一位年薪40万美元的量化分析师向他的投资组合经理展示了，为什么一个10次交易中赢9次的策略，仍然可能损失600万美元。

然后，他用真正描述资金的数字，替换了交易员们痴迷的两个指标。

这个策略看起来几乎不可能拒绝。

它赢得了90%的交易。

它的权益曲线连续数周向上移动。

亏损交易出现的频率足够低，以至于团队将它们视为例外。

这位量化分析师在白板上写下一个计算。

九次盈利交易每次赚2万美元。

第十次亏损25万美元。

这个策略先赚了18万美元，然后回吐25万美元。

尽管胜率为90%，每十次交易仍亏损7万美元。

将此扩展到1亿美元的投资组合，足够多的重复次数可能会在仪表板继续宣传精英命中率的同时，抹去数百万美元。

替代指标是期望值。

它将每个结果的概率和规模结合，计算出策略每笔交易应该赚或亏的金额。

但投资组合经理需要知道另一件事。

在那个平均值出现之前，这段旅程会有多剧烈？

这位量化分析师取出历史交易数据，生成数千种替代排序。

相同的赢家。

相同的输家。

每次不同的路径。

一些模拟显示温和的3%下降。

其他模拟将大额亏损集中在一起，将投资组合推至6%以上。

在1亿美元的账本上，这个差异就是600万美元。

胜率没有任何变化。

只是现实交付这些交易的顺序不同。

然后，他对期望值本身进行了自举法分析。

原始回测看起来是正面的，但置信区间显示，真实优势为零或负面的可能性仍然有意义。

这并不是真正关于选择更好绩效指标的教训。

而是关于理解，回测给你一个历史，而资本必须在接下来可能发生的每一个合理历史中生存。