量化交易的5个核心概念：你不会编程也能懂
依瓦AI · 量化第一课 | Day 8
今天是第二周了。 第一周我们聊了聊量化是什么、亲手用AI生成过一个策略、拆过均线金叉的坑、读过量化60年史、看过2008年策略回测、思考过概率思维。一周下来，你大概已经对量化有了个模糊但靠谱的轮廓。
今天我们要把轮廓描清楚。
我要讲5个概念。它们是量化交易的骨架——搞懂这5个词，你就能跟人聊量化、看懂策略报告、理解后面每一篇文章在说什么。 全程不出现一行代码。你不需要懂Python，懂中文就行。
先说一句：上周Day 6我们聊过「赌场老板为什么永远赚钱」，那里让你感觉到了「胜率高不等于赚钱」。今天我们把这个感觉翻译成计算公式——这就是量化交易的通用语言。
概念一：策略（Strategy）
先说最简单的。
策略 = 一组买卖规则。
举例你就懂了：
「每周五收盘买入沪深300ETF，下周四收盘卖出。」
这是一个策略。它包含了两个核心信息：什么时候买（周五收盘）、什么时候卖（下周四收盘）。没有感觉判断空间，没有「差不多」。规则就是规则。
你可能会想：这也太简单了，这也叫量化？ 对，这叫量化。 量化不追求复杂，追求的是清晰。复杂的策略可能是好策略，但好策略不一定要复杂。老林做交易十几年，见过的最有效的几个策略，核心逻辑三句话就能说完。复杂的通常是包装，简单的才是本质。
生活里到处都是策略思维：
- 你妈买菜：「早市8点前去最便宜」→ 买入规则
- 你双11抢货：「满300减50再叠加店铺券」→ 规则叠加
- 你上班出门：「7:30之前上高架不堵」→ 择时策略
把这些生活规则搬到股市里，用历史数据验证一下效果，就是量化交易。
概念二：回测（Backtest）
回测 = 把策略放到历史数据里跑一遍，看看效果。
这是量化交易最核心的工序——也是在我看来，量化相对主观交易最核心的优势所在。
主观交易者怎么验证想法？「我觉得金叉买入挺靠谱的，过去好像也挺准的」。这种验证叫印象，不是验证。
回测干的事：把你「觉得」的部分，用5年、10年、20年的真实行情数据跑一遍。跑完后：
- 赚了多少？（年化收益率）
- 亏最惨的时候有多惨？（最大回撤）
- 赚钱的次数占比多少？（胜率）
- 扛一单位风险能换来多少收益？（夏普比率）
⚠️ 数据不会照顾你的面子。你觉得靠谱的策略，回测可能会冷冷地告诉你：过去10年亏了30%。
这恰恰是回测最宝贵的价值——在你亏真钱之前，先用历史数据把你的策略打一顿。 打完之后还站得住，才算及格。
但有一个坑我必须提前告诉你：回测漂亮 ≠ 未来能赚。 千万不要看到一个漂亮的回测曲线就急着上实盘。这个话题后面有整篇长文来讲，先记住结论：回测是必要不充分条件。
概念三：胜率（Win Rate）
胜率 = 盈利交易次数 ÷ 总交易次数 × 100%。
这个概念最容易产生误解。大多数人天然觉得：胜率越高越好。70%胜率肯定比40%强啊。 不一定。
上周Day 6我们聊过赌场老板的思维：赢面51%，但长期必赚。今天我们把这个感觉算出来。
举个散户最常见的误区：
「我喜欢抓涨停板，抓10次能中7次！」
听起来胜率很高对吧？但算一下：
- 抓涨停7次：每次赚3%（没封死，次日高开就跑）
- 抓失败3次：每次亏10%（追高被套，割肉出局）
10次下来：
7 × 3% - 3 × 10% = 21% - 30% = -9%
胜率70%，结果还是亏钱。 为什么？因为盈亏比太低（赚3%亏10%，盈亏比只有0.3）。
这个思维至关重要。很多交易者亏损的根源就是：盯着胜率做决策，忽略了盈亏比。
好的量化策略不追求「每次都赚」，追求的是「长期必然赚」——这背后靠的就是正期望值+大样本。
看到没？上周Day 6让你感觉到了胜率陷阱，今天教你计算它。这就是量化的价值：把模糊的感觉变成精确的数字。
概念四：盈亏比（Profit-Loss Ratio）
盈亏比 = 平均单笔盈利 ÷ 平均单笔亏损。
刚才说了，这是比胜率更重要的指标。来看两个极端案例，你感受一下：
| 策略类型 | 胜率 | 盈亏比 | 实际感受 |
|---|---|---|---|
| 「蚂蚁搬家」型 | 85% | 0.5 | 经常赚小钱，但一次亏就伤筋动骨 |
| 「三年不开张」型 | 30% | 5.0 | 经常止损，但只要抓到一次就吃饱 |
| 「均衡型」 | 50% | 2.0 | 五五开胜率，但赚多亏少 |
大部分散户喜欢的其实是第一种：胜率高，成就感满。但长期来看，第一种未必赚钱。 好的策略，追求的不是高胜率，而是正的期望值。
期望值的公式很简单：
期望值 = 胜率 × 平均盈利 - (1-胜率) × 平均亏损
只要期望值是正数，长期大量交易下来你就能赚钱。 而好的量化策略，要的就是把你死死按在这条 「正期望值」 的轨道上。
概念五：最大回撤（Max Drawdown）
最大回撤 = 策略历史上从最高点到最低点的最大跌幅。
这个指标我甚至想把它放到第一位来讲。因为它决定了你能不能真的把策略用下去。
我讲一个我的亲身经历。 2018年我跑过一个趋势跟踪策略。回测数据漂亮极了：年化25%，夏普1.8。我信心满满上了实盘。结果前两个月就遇到了震荡市，策略连着止损了12次，账户从高点回撤了18%。
我当时的内心：
- 这是不是回测过拟合了？
- 是不是市场变了？
- 要不要手动干预？
——我差点就关了策略。后来复盘才发现，这个策略历史上最大回撤本身就是22%，我遭遇的18%完全在合理范围。策略没毛病，是我的心理承受力没跟上。
这就是最大回撤的意义：它不是告诉你策略有多危险，而是告诉你你自己能不能扛得住。
有个粗暴的判断标准：
- 最大回撤10%：大多数人能接受 <br>- 最大回撤20%：开始心态不稳 <br>- 最大回撤30%：没有纪律性，大概率中途放弃 <br>- 最大回撤50%：没有机构级别的心理素质，别碰
选策略，先看最大回撤，再考虑收益率。 一个你中途会放弃的策略，收益率再高也跟你没关系。
一个邀请：用这5个词重新看上周的文章
如果你上周看完7篇觉得「好像懂了又好像没懂」，今天我建议你重翻一遍：
- Day 3 拆均线策略 → 看它的胜率和盈亏比
- Day 5 2008年回测 → 看那个策略的最大回撤
- Day 6 概率思维 → 那是正期望值的底层逻辑
你会发现，这5个概念就是贯穿所有量化讨论的通用语言。学会了它们，后面所有文章你都有了「抓手」——不管讲什么策略、分析什么案例，你都能用这5个维度去理解。
这不叫学习，这叫 「打底」。
每篇额外的思考题
今天的题目不复杂：
你过去交易中最赚钱那次，和亏最多那次，假设把它们写成策略——你有算过它们的胜率和盈亏比吗？
如果有，你多半已经在量化思维的路上了。 如果没有，没关系，我们明天开始就一起练。
明天见。周二，我教你在依瓦AI里做一个比普通定投更聪明的 「懒人定投Plus」。
老林 依瓦AI创始人 | 把模糊的感觉，变成清晰的答案