【维克】期望值不只是“平均值“：它在量化交易中的深层含义

WHY为什么赚了多少比赚了多少次更重要先说一个真实的亏钱经历。我有段时间痴迷于短线交易胜率特别高——10笔交易能赢8笔。当时觉得自己找到了圣杯信心爆棚仓位越加越大。结果呢一个月下来账户亏了15%。为什么因为那8次赢的单笔赚50块2次输的单笔亏500块。8次 × 50 400赢的总和2次 × 500 1000输的总和净亏损 1000 - 400 600胜率80%但账户亏了。这件事给我一个巨大的教训只看胜率或者只看平均收益根本不够。你得把赚多少和亏多少放在一起看用概率加权。这个东西就是期望值Expected Value, EV。期望值不是简单的平均值它是概率加权后的长期预期结果。很多人把期望值和平均值搞混了•平均值把所有收益加起来除以次数 → 只看历史•期望值每笔收益乘以对应概率再加总 → 面向未来区别在哪•平均值告诉你过去赚了多少钱•期望值告诉你如果一直做下去长期能赚多少钱一个是后视镜一个是导航仪。为什么在量化交易中期望值是最重要的概念之一因为所有量化策略的本质都是在做一件事找到期望值为正的交易系统然后重复执行。一个策略如果期望值为负你执行100次和1000次的区别只是——亏多少的问题。反过来一个策略如果期望值为正你执行1000次大概率就能赚钱。这就是为什么量化交易不需要预测市场只需要找到正期望值的系统。但大多数人理解期望值只停留在收益的平均这个层面忽略了它的深层含义1.分布比均值更重要同样的期望值收益分布不同结果天差地别2.期望值不等于确定性正期望值不代表每笔都赚而是长期必然赚钱3.期望值要配合资金管理正期望值但如果仓位管理不当可能在长期到来之前就被打爆这三个认知是我花了真金白银才搞明白的。HOW怎么算期望值怎么用它评估策略第一步期望值的基本公式期望值的数学定义E(X) Σ (收益i × 概率i)用大白话说期望值 每笔交易的可能收益 × 这笔交易发生的概率然后全部加起来举个最简单的例子策略A•60%概率赚100块•40%概率亏50块E(A) 0.6 × 100 0.4 × (-50) 60 - 20 40块策略B•30%概率赚500块•70%概率亏100块E(B) 0.3 × 500 0.7 × (-100) 150 - 70 80块策略A胜率高60%但策略B的期望值更高80块 vs 40块。如果只能选一个策略长期做选B。第二步从平均收益到期望收益的跨越很多人评估策略只看平均每笔赚多少这是不够的。来看这个反直觉的例子策略C10笔交易收益100, 100, 100, 100, 100, 100, 100, 100, 100, -500平均收益 (9×100 - 500) / 10 40块/笔策略D10笔交易收益200, 200, 200, -50, -50, -50, -50, -50, -50, -50平均收益 (3×200 - 7×50) / 10 25块/笔策略C平均收益更高但你仔细看分布——策略C9次小赚1次大亏。看起来经常赚钱但一次黑天鹅就能把前面赚的全吞了。策略D3次大赚7次小亏。看起来经常亏钱但长期下来是稳赚的。如果只看平均值你会选C。但如果看期望值的分布D可能更安全。第三步用Python计算策略的期望值实际做量化时我们用历史数据来估算期望值。// pythonimport numpy as npdef calculate_expected_value(trades):计算策略的期望值trades: 每笔交易的收益率列表trades np.array(trades)# 基本期望值平均收益ev np.mean(trades)# 胜率win_rate np.mean(trades 0)# 盈亏比avg_win np.mean(trades[trades 0]) if np.any(trades 0) else 0avg_loss abs(np.mean(trades[trades 0])) if np.any(trades 0) else 1profit_factor avg_win / avg_loss if avg_loss 0 else float(inf)# 用胜率和盈亏比计算期望值另一种方式ev_alt win_rate * avg_win - (1 - win_rate) * avg_lossreturn {expected_value: ev,expected_value_alt: ev_alt,win_rate: win_rate,avg_win: avg_win,avg_loss: avg_loss,profit_factor: profit_factor}# 策略C的数据trades_c [100]*9 [-500]result_c calculate_expected_value(trades_c)# 策略D的数据trades_d [200]*3 [-50]*7result_d calculate_expected_value(trades_d)print(策略C:, result_c)print(策略D:, result_d)关键指标解读•期望值EV每笔交易的平均预期收益正数就值得做•胜率赚的次数占比•盈亏比Profit Factor平均赚的 / 平均亏的•三者的关系EV 胜率 × 平均盈利 - (1-胜率) × 平均亏损一个策略可以胜率低但盈利只要盈亏比够高。一个策略可以胜率高但亏损只要盈亏比够低。第四步期望值的深层含义——分布决定了你的体验数学期望值相同的情况下收益分布不同实际体验完全不同。来看这个极端案例策略E•99%概率赚1块•1%概率亏99块•期望值 0.99 × 1 0.01 × (-99) 0块策略F•50%概率赚10块•50%概率亏10块•期望值 0.5 × 10 0.5 × (-10) 0块两个策略期望值都是0但•策略E99%的时间在赚钱感觉稳赢但偶尔一次暴击把利润全打没•策略F盈亏对半每次波动很大但长期来看就是不赚不亏策略E就是典型的捡硬币面对蒸汽压路机picking up pennies in front of a steamroller。很多高频策略、卖期权策略看起来天天赚钱本质上就是策略E这种分布。期望值告诉你长期能不能赚钱但分布告诉你过程中有多难熬。第五步期望值 资金管理 实际收益最后一点也是最关键的即使你找到了正期望值的策略如果资金管理不当也可能在长期到来之前破产。这就是凯利公式Kelly Criterion要解决的问题最优仓位比例 (胜率 × 盈亏比 - (1-胜率)) / 盈亏比// pythondef kelly_criterion(win_rate, profit_factor):凯利公式计算最优仓位比例win_rate: 胜率 (0-1)profit_factor: 盈亏比平均盈利/平均亏损if profit_factor 0:return 0kelly (win_rate * profit_factor - (1 - win_rate)) / profit_factorreturn max(0, kelly)# 例胜率60%盈亏比2:1optimal kelly_criterion(win_rate0.6, profit_factor2.0)print(f凯利最优仓位{optimal:.1%}) # 40%# 实际操作中通常用半凯利Half Kelly降低波动half_kelly optimal / 2print(f半凯利仓位{half_kelly:.1%}) # 20%凯利公式告诉你即使期望值为正你也不能把所有钱都压上去。因为即使长期能赚钱短期的波动也可能让你爆仓出局。WHAT你现在可以做什么立即可执行的行动清单✅ 行动1用期望值公式重新评估你现在的策略列出你最近50笔交易计算期望值 胜率 × 平均盈利 - (1-胜率) × 平均亏损如果结果是负数说明你的策略长期来看是在亏钱的——需要彻底改造。如果结果是正数但很小说明策略还行但需要优化。如果结果明显为正说明你找到了一个值得坚持的系统。✅ 行动2画出你策略的收益分布图不要只看平均值。把你的每笔交易收益画成直方图// pythonimport matplotlib.pyplot as plttrades [...] # 你的历史交易收益plt.hist(trades, bins20, edgecolorblack)plt.axvline(x0, colorred, linestyle--)plt.title(Strategy Return Distribution)plt.xlabel(Return per Trade)plt.ylabel(Frequency)plt.show()看看你的收益是集中在小赚小亏还是偶尔大赚但经常小亏还是经常大赚偶尔大亏。分布形态决定了你的策略类型和风险特征。✅ 行动3用凯利公式确定仓位上限// python# 你的策略参数win_rate 0.55 # 你的胜率profit_factor 1.8 # 你的盈亏比kelly (win_rate * profit_factor - (1 - win_rate)) / profit_factorhalf_kelly kelly / 2print(f全凯利仓位{kelly:.1%})print(f半凯利仓位推荐{half_kelly:.1%})永远不要用超过半凯利的仓位。因为全凯利虽然理论上长期收益最大但中间波动巨大99%的人扛不住。✅ 行动4建立期望值日记每做完一笔交易记录交易编号盈亏金额策略类型当时判断依据1200趋势突破均线多头放量2-50趋势突破假突破............每周统计一次期望值追踪它的变化趋势。期望值的变化就是你交易能力进化的量化指标。预期结果如果你能把期望值思维真正落地•短期你不再被胜率绑架开始关注盈亏比•中期你能区分好策略但运气差和坏策略但运气好•长期你的交易系统有了数学基础不再凭感觉做决策量化交易的本质就是用期望值思维构建正收益系统然后用纪律性执行。总结期望值不只是平均值它是1.面向未来的预测工具告诉你长期执行某个策略的预期结果2.策略评估的核心指标胜率和盈亏比的综合体现3.资金管理的数学基础凯利公式的底层逻辑4.认知框架的升级从这次赚了多少到长期能赚多少记住这句话不要因为一次亏损否定一个正期望值策略也不要因为一次盈利肯定一个负期望值策略。短期看运气长期看系统。而期望值就是衡量这个系统值不值得坚持的数学标准。下一篇预告《方差和标准差为什么波动率才是真正的风险》一起用数据驱动决策。