单一资产交易顺序中的风险评估. 续篇·综合运用
（3/3）·把前篇的独立同分布假设打碎后，如何用统计与机器学习拼出可落地的风险视图
跳空回补背后的统计偏差才是真机会
跳空指相邻两根 K 线收盘价与开盘价之间出现明显跳跃，且两根 K 线时间间隔较大。圈内常说“跳空必回补”，即价格最终会回到跳空前那根 K 线的收盘价，不少交易者想据此搭系统。 对称随机游动理论说，给足够长时间，任何价格几乎必然被触及，所以“跳空总会回填”在数学上接近必然。但对称随机游动本身无法盈利，光靠“回补事实”做系统没戏。 关键不在单个跳空回不回补，而在回补的“方式”是否有群体性偏差。把一批跳空当集合，看跳空方向上最大位移 m 与跳空大小 g 的比值 x=m/g。离散对称随机游动近似维纳过程时，理论分布为：x≥1 时 P(x)=1-1/x，x<1 时 P(x)=0。 实际价格常偏离该理论——可能跳空方向运动不足，回填耗时比随机游走更短。用拟合优度准则比经验分布与理论分布，能筛出可交易的偏差。 跳空本身稀有，尤其按参数分层后样本更少；要验分类跳空理论还得把跳空前、后的缺口一并建模，随机变量变多，历史数据不够会直接卡住。外汇与贵金属跳空受休市和杠杆放大影响，高风险，偏差策略也只代表概率倾向。
◍ 把交易系统当成参数族来建模
在构建交易系统时，一组参数 h 必须在入场时刻就确定下来，而且它只能决定交易量和执行算法，不能直接决定价格。h 可以是技术指标值这类已知量，在机器学习语境里它就是特征集合。 本章为了简化论述，固定讨论某一个具体系统而不是一族系统，测试和优化的任务留到下一章。固定 h 之后，进出场算法就定了，收益的概率分布也随之固定；但要注意，同样的 h 下具体收益值仍可能不同，分布固定不等于某次结果固定。 手里的历史数据是一串 (h_i, a_i) 配对：参数值和对应收益。若假设收益分布属于某个带参数 θ 的族，问题就变成恢复 θ(h) 这条依赖。数据不够在任意函数里乱找，通常限定在参数族 θ(h,β) 中，由历史配对和优化条件定出 β。 交易者视角的筛选很关键：选哪种最优性条件定 β，结果 θ(h,β) 可能差很远。比如以「倾向增厚收益」或「倾向压低回撤」为优化目标， recovered 出来的依赖曲线会明显分化。 一旦 θ(h) 建好，且每个 θ 对应已知的最优风险值 r_opt，那 r_opt(h) 也就顺理成章出来了。这套从 h 到风险敞口的映射搭完，系统骨架就算立住了。外汇与贵金属市场杠杆高、跳空频繁，这套映射在实盘前必须用 MT5 历史数据重跑验证。
「优化收益高不代表系统有效」
拿一个零期望收益的人造系统做压力测试：它在固定时间随机入场，方向由随机数发生器按参数函数设定种子，出场只用固定止损/获利比例 k，测试段假设无趋势。市场无趋势时，该系统收益期望接近零（价差带来微小负偏）。 设单笔交易数 n，盈利笔数 n_k 服从二项分布，参数 p=1/(1+k)、试验数 n。n 笔的算术平均收益 m=(1+k)·n_k/n - 1。若跑 N 次、挑出 εN 个最高均值（ε=0.1）作为 m_opt，N 够大时 m_opt 会逼近 m 分布的 (1-ε) 分位。 代入 k=3、n=50、ε=0.1，算得 m_opt=2.52。一个根本没用的系统，优化后平均收益却显示 252%，这就是参数过拟合的假象。外汇与贵金属市场高风险，实盘系统远比这复杂，但任何优化结果都必须先问一句：这优势是随机碰出来的吗？
两个脚本把风险算到小数点后两位
随文附了两个 MT5 脚本，体积都不大：bn.mq5 约 7.84 KB，做固定止损和获利的仓位风险测算；exp.mq5 约 7.79 KB，专门跑固定跟踪止损下的风险计算。下载解压后直接拖进 MT5 的脚本目录，就能在品种图表上实测自己的单笔风险占用。 外汇和贵金属杠杆高、跳空频繁，用这两个脚本先把每笔的爆仓距离和回撤幅度量化出来，比拍脑袋定 1% 至 3% 仓位更贴近账户实际。尤其 exp.mq5 的跟踪止损逻辑，能让你看到移动止损触发后资金曲线可能的回撤深度。 作者在末尾讨论里也承认，方法价值在于用历史交易和交易者偏好给出不确定市场下的合理风险值，而非保证收益。开 MT5 跑一遍这两份代码，比反复读理论更能判断它适不适合你的系统。