回撤正不正常，先看样本够不够

很多人第一次遇到策略回撤，会立刻翻交易记录找原因：是不是规则失效了?是不是参数不对?先别急。回撤只描述权益曲线从高点到低点的回落，它不解释原因；而样本太少时，你连“这次回撤是否正常”都很难判断。

目录

01

回撤是路径，不是判决书

02

连续亏损为什么常被误读

03

样本量决定你能问多细的问题

04

回撤期最容易弄错的几件事

回撤是路径，不是判决书

先定义几个词。权益曲线是把账户净值按时间顺序连起来的线。回撤是权益曲线从某个高点到之后低点的跌幅，常用公式是：

回撤率 =（历史最高权益 - 当前权益）÷ 历史最高权益 × 100%

最大回撤是一段观察期内最深的那次回撤。假设某账户权益从 100 涨到 120，再跌到 90，回撤率就是（120 - 90）÷ 120 × 100% = 25%。这个数字说明曲线跌了多少，不说明下跌是因为策略失效、成本上升，还是随机结果。

新手常见的误判，是把回撤深度当成策略好坏的唯一证据。回撤 8% 不一定比回撤 15% 更安全，因为两者的观察长度、交易笔数、盈亏分布可能完全不同。没有统一口径，数字之间不可比。

连续亏损为什么常被误读

假设有一个完全机械的策略，每笔交易盈利和亏损各一半，盈亏金额相同，而且每笔结果互不影响。这个假设不现实，只用来演示。连续 5 笔亏损的概率是 0.5 的 5 次方，等于 3.125%。

在 100 笔交易里，大约有 96 个“连续 5 笔”的窗口，粗略期望会出现约 3 个这样的窗口。窗口彼此重叠，不能把这个数当成精确概率，但它足以说明：连续亏损并不自动等于策略坏了。

如果把单笔亏损概率改成 60%，连续 5 笔亏损的概率就是 0.6 的 5 次方，约 7.78%。同样 100 笔里，这种片段会更常见。新手常常盯着最近 10 笔或 20 笔的亏损，感觉“回撤没完没了”，但短序列本来就容易聚集坏结果。样本就是你实际观察到的交易笔数或时间单位；样本太短，任何模式都可能是偶然。

这里要区分两个问题。第一，回撤是否落在策略自身可能产生的范围内，这叫正常波动。第二，你手里的样本是否足以估计这个范围，这叫样本充足性。样本不足时，第二个问题没有答案，第一个问题也无法认真回答。

样本量决定你能问多细的问题

胜率是盈利交易笔数占全部交易笔数的比例。只看一个胜率数字不够，还要看它的估计误差。标准误衡量的是：如果换一段同样长度的样本，估计值大约会波动多少。胜率的标准误可以粗略写成：

胜率标准误 ≈ √[p × (1 - p) ÷ n]

其中 p 是胜率，n 是样本笔数。置信区间可以粗略理解为：在假设模型成立时，真实值可能落在的范围。95% 置信区间约为 p 加减 1.96 倍标准误。这套算法假设每笔交易结果互不影响、规则不变；真实策略很少完全满足，所以它只适合做数量级上的判断。

假设某策略真实胜率未知，我们只用一段样本估计它。若样本有 30 笔，观察到的胜率是 50%，在每笔结果互不影响、规则不变的粗略假设下，95% 置信区间约为 32% 到 68%，误差约 ±18 个百分点；样本增加到 300 笔，区间收窄到约 44% 到 56%，误差约 ±6 个百分点。这里用的是胜率标准误公式，真实策略不会严格满足假设，所以它只是教学演示，不是对任何策略的预测。

假设演示：95% 置信区间半宽约为 ±18 与 ±6 个百分点

这不是说 300 笔就一定够，也不是说 30 笔就一定不够。它说明的是：样本越少，估计越模糊。回撤期里如果只有十几笔交易，回撤深度和胜率变化都可能只是噪声；把它们当成策略性质的变化，证据通常不够。

回撤期最容易弄错的几件事

• 把回撤深度和策略质量直接画等号。深度、持续时间、恢复速度是不同维度，单看一个数不够。
• 用调整参数后的曲线解释调整前的回撤。规则一变，前后样本就不再是同一个对象，拼在一起会产生虚假的连续性。
• 忽略成本口径。点差是买入价和卖出价的差，滑点是预期成交价和实际成交价的偏差。回测如果没算这些，样本的“干净程度”就不同。
• 把短样本的盈利当成稳定优势。10 笔盈利可能只是运气，和 10 笔亏损一样，都不能单独证明什么。
• 只看留下来的策略或参数。反复试很多版本，只展示最好看的那条曲线，这叫幸存者偏差，会让样本看起来比实际更可靠。

判断回撤性质时，至少要保证规则、样本单位、成本假设和观察窗口可比。按笔统计的样本不能和按天统计的样本混在一起；回测里未计点差的结果，也不能直接和实盘结果拼接。过拟合是另一个陷阱：为了让历史曲线更平滑而不断改参数，最后拟合的是过去的噪声，不是策略的稳定特征。

回撤数字描述已经发生的权益回落，样本量描述你能对这件事下多确定的判断。样本不足只说明证据不够，不指向任何操作方向；它既不能证明策略还行，也不能证明策略已经失效。