why stop loss is so bad

Table of Content

在金融交易的世界里，回测是验证一个策略是否有效的基础。当交易员们构建回测模型时，他们常常会加入一个看似明智的风险管理工具：止盈（Take-Profit）和止损（Stop-Loss）。这似乎是天经地义——毕竟，在现实交易中，止盈止损是控制风险和锁定利润的基石。然而，许多金融量化专家，包括像马科斯·德·普拉多这样的顶尖学者，都警告我们：在回测中简单地加入止盈止损，实际上是一个非常危险且具有误导性的做法。

这并非因为止盈止损本身是坏的，而是因为它从根本上扭曲了回测的统计有效性。它让你的回测结果看起来比实际情况好得多，从而为你带来虚假的安全感。

虚假的安全感：人为地“截断”亏损

这是最主要的问题。止损机制就像是一个过滤器，它会把你策略中那些本应造成巨大亏损的“路径”在到达某个点位时提前终止。在你的回测报告中，那些可能带来 -5% 甚至 -10% 亏损的交易，最终只显示为 -1% 或 -2% 的止损结果。

这导致了两个严重后果：

收益分布失真：你的回测结果将不再反映一个真实、完整的收益分布。它被人为地“截断”了亏损的尾部，这使得你计算出的夏普比率、卡尔马比率等风险调整后收益指标，都变得异常漂亮。但这种漂亮是虚假的，因为它掩盖了潜在的灾难性亏损风险。

低估了黑天鹅事件：如果一个策略在市场突然暴跌时，其止损功能无法有效执行（比如跳空或流动性枯竭），那么回测中“被截断”的亏损就会在现实中成为现实。回测的理想化结果会让你对策略的稳健性产生严重的误判。

统计假设的失效：无法进行公平比较

传统的回测和统计分析通常建立在一些核心假设之上，例如：

固定时间窗口：每次交易都持有固定的时间（比如5天），这让你可以对不同交易进行公平的比较。

独立同分布（I.I.D.）：尽管金融数据并不完全满足这个假设，但这是许多统计检验的基础。

然而，止盈止损机制打破了这些假设：

随机化的持有时间：有了止盈止损，有些交易可能只持有几小时就被平仓了，而有些则持有数天。你无法对这些不同持续时间的交易进行有效的“苹果对苹果”的比较。

“可选停止”偏差：这是一种统计学上的经典谬误。当你可以在一个实验中，如果结果对自己有利就提前停止，那么你很可能会得到一个具有误导性的“显著”结果。在回测中，止损就是这种“可选停止”的形式——在亏损时尽早停止，在盈利时则继续持有。这使得朴素的p值（衡量偶然性的指标）完全失效。

缺乏真正的信息：止盈止损是策略的一部分，而不是评估工具

一个回测的真正目的是评估一个交易信号的有效性。它想回答的是：“如果我基于某种市场信号入场，这次交易最终会是盈利还是亏损？”

然而，止盈止损本身就成为了影响结果的主要因素。你最终评估的不是你的交易信号有多好，而是你的止损止盈参数设置得有多好。一个糟糕的交易信号，如果配合上一个异常激进或宽松的止损，也可能在回测中表现出色。这使得你无法区分，到底是你的交易逻辑有效，还是仅仅因为止盈止损参数碰巧适合历史数据。

正确的做法：重新定义问题

那么，我们应该如何进行有效的回测呢？

量化专家们建议，我们应该将问题从“计算止盈止损后的收益”转变为一个分类问题。

不要直接在回测中应用止盈止损：先专注于评估你的交易信号本身。回测你的信号，看看在没有止盈止损的情况下，每次交易在固定时间内（例如，持有1天或5天）的平均表现如何。

使用“三元分类法”：正如马科斯·德·普拉多所倡导的，将预测问题定义为三类：

    类别1：交易信号会最终触发止盈。

    类别2：交易信号会最终触发止损。

    类别3：交易在预设时间结束时，止盈和止损都未被触发。
    然后，训练一个机器学习模型来预测这三类结果，而不是直接预测收益。这种方法能够更准确地评估你的信号在不同市场条件下，是更可能带来盈利还是亏损，同时避免了上述所有的统计陷阱。

总之，在回测中使用止盈止损虽然看似合理，但它会扭曲数据，误导评估，并掩盖策略的真正弱点。要获得真正可靠的回测结果，我们必须超越这种传统的做法，重新思考如何科学地评估交易策略的有效性。