第03章系统设计的基础

优秀的系统会带给我们短暂的喜悦和持续的满足。

简介

本章对许多系统设计问题进行了分析。如果已经理解了系统设 计的基本原理，那么就可以考虑更复杂的问题了。而当交易者理解 了这些问题时，就可以设计出更强大的系统。 

我们先来问这样一个问题：市场有趋势吗?而对于是应该利用 这种趋势还是反对它的这个问题上，回答应该是选择前者——利用 这种趋势。 

本章介绍了一些测试结果来支持这个答案。然后读者就会问 ， 应不应该优化自己的交易系统?我们现在研究的就是依据历史数据 的优化来预测未来业绩的效果。

 本章通过提出初始止损是问题还是答案，探讨交易者在交易中 面临的不同风险，开始了对风险控制问题的讨论。在系统设计过程 中，应该事先考虑这些问题。我们接下来看一下可以用来进行测试 的不同的数据种类和它们所引起的差异。最后，本章解释了在系统 性能总结中发现了什么，缺少了什么。

读完本章，读者应该可以 ： 

1.解释怎样预测趋势市场。

 2.知道是用趋势跟随(TF)策略还是用逆势策略。

 3.解释优化的利弊。

 4.知道可能会遇到的风险。

 5.知道怎样选择测试数据。

 6.有效使用系统测试结果中的业绩总结。

7.理解和探索在业绩总结中所不包含的内容。 

8.解释为什么系统设计存在局限性。

预测市场趋势

如果能够始终如一地正确预测市场是否在做趋势运动，那么就 可以设计出具有获利性的交易策略。简而言之，市场以两种形式存 在：趋势和区间。如果市场定向地稳定运动，那么就是在做趋势运 动。如果市场是在一个相对较窄的价格变动范围内来回运动，那么 就是在做区间运动。

 长期策略易于在趋势市场中成功，而短期策略易于在区间市场 中成功。通常情况下，市场不可能在趋势和区间之间迅速地来回变 动。有时市场开始区间运动只是为了突破后形成一轮新的趋势，反 之亦然。

测定市场是否在做趋势运动有很多种方法。首先我们必须做出 一些转换，这些转换基本上就可以给出一个答案。例如，一种著名 的度量方法是韦尔斯· 韦尔德(见参考书目)研究的平均动向指数 (ADX)。 通常，它在大部分技术性分析软件程序中是一个内置指 标。平均动向指数描述了双重平滑的绝对市场动量。上升的ADX 曲线暗示了市场趋势，使用者必须选择计算平均动向指数的交易日 数。随着计算周期的增加，指数的敏感度降低。常见的参数值为 14 日，18日 也可以。交易者还须确定两个参考值来滤除虚假信号。20是一个很有用的参考值——也就是说，除非18日 ADX高于20，否则 市场就不是在做趋势运动。另一个比较有用的屏障值是40，当平均 动向指数向上超越40而后下降时，说明市场可能即将进入整固期。 在明显的强市场趋势中，我们会发现ADX从40以上“ 下钩 ” 的形态 通常是短暂整固期的信号，然后市场出现一种“ 二踢脚 ” 形态，继 续向更高的高点或更低的低点运动。

有时当市场处于较宽的交易区间内时，平均动向指数会上升 至20以上。另一种奇怪的现象是，尽管价格在某个方向稳步平滑前 进，但平均动向指数却转头下降。总之，它不是一个完美的指标。 平均动向指数的主要问题是它经过了两级平滑，这就在价格运动和指标之间产生了不可避免的滞后。第5章说明平均动向指数的绝对值 比起它本身的趋势来作用就小多了。 

另一个指数更直接地依据交易动量，并且比平均动向指数预测 得更准确，它就是区间运动辨识指数(RAVI)。 与平均动向指数不 同，这种策略注重于对交易区间的预测。ADX是对今日价格运动超 越昨日价格棒线的度量。      

为了定义RAVI，我 们首先做一个13周简单移动平均，因为13周 可以代表一个季度。由于我们要使用日线数据，所以我们把13周 简单 移动平均转化为对等的“日简单移动平均。这是长期移动平均。短期 移动平均只选取长期的1/10，也就是6.5日 ，四舍五入取整后为7日 。 因此，我们一般使用7日 和65日 简单移动平均。这些长度的选择完全 是任意的。RAVI便被定义为7日 简单移动平均(7-SMA)与65日简单 移动平均(65-SMA)之差占6日 简单移动平均的百分比的绝对值 ：     

RAⅤI=|[100× (7-SMA-65-SMA)/65-SMA]|

(译者注：将原文公式中的 “Absolute value(⋯ )” 改为大家比较熟悉的绝对值符号(“ ⋯”)

 3%是任意指定的一个参考值，意思是说如果RAVI小于3%， 那么市场正在区间内运动，如果RAVI大于3%，则 说明市场趋势强 劲。在类似欧洲美元的一些市场中，该屏障值就太高。所以可以 尝试使用较小的参考值，比如1%，或者使用相对度量方法，比如 RAVI的65日SMA。 我们可以要求RAVI大于3%，而且处于上升状态 时才发出强趋势信号。 

注意RAVI的几个设计特性：只有一级平滑;由于7日 移动平均 相对灵敏，因 此在价格变动和指标响应之间的滞后较小;市场运动 仍会比RAVI指示得快，观察一下当前的市场便可证明这一点;当市 场缓慢漂移，或处于波动趋势中时，RAⅥ被限制在3%以 下，表明 市场正在做区间运动。 

 在图3.1中 ，我们对18日 ADX(底部图形)和RAⅥ (中部图 形)进行了比较，RAVI曲线上有一条3%的水平线。两个指标大致 相同，但RAVI的 响应速度比ADX快，因 为它只经过一级平滑，而 ADX经过了两级平滑。使用14日 简单移动平均平滑后的RAVI与18日

图3.1用ADX(底部曲线)和RAVI(中部曲线)度量区间行情的对比。

图3.2双重平滑的RAVI(实线)与是18日 ADX(虚线)是很相似的。 

ADX十分相似，如图3.2所示。因此ADX非常近似地描述了双重平滑 的动量，而且可以使价格变动滞后。

我们现在对ADX和RAVI进行比较，并用它们来测量市场趋势 出现的频率。在这个例子中，我们使用了自1989年 1月 1日 到1995年 6月 30日 的连续合约，上升的18日 ADX大于⒛，上升的RAVI高于 3%。 如果当天的值高于十天前的值，我们就认为ADX和RAVI是 上 升的。这些计算周期的长度和参考值的选择都是任意的。

表3.1使用ADX和RAVI得出市场中出现明确趋势的天数所占的比例。

表3.1中 的计算结呆表明市场在大约20%~40%的时间里做趋势 运动。一些市场，比如10年期国库券，并没有出现RAVI显示的那 样很强的趋势，这可能是因为我们在用RAVI测度市场强度时使用 3%屏障的原因。 “ 温和 ” 的市场，像咖啡和糖，表现出最强的趋势 性。其他的基本面驱动市场，比如棉花、铜和原油，使用RAVI得出 的趋势率高于35%，也展示了很强的趋势倾向。比较成熟的市场，比 如标准普尔500和美国债券，出现的强趋势要比温和市场少。RAVI以15.8的低比率正确地验证了黄金长时间的横盘区间运动。

部分计算结果表明，在大多数市场中这些趋势间隔的平均长度 大约是15~18天 ，最少1天 ，最多30天。因此，这些市场的趋势期是 足够长的，足以进行可获利的交易。这些计算结呆表明，在 “ 无趋 势的九十年代 ” 市场为趋势系统提供了充足的交易机会。

总之，我们可以使用以动量为基础的指标来度量区间运动和趋 势运动。计算结果表明市场趋势平均持续15~18天 。因此，在做系 统设计时，趋势跟随策略值得考虑。下一部分阐述了交易者是否应 该长期使用趋势跟随策略。

是否跟随趋势

如果你不是大型的套期保值者或机构交易者，那么在设计交易系统时，可以选择两种基本策略中的任意一种。可以选择做一名趋 势跟随者，也可以采取逆势交易的策略。如果选择趋势跟随，一般 都会使用中期头寸。相比之下，在逆势策略中，则会使用逆势的短 期头寸。本部分主要探究两种策略，从长远看，趋势跟随方法比逆 势方法更有可能盈利。

表3.2所示为使用欧米伽研究中心的System Writer Plus TM软件对 一套以随机震荡指标为基础的逆势交易系统进行测试的结果。随机 震荡指标是一种区间定位震荡指标，它显示的是今天的收盘价在最 近x天的交易区间中所处的位置。如果收盘价接近区间顶部，那么 震荡指标的值大于80，接下来价格可能会向区间底部运动。相似地 ， 如果收盘价接近区间的底部，那么震荡指标的值将低于⒛，我们认为 下一个价格运动会朝向区间的最高点，在x天最高价和最低价之间的 “ 区间 ” 也不停变化。因此，震荡指标不能预测价格运动的幅度。

该测试系统使用10日 时间周期来计算快速K移动平均和快速D移 动平均。当快速K线在快速D线之上时，系统在开盘时买进，反之亦 然。System Writer Plus TM软 件向导为计算给出了确切方法。

这个例子使用7个不相关市场的连续合约，滑移价差和佣金考量 为100美元，初始资金管理止损为1500美元。测试周期从1898年5月26日到1995年6月30日 。该简单系统在这些市场上是亏损的，而且还 有大幅的资金回撒，大部分是由于连续的亏损交易。注意交易的数 量较多，而盈利交易的比例相对较低。

这些计算结果的主要含义是，尽管市场只做短期的趋势运动 ， 但在趋势运动期间的利润远远超过区间运动期间的利润。原因是当 市场做趋势运动时，价格变化的幅度是做区间运动时的好几倍。

这个例子假设交易者支付的是大街上提供的 “ 打折 ” 了的交易 佣金。如果交易佣金很低甚至可忽略，那么在高交易频率下，逆势 策略将会出现不同的交易结果。 表3.3将模拟利润在有无滑移价差和佣金时做了比较。获利性 的差异是显而易见的，随机震荡指标系统的业绩在低佣金时显著提 高。这个结果说明如果不得不支付高额佣金，那么逆势策略就没有 多少吸引力了。

有多种逆势策略，表3.4中所列的计算结果便是用一种不同的交 易策略得出的。移动平均交叉(MAXO )系统是最简单的趋势跟随 策略，但是它也可被用做逆势策略。比如当短期移动平均线向上穿 越长期移动平均线时，交易者可按照逆势策略而做空。当然，这种 “ 向上 ” 交叉也是趋势跟随策略中一个做多的信号。

 这里我们任意选取了5日和20日移平动均代表短期和中期移动 平均。测试周期从1989年5月 25日 到1995年6月 30日 ，滑移价差和佣 金量是100美元，初始止损是1500美元。平均来讲，逆势策略是净亏 损的，日 内资金回撤潜能较大。而趋势跟随策略将平均损失斩断在 79%，资金回撤量低于39%——两个数据显示的状态都较好。

表3.5所示为另一个组合：用7日 和50日 简单移动平均的移动平 均逆势策略和趋势跟随策略。这个组合对严格的趋势跟随有利。假 设跟之前的一样：滑移价差和佣金是100美元，初始止损是1500美

元，计算周期是从1989年 5月 25日到1995年 6月30日 。

在逆势交易中，7/50日 SMA组合也是净亏损的。另一方面，在 趋势跟随交易中，所有7个交易市场的盈利额展示出是净盈利。趋势 跟随策略的资金回撤量大约是逆势的1/5。 因此，这两组数据都表明 趋势跟随方法是更好的选择。

这些计算结果表明趋势跟随策略对于一般交易者可能是个更好 的选择。然而，如果你佣金和滑移价差费用比较低，逆势策略也颇 具吸引力。 

本章的例子测试所用移动平均组合是任意指定的。读者可以在 历史数据上测试自己的系统，以找出性能更好的组合。优化是在历

史数据上寻找“ 最佳 ” 变量组合的过程。下一部分讨论了优化是否 是一种很好的设计策略。

是否需要优化

如果使用计算机，我们很容易通过历史数据搜索出系统的“ 最优 ” 值。结果可能令人相当吃惊。如果你可以提前知道最盈利的参数 组合是什么，想象一下你的收益会怎样?这便是问题的所在。不幸的 是，在历史数据上表现很好的参数很少会在将来创造类似的业绩。 

这里使用的术语 “ 最优化 ” 相当宽泛，它包含影响交易系统参 数值选择的所有工作。我们已经知道用曲线拟合一个系统模型是相 当困难的。或许可以考虑使用较低水平的优化，在这种情形下，我 们可以通过在较为广泛的取值范围和市场上来测试系统，然后选出 自己 “ 最 ” 喜欢的一组。但是真正的问题不是这个特殊的参数组合 是否最好，而是交易者是否会完全信任该系统，并毫无偏差地使用 它进行交易。最优化的主要好处，可能是提高了交易者对某套特殊 系统的舒适程度。

系统最优化的问题是过去的价格形态不会在将来以完全相同的 方式重复出现。市场间的相关性也是如此。尽管在历史数据上可以 看出较大范围的相关性，但是事件间的时间滞后，以及相关性所造 成的影响程度是不同的。

我们还必须解决其他一些矛盾。例如，我们必须选择用来优化 交易系统参数值的时间周期。我们很快便会发现，这些参数的值取 决于测试月期的长度。我们还必须决定以后隔多长时间重新对系统 进行最优化，并规定最优值的有效期。 

例如，我们可以决定使用3年的历史数据来优化自己的系统，并 在3个 月后重新计算。于是，一种方案就是在3个 月后用最新的可获 得的3年数据重新优化。这跟重新训练神经系统是一样的。如果我们 的确对系统做了重新优化，那么就必须决定怎么处理使用交易系统 前一套参数值而进入的交易。 

我们还必须决定是否在所有市场上使用相同的系统参数。如 果不是的话，就需要分别在每个市场上对系统最优化。在那种情况下，我们必须为自己交易的每个市场上的每个系统规定一套重复优 化和重复校准的程序。所有这些工作都值得吗?决定性的测试结果 都不支持交易者去寻找 “ 最佳 ” 或 “ 最优 ” 变量。 

看下面使用真实德国马克期货合约所做的测试。展期日 (rollover date)为 到期前一个月的21号 。为了简便，我们只交易一 份合约，滑移价差和佣金量是100美元，初始资金管理是1500美元。 我们使用移动平均交叉系统的一个改进版本，交易时间不是在交叉 时，而是在交叉后价格出现5日 突破时。因此，如果短期移动平均高 于长期移动平均，那么在高点之上的5日 突破会触发一个多头入场。 出场策略非常简单，在第20个交易日收盘时出场。这个任意指定的 交易系统，具有一个引人注目的特点，那就是短期移动平均和长期 移动平均的长度是可以最优化的。 

通过把短期移动平均的长度固定为收盘价的3日 简单移动平均 ， 我们将计算过程进行了简化。长期简单移动平均的长度在20~50日 之间变动，增量为5日 。测试周期从1983年11月 14日 到1989年11月 21 日。在观察各种模型的业绩时向未来延伸了 3、 6、 9和 12个 月。如表 3.6和表3.7所示，无法预测模型在将来一段时间会怎么样。相对等级 因周期不同而不同，没有任何的一致性。 

我们接下来测试一下这种假想：如果最优化周期接近实际交易 周期，预测将更具可靠性。然而，如表3.8和表3.9所示，仍然没有办 法可以预测在随后的周期中这种模型会发生什么。这应当是预料之 中的，因 为在我们的最优化模型和市场力量之间没有因果关系。而 且我们只是将模型拟合于历史数据，所以我们不能获取所有驱动市

场的基本面力量和心理力量。无以为奇，我们仅仅依靠历史数据来 预测将来的能力仍是比较蹩脚的。 

让我们进一步进行讨论。由于我们不能获取任何因呆关系 ， 所以在一个市场上进行的优化对其他市场作用很小甚至没有。如表 3.10所示，在一个交易市场(德国马克)上对系统最优化对于提高 其他市场业绩没有任何作用。

 任何最优化演练都有其潜在的益处。第一个益处就是对交易 系统不具获利性时的市场行情的认识。对于我们建立的任何规则 ， 都会发现产生亏损的市场运动。这是因为市场在触发了交易信号之 后，却向相反的方向运动。

第二个益处是理解模型背后的一般性思想。例如，我们可以测 试模型是在趋势市场中获利还是在无趋势市场中获利。我们在设计 这些规则具有获利性时，是假设市场处于特定的行情之中。优化练 习使我们检测自己的假设是否正确。

表3.9数据显示，过去的相对等级(1988年11月 ~1989年11月 )不能预测未来 的相对等级。

第三个益处是理解初始资金管理止损的作用。我们可以量化初 始止损的级别，以便获取主要的利润。例如，如果止损太过宽松 ， 那么亏损交易就相对较大。相反地，如果止损距启动头寸太近，那 么就会经常止损出场。每笔亏损交易的亏损额较小，但是，随着亏 损交易出现频率的增高，总资金回撒量将超过初始止损额。

 优化练习带给我们的最大益处是重新加强了交易者对特定交易 系统的信任感。从根本上说，交易者能够完全按照计划执行交易系 统是最重要的。所以，交易者们所做的任何测试都可以使他们更好 地了解系统的性能，变得对系统的亏损和获利特性更加适应，从而 帮助他们在实际交易中更加自信地执行该交易系统。 

本部分主要说明了交易者不能期望自己的交易系统在将来的表 现与在历史数据上的表现完全一致。面对将来性能的不确定性，便 引出了一个如何控制风险的问题。接下来我们将讨论有关风险控制 的思想。

初始止损：答案还是问题

在许多交易者心目中，止损设置已经上升为一种艺术形式，因 为人们不知道初始止损是一个答案还是一个问题。对于这个问题的 回答，决定于交易者的经验。通常，止损就像是价格的一块磁石。 市场常常击中止损，但只是稍作反转，便又恢复原来的趋势。所 以，初始止损可以轻易地考验交易者的耐心。即便如此，初始止损 也应该是管理交易风险的一个重要组成部分。本章将对几个与风险 控制相关的常见问题进彳 亍 讨论。详细的示例见后面几章。 

如果交易者使用初始止损，就要遵守资金管理规则，从系统 设计和市场波动性中得出止损的值。一种良好的风险控制思想是 使用2%的总资金初始止损，然后使用最大不利偏移(英文缩写为 MAE，盈利交易中的最大资金回撒的分布)来为特定的系统选择 止损金额。在计算合约数目之前，要把MAE与一些对市场波动性 的度量关联在一起。于是初始止损有三个标准：资金管理、MAE 和波动性。 

另一个问题是交易者是否应该将止损订单交给经纪人。许多交 易者拥有计划好的出场价格，却不将订单放置在市场中。他们喜欢实 时监控市场，然后自己在必要时自己放置出场订单。这种行为在交易 行业中被称为 “ 随机初始止损 ” 。如果交易者没有良好的纪律和判断 力，那么随机初始止损可能不适合你。但是，如呆交易者不能连续监 控市场，那么将止损订单交给经纪人将是比较谨慎的做法。 

在系统测试时我们应该使用多大的初始止损呢?这取决于我们 使用的数据类型和系统设计的种类。问题是使用紧凑的还是宽松的 止损。每份合约紧凑的止损额可能小于500美元，宽松的止损额则可 以达到5000美元。 

假设我们只有日线数据。在这种情况下，很难准确测试紧凑 的止损，因 为盘中价格的超常变化是未知的。假设我们交易债券市 场，典型的日内价差是1000美元。如果我们在日线数据上使用100美 元的止损，那么大部分系统测试软件将在入场当日便止损退出，因 为我们不知道确切的价格变化轨迹。当然，如果你有盘中数据，就可以更准确地测试100美元的止损。所以，如果要测试非常紧凑的止 损，就需要盘中数据才能准确测试。 

广义上说有两种类型的系统：一种可以自校正，另 一种不可 自校正。自校正系统具备看多和看空入场的规则。这种系统会逐渐 为看空交易产生一个看多信号，反之亦然。因为这些系统是自校正 的，所以相反的信号会限制亏损，即便不使用初始止损。当然，亏 损决定于市场波动性，很容易便会达到每份合约1000美元。

 不具备自校正能力的系统包括那些只能做多或只能做空的交易 系统。于是，交易者可能会得到一个虚假的做空信号，而且在长期 的上涨趋势中只做空头交易。这些系统中的亏损不受限制，所以必 须使用初始止损来保护资本。带有出场策略的单边交易系统拥有自 校正能力，出 场策略将限制单侧系统的亏损，在一些预先选定的价 位了结交易。例如，一套自校正的、只从看多侧交易的系统有一个 出场止损，该止损位于最近14日 的最低点。 

如果我们在测试自校正系统时不使用初始止损，那么我们可 以对入场信号的效率获得更多的感性认识。但是，如果系统不是自 校正的，那么在测试时必须使用初始止损。问题仍然落在初始止损 的宽松度上。相对宽松的止损，比如定义为每日价差10日 平均的三 倍，是一种很好的选择。这样，止损对测试结果的影响比入场规则 对测试结果的影响小。如果交易者喜欢紧凑的止损，就使用盘中数 据，或者使用一个大于近期价格区间的金额。 

我们所使用的数据组将对初始止损的选择结果造成很大影响。 如呆数据组中有许多交易区间市场，那么紧凑的止损将产生双面拉 锯式的亏损。即便每一次亏损额都比较小，一系列亏损的总额也是 比较大的。使用相对宽松的止损将避免在交易区间内产生双面拉锯 式的亏损。如果市场在做趋势运动，那么初始止损的值便不是很重 要。所以，趋势市场将允许系统使用紧凑的止损，而且可以得到一 些令人称奇的测试结果。

相对宽松的止损，在 1500~5000美元之间，工作得非常好。 如果止损相对宽松，那么在相互靠近的值之间差别就非常小。反 之，如果止损比较紧凑，那么在止损中微小的变化将使资金产生巨大的 波动。 所以在本书中 使用日线数据测试的系统 ，止损范围从1000-5000美元 。 

本书中讨论的内容并非依赖止损的金额。有时宽松的止损是一 个必要的设计特性。在这种情况下我会对使用宽松止损的理由进行 说明。实际上，如果读者不喜欢我的止损，也可以根据自己的偏好 来重新测试这些系统。 

一些实际的计算将证明这些讨论。这里我们使用标准的20日收 盘通道突破交易系统(CHB0C)。 如果今天的收盘价高于最近20日 的最高价，那么系统就在收盘时买进。做空交易的条件与此相反。 如果今天的收盘价低于最近20日的最低价，那么系统将在收盘时卖 空。我们在咖啡市场上测试该系统，咖啡市场中同时具有较大的波 动性和较强的趋势。初始止损的变化从0~8000美 元，增量为500美 元，滑移价差和佣金量为100美元。

首先我们来看一下0美元初始止损的含义。该系统将在收盘时做 多和做空。所以，只有价格持续强势运动高于当日收盘价，交易才

图3.4当我们放宽初始止损时，最大日内资金回撤(MIDD)先增后减，然后 趋平。

持续保持打开的状态。这是我们可以添加的最苛刻的止损，因 为只 有立即可以获利的交易才能够幸存下来。 

从图3.3中 ，我们可以看出，随着初始止损的放宽，获利稳定增 加。令人称奇的是，当 初始止损为0美元时，仅仅20笔交易(共434笔交易)就获利158103美 元。这验证了交易行业的一个共识，即最好的 交易就是立即具有获利性的交易，同时也说明只有5%的交易是大型 盈利交易。所以交易者应该将工作重点放在不要错过这些交易上。

从图3.4中 ，我们可以看出一个紧凑的止损产生的资金回撤量可 以大于根本不使用止损产生的资金回撤量。当止损放宽时，越来越 多的交易从亏损中恢复过来，最终以获利了结。逐渐地，止损变得 太过宽松，以致于不再具有任何作用，从而MDD稳定下来。

当我们将初始止损放宽时，止损斩断的交易越来越少(见 图3.5)，所 以由CHB0C产生的交易数目逐渐减少。一旦止损“ 太

宽松 ” (大于3000美元)，它的作用就变得非常小，交易数目也停 止减少。 

 使用0美元止损只有5%的交易获利。当我们放宽初始止损时 ， 盈利交易的比例(胜率)快速增加，直到止损失去作用(图 3.6)。 随着我们放宽止损，更多的盈利交易可以在市场困难期幸存下来。

 正如我们所预见的，随着止损逐渐宽松，最大单笔亏损增加 (见图3.7)。 虽然使用0美元止损时，由 于弱势开盘会产生较大的 滑移价差。但是，随着初始止损的放宽，虚假信号产生的交易便可 以存活更长时间。 

在过去20年的咖啡市场中，最大平均10日 交易区间约为5025美 元，平均值为1015美元，标准偏差为641美元。图3.8所示的累积分布 图表明，3000美元的初始止损比咖啡市场在过去20年中所有10日 平 均交易区间的 98.3%都要大。所以3000美元应该是一个比较宽松的止 损。图3.3到图3.7表明，当止损超过3000美元时，系统的性能变化十 分微小。所以，我们可以认为3000美 元是“ 非常宽松 ” 的止损。而

超过20%的所有10日 平均交易区间比500美元的止损要大，所以它是 一个 “ 紧凑 ” 的止损

现在我们可以使用累积频率分布图来选择基于市场波动性的 止损。任意选定的止损可能太紧，也可能太松。该分析假设交易者 在每笔交易上都使用相同金额的止损。如果交易者在每笔交易上都 改变初始止损的金额，那么该分析对他来说作用很小。我们已经知 道，当 市场在交易区间内运动时，止损将以更高的频率被击中，所 以我们应该使用一些趋势度量方法来改变自己的初始止损。

 许多交易者虽然可以接受多次数额较小的亏损，但对于一次较 大的亏损还是非常讨厌的。随着止损金额的增加，最大资金回撤量 通常降低(见 图3.4)。 所以当我们设置止损时，应该尽量从长远观 点来看待问题。如果使用基于系统设计的固定止损，那么就使用宽 松的止损。如果对于每笔交易设置的止损不同，那么就要求交易者 掌握设置止损的精妙艺术。 

在交易的开始阶段，被市场止损踢出的风险最高，如表3.11中 的计算所示。该表中对不使用止损，使用1500美元的止损，和可变

止损对平均每笔亏损的长度产生的影响进行了对比。一个简单的20日CHBOC交 易模型，除了初始资金管理止损之夕 卜 不使用任何出场策 略，允许100美元的滑移价差和佣金。测试周期为6年，从1989年5月26日 开始使用连续合约。 

表3.11的数据表明，加入1500美元的初始资金管理止损，使平 均每笔亏损的长度大约减少了40%，从28日 变为17日 。这些计算结果 进一步确认了在靠近交易开端的地方被市场止损踢出的风险最高。平均每笔盈利的长度为平均每笔亏损的2~3倍。

如果对表3.11进行更细致的分析，我们可以看出对于某些市 场，比如黄金、糖和大豆，即使添加止损以后平均每笔亏损的长度 也不会减少太多。这就意味着在这些市场中，波动性不如外汇和债 券市场中大。一个将产生10日 和11日 平均每笔亏损长度的大约初始 止损也在表3.11中 被列出。标准普尔500指数期货合约和咖啡是波 动性最强的两个市场，其次是棉花、瑞士法郎和美国债券市场。反 之，黄金、糖和原油是波动性相对较低的市场。所以在设置止损时 考虑整个市场的波动性是非常有用的。

图3.8 10日 平均每日 价差的累积频率分布图表明，3000美元或3000美元以上的 初始止损涵盖了所有交易价差的98.3%。

总之，如果在自校正系统中使用宽松的止损，那么我们会获得 更好的系统性能。如果止损 “ 太紧凑 ”，那么在止损中微小的变化 也会影响系统长期的业绩。如果止损 “ 非常宽松 ”，那么改变止损 将没有任何作用。当我们放宽初始止损时，利 润首先增加，然后便 变化缓慢。意思是说，一旦我们超过波动性的阈值，再增加初始止 损作用便非常小了。

使用宽松止损的另一项作用是，我们不能准确测试小于日价 格区间的止损。理想情况下，我们应该使初始止损基于资金管理规 则、系统的最大不利偏移和市场波动性。选择初始止损的方法有很 多，一旦选择了一种，就要坚持使用它。

 你的设计有风险控制吗

当我们设计交易系统时，要不断提醒自己设计的一个关键目标 是控制风险。读者很快就会发现风险控制是一项充满挑战的工作。 本章讨论了一些风险，当交易者从投资组合的角度来审视自己的交易系统时可能希望考虑这些风险。 

跟踪止损是用来控制资金波动性和保护利润的一种常见方法。跟 踪止损是这样一种止损订单，它在交易中被放置在距离最高利润点固 定长度的位置。当市场反转或者市场波动性增加时，该止损将会被触 发，从而保护我们的利润。如果我们正在使用对趋势变化反应比较慢 的长期系统，那么这种止损将会使我们的资金曲线变得平滑。 

一种重要类型的止损来自市场之间的相关性。我们知道相关联 的市场常常会做出大致相同的运动。一个很好的实例是货币市场 ， 比如瑞士法郎和德国马克(见图2.10)。 这些市场一般会出现大范 围的相似运动，而这些运动与美元相反。正如我们在第2章 中所看到 的，在同一投资组合中交易相关市场等价于在单一市场中交易多份 合约。这将增加因市场事件而带来的风险，比如无法预测的和无法 解释的新闻事件所带来的风险。 

市场流动性的高低也会给投资组合带来执行风险。例如，轻度 交易的市场可以产生显著的滑移价差。所以在入场和出场时都会受 到滑移价差的影响，从而降低利润，增加亏损。在这些市场中，我 们所做的模拟测试可能没有为滑移价差和佣金做出足够的考量，所

以会过高地估计获利潜能。 

流动性可能是接近主要假期时的一个主要问题，比如圣诞节和新 年。在这些市场萧条期内，往往会看到剧烈的日内运动(见图3.9)， 这些价格运动很可能触发原先精心设置的风险控制止损。这些运动 并未改变当前趋势，但是在测试交易系统时却很难将其模型化。

 全球交易给我们的投资组合带来了一组新的风险。如果美国 市场收盘后有新闻事件发生，那么大型的价格运动可能在国外的市 场中产生。这种情况对于外汇市场(比 如瑞士法郎、日元或德国马 克)、 能源市场(比 如原油)和金属市场(比如黄金和白银)是特 别常见的。通常，在 国外市场中的情绪反应将产生巨大的开盘缺 口，从而在超常规的滑移价差中使交易者止损退出。由于这些大型 的开盘缺口，交易者会发现自己的利润低于预期值。更有甚者，这 些市场可能在收盘时恢复到我们所设的止损价位之内。于是，全球 性交易给我们的投资组合带来了新的风险。 

1995年 的德国马克市场在一段波动期间出现多个大型缺口 (见 图3.10)。 在国外货币市场中的大型隔夜价格运动产生了这 些大型缺口，这在历史测试当中是很难被正确模拟的。第一个圈出 的缺口为2112.50美元，如果你正在做空，这将是一个非常不利的价

图3.10由 海外市场的剧烈隔夜价格运动所引起的大型缺口。注意在棒线图中大 型收盘-开盘缺口已经在图表中用椭圆标出。

格运动。在1995年 3月 底，中 间椭圆处的岛形反转也留下了巨大的缺 口，每份合约大约1300美 元。在5月 份圈出的缺口大约为1500美元。 所以就在这一天的时间里，交易信号如果处在缺口的两侧则会产生明显不同的结果。 

在这份合约中，大型的日内价差还增加了在收盘时进场的难 度。例如，如果交易者在正确的时间得到了正确的交易信号，但是 却选择在收盘前入场，而不是采用止损的形式入场，就可能错过一 次大的价格运动。比如说交易者有一张收盘前交易的价格为71。80美 元的卖单，那么就必须在经过2400美元的滑移价差之后才能实现该 订单，对于大多数交易者来说这都是难以接受的(见图3.11)。

交易者所使用的数据常常会造成潜在的风险。比如我们使用周 线数据来开发交易系统，假设在周五收盘时产生一个信号，然后在 周二开盘时买进。由于在周线数据中都不显示每日开盘缺口，所以 常常会低估实际交易中的滑移价差。另一个潜在的问题是使用本周 产生的信号而在下周进行交易，本周便可能实现大型的价格运动 ， 可是在下周入场时已经错过了大部分的利润。

 我们的系统还必须考虑基于时间的风险。例如，当市场在信号 出现后立即快速运动时最容易出现最佳行情。假设市场在给出一个

图 3.11 一张截止收盘的单向卖出订单将承受由市场波动性引起的2400美元的滑移价差。

新的突破信号之后立即进入整固区，此时被止损踢出的风险要比在 横盘趋势中高得多。所以我们可能需要一个滤网，如果交易出现亏 损的话就在入场五日内出场。

 另一种比较奇怪的情况发生在当我们获得新的交易信号时已经 非常接近展期日。有可能在即将到期的合约上产生入场信号，而不 是在下一份活跃(译者注：国 内一般称作是主力合约)的期货合约 上。在这种情况下我们必须决定是否采纳该信号，然后在数日后或 立即展期，或者等待在下一份活跃合约中产生交易信号。

在使用连续合约进行测试时，很容易低估展期对交易费和获利 性的影响。我们还必须解决将初始止损放在新展期头寸中的位置这 个问题。真实头寸可能会触发止损，而连续合约只会做一个优美的 跳动，其头寸完好无损。

 这些讨论并未包含所有类型的风险，只是重点阐述了为什么必 须在交易系统设计之初便应考虑风险控制的原因。

谨慎对待数据

对于系统测试所需数据我们有多种选择。所以在选择数据时应 该加倍小心，因为它们对测试结果有很大的影响。

在选择数据供应商时应当谨慎，因 为不同供应商所提供的数据 在准确性、覆盖深度和报告惯例方面都有所不同。例如，两个数据 供应商提供的同一份合约的开盘价格可能不同。另一个策略方面的 差异是如何检测和更正错误。我们希望寻找能够提供 “ 干净 ” 数据 的供应商。

 如果测试期货合约，那么就使用连续合约或者带有展期的实际 合约。与现金市场指数不同，期货数据是不连续的：合约从不活跃 变为活跃，然后过期。所以，要产生连续的“ 合成 ” 数据流，必须 以相同的方式把不同的合约组合在一起。把期货合约组合在一起时 我们有两种选择：一种选择是保持价格和价格水平不变，代价是不 能保证价格运动的幅度不变;另一种选择是保留价格运动的幅度 ， 代价是需要调整价格。在测试时一般使用保留了价格运动幅度的连 续合约。两种类型的合约所给出的测试结果略有不同。

如果软件允许的话，一种比较好的选择是使用带展期的实际交 易数据。从连续合约中得出的测试结果与带展期的数据非常接近 ， 但是会低估交易数目和由滑移价差和佣金带来的损失。它们还会低 估在展期交易上放置止损的难度。例如，在实际交易中，展期后我 们可能已经被止损踢出，而在连续合约上对系统进行测试时，系统 会继续保持原来的头寸。

 除了选择测试数据的类型之外，我们还必须确定测试数据的 数量。一般情况下，测试使用的数据越多越好，因 为我们可以在一 个较为广泛的市场行情上测试系统。当然还有统计学的要求，为 了 开始使用基于正态分布的测试，通常需要在测试周期上产生30笔或 更多的交易。此处的理论是，在给定的样本中得出的交易越多，我 们就越能更好地评估系统的平均特性。所以我们可以使用平均特性 (比如平均交易利润)来预测系统在未来的性能。 

 虽然30笔交易看起来可能是一个不小的数目，当使用某个趋势 跟随交易模型在周线数据上进行测试时，要得到30笔交易可能存在 一定的困难，但要想完全去掉数据选择对测试的影响，30笔交易可 能太少了。所以如果可能的话，我们希望测试次数超过100，通过使 用多个市场和多时间框架进行组合测试，这样可以得到足够的交易

数目。在本书的后面部分，读者将学到如何产生合成数据，如何获 得大数目的交易。

这次讨论的重点在于输入数据的不同会带给我们不同的测试结 果。此外，我们不能确定交易会永远得到那种结果，因 为我们不可 能在合成数据上进行交易。现在来看—个测试结果，使用一个5日 和50日 简单移动平均的双移动平均交叉系统，初始资金管理止损为 1500美元，滑移价差和佣金考量为100美元。

 表3.12是 由Tech Tools公 司的软件Continuous Contractor TM产 生的 数据，显示出瑞士法郎不同类型的连续合约。在相同的周期上，使 用实际合约计算系统业绩，在合约到期前一个月的21号 自动展期。 从这些测试结果我们可以看出，由 于数据类型的不同，测试结果可 以显示出很大的不同。

对于相同的入场和出场规则，我们来关注一下交易的数目。使用 实际数据有111笔交易，比使用连续合约获得的交易数目的平均值高 出近37%。 多出的交易主要来自合约到期出场进入下一份活跃合约。 另外需要注意的是，回 报率在使用实际数据时最低的是1.80。

 这是因为展期头寸降低了盈利交易中的利润。在长期趋势中连续合 约一直存在，没有任何展期。所以在使用连续合约时，交易持续的 时间比较长，获利也比较大。于是，连续合约可能会低估交易数 目，并高估获利与亏损比和交易持续的时间。

为人场和出场选择订单类型

在入场和出场时有三种基本的订单可供选择：市价单、止损单 和限价单。这是三种交易心理在起作用：第一种心理是为了得到特定的价位，这时应使用限价单或止损限价单进入交易;第二种心理 是为了保证进入交易，此时应使用市价单或止损单;第三种心理是 坚持用市价单出场，但可以使用止损单或限价单入场。 

在开盘或收盘时的限时市价单，对出场和入场都是一种很好 的选择。许多交易者建议在开盘时入场，从而避开收盘时的订单高 峰。如果开盘价超过止损价，那么使用止损订单可能带来额外的滑 移价差损失。

 需要注意的是，在测试软件的测试结果和实际交易之间存在背 离。虽然我们可以在软件中填写一份订单，但 由于市场的原因可能 无法在场内实现。例如，我们使用软件日线数据测试时，不知道市 场在某个交易日出现怎样的快速行情。所以当软件认为可以实现交 易时，实际上不一定能够实现，重要的是理解软件是如何填写具体 订单的。 

另一个重要的特性是信号发出日(或 日期)和执行日(或 日 期)之间的差别。我们可以在得到信号的当天进行交易。例如，我 们正在使用一套简单移动平均交叉系统进行交易，我们可以设定当 收盘价高于某个特定价位时，便在当日给出交叉信号。所以订单可 能是在价位x买进(或卖出)，仅在收盘之前。或者在收盘后产生交 易，然后在下一个交易日入场。人们习惯于使用后一种方法，原因 是它比较简单。当与开盘入场订单一起使用时，它是度量系统性能 的一种比较可靠的方法。 

在下个交易日，在高于今天最高价或低于今天最低价处使用止 损入场，与在下一个交易日开盘时入场相比，是一种比较有效的过 滤。实际交易中，它可以滤除一些双面拉锯式的交易。当日产生订 单，下个交易日开盘和收盘时止损入场，对于评价系统性能来说是 一种一致而现实的方法。

理解测试结果的总结

此处对技术分析程序中测试结果详细总结的讨论部分使用了欧米伽研究中心的TradeStation软 件中的报告。业绩总结的目的是显示 特定交易系统在历史数据上的表现。

表3.13所 示为65日 简单移动平均——三个连续收盘价 (65SMA-3CC)趋势跟随系统在英镑连续合约上的测试结果总 结。65SMA-3CC交 易系统将在下章详细讨论。这里的总结包含多 空所有交易。对于全部多头交易和全部空头交易，该软件分别给出 了相同的信息。 

该总结被分为五大块：第一块描述的是概率;第二块给出的是 交易数据;第三块列出了平均交易数据;第四块显示的是交易持续 时间或长度数据;第五块给出有关资金回撤量、盈利因子和回报的 重要信息。

 净利润总额是毛利润和毛亏损之差。毛利润是所有盈利交易利 润的总和。同理，毛亏损是所有亏损交易亏损的总和。未结清交易 利润或亏损是在测试周期终止时仍未了结的交易中获利或亏损值。 净利润是一个重要数据，它将影响下面的其他计算。注意在第五块 所显示的盈利因子就是毛利润与毛亏损比值的绝对值。在交易系统 设计中，盈利因子大于1时比较可靠，因 为它说明在测试周期上毛利 润超过了毛亏损。 

交易计数这一块显示交易总数，以及盈利交易总数和亏损交易

总数。胜率是交易系统和测试数据两者的一个函数，可以帮助交易者 应对破产风险，显然该数字越大越好。趋势跟随系统常见的胜率是 30%~50%，高于60%的比较少见，而超过70%便是凤毛麟角了。 

平均交易业绩这一块只是将上面两块数据结合起来计算出平均 数。最大单笔盈利和最大单笔亏损是这一块中的两个新数字。它们 通常是测试数据、交易系统规则和风险控制指令的函数。如果交易 者不使用止损，而且市场动荡不定，那么将出现大额的亏损交易。 超常趋势可以使我们得到一次大型的盈利交易。如果最大单笔盈利 的利润超过净利润的50%，交易者就要小心了。因为这意味着我们 或许应该从净利润中扣除该利润，然后重新评价系统的性能。 

平均每笔盈利等于毛利润除以盈利交易总数。平均每笔盈利 与平均每笔亏损的比可以用来计算破产风险。这被称为平均盈亏易 比，它是测试数据、交易系统规则和交易长度的一个函数。典型趋 势跟随系统的返回值大于2。 

在第三个数据块中报告的平均交易利润是总结中最重要的数 据之一。它等于净利润除以总交易数目。该数字取决于测试数据和 交易系统规则。该数字当然越大越好。但如果它为负或者小于200美元，除非再在其他市场和其他时间框架上测试，否则不要用该交 易。对于交易系统来说，该数字便是统计学优势。

交易持续时间这一块给出了平均获利和亏损交易的长度(盈利 交易中的平均棒线数等于平均每笔盈利的长度)。 该值应该大于1， 对于趋势跟随系统来说可以大于5。 交易者应自问一下，如果持有头 寸的持续时间如表中所示平均盈利交易的长度，是否会感觉比较舒 适?是否有纪律使自己的交易持续两倍于平均每笔盈利的长度?如 果没有耐心，这将是一项困难的任务，而交易者将错过大型获利。 

另外，交 易者还应自问一下，平均每笔盈利的长度是否与自己 的交易视窗相一致。如果平均交易的长度太长或太短，首先在更多 数据上测试该系统，然后在其他市场上测试。如果对所得长度仍然 不满意，那么就应当考虑更改交易系统了。 

最大连续获利和亏损数据会因测试周期的变化而变化。最大连 续亏损会对资金回撤产生巨大的影响。交易者应该仔细分析连续亏损出现的周期，以便理解在什么样的行情下自己的交易系统会产生 大型亏损。 

作为一条粗略的经验规则，交 易者应该自问是否可以容忍两 倍于报告中对于最大连续亏损交易给出的数字。这将告诉交易者 如何设计资金管理方针，从而避免严重的资金回撒。交易者还应 自问是否可以持有一笔亏损交易，持续如报告中所示的平均每笔 亏损的长度。

 最后一块数据显示的是最大日内资金回撤。交易者应自问是否 能够容忍两倍大小的资金回撤。在下边缘上的账户规模和回报不是 非常有用。如前面所讨论的，盈利因子应该大于 1。

业绩总结中未显示的内容

测试总结遗漏了一些重要信息，我将在下面对他们进行重点阐 述。交易者可能希望对这些因素进行更细致的分析。 

一个简单的比值是恢复因子(RF)。 RF是净利润比最大日内 资金回撤的绝对值，它度量的是从资金回撤深度中恢复的距离。在 表3.13中 ，恢复因子约等于5.6(155675/27881)。 该数值应该大于 2，而且越大越好。它告诉我们，经过长期努力的潜在利润是否会克 服资金回撤带来的损失。 

另一个有用的值是调整后的毛利润。其中最大单笔盈利的利 润从毛利润中被删除。为了做一些对交易系统不利的调整，不要删 除最大单笔亏损带来的亏损。我们并不希望得到大型盈利交易的周 期，而是在测试周期上带来最恶劣亏损的周期。盈利因子被重新计 算，看它是否还会大于1。 对于表3.13中 的数据，调整后的毛利润 为：166675美元一40769美元=114906美元。则调整后的盈利因子为 1..03(114906/111244 )。 与报告中的 2.40相比，下降迅速。于是 ， 一个对该系统更为现实的评价就是它在长期的交易中会产生微薄的 利润。 

该总结也未给出交易的柱状图。交易者可能希望把数据导入电 子表格中，以观察最大有利偏移和最大不利偏移。这些量将在第4章 讲解65SMA-3CC系统时被详细讨论。

通过该总结，我们也看不出测试结果的变化。它没有给出所有交易 获利和亏损的标准偏差。变化性是我们应该计算的另一个重要特性，必 要时使用电子表格。变化陆怦争厢划门有关回报波动性的信息。 

我们不能从测试总结中看出某一笔交易的实时变化，例如，它 不能以每日的方式告诉我们平均获利、最大获利或亏损。它不会告 诉我们交易第1天或第10天发生了什么。一个典型的交易模板 (由 钱德和Kroll开 发，详见 《最新技术分析指标》中文书名参考台湾译 本，见参考书目)将帮助交易者理解某笔交易的时间与价格变化。

另外，测试总结没有给出滑移价差的实际影响。软件给出的 订单实现方式或许不能代表实际的订单实现。假设将面对比软件中 更多的滑移价差会比较安全，在某些情况下，软件将给出现实无法 实现的订单。如呆这恰巧是一笔大型的盈利交易，那么我们会高估 交易的获利性。所以，我们最好不使用平均交易数目来评价系统性 能，因为它们已经将影响平均到许多交易上。

 对于具有获利可能的连续x月 周期的数目，业绩总结中也未给 出。例如，知道在5年的周期上有多少个连续的6个 月具有获利性是 非常有用的。交易者可以使用自己增加的任意时间间隔。该分析告 诉我们可以以多快的速度摆脱资金回撤的影响，并且对于我们交易 系统的精神方法是一条重要的信息。

需要认识的最重要的因素是测试总结没有告诉我们系统在未来 的表现会怎样。我们的测试结果是根源于测试数据的，我们应该深 入分析这些测试结果，以便更好地理解系统测试。

 理想情况下，我们应该在图表上分笔地分析测试结呆，以便理解 系统规则的运作。这将加强我们对交易系统的信任度，并使我们更好 地了解系统何时工作，何时停止工作。对不具获利性交易的分析常常 可以揭露出我们的交易逻辑中存在的缺陷。说服自己去使用某个交易 系统，因为它的规则会在未来可能重复出现的行情中获利。逐笔交易 的分析还可以加强交易者在交易入场和出场时的判断力。

系统测试中一些可避免的陷阱

使用今天精密的软件，很容易便可以完成对系统的测试。但是，这些软件同时也会使我们得出不切实际的结果。理论上，我们 的交易规则在实际交易中会像在测试中一样地工作。因为存在一些 因素影响实际交易结果，所以测试和交易之间很难实现“ 完美 ” 的 匹配。在许多情况下，只要接近假设的性能就足以令人欣慰了。让 我们分析一下在系统测试中需要躲避的常见陷阱。 

任何测试的起点都是测试周期的长度。测试周期应该足够长 ， 一般为3年或更长时间，以便包含多个交易区间和趋势周期。另一 种选择方法是在测试周期应产生50笔或更多的交易。在对单一市场 进行测试和优化时，习惯上将整个数据分为三部分。首先使用中间 部分来开发系统规则，然后用开头和结尾的数据对系统重新检查。 用来开发规则的中间部分数据叫做 “ 样本内 ” 数据。我们需要使用 “ 样本外 ” 数据来避免测试期间的过度优化。 

在样本内测试周期和样本外测试周期上得出的测试结果取决于 交易者选择的特定时间周期。这两个测试周期上的获利性不必完全 一致，因 为市场会出现不同的运动。但是，对交易系统的另一些内 部度量应该基本不变。下面这些数量对盈利不敏感，应该在样本内 和样本外周期上基本相同：获利和亏损交易的平均持续时间、最大 连续盈利交易数、最大连续亏损交易数、最大单笔亏损以及平均每 笔亏损。由于市场在特定的时间里会出现不一样的行情，所以取决

于盈利的统计量可能相似，也可能完全不同。我们预计随着样本周 期的增加，样本内结果和样本外结果的相似性会越来越大。 

下面我们来看一个使用简单移动平均交叉系统在欧洲美元市 场上的优化练习。第一个测试周期是从1993年 9月 1日 到1996年 12月 31日 。两个移动平均的优化长度分别为13日 和50日 。样本外周期从 1997年 1月 2日 到1999年 12月 31日 。注意与回报无关的性能度量，比 如平均获利和亏损交易的持续时间，以 及连续盈利交易和亏损交易 (见表3.14和 表3.15)是相似的。这表明该系统模型在长期趋势中交 易时与样本周期内相似。对业绩敏感的量则不同，因 为净利润在样 本外周期内显著降低。在样本外周期上的 “ 最佳 ” 移动平均组合是 18日 和30日 移动平均，表明在样本外数据周期内，欧洲美元市场具 有较长的整固期和较短的趋势。

我们如何判断系统潜在的不稳定性呢?典型的不稳定系统在测 试数据上被过度拟合，或者在一些细微的地方不够明确。我们要寻 找的两条线索是高比例的盈利交易(比 如说在总交易数小于30时 ， 盈利交易所占比例大于60%)或者大数目的连续亏损交易。表3.16和 表3.17所 示为使用与移动平均交叉测试相同的测试周期在欧洲美元 市场上的业绩。我们使用一套简单波动性突破系统，使用最新的价 格运动区间。注意连续亏损交易的数目：样本内数据周期上为12， 样本外数据周期上为16。 大数目的连续亏损交易表明，对于该市场

 表3.15 业绩总结：样本外周期、优化的13日 和50日 简单移动平均交叉系统。

(译者注：表中文字“Opt.VotBo” 意为优化的波动性突破系统，而表头却为“ 未优化 ” ，按正文推断应为未优化。 )

这是一套比较蹩脚的系统。该市场以平滑的趋势运动，从简单移动 平均系统的潜在获利性便可看出。波动系统中交易的持续时间为4个 交易日，而对趋势跟随系统来说是88~91个交易日，表明短期波动 性突破系统可能不适合交易欧洲美元市场。

 另一种需要检查的异常情况是，在给定测试周期上单笔交易获

表 3.18 一套咖啡市场上的10~20日 移动平均系统，在1996年 ~1997年所有利润 来自单笔交易。

利占净利润的40%或更多，或者日内资金回撤超过最大单笔亏损。 超大的盈利交易在3~10年 ，或更长的时间里可能只出现一次，如 果考虑交易那种市场的利润，系统的性能便会被高估(见表3.18中 咖啡的行情)。 现在考虑一下前述波动性系统在瑞士政府债券上的 交易，交易周期从1999年1月 4日 到2000年7月 27日。最大单笔盈利 为100928美元，大于报告中的净利67284美元(见表3.19)。 最大 日内资金回撤为-214833美元，大大超过最大单笔亏损的一 63538美 元。这表明该交易策略允许不利于头寸的大幅价格回调，而不退出 出场。所以，波动性突破反转策略可能不适合通常表现为长期、平 滑趋势的债券市场。

当我们测试一套希望在多个市场上使用的系统时，系 统最少 应该在10个不相关的市场上具有获利性。期货市场大致可以分为如 下几个板块：农产品、外汇、能源、利率、金属、软件和股票。所 以，我们的系统应该在每个板块中两个以上的市场上具备获利性。 股票指数在交易时一般是比较特殊的，在股票指数上的优化系统与 其他板块上具有获利性的系统常常具有不同的特性。在本书的后面 将给出对该系统测试结果的分析，分析表明它们的规则是完善的，

  因为它们在超过10个或更多市场上，在不同的时间框架上都具有获 利性。需要注意的是，存在板块专用系统，它们需要使用特定板块 的相关信冫 急，比如宏观经济数据、交易者报告的承诺、农产品产量 数据或者石油输出国组织(OPEC)的 生产限额。显然我们不能希 望这样的系统在其他板块上奏效，但它们应该在同一板块的大多数 市场上具有获利性。

你的计算机内置计算功能可能具有20位以上的小数位，于是 ， 当你对系统进行优化时，计算机产生的参数值可以捕捉数据中的微 小变化。例如，进入一笔交易或避免一笔交易可能对特定数据组上 的获利性产生很大的影响。优化过程将利用规则来选择或避开有问 题的交易。但是，这种选择性具有很小的长期作用，因 为影响交易 的随机市场因素可能永远不会被复制。比如我们正在使用百分比交 易带，计算机建议的宽度可能为sO日 移动平均线两侧 1.73205087 %。 但是，我们在系统中最好使用“ 四舍五入 ” 后的数值，比如2%或 1.75%。 使用四舍五入后的数字会避免过度拟合，因 为在一个时间 周期上计算出来的优化宽度很可能在耒来的其他周期上不会继续为 最佳数值。四舍五入背后的假设是一轮主要趋势一般会上升超过 1.75%的交易带，如同超过1.73205087 %交 易带和2%交 易带。四舍 五入将设计问题的解决方案通用化了，所以降低了系统性能对测试数据的依赖性。自然，使用2%交易带代替1%交 易带会降低交易频 率，因为1%交易带将比2%交易带更经常地被穿越。该结论在所有的 市场上都是正确的，而且是一项不必经过大量测试和优化的基本原 理。所以，在进入市场之前，系统结构要求一个特定的运动穿越交 易带，而且这比带有10位小数的精确的价格带值更有意义。

交易者如何度量系统的完善性呢?我们定义一个名为SMY的 单 位，当一个系统在一个市场上在一年的时间里具有获利性时，便称 为 “ 一个SMY” 。完善系统的最小度量标准应为30 SMY，其中系统 在至少10个市场上在3年的时间里具有获利性。另一种度量标准，是 在所有市场中最大单笔亏损额总是小于预先指定的限制。但是，交 易者还可以使用设计特性的质量评价。脆弱的系统具有设计缺陷 ， 总是会导致重复失利。   

我们来分析一套在最近20日最低点或最高点出场的系统。假设 这是一套趋势跟随系统，在任意市场上的一次重要反转都会逐渐取 代原来的20日最低点或最高点。这样一套系统是完善的，因 为肯定 会在与原趋势相反的强势运动中出场。反之，如果工个出场策略要 求某个交易日出现大的价格运动退出趋势，比如从先前的高点或低 点出现三倍于10日 平均真实价差的回调，是相当脆弱的。因为市场 可能会花费数天的时间才完成对头寸不利的较大运动，但在任意一 天中都没有暴涨或暴跌的行为。  

现在我们来分析一种入场策略，使用定额或距离当日最高价或 最低价为波动性距离的限价单入场。市场可能会连续数日为上涨趋 势或下跌趋势，而市场运动时却仿佛羞于见到该系统产生的订单。 例如，交 易者希望在上涨趋势较弱时买进，并且希望使用限价单 ， 价位设在市场回调到收盘价的5日 移动平均线处。可能有10日 或更长 时间的连续趋势运动，而不出现向5日 简单移动平均的回调，于是交 易者便错过了整个行情。对该策略进行一下修改，入场时同时设置 止损订单，止损价位设在上个交易日的最高价或略高的位置，这样 便可以实现更加一致的入场，进入强劲的震荡行情。所以当我们设 计交易系统时，需要找出很容易被市场挫败的交易规则。

实际数据测试

本部分听起来像是继续进行之前的一个警告：测试结果不是看 起来那样。交易者应该明白交易系统是根据后见之明设计的。这是 事实，因 为我们已经知道市场在过去的行为。我们所设计和优化的 交易系统反映的都是我们对以前市场运动的观点。读者可能会说 ， 我知道使用通用化方法来避免曲线拟合(译者注：指在利用样本数 据进行优化时，过分接近样本数据的价格曲线)的危险。但是应该 明白，后见之明的影响是很难消除的。

 过去的价格形态可能不会在将来准确地重复出现，明 白这一点也 是很重要的。因为未来准确的交易序列是不可预测的，所以我们的真 实获利和亏损将会与假设的不一致。很容易得出结论，即过去的业绩 不代表未来的业绩，因为市场运动和交易者的反应都是不可预见的。 

模拟交易还存在一个关键问题。在交易系统设计练习中假想的 交易并未实际进入市场，不能代表实际交易。它们不能准确地反映 市场波动性、滑移价差、不良订单、隔夜交易或快速市场的影响。 它们也不能准确反应交易者的心理活动，因 为每个信号都是使用完 全相同的简化假设被执行的。 

交易者可能是交易系统中最反复无常的变量。因为系统测试是 在一个情绪真空的环境中进行的，所以不能保证交易者会在没有任 何背离的情况下执行交易系统中的所有信号。于是，最大的滑移价 差可能不是出现在市场中，而是因为交易者未能按要求设置订单。 

正如在第8章数据的随机化处理中我们将要看到的，交易者可能 碰到出现一长串亏损交易或一笔大型亏损交易的市场行情。不要因 为一个事件发生的概率非常小就认为它不会发生。典型交易系统的 交易分布往往会有一根 “ 胖胖的 ” 尾巴，这就意味着异常市场行情 出现的概率要比我们在正态分布中看到的大。所以，系统测试结果 常常会低估市场的风险。 

于是，当我们设计交易系统时，需要注意假设的结果不会准确 预测系统在未来的性能。总之，我们对每个交易系统的测试结果都 要谨慎地看待。

第3章附录：设计问题—入场和出场策略

有多少位交易者，就有多少种入场和出场策略。入场策略是引 发买卖信号并开始交易的程序。出场策略是了结头寸的规则组合。 大体上有两种入场和出场组合：一种是总是在市场中，或者做多或 者做空;另 一种系统可以做多、做空，或者完全在市场之外(观 望)。 这里对入场和出场策略以及它们的优缺点进行一下探讨，希 望可以作为一个简单的介绍或者供交易者参考。 

 市场信息可以分为技术信息和基本面信息。技术信息是市场 内部的信息，产生于交易过程中，包括诸如交易价格、成交量、持 仓兴趣和交易委托等信息。基本面信息或者外部信息，在常规商业 经济活动中产生，通常包括生产和消费信息。两类交易策略中，一 类依赖于技术信息，一类依赖于信息流。使用技术信 '患 的交易者相 信价格(和其他内部数据)反映了市场参与者的所有信息，更重要 的是反映了市场对所有可得数据的评价。所以，使用技术数据的交 易者落后于市场一步，属于价格接受者，而不是价格制造者。相反 地，使用信息流的交易者认为自己领先于市场，在市场完成对新数 据的调整之前期望出现新的趋势。随意或基本面交易者一般为价格 制造者而非价格接受者。该部分讨论的重点是从技术数据中获取入 场信号。

入场设计问题 

技术型入场的基础是市场产生的数据，比如价格、成交量、持仓 兴趣和交易委托。每种入场策略必须符合一条或多条标准才产生买进 或卖出信号。对于期货和股票，价格必须沿交易方向运动才能获利。 例如，对于做多交易，价格必须上涨超过入场价格才可能获利。那么 我们如何评价成功入场策略呢?每个入场策略必须解决四个常规的设 计问题：灵敏度、选择度、敏感度和耐受度，统称4S。

1.灵敏度。灵敏度越高，市场运动和实际入场信号之间的延迟 时间越短。比如通过设计，基于盘中数据的入场信号将比基于月数 据的入场信号更灵敏。

 2.选择度。选择度越高，系 统的盈利因子越大。盈利因子是毛利润与毛亏损的比值。当度量测试周期上的交易总数时，选择 性系统一般交易频率较低。比如，典型的趋势突破入场一般比趋 势跟随入场具有更好的选择性，因 为价格在交易区间内时，它并 不产生信号。 

3.敏感度。入场策略越完善，它对噪声的敏感度越低，按照计 划运行的可能性越大。例如，与复杂的波动性突破策略相比，简单 趋势跟随策略一般不会错过重要趋势，因 为价格可能连续数日走高 或走低而不触发波动性突破入场信号。

 4.耐受度。交易策略的耐受度越高，它可以应用的投资组合就 越广泛，它的获利性就越容易长期保持。例如，与逆势策略相比 ， 趋势跟随策略可以被应用于更多市场。

 这些标准表明精心设计的入场策略会对市场运动迅速做出反 应，引 导交易者进入盈利交易，在关键时刻一般不会失效，而且可 以在较为广泛的多元化投资组合上使用。现在我们来分析一些常见 策略，并对它们做一下比较。

趋势跟随策略 

趋势跟随(TF)策略在检测到的趋势方向上建仓。基于移动平 均的系统便是一种很好的趋势跟随策略。最简单的趋势跟随系统使用 两个移动平均，比如3日 和12日 简单移动平均(见图3.12)。 移动平均 的类型可以有多种，比如简单移动平均、指数移动平均或自适应移动 平均。当短期移动平均向上穿越长期移动平均时，一个买进信号便产 生了。当短期移动平均向下穿越长期移动平均时，一个卖出信号便产 生了。这样的系统被称为可逆系统，因为它们可以从做多转为做空 ， 也可从做空转为做多，而且总有一个头寸在市场中。我们可以得出这 种策略的一些变化版本，比如使用两条以上的移动平均线，或者为识 别均线的有效交叉或使用震荡指标预测交叉指定更复杂的 “ 穿越 ” 条 件。我们还可能设计出带有中性区域的移动平均系统。

趋势跟随策略的优点：趋势跟随策略是对价格运动的反应，而非 预测。所以，在市场运动和在度量的趋势方向上建仓，总存在固有的 时间滞后。使用该策略，很有可能在上涨的趋势中做空，而在下跌的 趋势中做多。交易者可以在时间框架上进行正确的比较。比如，我们

图 3.2 简单趋势跟随系统示例，一套3日 和12日简单移动平均交叉系统，应用 于纽约燃料油期货市场。当价格被限制在交易区间内时，移动平均系统 是赔钱的。 

使用日线数据，很有可能当市场在周线数据或月线数据上处于上涨趋 势时做空。当市场以平滑的趋势运动或者做震荡运动(震荡运动为持 续5~20日的平滑趋势)时 ，趋势跟随策略工作良好。趋势跟随策略 需要有序的市场，以便在没有过度的滑移价差或亏损的情况下建立或 了结头寸。这些策略进入持续趋势的时间相对较早，当市场趋势平滑 时可以产生很好的风险/回 报比。使用趋势跟随策略可以清晰地定义 初始风险，所以可以很好地与风险控制协同工作。

趋势跟随策略的缺点：当 市场位于交易区间内时，趋势跟随策 略易于受到双面拉锯式亏损的影响，原因是在交易区间内，市场在 每个方向上都会出现一系列毫无意义的向上交叉和向下交叉。如果 无趋势期持续数月，那么移动平均策略将连续不能获利。如果价格 以较快的速度运动，那么移动平均在发出趋势改变信号时就显得比 较慢。所以，趋势跟随策略看起来常常是在关键转折点处慢速入场 或出场。在出场前放弃一大部分持有仓位的利润，是长期趋势跟随 策略的一个特有缺陷。因为其他市场参与者也会关注关键移动平均 值，所以在TF策略在入场和出场时会导致额外的滑移价差产生。 

趋势跟随策略的4S评价：

●灵敏度：可以通过使用不同长度或不同数据类型的移动平均来改变。

●选择度：可以通过增加移动平均的长度来增加。

●敏感度：在所有的长度上都较低，即便是随机选择的长度也 不容易错过主要趋势。 

●耐受度：可以用于多元化市场投资组合。

逆势策略  

逆势(AT)策略是一种预测型策略，目 的是寻找在预期的新趋 势中建仓的机会，这些头寸一般与当前趋势相反。例如，当 市场出 现 “ 大 ” 幅上涨后，便考虑建立空头头寸，当市场出现连续5个交易 日的急速抛售后，便开始考虑做多。对市场 “ 调整 ” 期间 “ 大型 ” 运动的定义便是这种系统的设计核心。一些交易者使用震荡指标来 度量超买或超卖行情，定义他们认为的非持续性市场极端行情。其 他交易者则试图 “ 削弱 ” 新的高点(见 图3.13)或低点(即在x日 新 高处卖出或者在y日 新低处买进)。 还有一些交易者寻找动量背离 ， 即市场创造新的价格极点同时却未出现相应的动量极点。例如，市 场创造了新的价格低点，但是动量震荡指标却没有(见图3.14)。 即便是基于形态的方法，比如使用 “ 日本蜡烛图分析 ” ，也被尝试 过。这种策略的本质是辨识在当前趋势的方向上动量耗尽的点。 

逆势策略的优点：如果市场区间波动的话，逆势策略会产生令

图 3.14 当纽约燃料油期货合约中上涨的价格与动量出现背离时建立看多头寸。 价格出现新低9但随机震荡指标却没有9产生一个正背离。 

人惊叹的风险/回 报比。因为头寸与当前的趋势相反，所以当头寸规 模较大，而且交易者具有良好的执行能力时，交易起来相对比较容 易。这种方法在关键转折点或在拉长的交易区间内特别容易获利。 逆势策略比较灵敏，因为在检测到价格极值和执行交易之交的延时 非常短。

逆势策略的缺点：如果市场动量足以推动价格按原先的趋势 运动，那么逆势策略便会导致大型的亏损。如果市场动量强劲，一 笔大型亏损交易便会抹平多笔盈利交易的利润。逆势策略通常需要 灵敏的出场来保护获利。交易区间的幅度通常比趋势运动的幅度要 小。所以，平均每笔盈利的规模相对较小。逆势策略需要很好的执 行力和较低的交易费用，以保证持续获利。这种策略在很多市场上 都表现不佳，因为逆势运动的幅度都比较小。

逆势策略的4S评价 ：

●灵敏度：一般较高，可以在市场极值出现的当日检测出该 极值。

●选择度：相对较低，因 市场和时间周期的变化而产生较大 变化。 

●敏感度：相对较高，关键转折点不容易一直被捕捉到。

●耐受度：相对较低;只适用于少数市场。

突破型策略

突破型策略是当价格“ 果断地 ” 超出预设的价格屏障时，在价 格运动强劲时买进，在市场疲软时卖出。于是，这种系统既可以做 多，也可以做空，也可以在市场外观望。我们假设价格将在近期价 格突破指示的方向上持续发展进入更长期趋势，于是突破型(BO ) 策略是一种特殊类型的趋势跟随策略。存在许多版本的突破型策 略，主要依据交易者对价格屏障和市场果断运动超越价格屏障的定 义。一种简单的方法，是将价格突破定义为在数日或数周的固定周 期上出现新高或新低，对于期货来说比如20~80日 ，对于股票来说 比如52周 。此外，我们还可以对价格突破给出更复杂的定义，比如 使用移动平均两侧的波动性交易带。通过设计，突破型策略能够避 免在用来检测新高或新低的时问周期内出现的价格整固区交易。另 外，通过设计，价格在创造新高之前已经运动较远的距离，所 以可 能认为是超买或超卖。所以，突破型策略易受逆势系统同时触发的 影响，产生“ 虚假 ” 突破，重新运动返回价格整固区。当市场已经 整固了数月时，突破入场可以及时进入新的趋势，而且比传统的趋 势跟随系统反应迅速。

波动性突破策略是突破型策略的—个变种，其中突破的定义不 是在一个时间窗口上，而是价格偏离参考值一定的幅度。例如，入 场被定义为偏离昨日最高价、最低价或收盘价一定的距离，而不是 固定周期(比如20日)上的最高价或最低价。偏离的幅度通常为近 期价格波动性的倍数，可 以用多种方法度量。波动性突破策略的周 期较短，是标准突破型策略比较灵敏的一个变种。 

突破型策略的优点：突破型策略可以克服趋势跟随策略的限 制，方法是避免在价格整固区交易，该策略在趋势的方向建立头 寸，信号延时很小或没有!很容易定义风险，因 为入场点和出场点 在交易之前便可准确地决定。该策略通常可以及时进入最适合交易 的动态运动。在较为广泛的多元化投资组合上的长期测试，已 经证 明突破策略是完善可靠的。

突破型策略的缺点：当 市场在新的价格高点或低点之后反转

进入先前的价格整固区时，突破型策略易受失败突破的影响 (见 图3.15)。 这种策略在入场时应受滑移价差的影响，因 为关键突破 价位可以很容易被其他交易者识破。将突破型策略运用于投资组合 时，在不相关市场板块上易受同时突破型失败的影响。突破策略在 心理上比较难以运用，因为突破之前是在突破方向上的大型价格运 动。所以，如果突破屏障太高的话，入场容易变得迟缓。最后，突 破之后的价格运动可能很虚弱或者受到市场流量不足的影响，账户 资金易受波动市场的破坏。

 突破型策略的4S评价 ： 

●灵敏度：较高，可以立即检测到市场的极值。 

●选择度：通过增加时间周期或使用复杂定义，可 以得到 提高。 

●敏感度：中等，根据时间周期的不同，失败突破产生的概率 从30%~70%不等。

 ●耐受度：较高，可以适用于广泛的多元化投资组合。

基于形态的策略 

基于形态(PB)的策略使用传统的或非传统的 “ 图表 ” 分析来 辨识具有预测能力的价格棒线群组。形态的长度可以从2~50根不等，我们认为在形态结束后将出现显著的价格运动。传统的价格形 态比如双重底(见 图3.16)和三角形。非传统的形态包括我们的眼 晴可以看到的任何形态。这类形态可以用来初始化趋势跟随、逆势 或突破型入场。许多周期性交易策略都属于这一大类。这些系统也 可以做多、做空或观望。

基于事件的策略也可以归到这一类中。基于事件的策略在预定 事件的前后对市场运作进行分析，这些预定事件包括经济统计数字或 红利分配的发布。例如，美国失业数据一般在每月的第一个星期五发 布，而债券和股票市场经常焦急地期待这些数据。债券市场对这些数 据的反应可归纳为形态，然后便可对该市场进行系统化交易。 

基于形态入场的优点：通过使用基于形态的入场，交 易者能够 建立独特的入场，而不容易被其他交易者推导出来。所以，入场滑 移价差可以降低，与趋势跟随和突破型入场的相关性比较低。一旦 形态完成，对形态的反应滞后很小或没有。风险和回报可以被清楚 地定义，而且一些形态在测试和校正时非常简单。许多形态可能是 预定事件(经济报告)或农产品数据(当 季产量/上季产量)。 所 以，对于特定价格形态的出现可能有一些基本面的解释。这种策略 一般与趋势跟随策略关联较小。

基于形态入场的缺点：整个基于形态的方法依赖于快速和准确 的形态辨识，使得它对错误的市场数据非常敏感。一些形态，比如 三角形，在实际交易中可能比较难以辨别，因 为趋势线定义的形态 可能受到 “ 虚假 ” 背离的影响，所以要对形态频繁地重新定义。 

价格形态出现的频率可能比较低，所以需要扩展的图表形态 库。有时对于形态为什么在过去产生盈利交易没有符合逻辑的解 释，所以，未来的获利性可能不像测试结果显示的那样可靠。而 且，很难判断某个形态是否已经失败，是否应该放弃。虽然一些形态 已经被证明在某个多元化投资组合上，或者某一板块中的所有市场上 成功使用，但其佘都是市场专用的。市场专用形态的限制是它们会在 没有任何先兆的情况下停止工作。市场在形态之后运动的幅度也常常 是变化的。所以基于形态系统的风险/回报比变化比较大。 

基于形态系统的4S评价 ： 

●灵敏度：较高，可以立即检测到一些形态。 

●选择度：一般较低，不可系统化地修改。 

●敏感度：较高，易受随机失败的影响。 

●耐受度：较低，一般只适用于选择的市场。

入场策略的特点

表3.20总结了不同入场策略的特点。类型指是的使用这些策略 的典型系统，其中L代表看多入场，S代表看空入场，F代表观望。于 是，L/s代 表系统总是在市场中做多或做空，而L/S/F表 明系统可以 根据市场行情做多、做空或观望(在市场外)。

出场设计问题

一旦进入交易并设置好资金管理算法，下 一个决策性问题便 是如何出场和何时出场。当然，任何一笔交易的精确过程都是未知 的，因 为价格会以多种方式运动。所以，我们不知道何时出场(交 易时间)或者出场价格。出场决策选择的目标是解决一个或两个这 些不确定因素(见 图3.17)。 因此，当 我们希望出场时，应该制定 详细的出场时间策略，或者希望出场的价位，但不是两者。 

如果选择指明交易的时间策略，那么出场价位通常是未知的。 例如在交易的第三天收盘时出场，或者在交易的第二天开盘时出 场。对于这两个例子，我们愿意接受指定时间的出场价位。 

第二种策略是指明出场价位，然后等待所定价位出现。在设置 出场价位时，我们有两种选择：一种是使用在预定获利目标的限价 单，另一种是使用跟踪止损的止损单。限价单需要我们选择高点或 低点。使用跟踪止损，我们愿意跟随趋势足够长的时间，等待市场 触发止损、了结交易。决策性选择总结于表3.21中 。

该分析的目的并不是建议这两种策略(时间出场和价位出场 ) 不可以交互使用。例如，通过设置远离入场价位的跟踪止损，我们 可以有效增加交易的持续时间。反之，通过设置接近当前价位的获 利目标，我们可以缩短交易时间。于是，将时间和价格分开是一种 理解出场策略的好方法，需要注意的是选择其中一个就会影响到另 一个。

在设计出场策略时，我们所做的任何权衡还会有其他的相关问 题，比如渗漏性、贬值性、振动性和完善性。 

1.渗漏性：未平仓利润损失是出场太慢的代价。

2.贬值性：出场太快的代价。

3.振动性：出场前市场波动性的容许量。

4.完善性：当面对多变的市场行情时，策略的稳定性。

基于时间的出场策略 

基于时间的出场策略指明出场时间，考虑或不考虑未平仓交易 的利润或亏损。例如，一种策略可能是在交易后n天退出每笔交易 (见图3.18)。 另一种方法可能是，如果交易不具获利性，将在第 5 日开盘时出场。对于这两种情况，出 场时间是明确的，交易者愿意 接受市场价位以保证按时出场。

基于时间出场的优点：基于时间的出场策略执行起来比较简 单，从交易一开始时钟便开始不停地转动了。当市场在交易区间内或者以一种周期性模式运动时，这种策略表现得最好。当市场横盘 运动时，基于时间的出场策略还可以使我们退出交易。例如，只要 突破失败，市场可能缓慢地返回到原先整固区的价格区间内。基于 时间出场提供了一个性能优良的安全阀，及时退出横盘市场。通过 在市场流动性好的时间，比如开盘或收盘时交易，可以使滑移价差 最小化。 

基于时间出场的缺点：基于时间出场的策略假设时间和价格 的变化会按照交易者的分析。但是，市场更可能按照自己的意愿变 化。交易持续时间的选择一般是市场专用的，所有市场都没有最佳 交易持续时间。在我们出场之后，趋势很可能会继续，所以会损 失较多的机会。这种出场策略必须与灵敏的入场策略配套使用，以 保证进入强趋势，然后在未转势时出场。交易规模的计算对获利性 至关重要，因 为在连续重复入场的过程中交易规模常常会减小。这 种策略在广泛的市场投资组合上可能不会有效，而且随着时间的发 展，对于给定的市场必须进行调整，因 为市场参与者的特性总是不 断变化的。 

基于时间出场的评价： 

●渗漏性：出场前的交易利润损失相对较低，易受快速反转的 影响。 

●贬值性：相对较高，趋势可能继续，需要重新入场，重新调 整头寸规模。 

●振动性：相对较低，在市场进入反转前的波动期之前出场。

●完善性：相对较低，通常为市场专用型，经常需要校正。

基于价位的出场∶获利目标 

获利目标出场指明一个出场价位，然后持有头寸等待市场达到 那一价位。对于多头来说出场价位高于市价，对于空头来说出场价 位低于市价。这种趋势期望型策略试图抓取市场的高点或低点。获 利目标距离当前价位越远，市场到达目标价位的时间就越长。通过 将获利目标设置地靠近当前价位，可以缩短出场时间。但是，每笔 交易准确的持续时间是未知的。获利目标可以从历史测试或对图表 形态的观察中得出。该价格目标可以是固定金额的，也可以是与市

图3.19 获利目标交易策咯示例：香港恒生指数，在获利至少，750点后的收盘 出场。 

场波动性相关的量。但是，确定获利目标有一点艺术性，不存在适 用于所有市场的最佳值或通用获利目标(图3.19)。 

获利目标出场的优点：获利目标出场能够产生较高比例的盈利 交易和相对平滑的资金曲线。市场流动性决定着滑移价差和交易规 模。当市场在交易区间内或者做震荡运动时这种出场表现良好。 

获利目标出场的缺点：获利目标出场的最大限制是趋势可能在 出场后继续。所以重新入场的条件和交易规模会对整体业绩产生重 大影响。获利目标通常是市场专用的，而且需要频繁校正，因 此有 时一轮趋势在未达到价格目标时便结束。在使用这种策略时，我们 需要与一位优秀的经纪人合作才能成功进行。 

获利目标出场的评价 ：

●渗漏性：出场前的交易利润损失相对较低，易受不良执行的 影响。 

●贬值性：相对较高，趋势可能继续，需要重新入场，重新调 整头寸规模。

●振动性：相对较低，在市场进入反转前的波动期之前出场。

●完善性：相对较低，通常为市场专用型，经常需要校正。

基于价位的出场：跟踪止损 

跟踪止损策略指明出场价位，对于多头低于市价，对于空头高 于市价，如有必要，尽可能长时间持有头寸。这是一种趋势跟随方 法，只对交易如何变化做了很少的假设。出场价格的选择有很多 种方法，常见的几种是：定额止损、资金百分比止损、价格通道 止损、图表形态止损、持仓利润回调百分比止损和波动性止损(见 图3.20)。 

跟踪止损的优点：当 市场以平滑、长期的趋势运动时，跟踪止 损表现最佳。它们可以用来控制风险，并获得极好的风险/回 报比。 因为它们没有对价格变化做任何假设，所以这些止损能够使我们与 市场中的主要趋势保持一致。当设置的止损较远时，它们能够很好 地吸收市场的波动性，而不会被市场震动出场。可以通过调整止损 的前进速度来调整交易时间，或者通过缩短分析的时间框架来调整 交易时间。 

跟踪止损的缺点：当 市场以压缩的方式运动时，跟踪止损可能 出场太慢，它们在出场前常常会放弃较大比例的持仓利润。因为这 些出场必须以止损单的形式设置，所以场内交易者可能会想方设法 推动市场穿越价格图表上关键的支撑或压力价位来 “ 击中 ” 这些止 损。坐观市场调整需要极大的耐心，有些调整会转变为新的高点或

低点，因此这种出场会使交易者在心理上很难接受。

跟踪止损的评价：

●渗漏性：出场前的交易利润损失相对较高，易受不良执行的 影响。

●贬值性：相对较低，出场可以产生于趋势反转被确认之后。 

●振动性：相对较高，可以吸收较大的市场波动而不出场。 

●完善性：相对较高，可以用于广泛的市场和时间周期。

小结：入场和出场策咯的分析 

这种概念上的设计分析对主要类型的入场和出场策略的设计心 理给出一个概述。交易者可以权衡不同入场和出场策略的优缺点。 再将入场和出场策略组合在一起开发自己独一无二的交易系统时 ， 并可以根据个人偏好设计出各种各样的版本。