《量化交易之门》连载22:加仓VS不加仓

有一种说法:“有利润的时候加仓,才是正确的操作方法”。很多人在构建交易系统的时候,多多少少都会遇到是否要加仓的这个问题,自然我也不例外,但现在这个问题已经不再困扰我了,因为我已经了解了加仓与否的关系。

 

任何策略都有一个共性,那就是有适合自身的行情配合才能赚到钱,在行情不适合自身的情况下会亏损。而一个策略构建师的目标,就是要尽可能构建出的策略能大部分的适合市场环境,并且在适合的行情下尽量的多赚钱,同时要尽可能的在不适合策略的行情中少亏钱。

 

举个例子,一个中长期的趋势策略,可以把握住一波中长期趋势,因为它的止损止盈参数设置得比较大,所以在有小的波段行情的时候,可能会打平甚至亏损。也就是说,如果你设计了一个中长期的趋势策略,你就是希望市场出现中长期趋势,而你必须要放弃小的波段;而如果你设计了一个小的波段追踪系统,那么中长期的表现就会不那么理想。有所取舍,这就是交易的本质。

 

策略参数的大小和是否顺势加仓,其实和上面所描述的问题本质上是一回事。

 

你可以这样理解:顺势加仓,其实是更进一步的增加了大趋势的收益,或者说更进一步的放弃了中小波段的利润,因为加仓会提高持仓成本。

 

举个例子,假设有一只个股,我们暂且称其为AA科技,假设这只个股从10元上涨到13元,又下跌回10元。

 

策略一是一个短线策略,该策略是以MA5作为卖出条件的,该策略在10元买入,上涨到13后,MA5参数较小,也非常敏感,然后该股票在下跌到12元的时候,触及到MA5,止盈离场,利润2元。

 

策略二是一个长线策略,该策略是以MA20作为卖出条件的,该策略在10元买入,MA20参数较大,行动迟缓,该股票上涨到13后,最终在11元止盈离场,利润1元。

 

策略三是一个加仓的长线策略,该策略同样以MA20作为卖出条件,该策略在10元买入1/2,11元买入1/2,12元买入1/2,成本就是11元,同样在11元止盈离场,利润为0元。

 

从以上例子中,我们可以假设出如果AA科技不是一个小波段而是一个大的翻倍行情,我相信你可以很轻松的预见每种策略的表现。其实通过这种简单的比较,你能发现加仓策略就是进一步把长期趋势的效果扩大,牺牲的是小的波段行情。

 

典型的加仓策略——海龟交易法则的资金曲线可以长达2年不创新高,就是因为海龟交易法则追踪的是长线周期,市场中长达两年没有大的趋势行情是很正常的情况,两年资金不创新高,意味着两年资金都在回撤,这严重的影响一个人的执行力和信心,如果是管理的客户的资产,投资人恐怕全部用脚投票了,当然,如果你能坚持的执行下来,并控制好仓位别被淘汰,最终你的回报也将是极其惊人的,一波大的趋势来临的时候,你恐怕比别人多赚几倍的利润。所以,如果你可以承受这么长时间的资金不创新高,你就可以采用长周期加仓的策略,反之,你需要随时看到资金创新高,你就该选择周期较短且不加仓的策略。

 

所以说,“加仓是一种正确的做法”,这种说法完全就是无稽之谈,你看了上面的例子之后,你应该明白是否赢利加仓没有一个标准答案,取决于你要去追求哪种周期的利润。

 

另外,我可以分享我的经验,我个人认为在做了参数最优化之后,是没有必要去加仓的。我这个建议是基于风险收益比的角度提出的,加仓策略虽然在一波大的趋势行情下比较有诱惑力,但是其实是没有原始参数的收益/风险比高的。得到这个结论很简单,你把你的加仓点位量化,然后作为一个新策略回测一遍,就很清楚的知道该策略的表现,通常加仓的点位作为一个新策略来单独运行的话,收益/风险比会变低(不仅仅是收益变低哦)。

 

如果单纯的从风险的角度来讲,加仓策略表现也不好,因为加仓策略相当于增加了额外两个参数:怎么加仓,加几次仓。如果某个策略增加了更多的参数,往往更加难以把握和不稳定,不稳定的表现在于历史的最大回撤容易被轻易超过,出现某些极端情况下的亏损将进一步放大。从之前AA科技股票的策略三中你可以看到,加仓策略的大周期额外收益无非也是建立在更重的仓位上的(或同等仓位下更小的收益/风险,但是要拿到超额利润,必须要增加仓位),更重的仓位就会让你对风险变得难以控制。

 

那么在哪种情况下适合加仓呢?如果你在股票市场中经常选择到强势股,那么你可以加仓操作,但是前提是要你要具备很强的选股能力。因为加仓从本质上是对长周期趋势利润再放大,那么如果你选股能力较强的话,加仓操作可以极大的强化这个过程。如果你的选股能力一般甚至无法跑赢大盘,那么设计一个不加仓的策略参与指数投资是一个最好的选择。

 

相关推荐:

[ 文章 ] 《量化交易之门》连载23:正向的预期=胜率*盈亏比

免责声明:信息仅供参考,不构成投资及交易建议。投资者据此操作,风险自担。
如果觉得文章对你有用,请随意赞赏收藏
209982340 1人赞赏收藏
相关推荐
相关下载
登录后评论
Copyright © 2019 宽客在线