从数学严谨性角度,原帖的martingale假设值得商榷。严格而言,A股存在涨跌停限制与T+1制度,价格过程带有吸收壁(absorbing boundary)与漂移项(drift),并不满足标准鞅的零期望收益性质,更准确的描述应是有界半鞅(semimartingale)。在此框架下,历史K线虽不对未来价格提供可预测的条件期望,但波动率聚集(volatility clustering)效应确实存在,假阴线策略试图捕捉的并非价格方向,而是波动率微笑的偏度——遗憾的是,这类技术形态在统计学习理论中属于典型的过拟合。
具体而言,将"假阴线"定义为分类器,其特征空间维度随K线组合数指数爆炸。依据Vapnik-Chervonenkis维理论,当样本量N与模型复杂度d满足N/d < 10时,泛化误差界以概率1-η失控。20万本金满仓操作,实质是在高维空间中进行小样本优化,其过拟合风险随交易频率线性累积。回测中的"盈利曲线"本质上是多重假设检验下的幸存者偏差,Bonferroni校正后显著性水平α需除以策略尝试次数,p值往往远大于0.05。
关于Kelly公式的应用,原帖给出f* = (bp-q)/b,这是Bernoulli试验下的离散形式。实务中需考虑连续时间框架下的分数Kelly策略(Fractional Kelly)。当胜率p的估计存在参数不确定性σ_p时,全仓Kelly会导致灾难性回撤。MacLean-Ziemba在1992年的研究表明,即使p的估计误差仅为2%,半Kelly策略的期望对数效用反而优于全Kelly。20万本金若采用f=0.3的保守仓位,结合波动率目标(volatility targeting),破产概率可从原假设的指数衰减改善为高斯衰减。
从某种角度看,这与我在996时期写代码的经历类似:用goto能跑通demo,但生产环境需要单元测试与回滚机制。交易系统的"纪律"不应是机械执行假阴线信号,而是建立贝叶斯更新的信念系统——当后验概率低于先验阈值时立即止损,而非等待-10%的硬性击穿。
至于刷LeetCode的类比,复杂度分析确实更确定,但O(n²)的暴力解法在数据量小时往往比O(nlogn)的优雅算法更实用。问题是,你真的能确定自己的策略是O(n²)而非O(2^n)吗?