持仓占比是什么，为什么要比收益率先看
持仓占比是回测期间全部交易日中实际持有股票的天数比例。跑了252个交易日，其中只有60天有仓位，持仓占比就是23.8%。剩下192天都是现金。
为什么先看这个数字。只有一半时间在市场里，收益和亏损大致也只跟到一半。所以上涨行情中策略收益率偏低，未必是判断错了，可能只是不在场；下跌行情中亏得少，同样未必是躲得好，也可能只是不在场。只看一个收益率数字，这两者会彻底混在一起。
所以拿到回测结果表，就在收益率旁边强制加一列持仓占比。本事和缺席从这里开始分家。
验证对象——五种广为流传的技术分析方法
对象是海外交易教学中反复出现的五种方法。先说清楚每一种是什么。
Elder BBP 把亚历山大·埃尔德的多空力道指标与均线排列、ADX 绑在一起。20日指数移动平均线位于50日之上视为上涨排列，ADX 在25以上视为趋势足够强，再把多空力量易位的位置当作进场时点。
SuperTrend 回调是四重过滤：以基于 ATR 的趋势线 SuperTrend 定方向，用 RSI 筛掉过热区间，用随机指标捕捉回调，再用 MACD 确认大趋势。ICT IFVG 则认为三根K线之间形成的价格缺口（公允价值缺口）被反向击穿后，该区间会翻转为支撑或阻力。
剩下两种来自日内交易讲师罗斯·卡梅隆。一种是把 RSI 超卖与跌破布林下轨叠加双底的反转方法，另一种是价格创新低而 RSI 抬高低点的背离，再加上 MACD 交叉作为确认信号。
怎么跑的——前推回测的步骤
先收集日线。韩国标的用 Naver 金融的行情 JSON，海外标的用 Tiingo 的复权 OHLC。必须是反映分红与拆股的复权价。用未复权收盘价，拆股当日价格会骤降，凭空造出并不存在的卖出信号。
接下来是这次验证的核心。信号只用截至当日收盘的数据计算，实际成交放到次日开盘。若按同日收盘成交，等于用当时还无法知道的信息交易，整个回测就失去意义。这叫前视偏差。
指标也需要预热。有方法用到50日均线，所以在测量区间之前额外保留至少150个交易日，且每个时点的信号只取前400根K线计算。
最后，结束时点没有固定成一个。只以今天为准来测量，之前有没有暴跌行情会把结果整个带偏。于是把结束日按21个交易日往前推移，在最多36个时点重复同样的测量。
// 信号只用截至 t-1 日收盘的数据产生
const want = signals[t - 1]?.direction === 'LONG' ? 1 : 0
if (pos === 0 && want === 1) {
// 进场：次日开盘成交，持有至当日收盘
equity *= (1 - buyCost) * (rows[t].close / rows[t].open)
} else if (pos === 1 && want === 1) {
// 持有：前日收盘 → 当日收盘
equity *= rows[t].close / rows[t - 1].close
} else if (pos === 1 && want === 0) {
// 平仓：次日开盘成交
equity *= (rows[t].open / rows[t - 1].close) * (1 - sellCost)
}
pos = want结果一——五种全部没能跑赢买入持有
十六个标的乘以滚动结束时点，每个期限会产生数百到上千个比较单元。只统计至少发生过一次交易的单元。
全部策略的胜率都在50%以下，而且持有期限越长越低。一个月窗口的38.5%，到一年窗口变成18.7%。
去掉交易成本重跑，结果也没有反转，最好的是12胜12负。交易频率本来就低，成本敏感度有限，这同时说明业绩不佳的原因并不是手续费。
| 期限 | 比较单元 | 策略胜率 | 超额收益中位数 | 策略中位数 | 买入持有中位数 |
|---|---|---|---|---|---|
| 1个月 | 722 | 38.5% | -2.7个百分点 | +0.5% | +3.2% |
| 6个月 | 1,061 | 27.7% | -17.6个百分点 | +2.9% | +19.5% |
| 1年 | 1,159 | 18.7% | -39.0个百分点 | +6.0% | +44.9% |
结果二——决定胜负的是标的有没有上涨
按标的拆开看，发现了一条规律。标的在该区间的涨幅与策略的超额收益方向相反。相关系数一个月为负0.808，六个月为负0.905，一年为负0.945。
按买入持有收益率分段看更清楚。标的跌超20%的区间里，策略胜率为89.1%；涨超100%的区间里，只有1.8%。
也就是说，策略能赢的条件不在策略本身，而在标的。而某个区间标的会涨还是会跌，只有事后才知道。若能事先知道，一开始就不需要什么方法了。
| 区间买入持有收益（一年窗口） | 比较单元 | 策略胜率 | 超额收益中位数 |
|---|---|---|---|
| 低于-20% | 256 | 89.1% | +25.1个百分点 |
| -20 ~ 0% | 258 | 62.0% | +5.2个百分点 |
| 0 ~ 20% | 504 | 14.9% | -13.7个百分点 |
| 20 ~ 50% | 799 | 3.8% | -30.2个百分点 |
| 50 ~ 100% | 555 | 3.1% | -61.9个百分点 |
| 100%以上 | 552 | 1.8% | -167.7个百分点 |
结果三——杠杆ETF有效的假设同样被否定
最初只跑六个标的时，只有一只2倍杠杆ETF上策略取胜。看起来像是长期持有在结构上会瓦解的资产才成立，于是又加入六只杠杆ETF和四只同一标的的无杠杆ETF。
杠杆组内部结果完全分成两半。四只3倍ETF中两只取胜、两只惨败。取胜方的共同点不是倍数，而是该区间买入持有收益率为负。
无杠杆对照组也一样，只有涨得最少的那只胜率跳高。结果杠杆并不是变量，结果二的规律原样贯穿。
| 标的 | 倍数 | 一年胜率 | 超额收益中位数 | 买入持有中位数 |
|---|---|---|---|---|
| TSLL | 2倍 | 62.7% | +23.8个百分点 | -11.7% |
| LABU | 3倍 | 55.5% | +5.8个百分点 | -16.5% |
| NVDL | 2倍 | 18.7% | -49.1个百分点 | +45.5% |
| SOXL | 3倍 | 21.0% | -78.9个百分点 | +79.2% |
| TQQQ | 3倍 | 3.8% | -67.1个百分点 | +67.5% |
| SPXL | 3倍 | 3.3% | -45.5个百分点 | +40.1% |
如何自己计算暴露调整后的阿尔法
以上是诊断，接下来是读者可以直接套到自己回测上的步骤。需要的值只有三个：策略收益率、同区间买入持有收益率，以及持仓占比。
先求持仓占比。在模拟循环里数出仓位为1的天数，除以全部交易日即可。然后用策略收益率减去持仓占比乘以买入持有收益率。剩下的就是仅靠市场暴露无法解释的部分。
样本较多时再用回归看一次。把超额收益对买入持有收益做回归，读取截距，这个截距就是平均阿尔法。斜率作为交叉验证：如果除了暴露没有别的因素，斜率会收敛到持仓占比减一。
本次样本的数字如下。实测斜率为负0.845，用23.8%的平均持仓占比预测的斜率为负0.762，几乎重合。截距为负0.52个百分点。暴露调整后超额收益的中位数为负5.73个百分点，为正的比例是33.3%。
归结起来，这五种方法卖的不是超额收益，而是不在市场里的时间。这与统计物理学家金范俊教授所说的均线类策略缺乏科学依据同向，但再往里走一步，与其说是错了，不如说它本来就是另一种产品。
// 1) 持仓占比
const exposure = daysInMarket / totalDays
// 2) 扣掉暴露能解释的部分，剩下的就是阿尔法
const alpha = strategyReturn - exposure * buyHoldReturn
// 3) 样本较多时用回归截距确认
// excess = a + b * buyHold (a 是阿尔法，b 收敛到 -(1-exposure))
//
// 实测：b = -0.845，-(1 - 0.238) = -0.762，a = -0.52个百分点
// 暴露调整后阿尔法中位数 -5.73个百分点，为正比例 33.3%本次验证的局限
样本是十六个标的：个股五只、杠杆ETF七只、无杠杆ETF四只。这是关于这五种方法、这个样本、这套规则的结论，而不是关于技术分析整体的结论。
规则也做了简化。统一为只做多，没有加入止损、目标价、分批买入等实战运作规则。卖出信号不做空，而是当作现金处理。这样设计是为了看信号本身的性质，但加上运作规则后数字可能不同。
交易成本按韩国买入0.065%、卖出0.215%（含证券交易税），海外单边0.12%设定。这些数值内含滑点假设，会随券商与成交情况变化。正如上一篇所述，关于成交假设的一行就可能大幅撬动结果，所以看别人的回测时，同样把这四项——判定时点、成交价格、交易成本、数据区间——一并确认会更稳妥。