蒙特卡洛模拟：比任何交易技术都重要的系统验证工具

很多人花了三年时间学技术分析，却从来没有认真验证过自己的系统在极端情况下能不能活下来。这才是真正的问题所在。

引子：你的回测结果，可能只是幸存者的故事

你花了三个月搭了一套交易系统。回测跑完，数字很好看：年化收益20%，最大回撤15%，盈亏比1.5:1，胜率55%。

你心里觉得这套系统可以用了。

然后你开始实盘。头两个月还行，第三个月遇到连续止损，第四个月看着账户从高点回撤了22%，超过了回测的最大回撤。你开始怀疑自己，怀疑系统，最后在最低点附近停掉了这套系统。

结果之后的两个月，系统本来会把亏损全部收回来。

这种情况，每天都在发生。

问题出在哪里？不是技术不对，不是参数没调好，而是你从来没有认真问过自己一个问题：

如果历史上那些盈利和亏损，不是按照时间顺序发生，而是随机排列的，最坏的情况会有多糟糕？

蒙特卡洛模拟就是回答这个问题的工具。

一、什么是蒙特卡洛模拟

蒙特卡洛（Monte Carlo）这个名字来自摩纳哥的著名赌城，这不是巧合。这个方法本来就是用来研究随机事件的。

用最简单的话解释：

把你的历史交易结果随机打乱顺序，重复这个过程1000次，看在所有这些不同的排列顺序下，你的账户会经历什么。

举个具体的例子。假设你的交易系统过去跑了200笔交易，结果是这样的：有110笔盈利，平均每笔赚1.5%；有90笔亏损，平均每笔亏1%。总体来看，系统期望值是正的。

但这200笔交易是按照时间顺序发生的。第1笔到第50笔可能运气不错，后面遇到了一段好行情，账户曲线比较好看。

问题是：如果这90笔亏损集中在一起出现，会怎样？

蒙特卡洛模拟就是把这200个结果（110个+1.5%，90个-1%）放进一个袋子里随机抽，抽完200次算一次账户曲线，记录最大回撤和最终收益。然后再放回去，再抽200次，再算一条曲线。

做1000次，你就有1000条不同的账户曲线。

这1000条曲线里，有的很好，有的很差。蒙特卡洛模拟告诉你的，不是最好的情况，而是：

最坏的5%的情况，最大回撤会达到多少？
最坏的1%的情况，最大回撤会达到多少？
在所有情况里，有多少比例的情况你会账户归零？

蒙特卡洛模拟不是预测未来，它是在告诉你：如果市场用了一种极端的方式对待你，你的账户能不能撑住。

这才是你在实盘之前必须知道的事情。

二、为什么回测的结果会骗你

很多人以为回测已经足够了。回测也是用历史数据，也能告诉你系统的表现，为什么还需要蒙特卡洛模拟？

因为回测有一个根本性的局限：它是线性的。

回测按照时间顺序，一笔一笔地跑你的历史数据。它告诉你的是：在那段特定的历史时期，用那个特定的顺序，你的系统表现如何。

但实际市场不是线性的，未来也不会是过去的简单重播。

问题一：好运可能恰好集中在你测试的那段时间

假设你的系统在2020年到2023年回测结果很好，最大回撤只有12%。但你有没有想过，也许2020年那段大涨恰好给你的系统创造了很好的发挥空间，而如果那段大涨出现在2023年底、你系统里正好遭遇了一连串止损之后，结果会完全不同？

问题二：连续亏损的实际影响比你想象的大

回测显示的最大回撤是15%。但这个15%是怎么构成的？也许是分散在12个月里，每次亏一点，中间有盈利缓冲。

如果同样这15%的亏损集中在两个月里连续发生，心理压力会完全不同。更重要的是，如果在更极端的随机排列下，连续亏损的数量比历史上实际发生的更多，回撤会超过15%。

问题三：回测的最大回撤往往是低估的

这一点最关键。回测给你的是”历史上实际发生过的最坏情况”。但这只是无数种可能顺序里的其中一种。

在其他排列方式下，最坏情况可能比历史上实际发生的更糟糕。

蒙特卡洛模拟把这些可能性都展示出来，让你看到完整的风险分布，而不只是那一条恰好发生了的历史曲线。

你的回测最大回撤是历史的产物，蒙特卡洛模拟的回撤分布才是你真正需要为之准备的范围。

三、怎么做蒙特卡洛模拟：从零开始的操作指南

听起来复杂，其实不是。你不需要懂数学，只需要会用Excel或者会跑一段Python代码。

第一步：整理你的历史交易数据

你需要一份你的历史交易记录，里面至少包含：每笔交易的盈亏百分比（或者盈亏金额）。

如果你做了两年，有300笔交易，那就整理成300个数字，类似这样：

+2.1%, -0.8%, +1.5%, -1.0%, +3.2%, -0.9%, ...

没有历史交易记录也可以。如果你的系统已经有明确的参数（胜率和盈亏比），可以直接用这两个参数生成模拟数据。比如胜率55%、盈亏比1.5:1、每笔风险1%，就生成1000个随机交易结果，然后拿这1000个结果去做蒙特卡洛。

第二步：用Excel做简化版

Excel方法不用写代码，适合大多数人。

方法如下：

把你的历史盈亏数据放在A列，比如A1到A200，每格一个数字（百分比）
在B列用=INDEX($A$1:$A$200,RANDBETWEEN(1,200))随机抽取一个结果，填200行
在C列计算累积账户价值：C1=10000，C2=C1*(1+B2/100)，依次填到C200
在D1用=MIN(C1:C200)/MAX(C1:C200)-1计算这次模拟的最大回撤
按F9刷新，Excel会重新随机抽取一次，记录D1的数字
重复按F9，记录100次（或者用宏自动运行1000次）

100到1000次的结果就是你的蒙特卡洛样本。

第三步：用Python做完整版

如果你会一点Python，10行代码就够了：

import numpy as np
import pandas as pd

# 你的历史交易盈亏（百分比）
returns = np.array([2.1, -0.8, 1.5, -1.0, 3.2, -0.9, ...])  # 替换为你的数据

n_simulations = 1000
results = []

for _ in range(n_simulations):
    # 随机打乱顺序
    shuffled = np.random.choice(returns, size=len(returns), replace=True)
    # 计算账户曲线
    equity = np.cumprod(1 + shuffled/100) * 10000
    # 计算最大回撤
    rolling_max = np.maximum.accumulate(equity)
    drawdown = (equity - rolling_max) / rolling_max
    max_dd = drawdown.min()
    results.append(max_dd)

results = np.array(results)
print(f"中位数最大回撤: {np.median(results)*100:.1f}%")
print(f"5% 最坏情况回撤: {np.percentile(results, 5)*100:.1f}%")
print(f"1% 最坏情况回撤: {np.percentile(results, 1)*100:.1f}%")

第四步：解读结果

运行完之后，你会看到一个回撤分布。关键数字是：

中位数回撤：1000次里有500次比这个好，500次比这个差
5%分位数：最坏的50次里的最差情况，也就是”坏情况中的坏情况”
1%分位数：最坏的10次，极端情况

如果5%分位数的最大回撤是40%，说明每20次市场走势里，就有1次会让你回撤超过40%。你能接受吗？你的账户能撑住吗？

四、用模拟结果调整你的系统

蒙特卡洛模拟做完，你会得到一个风险分布。接下来的关键是：根据这个分布，做出实际决定。

情况一：结果还可以接受

如果1000次模拟里，95%的情况最大回撤都在25%以内，而你的承受能力是30%以内，那这个系统对你来说风险可控。

但也不要就此放松。你还需要看另一个数字：在最坏的5%情况下，系统最终还能盈利吗？

如果最坏的情况是最大回撤35%，但最终仍然盈利，说明系统的期望值足够强，即使运气极差也能熬过去。

如果最坏的情况是最大回撤35%且最终也是亏损的，说明系统本身的边际优势不够，需要改进。

情况二：结果超出你的承受范围

如果1000次里有10%的情况最大回撤超过40%，而你只有10万本金、只能接受20%回撤，这个系统对你现在的条件来说风险太高。

有两种调整方式：

方式一：降低每笔交易的风险比例

如果你现在每笔交易风险1%，把它改成0.5%。回撤会同比例缩小，但收益也会同比例减少。这是最直接的调整方法。

用蒙特卡洛重新跑一遍，确认降仓后的风险分布在你的接受范围内。

方式二：改善系统本身

如果降仓后系统的期望收益太低、没有实际意义，就要考虑改进系统：提高胜率、改善盈亏比、减少亏损笔数。

改进后再做一次蒙特卡洛，重新评估。

情况三：系统有致命缺陷

如果1000次里有相当比例的情况最终账户归零，或者回撤超过50%，这个系统不适合实盘。不管回测看起来多好。

这种情况不少见。很多看起来很美的系统，蒙特卡洛一跑，发现在某些极端顺序下会触发破产。这正是蒙特卡洛模拟的价值——在你拿真钱去冒险之前，告诉你最坏的可能性。

蒙特卡洛模拟的核心价值不是优化收益，而是在最坏的情况发生之前，让你做好准备。

五、进阶：让蒙特卡洛模拟更接近真实

基础版的蒙特卡洛已经很有用了，但还有几个进阶的改进值得了解。

改进一：考虑交易笔数对结果的影响

交易次数越多，结果越稳定。如果你的历史数据只有50笔，1000次模拟里结果的离散度会很大，置信度较低。

一般来说，至少需要100笔以上的历史交易，蒙特卡洛结果才有较高的参考价值。300笔以上更好。

如果历史数据太少，可以结合理论参数（胜率+盈亏比）来生成更多模拟数据点，但要标注这是理论推演，不是历史实测。

改进二：加入”灾难事件”概率

真实市场里，偶尔会出现回测数据里没有出现过的极端事件——闪崩、黑天鹅、一天暴跌30%。

你可以在蒙特卡洛的数据集里手动加入几个极端亏损数字（比如-10%、-15%的单笔亏损），模拟如果这类事件发生会怎样。这让你的风险评估更加保守，也更接近真实世界。

改进三：用蒙特卡洛设置止损规则

当实盘发生连续亏损，什么时候该停下来检查系统，什么时候只是正常的亏损周期？

蒙特卡洛可以告诉你答案。

如果1000次模拟里，最糟糕的5%情况下最多连续亏损8笔，那么当实盘里连续亏损超过10笔时，你有理由认为这可能不只是随机波动，而是系统出了问题，需要暂停检查。

连续亏损到第几笔该停？蒙特卡洛告诉你这个阈值，不是你的情绪。

总结：验证比技术更重要

交易者花在学习技术分析上的时间，往往是花在验证系统上的100倍。

这个比例反了。

一个没有经过严格验证的系统，不管它看起来多精妙、回测曲线多漂亮，都是未知的风险。你不知道它在极端情况下会表现如何，你也不知道你能不能在最坏的时候撑过去。

蒙特卡洛模拟不是高深的数学工具，它就是一个思维方式：市场不会按照历史顺序重演，但它会用各种顺序来测试你的系统。你需要知道最坏的测试会有多难。

做好这步，你对自己的系统才有真正的信心，而不是因为回测数字好看而自我安慰。

实盘中遇到连续止损，知道这在模拟里出现过，而且系统最终都能恢复，和不知道这一点、完全靠感觉撑着，心理状态完全不同。

这种心理稳定性，才是让你能够持续执行系统的基础。

先验证，再交易。这个顺序不能颠倒。

如果这篇文章对你有帮助，点个「在看」让更多交易者看到。 有问题欢迎在评论区交流，我会逐条回复。

往期精选：

免责声明：本文内容仅供学习交流，不构成任何投资建议。交易有风险，入市需谨慎。