一套量化策略写得多复杂，并不能直接说明它是否值得交易。
均线、RSI、机器学习模型，甚至更复杂的 Agent，最终都会落到几个非常朴素的问题：
有多大概率赚钱？赚的时候能赚多少？这样的机会多久出现一次？每次承担多大风险？
对应到策略运行，就是四个最值得持续监控的维度：
胜率、盈亏比、交易频率和仓位。
它们并不能描述交易系统的全部风险，但非常适合回答一个实际问题：
一套策略的统计优势，究竟是怎样转化成最终收益和回撤的？
本文结合加密货币市场和 FMZ 策略实现，重点讨论这四个维度如何联动，以及怎样把它们变成实盘中的监控和风险约束。
本文仅用于策略研究与程序设计，不构成任何投资建议。
胜率本身没有意义，盈亏比本身也没有意义。真正值得观察的是成本之后的组合期望。
这是四个维度中最容易被错误优化的一组。
很多策略可以通过改变离场方式轻易提高胜率。
比如：
结果往往是：
胜率提高了，但平均盈利下降，平均亏损扩大，尾部损失变得更加危险。
例如：
一笔交易赚 100 USDT，但原计划只承担 50 USDT 风险，那么结果是 +2R。
另一笔赚了 300 USDT，但承担了 500 USDT 风险，实际上只有 +0.6R。
后者赚的钱更多，但前者对风险的利用效率明显更高。
频率并不是简单地统计一天或者一个月交易多少次。
至少应该区分三个概念：
信号频率、订单频率、完整交易频率。
一套策略一个月可能只有 20 次真正的入场机会，却提交、修改和撤销了几千张订单。
这时真正增长的不一定是 Alpha，而可能是：
所以比“交易次数”更重要的是：
每增加一笔交易，是否仍然具有足够的净优势？
假设分钟级策略平均每笔毛优势只有 0.06%，完整开平仓成本已经达到 0.05%。
真正剩下的空间只有 0.01%。
只要实盘成交稍微差一点，正期望就可能消失。
另一方面，交易次数也不能无限减少。
一年只有几笔交易时，即使全部盈利，也很难判断这是长期优势还是某一段行情刚好适合策略。
因此真正值得优化的不是“高频”或“低频”，而是：
在交易成本可以承受的情况下，尽可能获得更多相对独立的正期望机会。
这里的“独立”非常重要。
BTC、ETH、SOL 在同一时间全部出现做多信号，看起来是三次机会，但它们可能只是同一个加密市场风险因子的三种表现。
同时开三笔，并不等于获得了三份独立优势。
所以实盘还应该监控：
仓位是四个维度中真正把“统计优势”转化成账户结果的变量。
正确的计算顺序应该是：
先决定最多允许亏多少，再反推应该买多少。
例如：
如果一套策略原本计划每次最多亏 1R，但实盘不断出现 -1.5R、-2R，首先应该检查的不是信号，而是执行和风险控制。
假设系统同时持有：
每笔计划风险都是账户的 0.5%。
单独看都不大。
但如果它们本质上暴露在同一个市场方向，真正需要考虑的是三笔交易同时止损。
因此仓位管理至少需要三道风险限制：
| 风险层 | 示例 |
|---|---|
| 单笔风险 | ≤ 0.5% |
| 同方向累计风险 | ≤ 1% |
| 全组合计划风险 | ≤ 1.5% |
具体数值并不是重点。
重点是：
不能只限制单笔仓位，而不限制相关仓位叠加之后的组合风险。
四个维度不能分别最大化。
提高止盈目标，可能增加盈亏比，却降低胜率。放宽信号条件，可能增加交易频率，却降低单笔期望。扩大仓位可以放大收益，同样会放大回撤和模型误差。减少止损可能提高短期胜率，却可能把风险转移到少数极端亏损上。
真正需要优化的是：
成本、回撤和执行约束之下，四个维度形成的整体结构。
如果完整策略源码已经存在，文章没有必要再逐个介绍 GetTicker()、GetDepth() 或下单接口。
四维框架真正需要的是一份统一的交易记录。
每次完整平仓后，至少保存：
第一组：交易身份与时间
| 字段 | 含义 | 作用 |
|---|---|---|
symbol |
交易品种，例如 BTC_USDT.swap |
用于分别统计 BTC、ETH 或不同策略品种的表现 |
direction |
交易方向，例如多头 long、空头 short |
判断多空两侧的表现是否存在明显差异 |
entryTime |
实际建立仓位的时间 | 用于分析入场时段、市场环境和交易频率 |
exitTime |
仓位完全退出的时间 | 与入场时间结合计算持仓周期 |
holdingTime |
从实际入场到完全平仓的持续时间 | 判断策略持仓时间是否发生明显变化 |
第二组：开仓时的风险基准
| 字段 | 含义 | 作用 |
|---|---|---|
plannedRisk |
开仓时计划最多承担的风险金额，例如 50 USDT | 作为之后计算 R 倍数和检查风险偏差的基准 |
equityAtEntry |
建仓时账户的总权益 | 用于计算这笔交易实际占用了账户多少风险 |
第三组：真实收益与交易成本
| 字段 | 含义 | 作用 |
|---|---|---|
grossPnl |
不考虑额外费用时，这笔交易产生的交易盈亏 | 用来观察策略信号本身创造了多少毛利润 |
fee |
开仓、平仓以及其他成交产生的手续费 | 判断手续费侵蚀了多少策略优势 |
funding |
永续合约持仓期间实际支付或获得的资金费用 | 对持仓时间较长的永续策略尤其重要 |
netPnl |
扣除相关现金成本后的最终净盈亏 | 用于计算真实胜率、实际盈亏比和最终期望 |
slippage |
理论成交价格与实际成交价格之间的偏差 | 用于衡量执行质量，而不只是信号质量 |
其中滑点最好单独作为执行质量指标保存。
需要特别注意定义：
如果 grossPnl 已经使用真实成交价计算，那么买卖价格偏离理论价格造成的影响实际上已经进入交易盈亏。
此时再把同一笔滑点重复从 netPnl 中扣除，就可能造成双重计算。
因此系统应该明确区分：
现金成本和执行归因成本。
原理其实很简单。
与其重新通过胜率和平均盈亏反推期望，不如直接对每笔已经标准化的 realizedR 求平均。
function average(arr) {
if (!arr || arr.length === 0) {
return 0
}
return arr.reduce((sum, x) => sum + x, 0) / arr.length
}
function calcFourDimensions(trades) {
if (!trades || trades.length === 0) {
return null
}
const rs = trades.map(t => t.realizedR)
const wins = rs.filter(r => r > 0)
const losses = rs.filter(r => r < 0)
const avgWinR = wins.length ? average(wins) : 0
const avgLossR = losses.length ? Math.abs(average(losses)) : 0
return {
count: trades.length,
winRate:
wins.length / trades.length,
payoffRatio:
avgLossR > 0
? avgWinR / avgLossR
: null,
expectancyR:
average(rs),
avgRiskRate:
average(
trades
.filter(t => t.equityAtEntry > 0)
.map(t => t.plannedRisk / t.equityAtEntry)
)
}
}
这里最重要的是：
expectancyR = average(realizedR)
这样保本交易就是 0，不需要人为把所有交易重新划分成“赢”和“输”之后再计算期望。
同时建议维护至少两个滚动窗口，例如：
最近20～30笔
最近100笔
再与历史回测基准比较。
全历史统计只适合回答“这套策略过去总体表现怎样”。
滚动统计才适合回答：
它现在是否还在按照原来的方式工作？
为了观察四个维度，没有必要使用复杂信号。
反而应该尽量让 Alpha 部分保持简单。
例如可以使用这样一个研究策略：
| 项目 | 规则 |
|---|---|
| 市场 | BTC_USDT.swap / ETH_USDT.swap |
| 周期 | 1 小时 |
| 入场 | 已完成 K 线突破此前 20 根 K 线区间 |
| 波动率 | ATR(14) |
| 初始止损 | 2 × ATR |
| 单笔风险 | 账户权益 0.5% |
| 同方向风险 | ≤ 1% |
| 总组合风险 | ≤ 1.5% |
| 离场 | 初始止损、反向突破或追踪止损 |
这个策略本身不是本文要证明的 Alpha。
它只是一个实验载体。
我们真正观察的是：
信号经过仓位、成本和执行之后，四个维度发生了什么变化。
例如：
回测里：
胜率 41%
盈亏比 2.4
月均交易 11
平均风险 0.5%
实盘滚动窗口突然变成：
胜率 34%
盈亏比 1.3
月化频率 27
实际风险 0.8%
这时问题已经不只是“最近运气不好”。
它可能意味着：
假突破增加，使胜率下降；提前离场或趋势缩短，使盈亏比下降；震荡造成重复入场，使频率快速增加；滑点和成交异常，使实际风险超过计划值。这才是“四维体检”真正有价值的地方。
实盘中最容易混淆的是：
策略统计退化和系统执行故障。
两者应该完全不同地处理。
例如：
这种情况通常还有观察空间。
可以先降低风险，让系统继续积累样本。
例如：
这种问题不需要等统计显著性。
应该直接停止新增风险。
因为这已经不是 Alpha 是否有效的问题，而是系统是否还能正确执行的问题。
| 状态 | 典型情况 | 动作 |
|---|---|---|
| 正常/观察 | 单个指标轻微偏离，期望仍为正 | 保持参数，继续观察 |
| 降低风险 | 多个统计指标同步恶化 | 单笔风险减半，降低组合上限 |
| 停止开仓 | 期望持续为负或执行系统异常 | 停止新增仓位并排查 |
这里还有一个原则：
不要因为最近亏损，就立即重新优化参数。
否则很容易把正常的随机波动误判成策略失效，然后不断追逐最近一段行情。
与其堆很多漂亮指标，不如重点检查三个问题。
手续费、滑点、资金费用、买卖价差加入之后，策略是否仍然保持正期望？
如果一加入合理交易成本就失效，那么原来的优势很可能只是理想成交造成的。
把突破周期从 20 改成 18、19、21、22；把 ATR 止损从 2 调整到 1.8 或 2.2；换一段时间；换 BTC、ETH；重新测试。如果只有一个极窄参数组合表现优秀，需要高度警惕过拟合。
小资金实盘阶段真正需要验证的是：
这里的重点不是赚多少钱。
而是确认：
回测中的四维结构，在真实市场里是否仍然存在。
量化交易不是一场“猜价格比赛”。
策略也不需要每次都正确。
真正需要建立的是一条稳定的盈利链：
**有统计优势的信号**
↓
**合理的实际盈亏比**
↓
**足够但不过度的有效交易频率**
↓
**能够承受连续亏损和模型误差的仓位**
胜率告诉我们有多经常赚钱。盈亏比告诉我们一次盈利可以覆盖多少次亏损。频率决定统计优势能否在有限时间里兑现，同时决定成本会不会把优势吃掉。仓位则决定在优势兑现之前，账户能不能活下来。代码只是把这些规则持续执行下去。
真正成熟的量化系统，应该始终知道三件事：
1、这一次最多准备亏多少。
2、长期为什么可能赚钱。
3、什么情况下应该停止继续承担风险。
