发现系统优势
能否掌握优势是专家与业余者之间的区别。忽视了这一点，你就会输给那些没有忽视这一点的人。
所谓成功的交易，无非就是在低点买入，然后在高点卖出，或者在高点卖空，然后在低点买回平仓。在决定何时入市的时候，新手们所采用的方法大多类似撞大运。在老练的交易者们看来，他们的方法没有优势可言。优势这个词借鉴自赌博理论，原本是指赌场所掌握的统计学优势，它也指21点玩家可能通过记牌而获得的优势。在赌局中，如果你没有优势，从长期来看你肯定会输。
交易世界中也是如此。如果你没有优势，交易的成本会让你赔钱。佣金、成交价偏差、电脑成本、交易费和价格数据费会飞速膨胀。交易中的优势是指一种可以利用的统计学优势，它以市场行为为基础，而这些市场行为是会重复发生的。在交易世界中，最好的优势来自于人类认知偏差所酿成的市场行为。
系统优势的三大要素
要找到优势，你需要找准入市点，在这个点上，市场在理想的时间范围内向某个特定方向变动的概率要大于正常概率。然后，你还要为这个入市点设计一个退出策略，这样才能从期望的变动趋势中获利。简单地说，要想让优势最大化，入市策略和退出策略必须配对。因此，趋势跟踪入市策略可以与多种不同类型的趋势跟踪退出策略配对，反趋势入市策略可以与多种不同类型的反趋势退出策略配对，波段交易入市策略可以与多种不同类型的波段交易退出策略配对，等等。
为了理解这一点的重要性，让我们看看一个系统的优势是由哪些要素构成的。系统优势来自于三大要素：
•资产组合的选择：决定应该进入哪些市场的运算系统。
•入市信号：决定什么时候开始一笔交易的运算系统。
•退出信号：决定什么时候退出一笔交易的运算系统。
某个入市信号有可能在短期内拥有显著的优势，但在中期或长期内却没有优势。反之亦然，某个退出信号有可能对长期系统来说有优势，但对短期系统来说则没有。几个实例有助于我们理解这种效应。
优势比率
当某种特定的市场行为发生时，系统会发出入市信号。当你检验入市信号时，你需要关注的是伴随这种市场行为而来的价格变动。我们可以把这种价格变动分为两个部分：好的变动和坏的变动。
好的变动就是对你有利的变动。换句话说，如果你买入，那么市场上涨就是好的变动，市场下跌就是坏的变动；而如果你卖空，市场下跌就是好的变动，上涨就是坏的变动。举一个例子：买入之后，市场首先向坏的方向变动，也就是下跌了；然后，市场反弹，一直上扬到了一个新的高度，比最初的买入价还要高；接下来，市场再度转折，开始下跌，如图5–1所示。
图5–1好的变动与坏的变动
交易者们把往坏方向的最大变动幅度称为MAE（maximum adverse excursion，最大不利变动幅度），把往好方向的最大变动幅度称为MFE（maximum favorable excursion，最大有利变动幅度）。因此，图中的双箭头线标明了这次价格变动的MAE和MFE。在这个例子中，MFE（好的价格变动）远大于MAE（坏的价格变动）。
你可以用这些概念来直接衡量一个入市信号的优势。观察一个入市信号之后的价格变动，如果好方向的平均最大变动幅度大于坏方向的平均最大变动幅度（也就是说平均MFE高于平均MAE），这说明存在正的优势。如果平均MAE（不利变动）高于平均MFE（有利变动），这说明存在负的优势。可以说，一个真正随机性的入市策略会带来大致上相等的好变动和坏变动。比如，如果你用掷硬币的方式来作出买卖决策，正面朝上就买入，背面朝上就卖出，那么在你入市之后的价格变动中，MFE与MAE应该相等。
这只是思考入市优势的一种方式，为了把它转化为一种实实在在的衡量入市信号优势的方式，我们还得加上几个步骤。首先，你要想办法让各个不同市场上的价格变动具有可比性。其次，你要想办法决定衡量哪一段时期的平均MFE和MAE。只有把不同市场的MFE和MAE标准化，比较这些平均值才是有意义的。为此，你可以借用海龟们用来将不同市场的交易规模标准化的方法：用真实波动幅度均值（ATR）将它们统一化。
为了清楚地区分不同市场上的入市表现，我们也有必要比较一下一个入市信号在不同时间段内的效果。我通常会检验特定天数内的情况，所以我会衡量每一个入市信号产生后的特定天数内的MFE和MAE。目前我正在拥有一流系统测试环境的交易（Trading Blox）公司担任研发部门的主管，在那里，我们已经发明了一种我们称之为E–比率（优势比率的简称）的入市优势衡量指标。这个E–比率通过以下公式将上述所有要素结合了起来：
1. 为每一个入市信号计算指定时间段内的MFE和MAE。
2. 将上述各MFE和MAE值分别除以入市时的ATR，这是为了根据波动性作出调整，将不同市场标准化。
3. 将上述调整后的MFE和MAE值分别求和，然后除以入市信号的总次数，得出调整后的平均MFE和MAE。
4. 调整后的平均MFE除以调整后的平均MAE就是E–比率。
为了说明时间问题，我们会在E–比率的表达式中注明天数，也就是计算MFE和MAE的时间段。比如，E10–比率用的是10天内的MFE和MAE，包括入市的那一天；E50–比率用的是50天内的MFE和MAE，依此类推。
E–比率可以用来衡量一个入市信号是否具有优势。比如，你可以用它来检验一下一个完全随机性的入市策略是否有优势。举例如下：我用一个随机性的入市策略对过去10年内的E–比率进行了检验，这个入市策略根据电脑的随机处理结果（相当于掷硬币）决定在开盘时做多还是做空。30次检验的平均结果显示，E5–比率是1.01，E1–比率是1.005，E50–比率是0.997。如我们所料，这些数字非常接近于1.0，而且如果我们增加实验次数，这些数字会越来越接近于1.0。原因很简单：对一个头寸来说，在任何一个合理的时间范围内，价格既有可能向好的方向变化，也有可能向坏的方向变化，两者的概率是五五分。
你也可以用E–比率来检验一下唐奇安趋势系统的主要要素。这个系统的入市策略有两大要素，一个是唐奇安通道突破法则，另一个是趋势组合过滤器。根据唐奇安通道突破法则，你应该在价格突破过去20天内的最高点时买入，在价格跌破过去20天内的最低点时卖空。而趋势组合过滤器规定，你只能在50日均线高于300日均线的市场中做多，在50日均线低于300日均线的市场中做空。如果一个市场的状态对系统不利，这个趋势组合过滤器就会把这个市场剔除。
让我告诉你如何用E–比率来检验唐奇安趋势系统的入市法则。下面所说的所有检验结果都是以28个高容量的美国期货市场为样本，采用的是1996年1月1日至2006年6月30日的数据。
我们这个样本的E5–比率是0.99，E10–比率是1.0。“等等，”你可能会说，“如果一个入市策略有正的优势，那么E–比率应该大于1才对啊。”确实如此。但是，请不要忘了唐奇安通道突破系统是一个中期的趋势跟踪系统，所以它的入市策略在中期内才能体现出优势，而不是短期。更一般地说，一个入市策略的优势只有在这个策略所对应的时间跨度内才能体现出来。
我们这个入市策略的E70–比率是1.20。这意味着，对20日突破法交易来说，入市信号之后70天内的平均有利变动幅度比平均不利变动幅度大20%。
图5–2反映了20日突破系统在不同时间跨度内的优势比率。一开始，优势比率小于1.0，这表明短时间内的不利变动幅度一般来说要大于有利变动幅度。这就是突破法交易者很难克服心理障碍的原因之一。也正是由于这个原因，你可以利用反趋势交易策略来赚钱，寄希望于突破趋势不会维持下去，转而出现支撑或阻力机制下的反弹。
接下来，优势比率开始稳步攀升，但仍然在1.0以上的区域不规则地上下波动。这表明优势为正，但也很难精确地将它量化。
图5–2 不同时间跨度的优势比率
趋势组合过滤器
资产组合的选择标准对唐奇安通道系统的优势有什么样的影响？你可以用两种方法检验这一点。第一，你可以看看趋势组合过滤器对一个纯随机性入市策略的优势有什么影响，然后拿这个结果与1.0比较——因为在没有任何过滤的情况下，随机性策略的基本优势比率应该是1.0。第二，你可以把过滤器与我们的入市信号结合起来，看一看趋势组合过滤器对我们的突破信号的优势比率有什么影响。
通过检验7万个结合了资产过滤器的随机入市信号，我们得到了高达1.27的E70–比率，比入市信号本身的E70–比率还要高。这明显说明这个资产组合选择法则能够增强系统的优势。
使用趋势组合过滤器大大提高了突破法交易获得理想结果的可能性。在我们这个例子中，E70–比率从1.20变成了1.33。另外，如果将趋势组合过滤器与突破法相结合，优势比率曲线图的形状会改变，而且会变得更加平滑（见图5–3）。
请看图5–3，在我们加入趋势组合过滤器之后，图形变得高了很多，也平滑了很多。图中可见，E120–比率达到了1.6左右。
之所以如此，是因为与长期趋势相违背的突破交易都被剔除了。许多对初始头寸不利的重大变动都是由这些交易造成的，因为与一个大趋势方向相反的突破很难长时间维持下去。这些突破的发生也说明市场正处于一种不利于唐奇安趋势系统的状态中。
退出策略的优势
如果有可能的话，即使是系统的退出策略也应该有优势。遗憾的是，衡量退出策略的优势更不容易。这是因为退出策略与入市策略和退出信号都有关系。换句话说，你不能抛开最初建立一个头寸的缘由而去单独考察退出策略。这里面不止有一个系统要素，而是有多个不同要素，而且它们之间有着错综复杂的交互作用。
图5–3 结合了趋势过滤器的优势比率
既然这个系统非常复杂，那么与其去关心退出策略的优势，不如多注意一下退出策略对一个系统本身的衡量指标有哪些影响。因此，你最好根据那些最重要的衡量指标来判断一个退出策略的效果，而不是简简单单地观察退出之后的变化。
另外，当你考虑入市策略时，你所关心的实际上是入市之后会发生些什么，因为入市只是赌局的开始。只有进入市场，交易者们才能赚钱。退出策略就不同了。退出之后所发生的事对你的成果毫无影响，有影响的只是退出之前所发生的事。出于以上原因，你应该根据退出策略对系统整体表现的影响来评判它们。
