虧損與盈利的不對稱性：正在摧毀你賬戶的數學原理

為什麼虧損50%需要盈利100%才能恢復，波動率拖累如何在橫盤市場中摧毀資本，以及每位演算法交易者必須掌握的風險管理公式。

打破直覺的思維題

想像一下：某資產先漲了70%，然後跌了70%。或者反過來——先跌後漲。哪種情況更划算？

答案：兩種情況虧損完全相同。乘法滿足交換律：

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

在價格"零變動"的情況下，你損失了49%的資本。這不是漏洞——這是收益率乘法性質的基本屬性。

為什麼虧損比盈利"更重"

百分比收益率是乘法空間中的運算。虧損50%意味著乘以0.5，要回到起點需要乘以2，即盈利100%。

恢復公式

若你損失了資本的 $x\%$，恢復到初始餘額所需的收益率為：

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

推導非常簡單。設初始資本為 $C$，虧損 $x\%$ 後：

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

恢復條件 $C_{after} \cdot (1 + R) = C$，因此：

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

不對稱性對照表

不對稱係數呈非線性增長。虧損50%後，你進入了一個在統計上幾乎不可能在不改變策略的情況下走出來的區域。

波動率拖累：橫盤市場中的沉默殺手

即使市場"原地不動"，波動率本身也會摧毀資本。這種現象被稱為波動率拖累（volatility drag，也叫 variance drain）。

正式定義

對於日收益率序列 $r_1, r_2, \ldots, r_n$，幾何（實際）收益率為：

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

算術（平均）收益率為：

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

兩者的近似關係為：

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

其中 $\sigma^2$ 為收益率的方差。項 $\frac{\sigma^2}{2}$ 就是波動率拖累。

示例：日波動率5%的橫盤市場

假設某資產每天以相等機率隨機漲跌5%。算術平均值 = 0%。但幾何收益率：

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

252個交易日後：$(1 - 0.00125)^{252} \approx 0.729$，即在"零平均波動"的情況下年化收益率為 -27.1%。

對於典型日波動率為3%–8%的加密貨幣市場，這意味著持有波動性資產而沒有方向性趨勢，必然導致資本損失。

實踐應用：Python 模擬

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%}")

類BTC波動率的典型輸出：

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%

對演算法交易的啟示

1. 風險/回報與凱利準則

瞭解虧損不對稱性後，最優倉位大小通過凱利準則計算：

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

其中 $p$ 為獲勝機率，$W$ 為平均盈利，$L$ 為平均虧損（作為賭注的比例）。

在交易實踐中，通常使用分數凱利（$f^{*}/2$ 或 $f^{*}/3$），在長期收益率略微降低的情況下顯著減少淨值波動。

2. 最大回撤與倉位大小

若策略允許最大回撤 $D_{max}$，止損設定在 $S\%$，則達到臨界回撤前可承受的最大連續止損次數：

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

示例：$D_{max} = 20\%$，止損 $2\%$：

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

策略可以承受11次連續止損。已知勝率，可估算此類連敗的機率：

$P(n\ \text{次止损}) = (1 - WR)^n$

勝率45%時：$P = 0.55^{11} \approx 0.14\%$ — 風險可接受。

3. 策略的幾何期望

策略的實際長期收益率不是交易的算術平均值，而是幾何期望：

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

策略參數 $W = 3\%$，$L = 1\%$，$WR = 40\%$：

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

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

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

一個風險回報對稱、勝率50%的策略因波動率拖累而虧損。

4. 槓桿：槓桿何時摧毀策略

槓桿不僅放大收益，還放大波動率拖累。沒有槓桿時，拖累為 $\frac{\sigma^2}{2}$；使用 $L$ 倍槓桿後變為 $\frac{L^2 \sigma^2}{2}$。槓桿下資本的幾何增長率：

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

其中 $\mu$ 為預期收益率，$\sigma$ 為資產波動率。

3倍槓桿將拖累放大 9倍，而非3倍。10倍槓桿放大 100倍。100倍槓桿放大 10,000倍。

凱利最優槓桿

$g(L)$ 的最大值在以下點取得：

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

這是理論最優值。實踐中使用分數凱利（$L^*/2$ 或 $L^*/3$），原因與倉位管理相同：$\mu$ 估計不精確、厚尾分佈、波動率非平穩性。

表格：槓桿、爆倉與波動率拖累

根據目標回撤計算最大槓桿

若將最大回撤限制在 $D_{max}$，資產在99%置信水平下的日VaR為 $V$：

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

表格的結論：對於高波動的加密市場，即使3倍槓桿也已經是激進的。加密交易所上流行的50×–125×槓桿，在第一次正常的市場波動中就數學上保證爆倉。

選擇槓桿的實用公式

穩健的方法是取多個估計值的最小值：

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

其中：

• $\frac{L_{Kelly}}{2}$ — 分數凱利（最優槓桿的一半）
• $\frac{D_{max}}{VaR}$ — 最大回撤約束
• $\frac{\sigma_{target}}{\sigma_{current}}$ — 波動率目標化（調整至目標組合波動率）
• $L_{exchange}$ — 交易所限制

取最小值確保所有約束條件都不被違反。實踐中，回撤約束通常是最嚴格的。

互動式計算器： 試試 Optimal Leverage Calculator — 輸入你的策略參數，通過四種方法視覺化獲取最優槓桿。

構建交易系統的結論

管理虧損在數學上比尋找盈利入場點更重要。這不是勵志口號——這是乘法收益率不對稱性的必然推論。

具體規則：

1. 止損是必須的。 每一個百分點的虧損都以指數方式增加恢復難度。回撤超過25%（需要+33%恢復）是紅色警戒區。

2. 最低風險回報比 = 1:2。 對稱的風險回報比下，即使50%的勝率也是虧損的。只有盈利方向不對稱的風險回報比才能補償波動率拖累。

3. 用分數凱利確定倉位。 完整凱利在理論上最優，但實踐中 $f^{*}/2$ 在將淨值波動率降低50%的同時，保留了75%的收益率。

4. 沒有優勢時，波動率是你的敵人。 在高波動資產的橫盤市場中，單純持有倉位本身就會產生虧損。如果你沒有統計優勢——不要交易。

5. 計算幾何期望，而非算術期望。 顯示每筆交易平均盈利的回測是在撒謊——實際收益率總是低於算術平均值 $\frac{\sigma^2}{2}$。

6. 槓桿來自公式，而非貪婪。 使用公式 $L_{max} = D_{max} / VaR$ 計算最大槓桿。對於日VaR為8%、目標回撤20%的加密貨幣，結果是2.5×——不是50×，更不是125×。

結論：正確計算——生存更久

理解收益率的乘法性質不是學術練習。它是構建任何可持續交易系統的基礎。

大多數交易者輸給市場，不是因為缺乏"直覺"或內部資訊——而是因為他們在加法空間（算術平均值）中做決策，而市場在乘法空間（幾何平均值）中運作。

每筆交易前值得問自己的三個問題：

1. 如果止損觸發——我能恢復嗎？ 公式 $R_{recovery} = \frac{x}{100-x}$ 立即給出答案。當每筆交易風險超過10%時，恢復開始需要不成比例的努力。

2. 我有統計優勢嗎？ 如果沒有——不要交易。波動率本身通過波動率拖累保證虧損。在波動性條件下缺乏優勢，是對資本緩慢但不可避免的侵蝕。

3. 我的策略的幾何期望是多少？ 不是每筆交易的平均盈利，不是勝率百分比——而是 $E_{geo}$。這是唯一能顯示真實長期效果的指標。

演算法交易始於數學，而非程式碼。程式碼只是實現已通過數學驗證的策略的工具。沒有這種驗證，即使是完美編寫的演算法也會系統性地減少你的賬戶餘額。

市場不懲罰錯誤——它只是將資本從計算錯誤的人那裡重新分配給計算正確的人。

下一主題：均值-方差方法的投資組合最佳化——分散投資何時有效，何時變成安全幻覺。

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。}
}