4. 稳定性统计
稳定性统计的目的是基于不太复杂的数字计算统计进而评估交易系统的稳定性。稳定性统计是通过资金管理策略来提高绩效的关键。只有正确使用杠杆作用才能有效测量交易优势。
赢率
盈利交易的百分比，即赢率，是很多交易者用来衡量执行成功的数据。该数据有时也称成功率或盈利率，和交易方法的可靠性相关。其仅仅是用总交易次数的百分比表示的盈利交易次数。其计算如下：
赢率 = 盈利交易次数 X 100 / 总交易次数
使用一个没有优势的随机进场方法 —— 例如，“掷钱币”方法 —— 其赢率将直接符合风险回报率。一个策略入市交易以正面为短期交易，反面为长期交易为基础，止损点为50，赢利点为20，可能产生的盈利将会多于止损（因为盈利从入市点开始较接近止损）。这并不是说该策略可能赚钱，因为即使赢率为70%而不是50%，它同样可能以盈亏平衡或亏损平仓。例如，连续亏损交易，点差和滑点可能对业绩产生负面影响。
亏损率
亏损率为交易报告中的非盈利交易百分比。需要知道的就是该数据并不总是由100%赢率而自动获得。交易不仅有赢利交易和亏损交易，同时还包括均衡交易。
亏损率 = 亏损交易次数 X 100 / 总交易次数
盈亏平衡率
该数据并不常见，但是却非常有用。该数据是交易报告中的盈亏平衡交易百分比，也就是既不产生盈利也不发生亏损的交易。
盈亏平衡率 = 盈亏平衡次数 X 100 / 总交易次数
Edge Box - 如果我们用55%的赢率来比较两种策略，如果设定一个策略的盈亏平衡率为0%，而另一个策略的盈亏平衡率为15%，那么该数据就会变得极其重要。我们可以从15%的盈亏平衡率和55%的赢率推断出亏损率只有30%(15% + 55% + 30% = 100%)，然而对没有盈亏平衡率的系统来说，亏损率为45%。即使系统赢率较为温和，但55%的赢率对20%的亏损率仍然是一个很不错的比率。
风险回报率
风险回报率是一个由特定交易的最大风险率除以相同交易的最大期望利润得出。风险回报率是用以评估特定交易环境的值，不应被用作报酬率。
风险回报率 = 特定交易的最大风险 / 同笔交易的最大预期
风险回报率是一个动态属性，考虑了交易的有利变动和不利变动（详见交易统计）。让我们假设您的开仓目标为500点，止损点为100。这时汇价上升480点，如果您没有采取措施保护利润的话，风险仍然相同。如果采取措施，风险回报率会相应的发生改变。将止损位上移至进场位置，例如，就是将风险从交易中移除。
赢/亏率
该数据即总盈利交易次数同总亏损交易次数之比。如果在100次交易中，您盈利50次，亏损50次，那么赢/亏率就为50:50。同样的，如果盈利70次，亏损30次，那么该比率即为7:3，等等。
同风险回报率相反，赢/亏率并不考虑盈利或亏损额度，而仅仅只考虑其为盈利还是亏损。该公式即为：
赢/亏率 = 盈利交易次数 / 亏损交易次数
需要记住的一个重要点就是，该比率并不是决定一个系统的盈利大小的唯一因素。当该策略正确时计算其盈利多少及当该策略错误时计算亏损多少同样很重要。
注意在将盈亏平衡交易从盈利交易和亏损交易中分离出来时，该比率会发生变化。
标准偏差
评估盈利能力的一个最有意义的方法是观察标准偏差。标准偏差衡量的是该交易结果同它们的平均值之间的差异大小。该值是用来定义实际价值和平均价值之间的差异。
个别交易结果同所有交易的均值之间的差异越大，标准偏差越大，随后的资产曲线变动就越大。相反的，个别交易结果同所有交易的均值越接近，标准偏差就越小，资产曲线变动就越小。
为了计算标准偏差，采取方差的平方根，从均值得出的偏差平方的均值。一个不包括平均值（每笔交易的平均利润）的标准偏差，不管是加还是减，将包括交易结果的67.5%。不管位于平均利润两侧哪一边的两个标准偏差将包括所有可能结果的95%，当以某个特定方法交易时。这意味着在95%的时间内，该系统会在这个范围内返回利润。
如果该回报同大的盈利和亏损之间的区别过大，该执行显示了一个大的标准偏差，因此被认为是有风险且变化无常的。相反地，如果回报在该均值附近，该执行的标准偏差较小，因此被认为风险较小。
下图显示了C章第一节讲述的策略的标准偏差。相对较低的数据是强度非常相近的盈利和亏损结果。5年测试期间的唯一例外是2008年下半年的波动爆裂。
平均盈利
每笔交易的平均盈利是指每笔交易可期望的平均盈利或亏损额。注意该计算痛前面的回报率不同。计算公式如下：
每笔交易平均盈利=（赢率 x 平均利润）-（亏损率 x 平均亏损）
让我们假设一个执行记录，其赢率为30%，回报率为2：1。在这种情况下，该结果可能为负值，意味着假设2：1的回报率并没有弥补70%的亏损率。
在回报率为1:3的情况下，您需要一个80%的赢率以获得一个可观的积极平均盈利，并不断获利。
该数据应该用货币价值而不是点数来表示，其原因在于没点价值的震荡。但是在这里更重要的是该数据一定是积极的。
利润下降幅度比率
该比率衡量的是在给定资金下降幅度后的获利金额。
例如，与60%的跌幅之后发生20%利润的业绩相比，在20%的跌幅后发生20%利润的业绩应该被视为较好的情况。
计算一段时间内的利润跌幅率时，净利润需要除以最大资金下降幅度。拉尔斯·克斯特纳（Lars Kestner）称，
该数据越大就越好，因为这表示在给定的跌幅数额下可以赚取更多的利润。从这个意义上来说，其创造了风险回报率的衡量。高风险策略具有较大的最大跌幅，并会导致较低的利润跌幅率。
利润下降幅度比率 = 净利润总额 / 最大资金下降幅度
来源：Lars Kestner，McGraw-Hill的“量化交易策略”，2003年，第82页
该数据计算的另一个方法显示了再创资产新高后该系统归还了多少资金。这有助于交易者决定某种方法是否适合其交易性格。
其是通过用平均利润值减两个标准偏差，然后用平均跌幅加上两个标准偏差得出的。这些数据来自于蒙特·卡洛（Monte Carlo）模拟。该结果以交易执行显露的利润归还额度为基础的假设比率。
Donald W. Pendergast Jr.认为在利润跌幅率为8:1或更佳比例时的某个系统是非常值得交易的。他解释到：
在最初，我们好像发现了一个合理的可交易系统【...】，现在我们需要考虑真实世界的结果可能同最低利润值较接近的可能性。
来源：Donald W. Pendergast Jr.的“交易系统评估”，股票技术分析&商品杂志，2009年3月，第14页
注意该数据也是蒙特·卡洛（Monte Carlo）模拟的一部分。该结果是一个很小的比例，通过采用最低利润值除以最大绝对美元减少。
什么是蒙特·卡洛（Monte Carlo）模拟？一些依赖于交易订单的统计数据。其中一个是连续亏损次数，另一个是下降幅度的几个变量。其他数据同样依赖于交易订单，除所有交易头寸规模相同的情况外。影响交易订单账户的一个方法是蒙特·卡洛（Monte Carlo）模拟。
该计算机技术用于模拟交易模式，创造了交易序列分配的随机样品统计。当使用蒙特·卡洛（Monte Carlo）分析来模拟交易时，交易分配，就像用交易清单表示的那样，其采样是用来产生交易序列的。每个序列都要分析，并且都要对结果进行排序来决定每个结果的可能性。
夏普比率（Sharpe Ratio）
夏普比率是由Nobel Laureate William Sharpe提出的，其是资金管理行业的标准，用来评估投资的风险回报效率。夏普比率是用回报率减去无风险利率 —— 如美国国债那样 —— 并用其结果除以系统回报的标准偏差。公式如下：
夏普比率 =（报酬率 – 无风险利率）/ 标准偏差
John L. Person是详细解释如下：
用平均超额收益（用策略所产生的回报减去无风险利率）除以回报的标准偏差，然后计算几个月的标准偏差，假设为12个月，用该回报除以12个月。您同样可以计算相同期间的每月回报的标准偏差。然后用月平均回报乘以12来得出年值，然后用每月回报标准偏差乘以12的平方根。（......） 对进一步的计算，您需要对无风险利率输入一个值（国债利率），其为年均回报率。您现在计算超额回报，这是您对无风险利率的回报的超额投资获得的年均回报率。这是您通过承担一些风险所得到的额外回报。
来源：“外汇征服（Forex Conquered）：活跃交易者的高概率系统和策略”John L. Person, Wiley，2007，第202—203页
因此，夏普比率是以上这些值的标准偏差在各个时期内的权益百分比变化。较高的夏普比率表明更大数量的平均利润可以有较少的逐日变动性。
卡尔马比率（Calmar Ratio）
初级交易者很少注意的另一个性能数据是卡尔马比率。尽管有很多的变化和曲折，该数据的最简化形式即年回报率同资金最大下降幅度之间的比率的绝对值。其类似于夏普比率，不同点在于卡尔马比率依赖于最差的情况而不是反复性。
如果一个性能记录显示年回报率为50%，最大跌幅为25%，那么卡尔马比率就为2。
卡尔马比率 = 复合年度回报率 / 最大跌幅
将卡尔马比率结合到评估系统库里有助于您更好的做好审视交易方法的准备，且作出更有效的比较。
R-multiple
R-multiples即每笔交易的最初风险。其本身并不是一个统计数据，但是是为预期计算服务的。
例如，如果您再1.5000上买入欧元对美元货币组，设定止损为1.4900.这表示如果交易以亏损结尾，那么亏损点为100。简而言之，您的R即为100点。但是您能在1.5300上将该货币对卖出，利润就为300点。这表示该交易的最终结果为+3R。因此公式如下：
R-multiple=（利润总额 / 初始R）
如果您的一系列亏损和收益用风险回报率表示，您所拥有的就是Van Tharp所说的R-multiple分配。这表明任何交易方法都可以用R-multiple分配来表示。当您的交易方法拥有一个R-multiple，您需要得出该分配的平均值 —— 即系统预期。
平均R-multiple
该数据是评价在给定交易下，每个交易者对每个货币单位盈利或亏损的预期获得。如果结果大于0则对应盈利系统，小于0则对应亏损系统。计算公式如下：
平均R-multiple =（总盈利百分比 – 总亏损百分比）/ 总风险百分比
预期
Van Tharp仅仅从硬止损的R-multiples角度来描述预期，因此可以计算每笔交易的最大风险。
该数据给出您在很多次交易之后对系统所期望的平均R值。换而言之，预期值可以告诉您在进行一些交易之后，每单位的货币风险可以期望的平均值。
您可以通过以下公式来计算一个系统的数学期望：
预期值 =（平均利润 X 赢率）–（平均亏损 X 亏损率）
该公式要求您在评估长期潜在利润时同时考虑赢率和收益率。例如，一个系统的精准率为50%，收益率为2：1，那么预期值就为0,5。这表明平均每笔交易风险额可预期50%的利润。如果您每笔交易的风险资金为2%，那么该系统下平均每笔交易可预期1%的利润。公式如下：
预期值 =（1+ 平均利润 / 平均亏损）X（赢率） -1
短期交易者通常实现的赢率较高，而长期交易者通常实现的利润因子（平均利润/平均亏损）较大。但是两者都力争一个积极的预期值。
数学预期复制意味着不管您的头寸规模是大还是小，您将在长期中损失资产。这种情况发生在，例如，赌徒的数学期望总是为负值。一个为0的预期值表明您的账号始终在盈亏平衡附近波动。Ralph Vince认为：
积极的预期值和消极的预期值之间的区别如同生与死之间的区别。不管您的预期的积极或消极程度怎样并不重要，重要的是预期值是积极的还是消极的。
来源：“资金管理数学：交易者的风险分析技术”。Ralph Vince, John Wiley and Sons，1992年，第18页
下一章节有助于您突破每笔交易的个别结果，从全局来分析整体数据。