老猫的逃顶策略。九妹充值信仰。李法师和蛋总都表示在这个圈子要互相助益，

很久不谈论行情的九妹昨天喊单了，她说牛市继续不要被洗下车，劝大家要拿住筹码，行情的确是在原地折腾，一会儿让你觉得可能反弹结束了，一会儿又给你希望，这样的行情很容易两头挨打。

所以很需要有人出来充值信仰啊！要不然的话真的是拿不住，九月份还真是一个很煎熬的月份，不像前面那一个多月一直单边上涨。

说来也很神奇啊，从7月20号以来的一个多月单边上涨的时候，大家一直盼着回调，他们说回调就上车，所以挣钱的人也是少数，虽然行情一直走的很好。

但是现在九月份开始各种折腾，然后挣钱的人还是很少。因此，可以说明一个问题，无论市场是单边上涨还是单边下跌，还是上下震荡，挣钱的都是少数人。

这轮的减半行情已经从2020年的三月份走到现在，如果是之前一直定投或者是熊市一直在持续买入的人已经挣得盆满钵满了，有人说，牛市就是一场伟大的撤退。

那些长期价值投资者已经制定好了撤退的方案，当然细节可能不一样，差不多都大同小异的，分批撤退，有的说每上涨上百分之十十就抛掉10%的筹码，有的说上涨50%就抛掉30%的筹码，最后有的决定是全部抛售，有的人还得留一点点底仓。

不管最后怎么样？总之在牛市，如果不逃顶的话，将要经历两年甚至更长时间的熊市周期，那么相信会肠子都悔青了，经历过这些的老猫对此深有感触。

老猫为此也制定了自己本能牛市的退出策略他说：预设牛市初期持有一定数量的大饼，如果判断这是一个牛市周期，假设判断200k为周期相对高位，那么50k,100k,150k,200k分配调整10%比例的大饼为u。

周期没结束只出不进，出来的u部分消费部分用于下个周期抄底，这样做哪怕价格再上天，还有6成筹码，也不会感觉被市场抛弃了。

不要贪图能赚到每一分钱，确保心态良好，如果非憋着全部到“顶”再调整，要是市场走势没那么如愿，有可能你会失去几年的幸福感，其实很没必要的。

最近我看到市场的热点实在是太多了，如果仅凭一人之力，每天拼命努力的学习，那也不可能每个赛道，每个细分领域都学到，因为人的精力是有限的。

所以就出现了一种抱团现象，你擅长什么领域，然后可以带着别人一起赚钱，而他擅长什么领域，也可以带着你，这样互利互惠的一个情况，所以要融入这个圈子，你首先得知道自己有什么价值，或者你能为别人带来什么价值？

这个是非常有道理的，很多人只知道索取，一直在让别人为你做什么，而自己完全不知道付出，其实这样会被整个圈子抛弃的。

首先你要有价值，别人才会带着你玩，这也是我最初建群的主要目的，希望群里的人能够互相扶持，都有自己的看家本领，但是事与愿违，很多时候，在社区看到的不是付出，而是无底线的索取。

看起来都是聪明人嗯，生怕自己吃亏，实则这样下去的话，并非长久之计，最后得的结果大家都懂，每个人都很忙，忙着赚钱，哪有时间无条件的一直奉献呢？

在市场有盈利能力的人大多都有一个共同的想法，就是要找比自己更有能力的人在一起交流，所以你要是一直期待着别人的扶持，那如果自己没有能力的话，那怎么能愉快的一起玩耍呢？

现在想赚钱的话，某些项目是需要一些门槛的，如果大家都明白了，无风险套利的话可能就机会不大了，所以都在低头研究一些还没被发现了领域。

金融市场都是相通的，挣钱的方法很多，但是亏钱的也是大同小异，如果有经历这些那么离亏也不远了。

[昨天晚上据说好多人都熬夜抢苹果13了？苹果的官网都崩了？

iphone4~6出来的时候，实体店排队抢的情况。也是人山人海的。

如果当时买嗯iPhone4的钱用来买比特币的话，现在可能要好很多。

不知道昨晚抢到的人，几年后会不会也是这么后悔呢？

02

海龟交易法则连载——柯蒂斯.费斯著

如果我们把所有可能连线上的所有点做一次简单的线性回归，我们就能得到回报率的一个更好的衡量指标，如果你不喜欢数学，那我告诉你，回归线就是最符合散点分布趋势的一条线，有时候也被称为最佳拟合线。

你可以把它理解为穿越所有散点中心位置的一条直线，回归过程就像是揪住散点图的两端将它不断拉伸，保持图形的整体方向不变，直到所有的起浮之处消失聚合为一条直线，线性回归线和他所代表的回报率为我们提供了一个新指标，我们称之为rar，回归年度回报率，这个指标对测试期起止日的变化，远不像cagr那样敏感。当rar的测试起止日改变时，回归线斜率的变化要小得多。

如果我们像比较ctr那样比较一下测试期变化前后的rar，我们会发现rar这个指标对测试起止的变化不像cr那样敏感，因为前后两条回归线斜率差异要的小得多，初始测试的rar是54.67%修改起止日之后变为54.78%，仅仅提高了0.11%，相比之下，cagr从43.2%上升为46.2%，有3%的变化。

用在夏普比率的月度回报率指标同样对这样的变化非常敏感，因为我们去掉了前后两端的三个表现不佳的月份，平均回报率当然会受到影响，尽管影响程度不像cagr那样大，在夏普比率的分子中用rar指标更好。

用于计算mar比率的最大衰落指标也对测试起止的变化高度敏感，只要最大衰落发生在测试期的前后任意端，mar就会受到很大的影响，最大衰落只是曲线上的一个点，所以你并没有看到其他一些有价值的数据，一个包含更多衰落期的指标要好于这个指标。

如果一个系统仅仅经历了两个月的衰落，就转而创出新高，我并不会太在意，但一次持续两年的衰落，就是另外一回事儿了，恢复时间或衰落期的长度本身也是非常重要的。

为了把上述所有因素都考虑在内，我发明了一个新的风险回报比指标，我称之为稳健风险回报比率，我也喜欢称之为R立方，因为我的骨子里还是有点技术遗风，习惯于用这样的术语，R立方的分子就rar，分母也是个新指标，我称之为长度调整平均最大衰落。这个分母指标有两个要素，平均最大衰落和长度调整。平均最大衰落就是五次最大衰落的平均值。

长度调整就是将这五个衰落期的平均天数除以365天，然后用这个结果乘以平均最大衰落，平均衰落天数的计算原理与平均衰落幅度相同，也就是将五次衰落期的天数相加再除以五，因此，如果rar是50%，平均最大衰落是25%，而平均衰落长度是一年，也就是365天，那么R立方就等于2.0，也就是分子是50%，分母是百分之25×365再除以365，作为一个风险回报比指标，R立方从程度和时间这两个角度考虑了风险问题，它所使用的指标对测试起止日的变化并不是那么敏感，因此她比mar指标更稳健，也就是说他不太容易随着数据的轻微变动而发生大的变化。

稳健夏普比率就是rar除以年度化的月度回报标准差，这个指标对数据变化的敏感度较低，原因与rar的敏感度低于cagr的原因相同

稳健指标对测试起止日的变化远不如普通指标敏感，很明显稳健指标的敏感度要低于现有的指标，R立方指标虽然对首尾两个大衰落的去除也很敏感，但敏感度要低于mar比率，首次衰落的影响被R立方指标的平均化处理缓和了，所有的稳健指标受数据变化的影响都要小于相应的普通指标，假如新的测试没有改变最大衰落，R而立方将与rar一样只有0.4%的变化，而且与普通指标的差距将更富戏剧性，因为mar的变化幅度将达到5.2%，等于它的分子cagr的变化幅度远远大于rar的0.4%

相比较不太稳健的指标，稳健的指标也不太受到运气因素的影响，比如，如果一个交易者因为恰好外出休假而幸运地避开了一次大衰落，他的mar比率可能比同行高一些，但这种运气因素会在R立方上暴露出来，因为单单一次事件对R立方的影响并没有这么大，如果你用的是不稳健的指标，那么，你所得到的理想结果，更有可能是好运所致，而不是可以利用的重复性市场行为模式，这也是使用稳健指标的另一个原因。

使用稳健指标，还能帮助你避开过度拟合的危害，因为他们不太容易因为数据的微小变动而发生大的变化，请回忆一下，我们在讨论过度拟合现象的时候，曾经拿双重移动均线系统做了个试验，添加了几条法则，以提高他的表现，意在降低衰落程度的新法则，令系统的cagr从41.4%上升到了45.7%，涨幅10.3%，mar比率从0.74上升到107，涨幅60%，相比之下，稳健的回报率指标rat仅从53.5%上升到53.75%，涨幅不过0.4%，稳健的风险回报比指标R立方从3.29上升到3.86，仅仅提高17.3%可见稳健指标不太容易因为少数交易的调整而呈现大的改进。

因此，由于曲线拟合手段往往只是对少数交易有益，如果你使用稳健指标，你就不太容易用曲线拟合的手段来显著改善系统的表现。

我们的样本交易和检验结果对未来有多大的代表性，是有两大因素决定的，一、市场数量，我们所测试的市场越多，我们就越有可能将市场的各种不同状态包含在内，二，测试时间，时间跨度较长的测试会涵盖更多的市场状态，而且更有可能将具有未来代表性的历史时期包含在内，我建议你，把你能得到的所有数据都测试一遍。

如果你没有经过多个市场和多个年头的充分测试，就盲目相信了一个系统，那你的风险可就大了，假如你的系统第一次碰上某种市场状态就失效了，但这种状态在过去的20年中已经出现了三四次，只不过你并没有检验过他，你不会觉得自己很愚蠢吗？

年轻的交易者特别容易犯这种错误，他们相信，他们所看到的状态就是市场整体状态的代表，而往往意识不到市场具有周期性和多变性，经常回归到过去曾经出现过的状态，就像在生活中一样，年轻人往往看不到历史的价值，就因为历史发生在他们出生之前，年轻是好事儿，但不要太愚蠢，一定要学历史，还记得吗在互联网泡沫时代，每个人都是短线高手，每个人都是天才，但当泡馍破裂，曾经大获成功的方法不再有效时，这些天才又有几个能生存下来，如果他们做过一点测试，他们就会知道他们的方法是以那个黄金时期的特殊市场状态为依托的，因此当这些状态不再存在时，他们会放弃这些方法，也许他们从一开始就会采用适用于所有状态的稳健方法。

样本规模这个概率很简单，你需要一个足够大的样本才能做出有效的统计学推理，样本越小，推理就越粗糙，样本越大，推理就越准确，这方面不存在某个神奇的标准数字，样本就是越大越好，越小越糟，不到20的样本规模会导致严重的偏差，超过100的样本规模更具预测价值，达到数百的样本规模，也许对大多数测试来说就够用了，有些公式和方法会明确的规定，样本的必要规模，但遗憾的是，这些公式都不是味交易世界中的那些数据设计，因为交易的世界不存在精细而有规律的潜在收益分布曲线。

不过，真正的挑战并不在于确定样本的必要规模，真正的问题是，当你考虑某个并不是经常发挥作用的法则时，你很难评判从过去的数据中得出的推论，因为对这样的法则来说，你没办法得到足够大的样本，以大泡沫濒临破裂似的市场行为为例，你可以想出某些针对这种市场状态的法则，甚至可以检验这些法则，但你不可能收集到做出决策所需要的样本，在这种情况下，我们必须明白我们的测试结果不具备太大的说服力，因为我们的样本比必要样本要小得多，这个问题也存在于前文所说的季节性趋势的分析中，在你测试一条新法则时，你必须衡量一下这个法则的应用频率，如果一条法则在整个测试期内只有四次生效，那么，从统计学上说，你无从判断这条法则是否有用，你所看到的效果很有可能只是随机性的，有个办法可以解决这个问题，你可以设法将这条法则一般化，提高他发挥作用的频率，这样一来，样本规模就会扩大，法则测试的统计学说服力，有两种常见的做法，可以将小样本规模的问题进一步放大，一个是单一市场最优化，一个是系统设计过于复杂，

一、单一市场最优化，单独用在各个市场中的最优化方法，更难用足够大的样本进行测试，因为单个市场上的交易机会要少得多，

二、过于复杂的系统，复杂的系统有很多法则，有时候很难判断某一条法则发挥作用的频率和程度，因此，如果用过于复杂的系统进行测试，我们很难对测试结果的说服力抱有信心，出于这些原因，我不建议针对单个市场进行最优化，而且我更喜欢更具统计学意义的简单理念。

—-

编译者/作者：币圈de精灵

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。