交易系统评估：进场效率、出场效率与交易效率
用 Bulashev 三指标给你的系统做体检——区分是进场烂还是出场烂，才知道该优化哪里。
一、什么是「交易系统效率」
交易系统效率，指一套规则把市场机会转化为稳定盈利的能力，衡量的是「盈亏比、胜率、频率、回撤」组合下的长期期望。效率高的系统不追求单笔暴利，而是追求在可控风险下、可重复地小赚 accumulation。它回答的不是「能赚多少」，而是「能多稳地赚」。
效率的反面是「脆弱」：某段行情里很赚，换个环境就崩。真正的效率要经得起不同品种、不同年份、不同波动率的检验，而不是只在一段历史里好看。
二、期望收益（Expectancy）
期望收益 = 胜率 × 平均盈利 − 败率 × 平均亏损。它是系统效率的核心指标：只要为正，长期必赚；但它的稳定性比大小更重要。一个 expectancy 高但波动剧烈的系统，实际运行中你可能撑不到它兑现。
// 用测试器统计计算 expectancy double wins = TesterStatistics(STAT_PROFIT); // 盈利总额 double losses= TesterStatistics(STAT_LOSS); // 亏损总额(正数) double trades= TesterStatistics(STAT_TRADES); // 总交易数 double winRate = TesterStatistics(STAT_PROFIT_TRADES)/trades; double exp = winRate*(wins/trades) - (1-winRate)*(losses/trades);
三、盈亏比与胜率的权衡
盈亏比高（赚一笔抵好几笔亏）的系统可以胜率偏低仍能盈利；胜率高的系统则靠频次积累。两者没有绝对优劣，但存在一个工程约束：盈亏比太低（<1）时，胜率必须很高才不亏，而高胜率往往难以持续。设计系统时先定盈亏比底线（如 ≥1.5），再谈胜率。
很多人迷恋「高胜率」却忽略盈亏比，结果赚小亏大，长期仍是负期望。胜率是皮，盈亏比是骨，缺了骨，皮再好看也撑不住。
四、频率与样本量
交易频率决定你多久能积累足够样本让期望收敛。太低频（一年几单）的系统，十年数据也未必统计显著；太高频则摩擦成本（点差、佣金）吞噬利润。频率要匹配策略逻辑：均值回归适合中高频，趋势跟随适合中低频。
五、回撤与效率的关系
高效率系统应把回撤控制在可接受范围。一条「总盈利很高但曾回撤 80%」的曲线，实际中你大概率在底部就放弃了。效率要给「可承受性」留权重：同样期望下，回撤小的系统更高效，因为它让你活得到兑现的那天。
六、如何提升系统效率
- 先锁盈亏比底线，再优化信号提高胜率
- 用过滤器剔除低质量信号，提升每笔质量而非数量
- 控制交易频率在成本可承受区间
- 以回撤可承受为前提比较不同参数
- 用样本外数据确认效率非偶然
七、效率的陷阱：过度优化
追求效率容易滑向过度优化：不断调参让历史 expectancy 最大化，却只是拟合噪声。健康的做法是把效率当作「在样本外也稳」的属性来追求，而不是在历史里刷分。样本外一崩，效率就是假象。
八、效率的实战度量指标
除了期望收益，还看几个标准量：盈利因子 PF = 总盈利/总亏损（>1.5 较健康）；恢复因子 = 净利润/最大回撤（直接告诉你回撤后多久能回本）；系统质量数 SQN = 期望/标准差 × √笔数（SQN>1.6 算合格，>2.5 优秀）。这些都能用 TesterStatistics 取到，组合起来比单看总盈利更能判断系统是否真有效。
九、用恢复因子看「活不活得过」
恢复因子 = 净利润/最大回撤，直接回答「一次大回撤后还能不能缓过来」。一套期望高但恢复因子 <1 的系统，意味着一次深回撤可能永久伤筋动骨——你大概率在恢复到前就放弃了。所以比较系统效率时，恢复因子往往比总盈利更该被放在前面看。
九、效率要跨品种验证
一套在某品种上高效率的系统，换品种未必成立，因为效率依赖该品种的波动结构与流动性。严谨的做法是在 3~5 个相关性低的品种上分别回测，确认效率是『逻辑带来的』而非『这个品种这段历史带来的』。只在一个品种上漂亮，说服力有限，样本外更容易塌。