亏损与盈利的不对称性：正在摧毁你账户的数学原理

为什么亏损50%需要盈利100%才能恢复，波动率拖累如何在横盘市场中摧毁资本，以及每位算法交易者必须掌握的风险管理公式。

打破直觉的思维题

想象一下：某资产先涨了70%，然后跌了70%。或者反过来——先跌后涨。哪种情况更划算？

答案：两种情况亏损完全相同。乘法满足交换律：

$100 \times 1.7 \times 0.3 = 100 \times 0.3 \times 1.7 = 51$

在价格"零变动"的情况下，你损失了49%的资本。这不是漏洞——这是收益率乘法性质的基本属性。

为什么亏损比盈利"更重"

百分比收益率是乘法空间中的运算。亏损50%意味着乘以0.5，要回到起点需要乘以2，即盈利100%。

恢复公式

若你损失了资本的 $x\%$，恢复到初始余额所需的收益率为：

$R_{recovery} = \frac{x}{100 - x} \times 100\%$

推导非常简单。设初始资本为 $C$，亏损 $x\%$ 后：

$C_{after} = C \cdot \left(1 - \frac{x}{100}\right)$

恢复条件 $C_{after} \cdot (1 + R) = C$，因此：

$R = \frac{C}{C_{after}} - 1 = \frac{1}{1 - x/100} - 1 = \frac{x}{100 - x}$

不对称性对照表

不对称系数呈非线性增长。亏损50%后，你进入了一个在统计上几乎不可能在不改变策略的情况下走出来的区域。

波动率拖累：横盘市场中的沉默杀手

即使市场"原地不动"，波动率本身也会摧毁资本。这种现象被称为波动率拖累（volatility drag，也叫 variance drain）。

正式定义

对于日收益率序列 $r_1, r_2, \ldots, r_n$，几何（实际）收益率为：

$G = \prod_{i=1}^{n}(1 + r_i) - 1$

算术（平均）收益率为：

$\bar{r} = \frac{1}{n}\sum_{i=1}^{n} r_i$

两者的近似关系为：

$G \approx \bar{r} - \frac{\sigma^2}{2}$

其中 $\sigma^2$ 为收益率的方差。项 $\frac{\sigma^2}{2}$ 就是波动率拖累。

示例：日波动率5%的横盘市场

假设某资产每天以相等概率随机涨跌5%。算术平均值 = 0%。但几何收益率：

$G \approx 0 - \frac{0.05^2}{2} = -0.125\%$

252个交易日后：$(1 - 0.00125)^{252} \approx 0.729$，即在"零平均波动"的情况下年化收益率为 -27.1%。

对于典型日波动率为3%–8%的加密货币市场，这意味着持有波动性资产而没有方向性趋势，必然导致资本损失。

实践应用：Python 模拟

import numpy as np

def simulate_volatility_drag(daily_vol: float, days: int = 252, simulations: int = 10_000) -> dict:
    """
    使用蒙特卡洛方法模拟波动率拖累。

    参数：
        daily_vol: 日波动率（0.05 = 5%）
        days: 交易日数量
        simulations: 模拟次数

    返回：
        实际（几何）收益率的统计数据
    """
    daily_returns = np.random.normal(0, daily_vol, (simulations, days))

    cumulative = np.prod(1 + daily_returns, axis=1)
    geo_returns = cumulative - 1

    theoretical_drag = -0.5 * daily_vol**2 * days

    return {
        "mean_geometric_return": np.mean(geo_returns),
        "median_geometric_return": np.median(geo_returns),
        "theoretical_drag": theoretical_drag,
        "prob_loss": np.mean(geo_returns < 0),
        "worst_5pct": np.percentile(geo_returns, 5),
        "best_5pct": np.percentile(geo_returns, 95),
    }

result = simulate_volatility_drag(daily_vol=0.04)
print(f"平均几何收益率：  {result['mean_geometric_return']:.2%}")
print(f"理论拖累：        {result['theoretical_drag']:.2%}")
print(f"亏损概率：        {result['prob_loss']:.2%}")
print(f"最差5%：          {result['worst_5pct']:.2%}")

类BTC波动率的典型输出：

平均几何收益率：  -17.34%
理论拖累：        -20.16%
亏损概率：         63.28%
最差5%：          -72.41%

对算法交易的启示

1. 风险/回报与凯利准则

了解亏损不对称性后，最优仓位大小通过凯利准则计算：

$f^* = \frac{p \cdot W - (1 - p) \cdot L}{W \cdot L}$

其中 $p$ 为获胜概率，$W$ 为平均盈利，$L$ 为平均亏损（作为赌注的比例）。

在交易实践中，通常使用分数凯利（$f^{*}/2$ 或 $f^{*}/3$），在长期收益率略微降低的情况下显著减少净值波动。

2. 最大回撤与仓位大小

若策略允许最大回撤 $D_{max}$，止损设置在 $S\%$，则达到临界回撤前可承受的最大连续止损次数：

$n = \frac{\ln(1 - D_{max})}{\ln(1 - S)}$

示例：$D_{max} = 20\%$，止损 $2\%$：

$n = \frac{\ln(0.8)}{\ln(0.98)} = \frac{-0.2231}{-0.0202} \approx 11$

策略可以承受11次连续止损。已知胜率，可估算此类连败的概率：

$P(n\ \text{次止损}) = (1 - WR)^n$

胜率45%时：$P = 0.55^{11} \approx 0.14\%$ — 风险可接受。

3. 策略的几何期望

策略的实际长期收益率不是交易的算术平均值，而是几何期望：

$E_{geo} = (1 + W)^p \times (1 - L)^{(1-p)} - 1$

策略参数 $W = 3\%$，$L = 1\%$，$WR = 40\%$：

$E_{geo} = 1.03^{0.4} \times 0.99^{0.6} - 1 = 1.01194 \times 0.99401 - 1 = +0.59\%$

策略参数 $W = 3\%$，$L = 3\%$，$WR = 50\%$（看似"保本"）：

$E_{geo} = 1.03^{0.5} \times 0.97^{0.5} - 1 = 1.01489 \times 0.98489 - 1 = -0.045\%$

一个风险回报对称、胜率50%的策略因波动率拖累而亏损。

4. 杠杆：杠杆何时摧毁策略

杠杆不仅放大收益，还放大波动率拖累。没有杠杆时，拖累为 $\frac{\sigma^2}{2}$；使用 $L$ 倍杠杆后变为 $\frac{L^2 \sigma^2}{2}$。杠杆下资本的几何增长率：

$g(L) = L \cdot \mu - \frac{L^2 \sigma^2}{2}$

其中 $\mu$ 为预期收益率，$\sigma$ 为资产波动率。

3倍杠杆将拖累放大 9倍，而非3倍。10倍杠杆放大 100倍。100倍杠杆放大 10,000倍。

凯利最优杠杆

$g(L)$ 的最大值在以下点取得：

$L^* = \frac{\mu}{\sigma^2}$

这是理论最优值。实践中使用分数凯利（$L^*/2$ 或 $L^*/3$），原因与仓位管理相同：$\mu$ 估计不精确、厚尾分布、波动率非平稳性。

表格：杠杆、爆仓与波动率拖累

根据目标回撤计算最大杠杆

若将最大回撤限制在 $D_{max}$，资产在99%置信水平下的日VaR为 $V$：

$L_{max} = \frac{D_{max}}{V}$

表格的结论：对于高波动的加密市场，即使3倍杠杆也已经是激进的。加密交易所上流行的50×–125×杠杆，在第一次正常的市场波动中就数学上保证爆仓。

选择杠杆的实用公式

稳健的方法是取多个估计值的最小值：

$L_{opt} = \min\left(\frac{L_{Kelly}}{2},\quad \frac{D_{max}}{VaR},\quad \frac{\sigma_{target}}{\sigma_{current}},\quad L_{exchange}\right)$

其中：

• $\frac{L_{Kelly}}{2}$ — 分数凯利（最优杠杆的一半）
• $\frac{D_{max}}{VaR}$ — 最大回撤约束
• $\frac{\sigma_{target}}{\sigma_{current}}$ — 波动率目标化（调整至目标组合波动率）
• $L_{exchange}$ — 交易所限制

取最小值确保所有约束条件都不被违反。实践中，回撤约束通常是最严格的。

交互式计算器： 试试 Optimal Leverage Calculator — 输入你的策略参数，通过四种方法可视化获取最优杠杆。

构建交易系统的结论

管理亏损在数学上比寻找盈利入场点更重要。这不是励志口号——这是乘法收益率不对称性的必然推论。

具体规则：

1. 止损是必须的。 每一个百分点的亏损都以指数方式增加恢复难度。回撤超过25%（需要+33%恢复）是红色警戒区。

2. 最低风险回报比 = 1:2。 对称的风险回报比下，即使50%的胜率也是亏损的。只有盈利方向不对称的风险回报比才能补偿波动率拖累。

3. 用分数凯利确定仓位。 完整凯利在理论上最优，但实践中 $f^{*}/2$ 在将净值波动率降低50%的同时，保留了75%的收益率。

4. 没有优势时，波动率是你的敌人。 在高波动资产的横盘市场中，单纯持有仓位本身就会产生亏损。如果你没有统计优势——不要交易。

5. 计算几何期望，而非算术期望。 显示每笔交易平均盈利的回测是在撒谎——实际收益率总是低于算术平均值 $\frac{\sigma^2}{2}$。

6. 杠杆来自公式，而非贪婪。 使用公式 $L_{max} = D_{max} / VaR$ 计算最大杠杆。对于日VaR为8%、目标回撤20%的加密货币，结果是2.5×——不是50×，更不是125×。

结论：正确计算——生存更久

理解收益率的乘法性质不是学术练习。它是构建任何可持续交易系统的基础。

大多数交易者输给市场，不是因为缺乏"直觉"或内部信息——而是因为他们在加法空间（算术平均值）中做决策，而市场在乘法空间（几何平均值）中运作。

每笔交易前值得问自己的三个问题：

1. 如果止损触发——我能恢复吗？ 公式 $R_{recovery} = \frac{x}{100-x}$ 立即给出答案。当每笔交易风险超过10%时，恢复开始需要不成比例的努力。

2. 我有统计优势吗？ 如果没有——不要交易。波动率本身通过波动率拖累保证亏损。在波动性条件下缺乏优势，是对资本缓慢但不可避免的侵蚀。

3. 我的策略的几何期望是多少？ 不是每笔交易的平均盈利，不是胜率百分比——而是 $E_{geo}$。这是唯一能显示真实长期效果的指标。

算法交易始于数学，而非代码。代码只是实现已通过数学验证的策略的工具。没有这种验证，即使是完美编写的算法也会系统性地减少你的账户余额。

市场不惩罚错误——它只是将资本从计算错误的人那里重新分配给计算正确的人。

下一主题：均值-方差方法的投资组合优化——分散投资何时有效，何时变成安全幻觉。

引用

@article{soloviov2026lossprofitasymmetry,
  author = {Soloviov, Eugen},
  title = {亏损与盈利的不对称性：正在摧毁你账户的数学原理},
  year = {2026},
  url = {https://marketmaker.cc/zh/blog/post/loss-profit-asymmetry},
  version = {0.1.0},
  description = {为什么亏损50%需要盈利100%才能恢复，波动率拖累如何在横盘市场中摧毁资本，以及每位算法交易者必须掌握的风险管理公式。}
}