散户量化工具箱④：止损的数学——回撤砍半，收益反涨（附全套代码）

foxneet · 发表于 2026-9-24 10:08:35

止损越紧，收益反而越高——这个结论 90% 的散户不会信。上一篇凯利公式说「最优仓位是 75%，不是满仓」，但仓位只是入场的一半，另一半是出场。这一篇用双均线策略的 91 笔真实交易，实测三种止损方法，结果有一个反直觉的发现：更紧的止损不仅砍了回撤，还涨了收益。

一、先说透本质：止损不是认输，是换资格

散户对止损的最大误解：止损 = 认输 = 亏了。但量化的逻辑是——

止损的本质：用一笔小亏，换一个重新入场的资格。

入场信号是对的，止损后信号再次出现时你会重新进场。你只是把一笔大亏拆成了两笔小亏加一笔盈利。所以止损好不好不能用单笔盈亏判断，要看整体：止损后总收益有没有变好？回撤有没有变小？这必须回测——拍脑袋的回答往往是错的。

二、实验一：固定比例止损，紧的好还是松的好？

数据：沪深300 指数，双均线策略（5 日上穿 20 日线做多，下穿清仓），T+1 执行，单边成本千 1。

import baostock as bs
import pandas as pd

bs.login()
rs = bs.query_history_k_data_plus(
    'sh.000300', 'date,open,high,low,close',
    start_date='2015-01-01', end_date='2026-09-01',
    frequency='d', adjustflag='3')
rows = []
while rs.error_code == '0' and rs.next():
    rows.append(rs.get_row_data())
df = pd.DataFrame(rows, columns=rs.fields)
bs.logout()
for c in ['open', 'high', 'low', 'close']:
    df[c] = pd.to_numeric(df[c])

df['pct'] = df['close'].pct_change().fillna(0)
df['ma_f'] = df['close'].rolling(5).mean()
df['ma_s'] = df['close'].rolling(20).mean()
df = df.dropna(subset=['ma_s']).reset_index(drop=True)

raw = (df['ma_f'] > df['ma_s']).astype(int)
pos_raw = raw.shift(1).fillna(0)          # ★ T日信号，T+1执行

# 固定比例止损：持仓期间从入场价回撤超过 stop_pct 就清仓
def apply_fixed_stop(pos_raw, close, stop_pct):
    pos = pos_raw.copy().values
    entry = None
    for i in range(len(pos)):
        if pos[i] == 1 and pos[i-1] == 0:
            entry = close[i]              # 入场
        if pos[i] == 1 and entry is not None and close[i] <= entry * (1 - stop_pct):
            pos[i] = 0                    # 触发止损，当日清仓
            entry = None
        if pos[i] == 0:
            entry = None
    return pd.Series(pos, index=pos_raw.index)

pos = apply_fixed_stop(pos_raw, df['close'].values, 0.05)
trades = pos.diff().abs().fillna(0)
nav = (1 + pos * df['pct'] - trades * 0.001).cumprod()

ann = nav.iloc[-1] ** (252 / len(nav)) - 1
dd = (nav / nav.cummax() - 1).min()
print(f'年化 {ann:.2%} | 最大回撤 {dd:.2%}')

结果（完整扫描含参数网格）：

止损比例	年化收益	最大回撤	夏普	备注
不止损	17.55%	−32.7%	1.05	基准
−5%	18.65%	−19.9%	1.12	全面最优
−8%	18.34%	−22.4%	1.10	次优
−10% / −15%	17.55%	−32.7%	1.05	从未触发

反直觉结论：−5% 止损不仅砍了回撤（−33%→−20%），还涨了收益（17.6%→18.7%）。

原因：策略期望为正，止损后信号再现时你会重新进场——小亏换大赚，整体反而更好。而 −10% 以上的止损从未触发：均线的自然退出比止损更早。

三、实验二：ATR 吊灯止损——动态跟踪的威力

吊灯止损：止损线 = 入场后最高价 − N×ATR。价格涨，止损线跟着上移；跌破即出场。

df['prev_close'] = df['close'].shift(1)
tr = pd.concat([df['high'] - df['low'],
                (df['high'] - df['prev_close']).abs(),
                (df['low'] - df['prev_close']).abs()], axis=1).max(axis=1)
df['atr'] = tr.rolling(14).mean()

def apply_chandelier(pos_raw, high, close, atr, mult):
    pos = pos_raw.copy().values
    entry_i = None
    for i in range(1, len(pos)):
        if pos[i] == 1 and pos[i-1] == 0:
            entry_i = i
        if pos[i] == 1 and entry_i is not None:
            hh = high[entry_i:i+1].max()              # 入场以来最高价
            if close[i] <= hh - mult * atr[i]:        # 跌破吊灯线
                pos[i] = 0
                entry_i = None
        if pos[i] == 0:
            entry_i = None
    return pd.Series(pos, index=pos_raw.index)

pos = apply_chandelier(pos_raw, df['high'].values, df['close'].values,
                       df['atr'].values, mult=2.0)

ATR 倍数	年化收益	最大回撤	夏普
1.5×	13.67%	−11.3%	1.55
2.0×	17.42%	−11.3%	1.57
2.5×	17.73%	−17.4%	1.37
3.5×	21.88%	−19.7%	1.34

2×ATR 是甜点位：回撤只有基准的 1/3，收益几乎不变，夏普 1.57 全实验最高。太紧（1.5×）会被正常波动扫出去，太松（3.5×）回撤控制失效。

四、实验三：时间止损——最不靠谱的一种

固定持有 10/20/30/60 天退出，年化 3.8% / 6.0% / 8.0% / 12.2%，全面劣于不限时退出的基准（17.55%）。原因：趋势的持续时间不可预测，强制退出会打断正在运行的盈利交易。时间止损不适合趋势策略，只适合事件驱动型。

五、成绩单与实操建议

方法	年化	回撤	夏普	判定
不止损（基准）	17.55%	−32.7%	1.05	基准
固定 −5%	18.65%	−19.9%	1.12	✓ 收益回撤双优
ATR 2.0×	17.42%	−11.3%	1.57	✓ 夏普最高
时间止损 30 天	7.99%	−29.4%	0.71	✗ 劣于基准