个下注上限，本轮超过这个上限就不能再下注了。这样就算赌客可能一时运气好赢钱了，长期下去，还是会输给概率，在无限多次的骰宝游戏中，赌客就会输掉2.8%的钱。

大数定律

赌场老板的优势仅仅比赌客多2%，在单次赌博中，老板可能是亏损的，甚至也可能遇到连续亏损。但是赌场老板并不会被亏损吓坏，因为他知道，自己之所以能赚钱，正是「大数定律」在其中起作用，只要有人继续在赌，只需要2%的微弱优势，就能长期稳定盈利下去。

所以赌场不怕你赢钱，就怕你不来。这么多年来你甚至听说过银行倒闭的，但你什么时候听过赌场倒闭的？长期来看赌场永远都是赢家，这就是久赌必赢。

类似的久赌必赢的例子还有：各种彩票。彩票的奖池资金，自彩票上市以来是越积越多，这些钱当然来自于广大彩民。你知道双色球中500万的几率是多少吗？答案是1770万分之一。

概率的变化

假设有一个正反面一样重的硬币，抛出字（背面）和花（正面）的概率都是50%，而且每次抛硬币与前次结果无关。连续地抛10000次这个硬币，那么出现正面的概率约等于50%。

但是如果只抛10次，则出现正面的概率就变了，这个概率就不一定是50%了。所以赌场庄家必须保证触发这个正期望策略的次数足够多，这个正期望的策略才有效。这也是私募机构在开启量化交易策略时，除非特殊条件，不能停止策略的原因。

如何利用「大数定律」在金融市场中创建一个久赌必赢的策略，将是我们下个系列的课程内容，尽情期待！

总结

以上我们从概率、交易失败的原因、正确的交易思维方式、赌博中久赌必赢的原理等等方面，为大家讲解如何用科学的方法看待交易。相信如果你学有所长，思维的转变将是你行为的转变，而行为的转变将是你成功的转变。

课后习题

1、为什么说交易是概率游戏？ 2、交易失败的原因还有哪些？

Related

More