构建交易系统（第 2 部分）：仓位规模的科学设定

引言

仓位规模是成功交易中最关键却又最常被误解的要素之一。它是风险管理的基石，对任何交易系统的长期可持续性都起着决定性作用，尤其是建立在正期望值之上的交易系统。

在本文的第 1 部分中，我们讨论了如何通过关注胜率和盈亏比（RRR）来构建具有正期望值的交易系统。我们还通过模拟演示了在各种条件下，每次交易承担账户余额 1% 风险的表现。

在第二部分中，我们将更进一步，研究改变每笔交易的风险百分比如何显著影响系统的性能、回撤情况和交易者的情绪负担。我们将使用蒙特卡洛模拟探索不同的风险模型，以说明在现实市场情景下仓位规模的影响。

专业交易员通常主张每笔交易只承担账户余额的 1% 至 2% 的风险。有些人采取了更为保守的立场，建议低于 1%，特别是在市场波动或不确定时期。这些准则并非随意制定 — 它们旨在保护资金，并保护交易者免受连败可能造成的精神和经济损失。

然而，一个重要的问题仍然存在： 这些建议是普遍规则吗？还是交易者可以根据其特定的账户规模、目标和风险偏好来调整仓位规模？ 

在本文中，我们将深入探讨这个问题 — 将理论与定量证据相结合。使用蒙特卡洛模拟，我们将分析不同风险水平的结果，调查账户爆仓的概率，并评估更激进的冒险行为是否有意义。 

到本文结束时，您将能够更好地确定是遵循 1%-2% 的规则，还是明智地打破它。

不同账户规模的风险现实

为更直观地说明问题，不妨设想一位管理着100万美元账户的交易者。若每笔交易承担 1% 的风险，则意味着单笔交易承担 10000 美元的风险。相比之下，若交易者仅有 1000 美元账户，1% 仅相当于10美元。二者差异显而易见。

对于小账户交易者而言，在看似高概率（A+级）的形态上冒险投入更大比例的资金 — 甚至是整个账户 — 往往更具诱惑力。其逻辑通常是：“如果这次成功了，我的账户就能迅速翻倍甚至翻三倍。”然而，尽管潜在收益看似诱人，其下行风险却可能是毁灭性的。一笔失败的交易便可能将账户彻底清零，不仅造成经济损失，还会带来严重的情绪困扰。

1%-2% 是通用规则吗？

1%-2% 的规则只是一个指导原则，而不是硬性规定。其目的在于保持交易的一致性并保护本金。然而，它可能并不适合每个交易者的策略、心理或财务状况。

对于资金较少的激进型交易者来说，这条规则可能会让他们感到受到限制，尤其是当他们的目标是快速增长时。但是，如果不清楚连续失利背后的概率和相关的下跌，冒更高的风险往往会导致毁灭而不是回报。

蒙特卡洛模拟：量化风险

在本文中，我们将开发一个蒙特卡洛模拟来更深入地研究仓位规模的话题，并帮助交易者实现他们想要的结果。这种模拟将使我们能够根据系统的获胜率、盈亏比和仓位规模对数百或数千种可能的交易结果进行建模。 

我们的目标是从概率的角度判断，交易者究竟是坚持 1%-2% 的风险规则更有利，还是设计个性化的风险策略更有利 — 同时避免陷入情绪或心理倦怠，也不会导致账户彻底爆仓。

但在正式展开模拟之前，我们将首先探讨不同胜率下连续亏损的概念，以及这些连续亏损如何与仓位规模相互作用，进而产生不同程度的回撤。蒙特卡洛模拟将被用于将这些情景生动呈现，并提供数据驱动的洞见，以揭示即便是数学上合理的策略，在糟糕的风险管理下也可能失败。

胜率及其相关的连续损失

为了展示仓位规模对不同交易模式的影响，我们基于反映实际交易条件的胜率与盈亏比（RRR）的真实组合，生成了一组合成交易系统。每个系统的构建都确保了正期望值，即每个系统的 RRR 都超过了在其给定胜率下实现盈利所需的最低阈值。

有关如何针对特定胜率计算最小 RRR 阈值的详细分析，请参阅本系列文章中的第 1 部分。

以下是我们模拟中使用的交易系统的摘要：

表1：

系统	胜率%	RRR
1	30%	2.6
2	50%	1.7
3	65%	0.9
4	76%	0.6
5	83%	0.3

为了直观检验正预期，我们为每个交易系统提供图表，展示其各自的胜率和盈亏比如何随时间推移产生统计上的盈利优势。在蒙特卡洛模拟中应用仓位规模变化之前，这些可视化图表有助于确认每个策略设置的数学合理性。

图1：系统 1（30%，2.6）

图2：系统 2（50%，1.5）

图 3：系统 3（65%，0.9）

图 4：系统 4（76%，0.6）

图 5：系统 5（83%，0.3）

如图 1 至图 5 所示，每张图都显示了上升或向上倾斜的平均净值曲线，这直观地证实了所有模拟交易系统中都存在正期望值。用于生成这些图表的 Python 代码可以在本系列文章的第 1 部分中找到。

拥抱必然：交易系统中的连败

尽管所有系统都表现出正期望值，但它们仍然容易受到连续亏损的影响。这通常是交易者面临的最具情绪挑战的阶段。在此期间，许多人开始怀疑系统的盈利能力，并可能过早放弃。

然而，当交易者根据系统的胜率理解并预见到连败的可能性时，他们就能更好地保持自律，避免做出破坏性的情绪化决策，并有效管理风险。随着时间的推移，接受这一现实的交易者会学会从心理上与系统的自然波动保持一致，认识到没有哪个系统能够永远获胜。连败在所难免，连胜也是如此。

为了量化这一方面，我们使用蒙特卡洛模拟来估计每种胜率下可能出现的连续亏损次数的范围。这有助于交易者设定切合实际的预期，并培养情绪韧性。 

图6展示了一个箱线图，该图显示了在进行100次模拟（每次模拟包含500笔交易）后，不同胜率系统下连续亏损次数的分布情况。

图6：胜率与连续损失

 表 2 显示了如图 6 所示的每个胜率连续失败次数的最小值、中位数和最大值。

系统胜率	最小	中位数	最大
30%	10	15	28
50%	5	8	15
65%	4	5	11
76%	3	4	8
83%	2	3	6

理解连败：交易者情绪韧性指南

了解连续亏损的可能性及其程度，对于在交易中建立情绪自律和有效的风险管理至关重要。即使是具有正期望值的盈利系统，也可能遇到长时间的回撤。在本节中，我们将分析不同胜率系统的表现：基于蒙特卡洛模拟的结果，分别为 30%、65% 和 83%，重点在于交易者如何从心理和策略上为最坏情况做好准备。

• 30% 胜率系统

模拟的统计结果表明，胜率为 30% 的系统可能会经历最少 10 次、中位数 15 次、最多 28 次连续亏损交易。做好应对这种长期回撤的心理准备至关重要。交易者如果明白连续亏损 28 笔交易属于可能出现的情况，就能保持情绪稳定，避免过早放弃交易系统。

接受这一现实，交易者可以在每笔交易中应用最小的风险，例如账户余额的 1%，从而在最坏的情况下，将潜在回撤降至最多 28%。虽然这是一笔巨大的损失，但对于致力于系统长期盈利的交易者来说，这或许是可以接受的。如图6所示，28 的最大值是一个异常值，这表明它在统计学上发生的可能性较小，但仍然存在。

交易者必须诚实地评估自己是否具备足够的情绪韧性和资本承受力，以抵御如此严重的连续亏损局面。否则，即使胜率达到 30% 的系统从长远来看可以获利，也可能并不合适。

• 65% 胜率系统

对于胜率为 65% 的系统，模拟结果显示，最少会出现 4 次连续亏损交易，中位数为 5 次，最多会出现 11 次连续亏损交易。与胜率较低的系统相比，这种模式容错率更高，但仍然存在潜在的情绪挑战。 每笔交易风险 1% 的交易者，在最坏的情况下，可能会面临高达 11% 的回撤。虽然这比 30% 的体系更容易管理，但仍然需要心理准备和适当的风险控制才能在交易低迷时期保持稳定。

该系统可能吸引那些偏好平衡配置、稳健胜率且盈亏比适中的波段交易者或日内交易者。通过理解和接受连续亏损 11 次的可能性，交易者不太可能产生情绪化的反应或放弃交易系统。通过严格的仓位管理，65% 胜率系统可以提供更平滑的净值曲线，同时还能实现长期盈利。从图 6 可以看出，最大连续 11 次亏损不太可能发生，因为它超出了该范围。

• 83% 胜率系统

胜率高达 83% 的系统通常与高频交易或剥头皮交易策略相关，这些策略旨在获得小幅、稳定的收益。根据模拟结果，这样的系统可能面临最少 2 次、中位数 3 次、最多 6 次连续亏损交易。

由于出现长期连续亏损的可能性较低，交易者可能会倾向于增加每次交易的风险，例如增加到 5%。虽然考虑到该系统的高胜率，这似乎可以接受，但重要的是要认识到，即使是6 次交易连续亏损，每次亏损的风险为 5%，也可能导致 30% 的资金回撤，这对交易账户来说是一个重大打击。

为了应对这种情况，交易者必须设定切合实际的预期，并避免过度自信。即使在高概率系统中，也要接受偶尔的连败现象，这有助于防止情绪崩溃和冲动决策。围绕这些数字建立韧性对于长期成功至关重要。连续 6 次亏损的可能性较小，因为它超出了正常范围。本文附有用于生成可能连续损失的 Python 代码。

代码用法：

要评估其他结果，请修改以下部分中的参数值。这样可以在不同的条件下进行灵活的测试，同时保持基本的分析框架。

import numpy as np
import matplotlib.pyplot as plt

# Systems data: win rates and RRR
win_rates = [0.30, 0.50, 0.65, 0.76, 0.83]
rrrs = [2.6, 1.7, 0.9, 0.6, 0.3]
num_systems = len(win_rates)
num_simulations = 100
num_trades = 500

# Initialize results storage
all_max_consecutive_losses = []

初始化用于计算的变量和值。

仓位规模及其相关回撤

仓位管理在交易表现中起着至关重要的作用，尤其是在连续亏损期间。仓位规模的基本公式是：

风险金额可分为固定（静态）风险或动态（可变）风险。在本节中，我们将探讨在连续亏损的情况下，每种方法如何影响回撤。

让我们定义：

fraction of Risk% as f,
previous balance as balance j-1,
current balance as balance j
initial balance as balance i
win-rate as P

每个案例的风险金额定义如下：

Dynamic Risk Amount = Risk% x balance j-1 = f x balance j-1

Fixed Risk Amount = f x balance i

案例 1：动态风险（风险占当前余额的百分比）

在这个模型中，每次交易的风险金额都会根据最新的账户余额重新计算。这样一来，在盈利高峰期可以实现复利增长，在亏损低迷期可以加速下跌。

对于每个交易 j ：

• 如果交易盈利：

• 如果交易亏损：

将两种结果按概率结合起来，我们得到：

案例 2：固定风险（风险占初始余额的百分比）

在这个模型中，无论账户表现如何，所有交易的风险金额都保持不变。这使得在有利条件下能够稳步增长，在亏损期间能够均匀回撤。

• 如果交易盈利：

• 如果交易亏损：

综合起来，得出：

模拟方法

方程（1）和（2）将在蒙特卡洛模拟中实现，以生成每种仓位规模策略下账户余额和回撤的各种潜在结果。通过对比结果，交易者可以更好地理解动态风险敞口与固定风险敞口对交易系统的净值增长、波动性和生存能力的影响。

随附的图表展示了每个受评交易系统的单次模拟结果。每个系统分别按当前账户余额或初始账户余额的 1%、2% 和 5% 设置风险，进行评估。 乍一看，就这次单独的测试而言，净值曲线似乎非常有前景 — 类似于我们在特定时期进行回测并取得强劲结果时所感受到的兴奋，这诱使我们过渡到实盘交易。 

为了评估这些系统的稳健性和长期潜力，我们通过进行 500 次蒙特卡洛模拟来扩展我们的分析，每次模拟包含 1000 次交易。这种更广泛的方法使我们能够探索各种可能的净值走势，并更好地了解其中涉及的波动性和风险。

该模拟练习在多种系统配置下重复进行，包括：

• 胜率：30%，RRR：2.6
• 胜率：65%，RRR：0.9
• 胜率：83%，RRR：0.3

通过在账户资金的 1%、2% 和 5% 的不同风险水平下评估所选交易系统，我们可以确定是否有可能超过专业交易员通常建议的风险阈值。 这些具体的风险水平可作为基准，用于评估不同策略在保守和激进风险敞口下的韧性和盈利能力。

所选配置（胜率和 RRR 各不相同）代表了一系列交易策略，从高风险/高回报的设置到更保守、高概率的方法。这样就可以对不同风险等级下的表现进行全面评估。

模拟结果概述

系统 1：胜率 = 30%，RRR = 2.6

图 7 至图 9 展示了在 1%、2% 和 5% 风险水平下执行的交易的净值曲线。下表汇总了 500 次蒙特卡洛模拟的结果，每次模拟均包含 1000 次交易，并采用各自的风险参数。这种综合模拟方法能够从统计学角度深入了解系统在受控风险条件下的性能特征。

• 1% 风险水平

 

图 7

表 2：蒙特卡洛模拟结果，系统胜率为 30%，盈亏比为 2.6，风险为 1%。

度量指标	动态（当前余额的 1%）	固定金额（初始余额的 1%）
平均最终余额	$2,143.81	$1,778.62
中位数最终余额	$1,876.43	$1,764.00
最低最终余额	$326.01	$0.00
最高最终余额	$7,831.03	$3,204.00
平均回撤	$649.40	$398.98
中位数回撤	$584.29	$363.00
最大回撤	$1,980.21	$1,278.00
平均最大回撤百分比	33.72%	28.47%
最大回撤中位数 (%)	32.02%	25.72%
最大回撤百分比	74.91%	114.11%

关键见解：

对于 1% 的风险，平均和中位数最终余额表明结果为正，这与系统的正预期一致。两种风险模型的投资回报率约为初始净值的 2 倍，其中动态风险模型总体回报率略高。

在一些模拟中，动态风险产生的最大余额约为初始净值的 8 倍，而固定风险则为 3 倍。这表明，在连胜期间，动态风险能够更有效地累积收益。 然而，高回报的代价是更高的波动性。动态风险下的平均和中位数回撤大于固定风险下的回撤，动态风险下的最大回撤达到约 75% ，而固定风险模型在某些情况下出现了账户完全爆仓 — 回撤超过 114%，反映出账户余额为负。 

数据显示，在不利条件下，动态风险规模（当前余额的 1%）比固定风险（初始余额的 1%）具有明显的生存优势。

• 2% 风险水平

图 8

表3：蒙特卡洛模拟结果，系统胜率为 30%，盈亏比为 2.6，风险为 2%。

度量指标	动态（当前余额的 2%）	固定金额（初始余额的 2%）
平均最终余额	$4,418.38	$2,557.23
中位数最终余额	$2,705.11	$2,528.00
最低最终余额	$83.85	$-1,000.00
最高最终余额	$46,107.53	$5,408.00
平均回撤	$2,387.05	$797.95
中位数回撤	$1,613.94	$726.00
最大回撤	$22,972.93	$2,556.00
平均最大回撤百分比	57.14%	47.67%
最大回撤中位数 (%)	55.95%	41.85%
最大回撤百分比	94.87%	212.80%

关键见解：

对于 2% 的风险，该系统再次反映了正预期，但波动性增加，动态结果与固定结果之间的差异也增大。动态风险下的平均最终余额为 4,418.38 美元，明显高于固定风险下的 2,557.23 美元。然而，动态风险下的最终余额中位数高于固定风险，这表明与固定风险相比，净值曲线并不稳定。

在一些模拟中，动态风险导致账户最大增长超过初始余额的 46 倍，而固定风险则限制在 5.4 倍左右。这表明，当条件有利时，动态风险具有巨大的上涨潜力。

但不利的一面是，资金回撤明显更加严重。平均/中位数回撤分别徘徊在 57%/56% 左右。动态风险的一些模拟结果显示，最大回撤接近 95%，而固定风险的回撤为 213% — 这表明，在极端情况下，不仅会损失全部资本，债务层面的风险敞口也会很大。如果没有严格的控制机制，这种程度的波动对大多数交易者来说，在情感上和经济上都是难以承受的。

• 5% 风险水平

图 9

表4：蒙特卡洛模拟结果，系统胜率为 30%，盈亏比为 2.6，风险率为 5%。

度量指标	动态（当前余额的 5%）	固定金额（初始余额的 5%）
平均最终余额	$25,741.66	$4,893.08
中位数最终余额	$1,797.64	$4,820.00
最低最终余额	$0.37	$-4,000.00
最高最终余额	$1,857,357.21	$12,020.00
平均回撤	$41,836.96	$1,994.88
中位数回撤	$5,488.64	$1,815.00
最大回撤	$4,836,685.44	$6,390.00
平均最大回撤百分比	90.30%	88.15%
最大回撤中位数 (%)	92.07%	72.69%
最大回撤百分比	99.99%	532.00%

关键见解：

在 5% 的风险下，模拟结果显示出极端的风险回报不对称性。动态风险下的平均最终余额为令人印象深刻的 25,741.66 美元，而固定风险下的平均最终余额为 4,893.08 美元。然而，动态风险下的最终余额中位数仅为 1,797.64 美元，这表明大多数模拟都亏损或勉强维持，尽管较高的平均值被少数异常值拉高。固定风险的中位数与最终余额的平均值大致相同，这表明投资回报更具可预测性和一致性，尽管不一定是高回报。

在某些情况下，动态风险达到了惊人的最高最终余额，超过初始资本的 1,857 倍，反映了罕见但强大的复利效应。固定风险峰值约为 12 倍。然而，这种收益也伴随着巨大的损失 — 动态风险的中位数回撤超过 92%，最大回撤接近 99.99%，几乎是完全损失。

在固定风险情况下，某些情况下，最大回撤飙升至 532%，再次表明在最坏情况下账户资金可能完全亏损。虽然潜在回报巨大，但风险也同样巨大 — 这凸显了为什么即使预期收益在数学上是正的，5% 的仓位规模对于这类系统来说通常也被认为是鲁莽的。

30% 胜率，RRR=2.6 系统的推荐风险等级

简而言之，对于胜率为 30%，盈亏比为 2.6 的交易系统，模拟结果表明，将当前账户余额的 1% 到 2% 用于交易是最平衡和可持续的方法。该价格区间在有利的交易日可带来良好的回报潜力，同时将平均和中位数回撤保持在 60% 以下，从而维持资本生存能力。

另一方面，投入初始余额的 1% 到 5% 作为风险，可以提供更稳定、更可预测的结果 — 这对追求稳定性的交易者来说尤其有用。然而，该方法在长期回撤期间仍易导致账户全损，尤其是在风险水平较高时。

通常情况下，通常应避免在任何模型（固定或动态风险）上冒 5% 的风险，除非交易者完全了解风险并愿意承担相应的风险。把这个账户当作一场高风险的赌博。虽然收益可能非常惊人，但爆仓的概率也极高。在这种情况下，交易者必须在心理上和经济上做好接受任何结果的准备，包括全部本金损失。

系统 2：胜率 = 65%，RRR = 0.9

图 10 至 12 展示了在 1%、2% 和 5% 风险水平下执行的交易的净值曲线。 下表总结了 500 次蒙特卡洛模拟的汇总结果，每次模拟在指定的风险参数下运行 1,000 次交易。这一广泛的模拟框架确保了统计上的稳健分析，为在受控风险条件下评估系统性能提供了宝贵的见解。

• 1% 风险水平

图 10

表5：蒙特卡洛模拟结果，系统胜率为 65%，盈亏比为 0.9，风险为 1%。

度量指标	动态（当前余额的 1%）	固定金额（初始余额的 1%）
平均最终余额	$10,408.50	$3,348.14
中位数最终余额	$9,941.86	$3,340.50
最低最终余额	$3,879.52	$2,400.00
最高最终余额	$20,668.22	$4,072.00
平均回撤	$571.54	$92.96
中位数回撤	$534.55	$88.00
最大回撤	$1,567.38	$208.00
平均最大回撤百分比	8.98%	5.65%
最大回撤中位数 (%)	8.61%	5.37%
最大回撤百分比	18.99%	16.07%

关键见解：

在 1% 的风险下，模拟结果显示动态风险模型呈指数增长，而固定风险模型则呈现线性稳定增长。动态风险的平均最终余额达到初始资本的 10 倍，而固定风险的回报约为 3 倍。两种模型的最终余额中位数都非常接近各自的均值，表明其性能对称，分布偏度较低。

所有模拟运行均未出现完全爆仓的情况，这表明该系统在此风险水平下具有稳健性和可持续性。动态风险的最大回撤约为 19%，而固定风险的最大回撤约为 16%。固定风险模型的平均和中位数回撤百分比较低，表明净值曲线更平滑，波动性更小。

一些动态风险下的模拟结果显示，最终余额最高可达初始资本的 20 倍，而固定风险下的峰值约为 4 倍，这进一步强化了动态仓位规模的复利优势。

• 2% 风险水平

图 11

表 6：蒙特卡洛模拟结果，系统胜率为 65%，盈亏比为 0.9，风险为 2%。

度量指标	动态（当前余额的 2%）	固定金额（初始余额的 2%）
平均最终余额	$107,088.02	$5,696.28
中位数最终余额	$90,573.24	$5,681.00
最低最终余额	$13,775.17	$3,800.00
最高最终余额	$391,748.08	$7,144.00
平均回撤	$9,787.36	$185.92
中位数回撤	$8,491.57	$176.00
最大回撤	$39,558.61	$416.00
平均最大回撤百分比	17.33%	9.48%
最大回撤中位数 (%)	16.71%	8.79%
最大回撤百分比	34.71%	31.14%

关键见解：

风险为 2% 时，动态风险显示出显著的增长潜力，平均最终余额超过 107,000 美元 — 是初始资本的 107 倍。中位数余额约为 90,573 美元，也证实了强劲、持续的增长。与此同时，固定风险的平均最终余额为 5,696 美元，几乎是初始资本的 6 倍，中位数也与之非常接近，表明结果具有一致性和可预测性。

动态风险下的最高最终余额飙升至超过 391,000 美元，而固定风险下的最高余额仅为 7,144 美元。这凸显了在长期连胜期间动态风险的巨大上涨潜力。

不利的一面是，动态风险下的最大回撤上升至 34.71%，而固定风险则相对控制在 31.14%。平均和中位数回撤百分比也遵循这一模式 — 动态风险较高，反映出波动性敞口更大，而固定风险则保持更稳定，但回报较低。

• 5% 风险水平

图 12

表7：蒙特卡洛模拟结果，系统胜率为 65%，盈亏比为 0.9，风险为 5%。

度量指标	动态（当前余额的 5%）	固定金额（初始余额的 5%）
平均最终余额	$106,016,246.65	$12,740.69
中位数最终余额	$40,611,334.02	$12,702.50
最低最终余额	$362,423.53	$8,000.00
最高最终余额	$1,591,375,537.03	$16,360.00
平均回撤	$18,402,293.20	$464.79
中位数回撤	$7,730,838.44	$440.00
最大回撤	$268,258,572.26	$1,040.00
平均最大回撤百分比	38.94%	18.20%
最大回撤中位数 (%)	38.28%	16.16%
最大回撤百分比	66.90%	71.24%

关键见解：

5% 的风险下，动态风险变成了一台高风险的复利机器，最终平均余额高达 1.06 亿美元，中位数为 4000 万美元。单次模拟中最高余额达到 15.9 亿美元，这表明在强大的系统下，复利可以产生非凡的结果。

然而，这种爆炸式增长伴随着极大的波动性。平均回撤超过1800 万美元，最大回撤超过 2.68 亿美元，回撤百分比在 38% 到 67% 之间 — 对于大多数没有严格纪律和风险缓冲的交易者来说，这样的水平在情感上和经济上都是无法承受的。

相比之下，固定风险则得到了更好的控制。平均和中位数最终余额约为12,700 美元，最高余额达到16,360 美元 — 大约是初始资本的 16 倍。虽然相对温和，但这种方法提供了更高的稳定性，最大​​回撤限制在 71% ，并且波动水平更符合实际，有利于长期可持续性。

系统 3 的推荐风险水平（胜率 65%，RRR = 0.9）

根据模拟数据，当前余额风险在 1% 到 2% 之间能实现增长和资本保护之间的最佳平衡。动态风险可以通过复利带来更大的收益，而固定风险则提供更平稳、更可预测的回报曲线。

在风险为 5% 的情况下，动态调整仓位可以带来超乎寻常的收益，但回撤幅度如此之大，以至于除非交易者完全准备好接受极端的波动性和账户波动，否则并不适合大多数交易者。5% 的固定风险表现尚可，但收益空间有限。

实际上，建议该系统采用 1% 至 2% 的动态风险，尤其适合那些希望保住资本并稳步增长，而又不想承受难以承受的情绪和财务波动的交易者。

对于一些交易者来说，由于该系统的平均和中位数回撤百分比较低，以及平均最终回报约为初始净值的12 倍，因此以初始余额的 5% 为风险可能是该系统的首选策略，这既令人印象深刻，又在统计上更可预测。虽然最大回撤达到 71% 的可能性仍然存在，但在模拟中，这被认为是一个低概率事件 — 因此，对于能够承受适度风险以换取稳定增长潜力的交易者来说，这种方法是可以接受的。

系统 3：胜率 = 83%，RRR = 0.3

该系统代表了一种高概率、低回报的模型，常用于剥头皮交易策略或频繁小额盈利的系统。

图 13 至 15 描绘了风险水平分别为 1%、2% 和 5% 的交易的净值曲线。 下表总结了 500 次蒙特卡洛模拟的汇总结果，每次模拟在指定的风险参数下运行 1,000 次交易。 通过广泛的模拟框架，该分析实现了统计稳健性，为在精心管理的风险条件下系统性能提供了重要的见解。

•  1% 风险水平

图 13

表8：蒙特卡洛模拟结果，系统胜率为 83%，盈亏比为 0.3，风险为 1%。

度量指标	动态（当前余额的 1%）	固定金额（初始余额的 1%）
平均最终余额	$2,202.86	$1,790.73
中位数最终余额	$2,176.49	$1,790.00
最低最终余额	$1,452.51	$1,387.00
最高最终余额	$3,391.51	$2,232.00
平均回撤	$118.36	$72.50
中位数回撤	$112.90	$68.00
最大回撤	$256.29	$143.00
平均最大回撤百分比	7.07%	5.50%
最大回撤中位数 (%)	6.71%	5.10%
最大回撤百分比	13.55%	11.60%

关键见解

在 1% 的风险水平下，两种模型均显示出适度但持续的增长。动态风险下的平均最终余额为2,202.86 美元，约为初始净值的 2.2 倍；而固定风险下的最终余额为1,790.73 美元，约为初始净值的 1.8 倍。最终余额中位数非常接近各自的均值，表明结果分布紧密，波动性较低。

重要的是，所有模拟均未出现账户爆仓的情况，并且该系统在统计上被证明是稳定的。动态风险的最大回撤仅为 13.55% ，而固定风险的回撤甚至更低，为 11.60% 。固定风险模型的平均和中位数回撤百分比也较小，进一步证实了其更平滑的净值曲线。

在一些模拟中，动态风险的最大余额达到了初始净值的 3.4 倍，而固定风险的最大余额为 2.2 倍，这表明该高胜率系统的收益有限但稳定。

•  2% 风险水平

图 14 

表 9：蒙特卡洛模拟结果，系统胜率为 83%，盈亏比为 0.3，风险为 2%。

度量指标	动态（当前余额的 2%）	固定金额（初始余额的 2%）
平均最终余额	$4,842.45	$2,581.46
中位数最终余额	$4,621.22	$2,580.00
最低最终余额	$2,052.24	$1,774.00
最高最终余额	$11,256.45	$3,464.00
平均回撤	$443.14	$144.99
中位数回撤	$407.10	$136.00
最大回撤	$1,214.00	$286.00
平均最大回撤百分比	13.77%	9.42%
最大回撤中位数 (%)	13.13%	8.63%
最大回撤百分比	25.67%	21.47%

关键见解：

在 2% 的风险水平下，动态模型和固定模型之间的性能差异变得更加明显。动态风险下的平均最终余额为 4,842.45 美元（几乎是初始资本的 5 倍），而固定风险下的平均最终余额为 2,581.46 美元（2.6 倍） 。最终余额的中位数与平均值非常接近，表明模拟结果具有可预测性和一致性。

动态风险下的最高最终余额达到 11,256.45 美元，表明几次强劲的连胜可以带来可观的增长，而固定风险的峰值为 3,464 美元。然而，最大回撤也随之增加，动态风险达到 25.67% ，而固定风险则保持在较低的 21.47% 。

这种情况反映了一种适中的风险回报特征，其中动态风险下的复利效应可以提高收益，而固定风险则提供了较低的波动性，但上涨空间有限。

•  5% 风险水平

图15 

表10：蒙特卡洛模拟结果，系统胜率为 83%，盈亏比为 0.3，风险为 5%。

度量指标	动态（当前余额的 1%）	固定金额（初始余额的 1%）
平均最终余额	$50,642.20	$4,953.64
中位数最终余额	$38,003.88	$4,950.00
最低最终余额	$4,884.41	$2,935.00
最高最终余额	$360,637.45	$7,160.00
平均回撤	$9,127.86	$362.48
中位数回撤	$7,201.27	$340.00
最大回撤	$62,063.85	$715.00
平均最大回撤百分比	31.82%	18.15%
最大回撤中位数 (%)	30.97%	16.25%
最大回撤百分比	54.29%	49.28%

关键见解：

在 5% 的风险下，该系统的潜力在动态风险下爆发，最终平均余额超过 50,000 美元（初始资本的 50 倍） ，中位数为 38,003 美元，表明其强烈倾向于盈利结果。最终最高余额达到了惊人的 360,637 美元，证实了该系统能够将小额收益累积成巨额回报。

然而，这样做的代价是高波动性 — 平均回撤超过 9,000 美元，最大回撤超过 62,000 美元。平均回撤百分比接近 32% ，最坏情况达到 54.29% ，这对于资金雄厚的交易者来说或许还能承受，但可能会考验他们的心理承受能力。

对于固定风险而言，其表现更为可控。平均最终余额为 4,953.64 美元（约 5 倍本金） ，最高为 7,160 美元。与动态策略相比，回撤幅度明显较小，中位最大回撤约为 16% ，最大回撤上限为 49.28%。

系统 5 的推荐风险水平（胜率 83%，RRR = 0.3）

对于一个胜率如此之高、盈亏比如此之低的系统，模拟结果表明，它在统计上是稳定且具有弹性的，尤其是在保守风险下。

• 对于大多数交易者来说，当前余额的 1% 到 2% 的风险是最佳的 — 它兼顾了稳定性、增长和可控的回撤。
• 动态风险通过复利效应提高收益，但会带来略高的回撤。
• 固定风险可以产生更可预测的净值曲线，适合优先考虑低波动性的交易者。

动态风险策略在 5% 的风险下可带来非凡的收益，但需要强大的心理素质来承受 30% 至 50% 的回撤。5%的固定风险可带来可预测的 5 倍回报，最大回撤低于 50%，因此对寻求稳定收益而不想承受剧烈波动的交易者来说很有吸引力。

对于一些交易者来说，考虑到该系统的平均和中位数回撤百分比较低，以及可预测的约 5 倍初始资本的回报潜力，冒着初始余额 5% 的风险可能是该系统的首选方法。尽管最坏情况下的回撤达到了 49.28% ，但这在模拟中是一个统计上罕见的结果，对于能够承受中等风险的交易者来说，这是可以接受的。

对于另一些投资者而言，承担当前余额 5% 的风险（动态模型）可能更具吸引力，因为它具有非凡的回报潜力，平均最终余额超过初始净值的 50 倍，中位数为初始净值的 38 倍。尽管风险规模设定得非常激进，但该系统表现出适度的回撤行为，平均回撤和中位数回撤约为 32%，最大回撤为 54.29%。虽然这种波动性很大，但对于在情感和经济上都做好准备，能够应对高复利、高波动性策略的经验丰富的交易者来说，它仍在可接受的范围内。

对于该系统而言，突破传统的 2% 规则承担风险是实现交易目标的可行途径，但这需要一个强大而可靠的交易系统来帮助你度过亏损期并达到目标。

代码用法

要评估其他结果，请修改以下部分中的参数值。这样可以在不同的条件下进行灵活的测试，同时保持基本的分析框架。

# Parameters
win_rate = 0.83
rrr = 0.3
num_trades = 1000
initial_balance = 1000
risk_percent = 0.05  # %

np.random.seed(42)

#The use of a predefined seed (e.g., 42) enables result reproducibility. 
#Users may change this value/deactivate the seeding logic by commenting out the relevant code block.

结论

在本文中，我们应用蒙特卡洛模拟来客观地量化连续亏损的影响，并探讨它们如何与不同的胜率系统和仓位规模策略相互作用。结果表明，胜率较低的交易系统往往会经历更长的连续亏损期，而胜率较高的系统则会经历更短且更少的连续亏损期。

然而，尽管低胜率系统会带来心理上的挑战，但那些具有正期望值（即足够高的回报风险比）的系统，在面临相同风险水平时，可以带来更高的回报。这进一步说明，单凭胜率并不能决定盈利能力 — 预期收益和风险管理同样重要。

我们的分析还表明，回撤的严重程度直接受到连续亏损时长和每次交易风险水平的影响。当然，风险越高，潜在损失就越大 — 但潜在回报也越大，尤其是对于具有数学优势的系统而言。

虽然传统的 1%-2% 风险规则仍然是一个可靠的基础，但我们的研究结果表明，拥有稳健且经过验证的系统的交易者可以有理由突破 2% 的门槛。例如，胜率为 83%，RRR = 0.3 的系统即使在 5% 的风险下也表现出稳定的回撤，尤其是在固定风险模型下。事实上，如果这样的系统具有稍好的 RRR（例如 0.5），那么承担超过 2% 的风险可能更加可行 — 尽管这应该使用模拟工具进行彻底测试。

总体而言，我们的模拟结果始终表明，动态风险（基于当前余额）在长期收益方面优于固定风险。然而，在某些情况下，固定风险模型提供了更稳定和可预测的结果 — 例如，在胜率为 65%、RRR = 0.9 的系统中，5% 的风险设置。

这就引出了一个更广泛的问题： 我们能否设定具体的交易目标，并使用完善的交易系统可靠地实现这些目标？

我们认为，这才是成功交易的核心 — 将策略转化为目标结果。在下一篇文章中，我们将进一步探讨这一概念，并演示交易者如何使用模拟支持的策略来设定和追求现实的盈利目标。