夜雨聆风
机构从来不是先看收益，而是先看风险。
目录
——投行与资管视角下，真正决定生死的，从来不是收益率，而是“存活率”
导语
在量化行业里，大部分新手都有一个共同误区：
他们以为：
“只要找到高收益策略，就能长期赚钱。”
但真正进入资管行业后你会发现：
机构从来不是先看收益，而是先看风险。
因为：
* 收益决定你能赚多少钱；
* 风险决定你还能不能继续留在市场。
一个年化 30% 的策略，如果最大回撤 60%，它在很多机构眼里并不优秀，甚至不可投资。
原因很简单：
大部分人不是死在“赚不到钱”，而是死在“扛不到赚钱的那一天”。
这也是为什么：
* 顶级量化基金最核心的部门通常不是策略研发，而是 Risk Management（风险管理）；
* 顶级资管公司最重要的能力不是预测市场，而是控制回撤；
* 真正长期活下来的交易者，往往不是收益率最高的人，而是风险收益比最好的人。
在量化世界里：
Alpha 决定上限；风控决定下限；而长期收益，本质上是两者共同作用后的结果。
一、风险管理：量化交易真正的核心
很多人以为量化交易的核心是：
* AI；
* 高频；
* 因子；
* 数学模型；
* 神经网络；
* 强化学习。
但在投行与资管体系里，真正排第一位的永远是：
Risk First（风险优先）
因为金融市场有一个极其残酷的特点：
盈亏是不对称的
亏损 | 回本需要上涨 |
-10% | +11.1% |
-20% | +25% |
-30% | +42.9% |
-50% | +100% |
-70% | +233% |
-90% | +900% |
这意味着：
亏损越大，恢复难度呈指数级上升。
很多人一年赚 50%，一次爆仓全没了。
而专业机构更关注：
“这个策略能不能长期稳定活下来？”
因为：
* 一次黑天鹅；
* 一次流动性危机；
* 一次错误杠杆；
* 一次风控失效；
就足以抹掉过去几年全部利润。
二、真正毁灭交易员的，不是亏损，而是“致命亏损”
LTCM：金融史上最经典的风险管理失败案例
1990 年代最著名的量化基金：
Long-Term Capital Management（LTCM）
创始团队包括：
* 两位诺贝尔经济学奖得主；
* 华尔街顶级债券交易员；
* 全球最强数学金融团队之一。
前几年：
* 年化收益超高；
* 夏普极高；
* 被视为“不会失败”的基金。
结果 1998 年俄罗斯债务危机爆发后：
* 四个月亏损 46 亿美元；
* 杠杆链条断裂；
* 几乎引发全球系统性金融风险；
* 最终被迫清算。
问题出在哪？
不是策略失效。
而是：
“正确的策略 + 错误的风险控制”
他们的问题包括：
* 杠杆过高；
* 流动性风险低估；
* 尾部风险误判；
* 极端相关性失效；
* 黑天鹅场景未覆盖。
LTCM 的教训至今仍是全球量化行业最重要的案例之一：
市场 99% 的时间正确，并不重要。
那 1% 的极端情况，足以毁灭一切。
三、仓位管理：决定你能活多久
凯利公式：数学上的最优下注模型
量化行业经典的仓位模型：
Kelly Criterion（凯利公式）
f^* = \frac{bp-q}{b}
其中：
* (f^*)：最优仓位；
* (b)：盈亏比；
* (p)：胜率；
* (q)：失败概率。
假设：
* 胜率 60%；
* 盈亏比 1:1；
则：
f^* = \frac{1\times0.6-0.4}{1}=0.2
即：
理论最优仓位仅为 20%
这与绝大多数散户的直觉完全相反。
很多人一旦觉得策略“稳”，就：
* 重仓；
* 加杠杆；
* 梭哈。
但从数学上：
高频重仓，本质是在加速破产概率。
四、为什么专业机构几乎都用“半凯利”
理论上凯利最优。
但现实中：
几乎所有专业资管机构都会主动降低风险暴露
即：
Half Kelly（半凯利）
原因很简单：
1. 参数永远存在误差
你以为：
* 胜率 60%；
真实可能只有：
* 52%-55%。
而凯利公式对参数极度敏感。
一旦估计错误：
* 仓位会严重偏大；
* 波动会迅速失控。
所以：
专业机构默认自己“可能是错的”。
2. 市场并不服从正态分布
传统金融理论喜欢假设：
收益率服从高斯分布
但真实市场是：
Fat Tail（肥尾分布）
即：
极端事件发生频率远高于理论预测。
例如：
* 2008 金融危机；
* 2020 全球疫情熔断；
* 2022 Luna/UST 崩盘；
* FTX 暴雷；
* 原油负价格事件。
这些在传统模型里几乎“不可能发生”。
但现实里：
它们每隔几年就会发生一次。
3. 人类心理无法承受理论最优波动
全凯利理论上收益最大。
但：
* 波动巨大；
* 回撤极深；
* 心理压力极强。
很多人不是死于策略失效。
而是：
在最大回撤附近主动放弃了策略。
这就是：
“系统没死，人先崩了”
所以机构更关注：
* 可持续；
* 可执行；
* 可坚持。
五、回撤：量化世界真正的心理战
最大回撤（Maximum Drawdown）
量化行业最核心指标之一：
MDD（Maximum Drawdown）
计算方式：
MDD=\frac{\text{Peak}-\text{Trough}}{\text{Peak}}
例如：
净值：
100 → 150 → 90
则：
MDD=\frac{150-90}{150}=40%
这意味着：
你的账户曾经从高点回撤 40%。
为什么大多数人扛不过回撤？
因为：
回测里的回撤只是数字；
实盘里的回撤是真实情绪。
当账户：
* 100 万跌到 65 万；
* 连续亏损 3 个月；
* 每天打开都是红色；
* 家人开始质疑；
* 市场全在讨论牛市，而你在亏钱；
你会开始：
* 怀疑模型；
* 怀疑市场；
* 怀疑自己。
这也是：
为什么“策略收益率”和“投资者真实收益率”通常完全不同
因为：
投资者往往：
* 在高点加仓；
* 在低点恐慌离场。
六、真正专业的回撤控制框架
1. 先定义“你能承受多少亏损”
机构第一件事不是：
“能赚多少”。
而是：
“最多能亏多少”
常见风险等级：
风格 | 最大可接受回撤 |
保守型 | 10%-15% |
稳健型 | 15%-25% |
激进型 | 25%-40% |
关键不是“收益率”。
而是：
回撤是否在你的心理承受范围内。
因为：
再好的策略，
如果你拿不住，
对你都没有意义。
2. 动态仓位控制
专业量化不会：
* 一直满仓；
* 一直固定仓位。
而是：
回撤越大，仓位越低
典型动态风控：
\text{Position}=\max\left(0,1-\frac{\text{Current Drawdown}}{\text{Max Drawdown}}\right)
本质：
连续亏损时自动降风险暴露。
这样：
* 回撤会越来越慢；
* 爆仓概率大幅下降；
* 系统更容易恢复。
3. 策略分散化
真正的大型量化基金：
* 从不依赖单一策略；
* 从不押注单一市场；
* 从不迷信单一 Alpha。
例如：
Citadel、Two Sigma
通常同时运行：
* 趋势策略；
* 做市策略；
* 均值回归；
* 高频；
* 统计套利；
* 期权波动率；
* 宏观模型；
* AI 因子系统。
核心逻辑：
不同 Alpha 的回撤周期错开。
这样整体净值曲线会更稳定。
七、尾部风险：真正毁灭机构的东西
黑天鹅不是“小概率”
真正专业的机构早就知道：
黑天鹅不是“会不会来”。
而是“什么时候来”。
市场最大的风险：
从来不是日常波动。
而是：
极端流动性危机
例如：
* 金融危机；
* 熔断；
* 交易所暴雷；
* 稳定币脱锚；
* 杠杆踩踏；
* 全球去风险化；
* 流动性冻结。
这些事件的共同点：
* 正常模型失效；
* 相关性失效；
* 流动性消失；
* 所有人同时卖出。
八、VaR 与 CVaR：机构如何量化风险
VaR（Value at Risk）
回答的问题：
“正常情况下，我最多亏多少？”
例如：
95% VaR = 5%
意思是：
95% 概率下：
单日亏损不会超过 5%。
但 VaR 最大的问题：
它不告诉你：
剩下 5% 会死多惨
于是资管行业越来越重视：
CVaR（Conditional VaR）
即：
极端情况下，平均会亏多少。
这比 VaR 更接近真实世界。
也是：
* 巴塞尔协议；
* 银行风控；
* 大型资管机构；
越来越重视的风险指标。
九、杠杆：金融世界最危险的放大器
杠杆不会创造 Alpha。
它只会：
放大一切
包括：
* 收益；
* 波动；
* 回撤；
* 情绪；
* 爆仓速度。
杠杆最危险的地方：
不是亏损放大。
而是：
时间被压缩
例如：
不加杠杆：
* 亏损 30%，可能还能慢慢恢复。
10 倍杠杆：
* 市场波动 10%，你直接归零。
很多人并不是：
策略错误。
而是：
没等策略发挥长期优势，就先被杠杆清算了。
十、相关性陷阱：危机时，所有资产都会一起跌
平时：
* 股票；
* 黄金；
* 债券；
* 加密；
* 商品；
可能相关性不高。
但危机来临时：
相关性会迅速趋近于 1
因为：
所有人都在做同一件事：
抛售资产，换取现金
这意味着：
你以为的“分散化”，
很多时候只是：
正常时期的幻觉
所以真正专业的压力测试会假设：
极端情况下，
所有风险资产一起暴跌。
十一、真正成熟的风险管理体系：三层防御
第一层：日常仓位管理
核心目标：
不让单笔交易致命
包括：
* 半凯利；
* 限制单仓风险；
* 限制总风险暴露；
* 限制行业集中度。
第二层：回撤控制
核心目标：
防止连续亏损扩大化
包括：
* 动态降仓；
* 最大回撤限制；
* 波动率控制；
* 策略分散。
第三层：灾难保护
核心目标：
防范黑天鹅
包括：
* 限制杠杆；
* 压力测试；
* 流动性储备；
* 极端止损机制；
* 现金保护机制。
这本质上就是：
“瑞士奶酪模型”
单层防御一定会失效。
但多层防御叠加后：
系统性崩溃概率会大幅下降。
十二、AI时代，风险管理的重要性只会越来越高
很多人以为：
AI 会让量化变简单。
某种程度上确实如此：
* AI 能写代码；
* AI 能回测；
* AI 能自动生成策略；
* AI 能优化参数。
但这意味着：
“策略开发能力”正在快速通胀
未来真正稀缺的：
不是写策略。
而是：
风险控制能力
因为：
* AI 可以复制模型；
* AI 可以复制代码；
* AI 可以复制因子；
但：
无法复制真正成熟的风险纪律
而长期来看：
交易行业拼到最后，
拼的从来不是谁赚得最快，
而是谁活得最久。
结语：风控不是限制收益，而是保护复利
Howard Marks曾说：
“投资里最重要的不是收益率，而是避免永久性亏损。”
这句话的本质是：
复利最大的敌人，不是低收益，而是大回撤。
真正专业的量化资管逻辑，从来不是：
“怎么一年翻十倍”。
而是：
* 怎么稳定活十年；
* 怎么穿越周期；
* 怎么跨越黑天鹅；
* 怎么在危机中依然保有现金流与生存能力。
因为：
在资本市场里，
活着，
才有资格谈 Alpha。
——面向创业者｜社区｜加密资管机构｜交易KOL的AI交易品牌定制化解决方案
往期阅读：
AI交易套利机器人AIBITUP：真正会学习、会迭代、会进化的AI Agent交易系统｜开启智能交易新时代
AI Trading Bot操作教程：AI交易套利机器人（Binance+OKx）｜靠谱
AI交易套利机器人AIBITUP：为加密资管机构打造的AI Agent Alpha交易系统
AI交易机器人AIBITUP：AI大模型+多空对冲+低频套利，新一代加密资管交易系统
AI交易对冲套利机器人AIBITUP ：面向创业者｜社区｜加密资管机构｜交易KOL的AI交易品牌定制化解决方案
AI加密合约交易机器人SaaS基础设施｜专业级研发体系与长期运营成本全景解析
AI量化交易：从0到1｜从“策略开发”到“AI资管工业体系”的完整闭环
AI量化交易机器人AIBITUP：“对冲套利+AI风控+复利复投”模型测算解析
AI量化交易（二）：三大经典策略，为什么有人靠它跨周期赚了200年？
如何理解对冲策略中的“浮亏”？AIBITUP的高保证金、低仓位、主流币对冲套利的底层逻辑！
AIBITUP vs GPT Trader vs HAI Bot：2026加密AI交易系统机构级对比（投行/资管视角）
AIBITUP对冲套利策略 vs 马丁策略 vs 网格策略：为什么机构资金更偏向“中性套利”，而不是“无限补仓”
