蒙特卡洛方法在交易策略优化中的应用（基础篇）
用蒙特卡洛给 EA 利润挑刺
蒙特卡洛方法在 MT5 里不是用来算命，而是把历史行情打乱重排，看策略利润在随机扰动下还能不能站得住。2018 年 8 月那篇实测贴里，作者用概率性 EA 模型跑了几百次重采样，样本量约 5577 次观测，核心结论指向一个事实：历史回测好看，不代表随机散射下不崩。 具体做法分三层：利润鲁棒性对随机散射，看单次交易顺序打乱后净值曲线衰减；利润鲁棒性对回撤，统计最大回撤分布而非只看一个点；利润分布鲁棒性对价格不稳定性，用不同波动率缩放喂给同一套逻辑。外汇和贵金属杠杆高，这类测试暴露的是爆仓概率，不是收益承诺。 想在 MT5 验证，直接开策略测试器的自定义模式，把「使用随机延迟」和「重采样」勾上，跑 200 次以上取分位数。比对着一条曲线自我感动有用得多。
◍ 蒙特卡洛建模到底在算什么
蒙特卡洛方法本质上是一种用随机模拟给「带概率性质的对象」建模的思路。它把研究对象抽象成一套算法，在程序里用伪随机数发生器去逼近理论要求的随机分布，从而批量造出大量样本。 这种建模之所以好用，是因为算法结构简单：先按分布随机生成很多研究对象状态，对每个样本算一遍所需特征，就能从「只有一组真实特征」扩展出整个分布函数。样本越多，分布越有参考价值，但外汇和贵金属市场的高风险意味着：分布再漂亮也不代表下一笔就按它走。 最早的教学例子是布丰投针——往格子上随机丢针来估 Pi，后来轮盘赌这类天然随机数发生器也印证了「随机即概率」的来源。值得注意，蒙特卡洛不仅能处理随机对象，也能拿去近似普通积分，因为任意积分都能看成某个随机变量的数学期望。 落到交易上，我们要研究 EA 稳定性，就得先给 EA 工作过程配一个概率模型；模型越简单越容易算，但简化总会丢精度，这点心里要有数。
「把历史交易当成随机变量来建模」
开 MT5 跑 EA 前，大家习惯在报价历史上测和调。但过去那串成交结果，凭什么能预示将来？我们并不指望未来每笔单子顺序都一样，只是假定它们有“统计相似性”。用概率论把这直觉钉死：每笔交易结果视作某随机变量的实现，相似性由分布函数 F(x) 的接近程度衡量。过去数据的作用，就是帮我们反推未来利润分布的类型与可能区间。外汇与贵金属杠杆高，这种推断只代表概率倾向，不等于实盘必然重现。 最常用也最简的模型，是把每笔相对利润定义为 k = C1/C0（C0 建仓前资产、C1 平仓后资产），绝对利润就是两者差。假定所有交易利润相互独立、同分布，任务变成用历史样本还原 F(x)——标准的数理统计问题，答案永远是近似的。 一种做法是直接取经验分布函数，用离散近似：亏损按平均亏、获利按平均利，各占一个值。另一种用核密度估计做连续密度近似。实战里交易者不在乎函数长相，关心的是给定风险水平下可能落袋多少、利润能否持续，这些都能从分布里算出来。 具体建模用 bootstrap：历史利润序列 k1…kn，随机有放回抽 n 次生成新序列，跑几万条资金曲线（下图不同颜色仅示意，实际量级数万）。每条算终值利润，整体统计出可能结果分布。N 取 n 即可，N 再大经验分布近似精度反而掉。MT5 目前没有内建“随机 EA”常规接口，这套得自己写脚本跑。
把三种稳定性准则塞进 EA 的优化回路
构建优化标准的核心目的，是给 EA 一个可量化的目标函数，而不只是盯着总利润。未来利润不可知，但能用当前样本偏离利润的可能程度去评估——偏差越小，系统的利润越稳定，实盘中外汇与贵金属的高波动风险才更可控。 我们探讨三条路线：蒙特卡洛大样本下，取平均利润与离散程度之比，类似夏普比率，方差小代表不确定性低；把回撤约束进来，超过允许回撤就终止交易，该准则只算平均利润；用前后子样本同质性统计检验衡量利润持久性，思路接近前瞻测试。 演示用 MetaTrader 5 自带的 Moving Average.mq5，仅做小改：开头包含头文件，结尾用 OnTester 返回优化值。所有计算集中在 mcarlo.mqh 的 optpr()，它按 noptpr 参数分发到六个子函数（如 mean_sd、frw_wmw）。 回测设定统一为 EURUSD 2017 年春夏季、1 小时周期、1 分钟 OHLC 模式、遗传算法自定义优化。这不是为实盘做准备，而是验证理论——你打开 MT5 把头文件丢进 MQL5/Include/ 就能复跑。 下面这段是 optpr 与 setks 的骨架：optpr 先做参数与样本量守卫，再按 noptpr 分支；setks 从交易历史提取每笔盈亏相对资金曲线的增长系数存入 k[]。注意 k[nk-1]=1.0+hdprofit_full/capital 把利润归一化为复利因子，这是后续蒙特卡洛重采样的输入。
class="macro">#include <mcarlo.mqh> class="type">class="kw">double OnTester() { class="kw">return optpr(); class=class="str">"cmt">// 优化参数 } class="type">class="kw">double optpr() { if(noptpr<class="num">1||noptpr>NOPTPRMAX) class="kw">return class="num">0.0; class="type">class="kw">double k[]; if(!setks(k)) class="kw">return class="num">0.0; if(ArraySize(k)<NDEALSMIN) class="kw">return class="num">0.0; MathSrand(GetTickCount()); class="kw">switch(noptpr) { case class="num">1: class="kw">return mean_sd(k); case class="num">2: class="kw">return med_intq(k); case class="num">3: class="kw">return rmnd_abs(k); case class="num">4: class="kw">return rmnd_rel(k); case class="num">5: class="kw">return frw_wmw(k); case class="num">6: class="kw">return frw_wmw_prf(k); } class="kw">return class="num">0.0; } class="type">bool setks(class="type">class="kw">double &k[]) { if(!HistorySelect(class="num">0,TimeCurrent())) class="kw">return class="kw">false; class="type">uint nhd=HistoryDealsTotal(); class="type">int nk=class="num">0; class="type">class="kw">ulong hdticket; class="type">class="kw">double capital=TesterStatistics(STAT_INITIAL_DEPOSIT); class="type">long hdtype; class="type">class="kw">double hdcommission,hdswap,hdprofit,hdprofit_full; for(class="type">uint n=class="num">0;n<nhd;++n) { hdticket=HistoryDealGetTicket(n); if(hdticket==class="num">0) class="kw">continue; if(!HistoryDealGetInteger(hdticket,DEAL_TYPE,hdtype)) class="kw">return class="kw">false; if(hdtype!=DEAL_TYPE_BUY && hdtype!=DEAL_TYPE_SELL) class="kw">continue; hdcommission=HistoryDealGetDouble(hdticket,DEAL_COMMISSION); hdswap=HistoryDealGetDouble(hdticket,DEAL_SWAP); hdprofit=HistoryDealGetDouble(hdticket,DEAL_PROFIT); if(hdcommission==class="num">0.0 && hdswap==class="num">0.0 && hdprofit==class="num">0.0) class="kw">continue; ++nk; ArrayResize(k,nk,NADD); hdprofit_full=hdcommission+hdswap+hdprofit; k[nk-class="num">1]=class="num">1.0+hdprofit_full/capital; capital+=hdprofit_full; }