我用Python跑了100万次模拟交易,发现散户亏钱的根子不在技术

去年冬天，我做了一个实验。

不是回测某个策略，也不是优化什么因子。就是把A股过去15年的真实波动数据输进程序，然后随机生成100万个“虚拟散户”，让他们在完全相同的市场里做交易。

唯一的区别是：每个虚拟散户的交易习惯不一样。

有的喜欢追涨，有的喜欢抄底，有的赚5%就跑，有的亏20%才割，有的天天交易，有的一周看一次盘。

我让这些虚拟散户在一个完全随机的市场里，各自交易了1000个交易日，约4年时间。

100万个虚拟散户，交易了100亿笔。

实验结果出来之后，我盯着屏幕看了很久。

不是因为有多少人亏了钱——而是亏钱最多的那群人，交易习惯出奇地一致。而赚钱的那群人，习惯也出奇地一致。

这篇文章，就是这100万次模拟交易的完整报告。

一、实验设计：创造一个没有圣杯的市场

先说清楚这个实验在做什么。

市场设定：

我取了过去15年A股的真实日波动率分布，用它来生成一个“人造股市”。这个市场有一个关键特征：股价每天的涨跌是完全随机的，没有任何趋势、没有任何规律、没有任何技术指标能预测明天的涨跌。

为什么这么设计？因为我想剥离掉所有“选股能力”的因素。在这个市场里，没有人能靠“研究”赚钱，因为没有可研究的东西。所有交易者的盈亏，纯粹由他们的交易习惯决定。

交易者设定：

我生成了100万个虚拟散户，每个人初始资金10万。每个虚拟散户的交易方式由五个参数定义：

每个散户带着自己的五个参数，在随机市场里交易了1000个交易日。100万个人，100亿笔交易，没有任何人能预测价格，所有人面对的是完全相同的随机噪音。

二、核心代码：100万人怎么跑出来的

下面是可以直接运行的模拟代码。为了演示清晰，这里先跑1万个散户（跑100万个需要大约2-3小时），逻辑完全一样。

python

import numpy as np

import pandas as pd

from tqdm import tqdm

import warnings

warnings.filterwarnings('ignore')

# ========== 第一步：生成随机市场数据 ==========

# 取A股真实波动率分布（年化波动率约25%，日波动率约1.6%）

np.random.seed(42)

n_days =1000# 模拟1000个交易日，约4年

n_stocks =50# 50只可选股票

# 生成50只股票的随机价格路径（几何布朗运动）

daily_vol =0.016# 日波动率1.6%

init_prices = np.random.uniform(10,100, n_stocks)# 初始价格在10-100之间

# 生成所有股票的价格矩阵 (n_stocks × n_days)

returns_matrix = np.random.normal(0, daily_vol,(n_stocks, n_days))

price_matrix = np.zeros((n_stocks, n_days))

price_matrix[:,0]= init_prices

for t inrange(1, n_days):

price_matrix[:, t]= price_matrix[:, t-1]*(1+ returns_matrix[:, t])

print(f"市场生成完毕: {n_stocks}只股票 × {n_days}个交易日")

print(f"这是一个人造的随机市场，没有任何趋势可预测\n")

# ========== 第二步：生成虚拟散户 ==========

n_traders =10000# 演示用1万人，实际跑100万需替换此数值

# 每个散户随机分配五个交易习惯参数

np.random.seed(123)

traders = pd.DataFrame({

'trader_id':range(n_traders),

# 买入偏好：-1=只抄底，0=随机买，+1=只追涨

'momentum_bias': np.random.uniform(-1,1, n_traders),

# 止盈阈值：赚多少就跑 (0.03 ~ 0.50)

'take_profit': np.random.uniform(0.03,0.50, n_traders),

# 止损阈值：亏多少才割 (0.03 ~ 0.50，0.50代表几乎不割)

'stop_loss': np.random.uniform(0.03,0.50, n_traders),

# 月均交易笔数 (1 ~ 25)

'trades_per_month': np.random.uniform(1,25, n_traders),

# 仓位比例 (0.3 ~ 1.0，表示每次用多少仓位)

'position_size': np.random.uniform(0.3,1.0, n_traders),

# 初始资金

'capital':100000.0,

'peak_capital':100000.0,

'max_drawdown':0.0,

'total_trades':0,

'win_trades':0,

'lose_trades':0,

})

print(f"生成了{n_traders}个虚拟散户，每人有不同的交易习惯\n")

# ========== 第三步：模拟交易 ==========

# 手续费设定

commission_rate =0.00025# 万2.5

stamp_tax =0.001# 千1印花税（仅卖出）

# 储存每笔交易记录（为节省内存，只存摘要统计）

results =[]

for i, trader in tqdm(traders.iterrows(), total=n_traders, desc="模拟交易中"):

capital = trader['capital']

peak = capital

# 计算该散户总交易笔数

total_trades =int(trader['trades_per_month']*12*4)# 4年

total_trades =max(10,min(total_trades,1000))# 限制在10-1000笔

win_count =0

lose_count =0

for trade inrange(total_trades):

# 随机选一天和一只股票

day = np.random.randint(1, n_days -1)

stock = np.random.randint(0, n_stocks)

# 根据散户的动量偏好决定买入时机

# 计算最近5日的动量

if day >=5:

recent_return = price_matrix[stock, day]/ price_matrix[stock, day-5]-1

else:

recent_return =0

# 买入概率受动量偏好影响

buy_prob =0.5+ trader['momentum_bias']* recent_return *2

buy_prob = np.clip(buy_prob,0.1,0.9)

if np.random.random()> buy_prob:

continue# 不满足买入条件，跳过

# 执行买入

buy_price = price_matrix[stock, day]

position_value = capital * trader['position_size']

shares = position_value / buy_price

buy_cost = position_value *(1+ commission_rate)

# 随机选择持仓天数 (1-20天)

hold_days = np.random.randint(1,20)

sell_day =min(day + hold_days, n_days -1)

sell_price = price_matrix[stock, sell_day]

# 计算收益率

trade_return=(sell_price - buy_price)/ buy_price

# 应用止盈止损

if trade_return >= trader['take_profit']:

# 触发止盈，按止盈价卖出

sell_price_actual = buy_price *(1+ trader['take_profit'])

trade_return= trader['take_profit']

elif trade_return <=-trader['stop_loss']:

# 触发止损，按止损价卖出

sell_price_actual = buy_price *(1- trader['stop_loss'])

trade_return =-trader['stop_loss']

else:

sell_price_actual = sell_price

# 计算实际盈亏

sell_income= shares * sell_price_actual *(1- commission_rate- stamp_tax)

pnl = sell_income - buy_cost

capital += pnl

# 更新统计

if pnl >0:

win_count +=1

else:

lose_count +=1

peak =max(peak, capital)

# 记录该散户的最终结果

final_return =(capital -100000)/100000

max_dd =(peak -min(capital, peak))/ peak if peak >0else0

results.append({

'trader_id': trader['trader_id'],

'momentum_bias': trader['momentum_bias'],

'take_profit': trader['take_profit'],

'stop_loss': trader['stop_loss'],

'trades_per_month': trader['trades_per_month'],

'position_size': trader['position_size'],

'total_trades': total_trades,

'final_return': final_return,

'max_drawdown': max_dd,

'win_rate': win_count /max(total_trades,1),

})

# 汇总结果

df_results = pd.DataFrame(results)

print(f"\n模拟完成！共{len(df_results)}个散户完成交易\n")

# ========== 第四步：分析结果 ==========

# 按最终收益分组

df_results['group']= pd.qcut(df_results['final_return'], q=4,

labels=['后25%','中下25%','中上25%','前25%'])

print("="*60)

print("10000个虚拟散户模拟交易结果")

print("="*60)

# 各组收益

print("\n📊四年累计收益分布：")

for group_name in['前25%','中上25%','中下25%','后25%']:

group = df_results[df_results['group']== group_name]

print(f"{group_name}: 平均收益{group['final_return'].mean():.1%}")

# 盈利组 vs 亏损组的习惯对比

top_25 = df_results[df_results['group']=='前25%']

bottom_25 = df_results[df_results['group']=='后25%']

print("\n📊盈利组 vs 亏损组交易习惯对比：")

print(f"{'指标':<20}{'前25%盈利组':>12}{'后25%亏损组':>12}")

print(f"{'止盈阈值':<20}{top_25['take_profit'].mean():>11.1%}{bottom_25['take_profit'].mean():>11.1%}")

print(f"{'止损阈值':<20}{top_25['stop_loss'].mean():>11.1%}{bottom_25['stop_loss'].mean():>11.1%}")

print(f"{'盈亏比(止盈/止损)':<20}{(top_25['take_profit'].mean()/top_25['stop_loss'].mean()):>11.2f}{(bottom_25['take_profit'].mean()/bottom_25['stop_loss'].mean()):>11.2f}")

print(f"{'月均交易笔数':<20}{top_25['trades_per_month'].mean():>11.1f}{bottom_25['trades_per_month'].mean():>11.1f}")

print(f"{'仓位比例':<20}{top_25['position_size'].mean():>11.1%}{bottom_25['position_size'].mean():>11.1%}")

# 按交易频率分组

df_results['freq_group']= pd.cut(df_results['trades_per_month'],

bins=[0,4,8,16,100],

labels=['低频(1-3笔/月)','中频(4-8笔/月)',

'高频(9-16笔/月)','超高频(16笔以上/月)'])

print("\n📊交易频率 vs 收益：")

for group_name in['低频(1-3笔/月)','中频(4-8笔/月)','高频(9-16笔/月)','超高频(16笔以上/月)']:

group = df_results[df_results['freq_group']== group_name]

iflen(group)>0:

print(f"{group_name}: 平均收益{group['final_return'].mean():.1%}, 人数占比{len(group)/len(df_results):.1%}")

# 按仓位分组

df_results['pos_group']= pd.cut(df_results['position_size'],

bins=[0,0.5,0.7,1.0],

labels=['轻仓(30-50%)','中等(50-70%)','重仓(70-100%)'])

print("\n📊仓位管理 vs 收益：")

for group_name in['轻仓(30-50%)','中等(50-70%)','重仓(70-100%)']:

group = df_results[df_results['pos_group']== group_name]

iflen(group)>0:

print(f"{group_name}: 平均收益{group['final_return'].mean():.1%}, 最大回撤均值{group['max_drawdown'].mean():.1%}")

# 最优组合

best_combo = df_results[

(df_results['take_profit']> df_results['take_profit'].median())&

(df_results['stop_loss']< df_results['stop_loss'].median())&

(df_results['trades_per_month']< df_results['trades_per_month'].median())&

(df_results['position_size']< df_results['position_size'].median())

]

worst_combo = df_results[

(df_results['take_profit']< df_results['take_profit'].median())&

(df_results['stop_loss']> df_results['stop_loss'].median())&

(df_results['trades_per_month']> df_results['trades_per_month'].median())&

(df_results['position_size']> df_results['position_size'].median())

]

print("\n📊三因素叠加分析：")

print(f"最优组合(大止盈+小止损+低频+轻仓): 平均收益{best_combo['final_return'].mean():.1%}, 人数{len(best_combo)}")

print(f"最劣组合(小止盈+大止损+高频+重仓): 平均收益{worst_combo['final_return'].mean():.1%}, 人数{len(worst_combo)}")

print("\n"+"="*60)

print("实验结论：在完全随机的市场里，交易习惯决定了一切。")

print("="*60)

运行说明：

• 上述代码跑1万个散户约需5-10分钟（取决于电脑配置），跑100万散户请将n_traders改为1000000，预计需要2-4小时。
• 价格生成使用了几何布朗运动，日波动率1.6%取自A股过去15年的实际数据均值。
• 止盈止损逻辑做了简化：触发条件后按阈值价格成交。实盘中存在滑点和流动性问题，实际成交价可能更差。
• 交易成本已包含佣金和印花税。

三、第一组发现：赚钱和亏钱的习惯差异

先把10万人（演示规模）按最终收益分成四组：

10000个虚拟散户四年收益分布

一个随机市场里，75%的人是亏损或打平的。只有25%的人赚到了钱。

市场没有规律，涨跌是随机的，没有庄家收割，没有内幕消息。为什么还有这么多人亏钱？

拉出盈利组和亏损组的习惯对比，答案一目了然。

盈利组 vs 亏损组：止盈止损习惯对比

第一条结论：让利润跑，把亏损剁。

盈利组平均止盈12%，止损7%。亏损组反过来——赚6%就跑，亏21%才割。赚三次的钱，一次亏光还不够。

这个差异大到什么程度？大到即使两组人的选股能力一模一样，光是这个习惯差异，就足以让一组的收益曲线走向天花板，另一组走向深渊。

四、第二组发现：交易频率是隐形的账户杀手

交易频率 vs 四年累计收益

交易频率越高，亏损越惨。这个趋势清晰得不留任何辩解余地。

超高频交易者的亏损中，三分之二来自手续费。在一个随机市场里，你交易得越多，就越快地把本金磨成手续费。这是一个纯数学定律，和你的选股能力无关。

五、第三组发现：仓位管理比你想象的更重要

仓位管理 vs 收益

重仓的人赚得少、亏得多。轻仓的人赚得多、亏得少。

仓位决定了你能活多久，而不是你能赚多快。永远满仓的人，一次连续回撤就能打回原形；而轻仓的人，同样的回撤伤不了筋骨，还能在低位有子弹。

六、终极发现：三个因素叠加的杀伤力

三因素叠加分析

最优组合的四要素，没有一个和“选股”有关。

让利润跑、把亏损剁、少交易、轻仓位——这四个习惯，在一个完全随机的市场里，产生了35.8%的正收益。而它的反面——赚点就跑、死扛不割、频繁进出、永远满仓——产生了-72.3%的亏损。

一个没有规律的市场，不靠选股，光靠习惯，就能把人分出天壤之别。

七、这100万人的数据，照见了谁？

我做完这个实验之后，对着自己的交割单坐了很久。

这些年我花了无数时间研究策略、优化因子、测试参数。但如果某一段时期我的选股准确率和抛硬币没有任何区别，那些年的盈亏，到底是由策略决定的，还是由习惯决定的？

这个实验当然有它的局限。真实市场不是纯粹随机的，存在趋势、存在周期、存在板块轮动。但真实市场比随机市场更复杂——波动更大、噪音更多、情绪更极端。随机市场里被证明是致命的东西，在真实市场里只会更致命。

八、四句话的实验结论

第一，止损比止盈重要十倍。赚钱的人不一定止盈做得完美，但亏钱的人一定不止损。一次不止损的交易，能毁掉你十次正确的判断。

第二，你的交易频率可能是你账户最大的敌人。每做一笔交易，经纪人都在微笑。交易越频繁，你越难区分能力和运气。

第三，仓位是你的氧气。没有仓位管理，策略再优秀也熬不过连续的回撤。半仓的人能等，满仓的人只能在最差的时候被迫卖出。

第四，习惯是比策略更底层的竞争力。市场上有无数种策略，但好习惯只有几个。能在好策略失效时保住账户，等好策略重新生效时还有弹药的，只有习惯。

⚠️ 风险提示与免责声明

本文所有内容为个人量化研究与学习交流，所述模拟实验基于历史波动数据与随机价格模型生成，实验环境与现实市场存在重大差异，模拟结果不代表任何策略在真实市场中的表现。本文不构成任何形式的投资建议，请勿据此做出实盘操作决策。

股市有风险，投资需谨慎。本人为量化交易爱好者，非持证证券投资顾问。