5 種倉位規則、同一個訊號：回測真正仰賴的部分

你的進場訊號很可能是回測中影響最小的部分。我可以拿一條平庸的動能規則，完全不動任何進出場時間戳，只改變決定持有多少合約的函數，就讓淨 Sharpe 從 0.41 升到 0.71，最大回撤從 31% 降到 13%。交易相同，成交相同，策略卻不同。

這種說法會惹人不快，而且也理應如此，因為它暗示我們花在調整回看期與篩選門檻上的大部分時間，都耗在次要項目上。讓我先展示實際跑出的結果，再好好回應批評者，因為這個論點確實有一種說法是錯的，值得弄清楚我主張的究竟是哪一種。

一個訊號，6 種持倉方式

訊號設定：Binance USDⓈ-M 的 ETHUSDT 永續合約，1 小時 K 線；12 小時 EMA 高於 96 小時 EMA 時做多，否則空倉，不做空。期間為 2022 年 7 月至 2026 年 6 月。431 次完整交易。雙邊 taker 手續費各 5.0 bps，每 8 小時依實際持倉支付或收取資金費率，滑價則根據最佳買賣報價的掛單深度建模。這是個刻意選得很無聊的訊號——我挑它是因為沒人會替它辯護，能讓測試條件更單純。

下表每一列的進出場 K 線時間戳都完全相同，唯一差異是倉位大小函數。

看看這個差距。最差與最佳列之間，Sharpe 相對差異達 73%，回撤則相差 2.4 倍。現在請你在這組資料上找出一個進場訊號參數，讓 Sharpe 增加 0.30，又不會明顯過度擬合。我找過了。EMA 週期組合在整個合理參數網格中的變化，約能讓 Sharpe 浮動 0.12，而其中大部分只是樣本外無法延續的雜訊。

為什麼反波動率表現這麼好，其中有多少是真的

背後原理並不神祕。採用固定名目金額時，倉位大小與已實現波動率無關，代表每筆交易的美元風險會隨當週波動而變。在這段期間的 ETH 市場中，20 日已實現波動率介於年化 31% 至 118%。固定名目金額策略在 2024 年 3 月承擔的美元風險，是 2023 年 7 月的 3.8 倍；原因不是訊號更有把握，而是市場波動更大。它的回撤幾乎全都集中在波動率最高的五分位。反波動率倉位調整消除了這種連動，改善報酬序列的型態確實有其效果。

但 Sharpe 提升有一部分是衡量上的假象；如果不把兩者拆開，你之後會做出錯誤決策。Sharpe 的分母是報酬標準差，而波動率目標本質上就是讓報酬標準差更穩定。你直接在最佳化分母。只要報酬序列有波動叢聚，將倉位調整到固定事前波動率的規則，幾乎都能提高 Sharpe，即使那條序列毫無優勢也一樣。我用打亂的訊號驗證過：隨機化進場時間戳，保留波動率目標調整，零均值基礎序列的 Sharpe 相較固定名目金額仍提高約 0.06。幅度不大，但確實存在，而且純粹來自機制本身。

因此，我們在內部比較倉位規則時，Sharpe 絕不會是表上唯一的數字。我還要看 Calmar、每單位平均投入名目金額的淨 PnL，以及毛利潤到淨利潤的成本瀑布圖，因為這三項合在一起，比較不容易用分母伎倆做出好看的結果。

波動率估計是模型，也會發生資訊洩漏

漂亮的倉位調整結果最後證明是假的，最常見的原因就是波動率估計用了正在調整倉位的那根 K 線資訊。如果你的波動率序列是用置中視窗計算，或在重採樣後（當中包含目前尚未收完的 K 線）套用 pandas 預設的 `rolling().std()`，又或者是依完整樣本做標準化，那就發生資訊洩漏了。這很隱晦，因為波動率有持續性，所以任何一列的洩漏都很小，權益曲線看起來仍然合理。只是在真正關鍵的那些星期，曲線會顯得稍微過度平滑。

我們的 agents 會在任何倉位規則進入模擬交易佇列前，檢查以下 4 件事：

1. 決策當下可取得的資料。14:00 開盤的 K 線所用倉位，必須能以收盤時間戳 ≤ 13:59:59.999 的資料計算。我們會隨機抽取 200 個決策時間點，從截斷後的資料框重新計算倉位序列並比對，以斷言這點成立。
2. 估計器回看期是實際參數。20 日波動率視窗和 60 日波動率視窗是兩種不同策略。回看期會和其他參數一起放進 walk-forward 網格；如果結果只有某一個視窗長度有效，那就是策略脆弱性的發現。
3. 檢視整段槓桿路徑，而不只看最高值。列出總槓桿的完整分布。上方那次未設上限的波動率目標測試，有 4% 的時間槓桿高於 5×；這種資訊在摘要表中總是看不到，卻完全左右策略能否實際執行。
4. 以倉位敏感度做穩健性測試。如果把波動率目標從 20% 改成 25% 後，Sharpe 就崩跌，那這策略就不是在做波動率目標調整，而是在調槓桿；你只是挑了一個數字來找到優勢。

資金都花在再平衡上了

看看成本欄。每小時依波動率目標再平衡，得到最高的表面 Sharpe，卻也把 41% 的毛利潤交給交易所。每年交易的名目金額是平均倉位的 1,180 倍，單邊手續費 5 bps，另加價差和市場衝擊成本。直覺上的解法是按排程降低再平衡頻率。更好的解法是設置不交易區間：只有當目前倉位偏離目標超過某個門檻時才調整。

20% 的區間把每年交易名目金額從 1,180× 降到 402×，減少 66%，Sharpe 則少了 0.05。我已在 8 個訊號上測過，結果模式一再重現：15% 至 25% 的區間，只用三分之一的換手量就能保留大部分風險控制效益；低於 10% 的區間，只是為了讓估計值看起來更精準而白白付手續費，何況這個數值本來就是用 20 日視窗估計的。面對標準誤有 15% 的數值，你不可能把再平衡精確到小數點後 3 位。

2 月時有一次測試，agent 寫的報告把 Sharpe 提升 0.22 歸功於「改善後的進場篩選器」。實際差異只有倉位模組裡的一行程式碼，篩選器根本沒改。我現在要求報告在頂端印出倉位設定的雜湊值，因為歸因需要紀律，而模型和其他人一樣，也很樂意編出好聽的故事。

模擬交易會讓倉位規則遇上什麼

回測和模擬交易之間的落差，這時會擴得最大，而且多半只是算術問題。依波動率調整倉位，會讓倉位大小在樣本期間上下浮動 4 至 8 倍。回測從未模擬過的交易所限制，這個範圍的兩端都會碰上。

小倉位時會遇到數量步進和最低名目金額限制。ETHUSDT 永續合約的數量步進為 0.001，最低名目金額為 $5。如果低波動狀態下你的倉位是 0.0004 ETH，回測會持有，模擬交易卻會完全不下單。這聽起來像是罕見例外，但別忘了波動率目標規則會在市場最平靜時配置最小倉位，而趨勢訊號的好進場點往往就在這種時候。大倉位時則會碰上倉位限制、保證金級距，以及 6× 倉位需要逐倉保證金管理，但你的回測並未建立清算模型。

我們曾遇到一個案例，模擬交易權益曲線連續 6 週都和回測相差不到 3%，之後卻大幅背離。原因是數值取整：下單倉位計算器用了 `int()` 截斷，而不是依步進取整；套用在平均只有 1.4 個步進的倉位上。回測是在連續空間計算倉位，實際下單計算器卻讓每筆小額交易都少了預定倉位的 20-30%。沒有什麼複雜的成交模型，也不是延遲問題，就是截斷。

批評者說得對的地方

有 3 個反對理由站得住腳，我不想刻意淡化。

第一，也是最重要的一點：倉位大小只能分配優勢，不能憑空創造優勢。如果你的訊號扣除合理的手續費和資金費率後，毛預期報酬小於或等於 0，表中每種規則都會虧錢；那些花俏的規則只不過讓虧損的波動型態更好看。我選的訊號在這段期間有微小但正向的淨優勢。把同樣 6 種規則用在每筆淨虧 −1.2 bps 的訊號上，績效排名不變，但每種規則期末權益都低於起始值。倉位大小只是某個東西的乘數；你仍然需要那個東西。

第二，波動率目標有個真實且已有充分紀錄的失效模式：在快速崩跌底部去槓桿，反彈後再加槓桿。急速 V 型反轉時，固定名目金額往往勝出，有時還大幅領先。2020 年 3 月的股票市場，以及 2024 年 8 月的加密貨幣市場回檔，都讓依波動率調整倉位的策略在回升階段吃足苦頭。我這 4 年的 ETH 樣本剛好包含更多波動叢聚下的盤跌，而 V 型劇烈震盪較少，因此反波動率的結果較好看。換一段期間，有些排名就會反轉；如果我拿 2020 年的表格打頭陣，這個論點就站不太住腳。

第三，倉位規則和其他東西一樣容易過度擬合。表中的 Half-Kelly 滾動估計就是警訊：看起來精密，有理論依據，最後卻得到倒數第二高的回撤，因為對雜訊報酬序列做滾動平均估計，結果根本不可靠，而 Kelly 對這種估計誤差極其敏感。任何把預期報酬估計當作輸入的倉位規則，都會承襲該估計的誤差，而且誤差還會放大。只根據變異數估計的規則穩定得多，因為用 4 年的每小時資料，變異數是我們唯一真正估得出來的動差。

從這些結果中，我會記住一件事：回測結果讓你意外時，先檢查倉位模組，再去訊號裡尋找巧思。報告 Sharpe 時，也要把槓桿路徑和成本瀑布圖一併列出，因為如此依賴倉位決策的數字，根本不是訊號本身的特性。