一切交易方法的本质：盈利方程式

在一个非对即错、非盈即亏的二元交易世界里，长期多次重复的交易操作，其结果必然表现出各种概率统计特征，这些精确而冰冷的数字深刻地揭示了你的交易特点，精确地反映了你的交易绩效。



这些统计特征大家都耳熟能详，说出来都是老生常谈。它们是：



盈利的唯一标准：总盈利＞总亏损

也即： 总盈利/总亏损 ＞ 1



上式中，盈利单数除以亏损单数，就是胜率P除以（1-胜率P），蓝色部分；平均每单盈利除以平均每单亏损，就是赔率B，绿色部分。

这就是我们所谓的由你交易的胜率P、赔率B共同决定的盈利方程式。

我们再来看一下盈利方程式的理论计算。



我们先固定胜率：

① 如果你平均每100单只能做对10单（胜率0.10），那么你平均每单的盈利额要达亏损额的9倍以上才能最终盈利（赔率9.00）。赔率为9.00时的获利系数为1.00，你不赔不赚。此时的投入资金占比为0.00，意思是不赔不赚的交易你1分钱也不该投入；

② 随着胜率的不断提高，你最终盈利需要的赔率要求不断降低。如果你平均每100单能做对80单（胜率0.80），那么你平均每单的盈利额只要达到亏损额的四分之一以上就能最终盈利（赔率0.25）。

我们再固定赔率：

① 如果你平均每单的盈利额是亏损额的10倍（赔率10.00），那么恭喜你，平均每100单你只需做对9单以上你即能最终盈利（胜率0.09）；

② 随着赔率的不断降低，你最终盈利需要的胜率要求不断提高。如果你平均每单的盈利额是亏损额的十分之一倍（赔率0.10），那么很不幸，平均每100单你做对90单你仍然不能最终盈利（胜率0.91）。

无论你是大机构还是小散户，无论你运用什么样的交易思想、理念、方法、策略、工具，无论你是手工定性还是机械定量，只要是一个有充分做单样本的交易账户，你是最终盈利的，则你交易的胜率P、赔率B的这个组合运算一定是大于1的，否则你一定是亏损的。

天下账户，莫不如此。

盈利方程式包含两个重要的统计意义：

【1】只有满足R>1的P、B组合的交易系统才有执行的意义：
如果你的胜率为P，那么要最终盈利必须满足你的赔率B > (1－P)/P；
如果你的赔率为B，那么要最终盈利必须满足你的胜率P > 1/(1＋B)。
【2】只有满足R>1的P、B组合的交易系统才有规划投入资金比率的意义：
投入资金占比也由交易的胜率和赔率共同决定：F= [P(1+B)－1]/B。

盈利方程式对我们的实际操作具有重要的指导意义：

【1】胜率、赔率是基于长期的、大量的、充分的、一致的做单样本统计出来的，不要纠结于一时的对错盈亏；
【2】胜率、赔率宛如跷跷板的两端，此升彼降，不要去追求那不存在的两全其美；
【3】你最终的交易绩效是由你交易的胜率和赔率共同决定的，它们宛如你的左膀和右臂，任何割裂胜率和赔率而只谈其一的系统都是片面的、残缺的；
【4】长期多次重复的交易操作过程中，你需要形成一个相对固定且满足盈利方程式的胜率、赔率组合，也就是需要形成一个相对固定的交易方法。  

交易的盈亏比，真的太重要了。很多的人胜率，都很高，90%的成功率，但一次错误就保持了，见过太多。追求盈亏比，别追求胜率。

写的超赞，简明易懂。
看了这篇文章之后可以，通过统计计算出自己离成功的边界有多远。
要得到执行度更高，置信度更高的数据，还需要一些前提：
1. 需要找到策略的保鲜期，一般而言越长执行度越低
2. 在保鲜期内要执行足够多的次数，靠频率让胜率逼近真实胜率（这点严重依赖于市场）
3. 需要为市场进行打标签。例如是否投机过热，近期有无消息面预期造成的影响，高相关性的其他品种是否有潜在风险等
4. 对策略标的进行降噪，使用主成分分析或卡尔曼滤波等方式
5. 得出来的数据和参数对投资组合内的其他标的是否有影响？
而以上的每一点，都可以拆分成更多点。每增加一点复杂度是指数增加的，虽然对普通交易者来说难度很大（对人工智能来说都不是一件容易的事）
不过简单的方式也有，策略的底层逻辑可以说服自己就好，然后简单的把市场分成牛熊市，通过慢慢复盘，得到差不多的策略次数，计算出差不多的胜率，差不多的赔率，主观去感觉这个策略是否靠谱，最后在得出来的仓位基础上打个3折。
虽然我们无法得到最优解，甚至次优解，但是差不多”对我们普通交易者来说，就是局部最优解了，更何况我们还打折了呢😘

长期来说还是要有一个有效的策略，就是能保证盈利是一直大于亏损就可以，感觉我也是在说废话

做交易市场做统计是对自己最大的负责

写得不错，其实，交易就是一门统计学，或者概率学，只要寻找大概率的事情，并且坚持下去，那么胜利是迟早会来临的。