交易系统中的蒙特卡洛模拟

你的回测只跑出了一条资金曲线。蒙特卡洛能告诉你，原本可能经历的几百条等概率曲线长什么样。

为什么单一回测会骗人

回测是按时间顺序跑出来的一串交易。顺序很关键：同一批交易换个排列方式，回撤能差出一倍，心理压力也完全不是一回事。你回测里看到的 15% 回撤，把同样的交易重新排个序，可能就变成 30%——期望值没变，能不能活下来完全是两个故事。

蒙特卡洛模拟（Monte Carlo Simulation，MCS）就是解决这个问题的：把交易列表重采样几千次，构建一个结果分布出来。

两种主流做法

1. 交易重采样（shuffle）

把回测出的交易拿出来，随机打乱顺序，算出对应的资金曲线。重复 1000 到 10000 次。

能看出什么：在历史胜率/亏损分布给定的情况下，可能出现的回撤和最终资金的分布。连亏这种事任何顺序都可能撞上——MCS 告诉你每种场景发生的概率。

2. 有放回重采样（bootstrap）

有放回地随机抽样，构造任意长度的新序列。这不仅能估回撤，还能估破产概率（probability of ruin）——一串亏损把账户打光的概率。

能看出什么：系统对历史样本里没出现过的极端连亏的抗压能力。

蒙特卡洛报告都给什么

一份典型的 MCS 输出包括：

一个具体例子

回测交易：200 笔，期望值 +0.3R，最大回撤 12R。

跑 1000 次蒙特卡洛 shuffle：

• 中位数最大回撤：14R
• 95 分位：22R
• 99 分位：28R

回测给你看的是 12R；MCS 说有 5% 的概率会撞上 22R 回撤。如果你的账户只能扛 20R，那这个系统虽然期望值为正，还是太危险。

在仓位管理里怎么用

MCS 直接喂给仓位决策。假设 99 分位回撤是 28R，你想把最坏回撤压在账户的 25% 以内：

单笔风险 = 25% / 28 = 每笔约 0.9%

把仓位调小，让自己待在最坏包络线以内。这比满大街"每笔 1%"的经验法则严谨多了。

破产概率

先把破产定义清楚（比如回撤 50%）。MCS 估算有多少比例的序列会撞到这个阈值。破产概率超过 5% 已经不太舒服；超过 10% 不可接受。

账户必须扛住 N 笔连续亏损。
每笔 1% 风险：破产需要连亏 50 笔。
每笔 5% 风险：破产需要连亏 10 笔。
MCS 揭示 10 连亏实际多久出现一次。

常用工具

• TradesViz、QuantAnalyzer：自带 MCS 模块
• Python：用 numpy.random.choice 几行搞定
• Excel：用 RAND() 打乱交易再重算
• NinjaTrader / MultiCharts：有 MCS 插件

一段 30 行的 Python 脚本就能把 CSV 里的交易结果打乱，几秒跑出完整分布。

MCS 的局限

• 假设交易独立：实际交易会扎堆（同一市场状态下亏损集中来）
• 分布固定：未来的交易分布可能跟过去不一样
• 不建模状态切换：默认未来像过去
• 假设回测本身无偏：垃圾进，垃圾出

想要更贴近现实，用 block bootstrap——按块打乱连续交易，保留短期相关性。

常见错误

• 把中位数回撤当最坏情况（要看 95 分位）
• 样本太少就跑 MCS（至少 200 笔才稳）
• 用绝对金额而不是 R 倍数（会掩盖仓位变化）
• 忘了算成本（滑点波动）
• 只报中位数最终资金（下行尾部才要命）

结果怎么读

稳健的系统长这样：

• 中位数最大回撤接近或低于回测值
• 95 分位回撤不超过回测值的 2 倍
• 破产概率低于 1–2%
• 中位数最终资金为正，下行尾部有限

脆弱的系统长这样：

• 95 分位回撤是回测值的 3–5 倍
• 破产概率不低
• 最终资金分布很宽——运气压过技术

实操流程

1. 在回测里跑出 200+ 笔交易（先修掉各种偏差）
2. 导出交易列表（R 倍数）
3. 跑 1000+ 次蒙特卡洛 shuffle
4. 把 95 分位回撤当你的规划数
5. 设仓位让 99 分位回撤低于破产阈值
6. 实盘交易累积后每季度重跑一次

一句话经验法则

如果你的系统 MCS 跑出来 95 分位回撤超过回测回撤的 2.5 倍，说明系统比你以为的更靠运气——要么加样本，要么简化规则。

下一篇：再稳健的回测，上实盘前也得先过 forward demo testing 这一关。