交易员是天生的还是培养出来的：两种成长观的碰撞与现实

这行代码没有包含天赋。也没有包含直觉、勇气或所谓盘感。它只定义了三个变量：方向、仓位、风险预算。

1983年，期货投机家理查德·丹尼斯与比尔·埃克哈特围绕一个问题展开赌约：交易员究竟是天生的，还是可以后天培养。丹尼斯认为交易方法能够被系统传授。埃克哈特则认为，交易能力与先天特质存在更强联系。

随后出现了著名的海龟交易实验。

丹尼斯招募了一批缺乏丰富交易经验的学员。在短时间内，他向这些人传授了一套机械化趋势跟踪系统。规则包括入场、退出、仓位管理与风险控制。学员接受了相近的训练，使用了相近的规则。四年多时间里，这批交易员合计创造了超过1.75亿美元的收益。

结论不能简化为“普通人都能赚钱”。

同一套规则没有产生相同的结果。顶级海龟交易员柯蒂斯·费思个人获利超过3100万至3500万美元。其他学员的结果明显不同。规则相同。执行结果不同。收益分布不同。回撤承受能力不同。最终留在系统中的人也不同。

这正是问题的核心。

交易能力可以训练。交易结果不能只由训练决定。

海龟实验没有证明交易可以被完全复制

海龟实验最容易被误读的地方，是它常被压缩成一个故事：一群没有经验的人接受培训，之后全部成为成功交易员。

事实不是这样。

实验真正展示的是一个条件关系：

当交易规则可以被明确表达、训练可以被结构化、执行可以被持续记录时，交易能力并非只能依赖先天直觉。

这与“任何人经过培训都能稳定盈利”完全不同。

机械化策略能够解决一部分问题。它可以规定：

• 什么条件下进入市场；
• 什么条件下退出市场；
• 每次交易承担多少风险；
• 连续亏损后如何调整仓位；
• 多个品种同时出现信号时如何分配资金；
• 何时停止系统并重新评估参数。

但系统无法自动解决所有问题。

一个交易员可能知道止损规则，却在真实亏损发生时延迟执行。可能理解仓位公式，却在连续盈利后扩大风险预算。可能在回测中接受最大回撤，实盘中却在第一次大幅回撤时修改规则。

代码可以输出信号。

代码不能保证操作者执行信号。

海龟实验的价值，不在于它给出了一个可复制的财富公式。它证明了交易中的一部分能力可以拆解为流程、参数和行为约束。与此同时，实验结果的分化也证明，训练并不能抹平个体差异。

交易不是单一技能。

它至少包含四个层面：

1. 认知层。 能否理解概率、期望值、方差、尾部风险和样本外失效。

2. 建模层。 能否把交易假设转化为明确规则，而不是停留在叙事。

3. 执行层。 能否在结果不利时继续执行已验证的流程。

4. 适应层。 能否识别市场结构变化，并判断是暂时回撤还是模型失效。

前两个层面可以通过课程、书籍和代码训练。后两个层面需要长时间暴露在不确定结果中，并且必须留下可审计的记录。

这也是为什么“学会一套策略”和“成为交易员”不是同一件事。

相同策略为什么会产生不同结果

假设两名交易员使用完全相同的趋势跟踪系统。

系统定义如下：

• 价格突破过去若干周期高点时做多；
• 价格跌破移动止损线时退出；
• 单笔交易风险固定为账户净值的一定比例；
• 多品种之间按照波动率调整仓位；
• 不根据主观判断修改入场和退出规则。

从纸面上看，系统已经足够明确。

但实盘结果仍然可能分化。

入场偏差

交易员甲严格按照收盘确认信号执行。交易员乙认为突破幅度不够，等待更低风险的位置。结果价格继续上涨，乙错过交易。

这种偏差不会出现在策略说明书中。它出现在订单日志中。

如果系统的历史收益依赖少数几次大趋势，错过其中一次，收益分布会发生明显变化。趋势跟踪策略通常不是依靠高胜率运行。它可能长期经历连续小额亏损，再由少数大盈利交易覆盖前期损失。

因此，拒绝一次看似不理想的入场，不一定只是少赚一笔。它可能改变整个样本路径。

退出偏差

交易员甲按照止损退出。交易员乙认为当前下跌只是短期回调，继续持仓。

如果价格随后反弹，乙会把这次违规解释为“判断正确”。这会强化错误行为。下一次遇到相同信号时，违规概率上升。

如果价格继续下跌，乙可能在更差的位置退出。一次延迟执行同时扩大了单笔损失和心理压力。

这不是心理学描述。可以通过交易日志计算：

• 计划退出价格与实际退出价格的差异；
• 延迟时间；
• 延迟造成的额外损失；
• 违规交易占全部交易的比例；
• 违规后策略收益是否改善。

如果违规没有带来稳定的统计优势，它就不是优化。只是噪声。

仓位偏差

交易系统的优势可能来自长期风险预算，而不是单笔交易方向。

一名交易员在连续盈利后把风险从每笔0.5%提高到2%。另一名交易员维持固定风险。两人使用相同的方向信号，资金曲线却已经不再具有可比性。

仓位扩大后，收益波动会同步放大。回撤深度增加。连续亏损对净值的影响呈现非线性。

如果账户先亏损30%，恢复到原始净值需要上涨约42.9%。如果账户先亏损50%，需要上涨100%。这不是观点。是复利计算。

交易员的生存能力，首先取决于是否避免不可恢复的资金损失。

参数偏差

交易员甲使用经过样本外验证的参数。交易员乙根据最近一段行情调整均线周期、突破窗口和止损倍数。

乙的曲线可能短期更平滑。它也可能只是对最近样本过拟合。

参数越多，自由度越高。自由度越高，历史数据中可被解释的随机结构越多。回测收益越漂亮，未必越可靠。

可以把策略表现拆成：

• 样本内收益；
• 样本外收益；
• 滚动窗口收益；
• 不同品种收益；
• 不同市场阶段收益；
• 扣除滑点和手续费后的净收益；
• 参数邻域内的收益稳定性。

如果只有某一个参数点表现突出，周围参数迅速恶化，模型大概率缺乏鲁棒性。真正可用的参数通常不会只存在于一个孤立点上。

规则相同，不代表输入相同；输入相同，也不代表执行相同。交易结果的分化首先发生在流程层，而不是观点层。

天赋到底对应什么

“天赋”这个词经常被使用，但缺乏操作性。

如果不能测量，就无法用于训练决策。需要把天赋拆解成可观察变量。

处理概率的能力

交易结果是随机变量。单笔盈利或亏损不能直接说明系统有效或失效。

交易员需要理解几个基础事实：

• 胜率不等于收益能力；
• 盈亏比不能脱离胜率讨论；
• 历史最大回撤不等于未来最大回撤；
• 样本均值不等于真实期望值；
• 短期盈利可能来自方差，而不是来自有效优势；
• 正态分布不能完整描述多数高杠杆金融收益序列。

如果一个人把连续三次盈利理解为能力证明，把连续三次亏损理解为系统失效，他还没有完成概率思维的基本转换。

这不代表他没有天赋。只代表他的统计训练不足。

延迟反馈的适应能力

交易系统的反馈周期可能很长。

一个趋势系统在几周或几个月内没有明显收益，不足以证明系统无效。一个短周期策略连续几天盈利，也不足以证明策略有效。

奖励与惩罚并不及时。行为与结果之间存在延迟。很多人能够执行规则，前提是规则马上产生正反馈。一旦连续亏损，执行质量就下降。

这类能力可以通过记录观察：

• 连续亏损达到某个阈值后，是否改变参数；
• 亏损后下一笔交易是否增加风险；
• 连续盈利后是否扩大仓位；
• 是否频繁切换品种和周期；
• 是否删除不利交易记录；
• 是否只保留能证明自己正确的样本。

这些指标比“是否有盘感”更有价值。

复杂系统中的简化能力

市场数据包含大量变量。价格、成交量、波动率、期限结构、相关性、交易时段和流动性都可能影响结果。

但变量越多，模型越容易过拟合。

优秀的建模能力，不是把所有变量都加入模型。是能够识别核心假设，并主动删除不能产生增量信息的变量。

例如，一个趋势模型的核心假设可能是：价格在某些阶段具有持续性。加入十几个技术指标，并不会自动增强这个假设。相反，可能使模型对历史噪声产生依赖。

能否接受简单模型，属于重要差异。

对规则的服从能力

这不是性格标签。可以转化为执行统计。

例如：

如果这些指标长期稳定，所谓天赋的作用会被压缩到一个更具体的范围内：学习速度、压力下的决策一致性，以及对不确定性的容忍能力。

固定型思维会如何影响交易结果

心理学家卡罗尔·德韦克提出了固定型思维与成长型思维的区分。这个框架被引入交易领域后，常被简化成一句话：相信能力可以提升，就更容易坚持。

这还不够精确。

交易中的固定型思维，通常表现为把结果归因于不可改变的属性：

• 我没有交易天赋；
• 我不适合做短线；
• 我天生不能承受亏损；
• 我的判断力就是不如别人；
• 这套系统只适合聪明人。

这些判断的问题，不是它们一定错误。问题是它们无法产生下一步操作。

如果交易员把亏损归因于天赋不足，他不会检查滑点、信号延迟、仓位偏差和样本选择。他只会寻找新的策略，或者直接退出。

成长型思维也不能理解为盲目坚持。

“能力可以提升”不等于“任何系统都值得坚持”。在量化交易中，成长型思维应当对应一个可验证流程：

1. 明确交易假设。

2. 构造可重复的数据集。

3. 区分训练样本与验证样本。

4. 进行滚动或走步测试。

5. 记录交易成本与滑点。

6. 评估不同参数区间的稳定性。

7. 制定最大回撤和停机条件。

8. 通过实盘或模拟执行检验行为偏差。

9. 根据数据修改规则，而不是根据单笔盈亏修改规则。

10. 在模型失效时承认失效。

成长不是把亏损合理化。

成长是提高问题定位的分辨率。

固定型思维的典型数据特征

固定型思维不一定通过语言出现。它会出现在交易记录中。

例如：

• 亏损后立即更换策略；
• 盈利后增加杠杆；
• 只统计盈利交易；
• 把回测结果和实盘结果混为一谈；
• 频繁调整参数；
• 用单个极端行情解释全部历史表现；
• 把执行错误写成系统错误；
• 把系统错误写成个人错误。

这些行为会破坏样本的连续性。样本一旦被不断修改，后续分析就无法判断收益变化来自策略、市场结构，还是交易员自身行为。

成长型思维的边界

成长型思维也有一个常见陷阱：把坚持本身当成正确性证明。

一个模型即使经过多年训练，也可能无法适应新的市场结构。趋势周期可能缩短。波动率可能下降。交易成本可能上升。流动性可能在极端时段消失。

如果模型的核心优势已经消失，继续执行不一定是纪律。可能是拒绝更新。

因此，成熟的成长型思维必须同时包含两个动作：

• 在预设回撤范围内保持规则稳定；
• 超过失效条件后停止交易并重新检验假设。

没有停机规则的坚持，无法与固执区分。

结构化训练为什么有效

2023年，CFA Institute的一项研究指出，在持续稳定盈利的交易员中，超过78%的人接受过结构化专业培训，超过65%的人拥有定期心理辅导或自我反思习惯。

这些数字不能被解释为因果证明。研究结果至少说明一个相关性：稳定盈利群体更常见系统化训练和定期复盘。

结构化训练的价值，不是提供更多知识点。是减少决策自由度。

把模糊判断转化为规则

“趋势比较强”不是交易条件。

可以转化为：

• 收盘价高于过去若干周期最高价；
• 短周期均线高于长周期均线；
• 当前波动率处于指定区间；
• 成交量或持仓量满足某个过滤条件；
• 预设风险收益比达到最低要求。

并非所有条件都必须加入模型。关键是每个条件都能够被计算、复现和回溯。

规则的最小单位应当是布尔值，或者连续变量。

例如：

• 是否满足入场条件；
• 是否达到止损条件；
• 当前仓位是否超过风险上限；
• 当前回撤是否超过停机阈值；
• 该交易是否属于样本外数据。

当一个交易判断无法被记录为变量，它就很难被审计。

把回测从收益展示改成错误分析

很多回测报告只展示净利润、年化收益和最大回撤。这些指标不够。

至少还需要观察：

• 收益是否依赖少数交易；
• 连续亏损最长是多少；
• 盈利和亏损是否集中在特定年份；
• 不同品种是否具有相同收益来源；
• 参数变化是否引起收益剧烈变化；
• 手续费增加后策略是否仍然成立；
• 滑点扩大后资金曲线是否断裂；
• 交易信号是否集中在流动性较差的时段；
• 回测中的成交假设是否可以被实盘执行。

如果回测只在一个数据集上运行，结论只能覆盖这个数据集。

如果模型不断使用过去表现调整参数，测试集已经被污染。此时所谓样本外结果没有实际意义。

把心理训练量化

心理辅导和自我反思不是抽象环节。可以建立固定记录格式。

每笔交易结束后，记录以下内容：

• 是否按照系统产生信号；
• 是否按照目标仓位下单；
• 是否在预定时间内完成执行；
• 是否改变止损；
• 是否因为连续盈亏改变交易频率；
• 是否在交易前增加了未经验证的判断；
• 是否在交易后用结果倒推理由；
• 是否因外部信息修改原始计划。

这些记录可以与实际收益连接起来。

例如，违规交易的平均收益为正，并不表示违规有效。还需要比较：

• 违规交易的样本数量；
• 违规交易的收益方差；
• 违规交易的最大回撤；
• 违规交易在不同市场阶段的表现；
• 违规交易是否只是偶然避开了亏损样本。

如果没有足够样本，任何结论都应保持低置信度。

“天生适合交易”的特征，应该如何验证

不应通过性格测试直接判断一个人能否成为交易员。人格量表可以提供参考，但不能替代真实执行数据。

更可靠的方法，是设计低成本、低杠杆、可重复的观察实验。

观察一：规则记忆不是关键，规则执行才是

给出一套简单规则，要求连续执行一段时间。重点不在最终收益，而在偏离情况。

统计：

• 漏掉多少次信号；
• 提前多少次退出；
• 是否擅自修改参数；
• 是否在连续亏损后停止；
• 是否在连续盈利后扩大风险；
• 是否完整保存交易记录。

如果规则很复杂，执行偏差可能来自理解成本。测试应先从低复杂度模型开始。

观察二：亏损后的行为是否稳定

亏损本身不是异常事件。对多数交易系统而言，亏损是分布的一部分。

需要观察亏损之后是否发生以下变化：

• 增加交易次数；
• 扩大单笔风险；
• 更换交易周期；
• 从趋势策略切换到反转策略；
• 取消止损；
• 追逐刚刚上涨的品种；
• 删除或修改历史记录。

这些行为通常比亏损金额更能说明问题。

观察三：能否区分运气与优势

连续盈利可能来自随机路径。连续亏损也可能来自随机路径。

可用的方法包括：

• 增加样本量；
• 进行随机重排；
• 使用蒙特卡洛模拟估计回撤区间；
• 对不同市场阶段分别统计；
• 比较样本内和样本外差异；
• 使用基准策略进行对照；
• 观察交易成本变化后的净收益。

如果交易员能够主动寻找反例，而不是只寻找证明材料，说明其认知结构更适合研究型交易。

观察四：是否能够停止

停止是交易系统的一部分。

以下情况都应预先定义：

• 数据源异常；
• 交易接口异常；
• 滑点超过阈值；
• 实际波动率显著偏离模型假设；
• 账户回撤达到风险上限；
• 价格、成交量或持仓量数据缺失；
• 策略表现连续偏离统计区间。

一个不能停止的人，不一定缺少勇气。更可能缺少风险边界。

训练可以改变什么，不能改变什么

后天训练的作用很大，但边界清晰。

可以训练的部分

技术能力

包括数据清洗、特征构造、回测框架、订单模拟、风险模型和绩效分析。

这些能力依赖重复练习。错误可以被定位。结果可以被复现。

规则表达能力

很多交易想法无法运行，不是因为方向错误，而是因为定义不完整。

例如“突破后顺势交易”至少需要明确：

• 突破的价格字段；
• 回看窗口；
• 是否使用收盘确认；
• 是否允许盘中触发；
• 交易成本如何处理；
• 退出条件是什么；
• 同时出现多个信号时如何排序。

定义越完整，争议越少。

风险预算能力

仓位、杠杆、保证金和组合相关性都可以建模。

不能只看单笔风险。还要看组合风险。多个高度相关品种同时触发信号时，表面上是多笔交易，实际可能是同一个风险因子。

复盘能力

复盘不是重看图表。是重建决策链。

需要区分：

• 当时可获得的信息；
• 事后才知道的信息；
• 系统输出的信号；
• 人为加入的判断；
• 实际执行的订单；
• 结果对原假设的影响。

如果把事后价格走势带入交易前判断，复盘就产生了前视偏差。

难以通过训练完全改变的部分

对不确定性的基础耐受度

有人可以接受长期没有明确反馈。有人需要频繁确认自己是否正确。

前者更适合低频和长周期系统。后者可能偏好短周期，但短周期交易对成本、延迟和执行质量要求更高。

这不是优劣判断。是系统与操作者的匹配问题。

注意力的持续方式

有些人适合长时间观察单一模型。有些人更适合处理多个策略和多个市场。

如果注意力结构与策略周期不匹配，执行质量会下降。强行改变通常效率较低。更合理的做法是调整系统频率、信号数量和自动化程度。

风险暴露后的行为反应

可以通过训练降低违规率。但无法保证在极端回撤中完全没有反应。

因此，风险管理不能假设操作者永远理性。系统必须把最坏行为纳入设计：

• 限制最大仓位；
• 设置强制止损；
• 分离研究账户与交易账户；
• 采用分级权限；
• 在异常回撤后自动降风险；
• 禁止盘中修改核心参数；
• 保留不可删除的操作日志。

所谓纪律，不应只存在于交易员的自我要求中。也应存在于系统权限中。

交易员成长的三个阶段

可以把交易能力拆成三个阶段。每个阶段的错误不同。

第一阶段：从观点转向规则

初学者通常拥有大量观点，但没有明确规则。

他们会说某个品种可能上涨，某种形态比较强，某个位置值得关注。这些判断没有统一的输入、输出和风险定义。

第一阶段的目标不是盈利。是把描述性语言转换成计算条件。

需要完成：

• 选择明确的交易周期；
• 固定数据源；
• 定义入场与退出；
• 设定单笔风险；
• 保存完整订单记录；
• 禁止事后修改历史信号。

如果连规则都无法写出，继续讨论天赋没有意义。

第二阶段：从回测转向实盘执行

回测与实盘之间存在多个差异：

• 成交价格不同；
• 信号确认时间不同；
• 交易成本不同；
• 数据延迟不同；
• 流动性不同；
• 订单部分成交；
• 交易员会产生人为干预。

第二阶段的目标，是测量这些差异。

可以建立回测—模拟—实盘三套日志，并比较：

如果实盘结果明显差于回测，首先检查执行链。不要立即修改策略。

第三阶段：从执行规则转向管理模型生命周期

模型不是永久有效。

需要定义：

• 何种情况下继续运行；
• 何种情况下减少风险；
• 何种情况下暂停；
• 何种情况下重新训练；
• 何种情况下彻底淘汰。

模型生命周期管理比寻找新指标更重要。

一个简单但稳定的模型，通常比复杂但依赖历史细节的模型更容易维护。原因不是简单模型一定更优，而是它的失效边界更容易识别。

训练计划不应以收益目标开头

“一个月翻倍”不是训练目标。它会改变风险函数。

更合理的训练目标是可观测指标。

例如：

1. 连续记录所有信号，不删除亏损样本。

2. 将计划仓位与实际仓位的误差控制在预设范围内。

3. 统计每次执行延迟。

4. 记录所有止损修改行为。

5. 每周检查策略是否被人为改变。

6. 每月进行一次样本外评估。

7. 每季度重新检查交易成本和滑点假设。

8. 在达到回撤阈值后自动降级，而不是临时决策。

9. 对每次参数修改保留版本号和原因。

10. 将策略收益、执行偏差和账户风险分开统计。

这些指标不会直接保证盈利。但它们可以减少无法解释的错误。

如果训练者每天只看净利润，他最终学会的是结果依赖。如果训练者同时记录执行质量、风险暴露和模型稳定性，才有机会建立可迁移能力。

关于零售交易失败率，不能只看一个数字

零售外汇市场中常见一个接近95%的交易员失败或淘汰率估计值。这个数字经常被当作结论使用。

它最多只能说明零售交易具有高淘汰特征。不能直接推出以下结论：

• 失败完全由天赋不足造成；
• 结构化训练没有意义；
• 所有零售交易员最终都会亏损；
• 只要使用自动化策略就可以绕开失败；
• 机构交易员天然拥有稳定优势。

还需要知道样本定义、统计周期、账户筛选方式和失败标准。

“失败”可能指账户亏损，也可能指停止交易、资金不足、无法维持保证金要求，或者连续一段时间未产生交易。不同定义会产生不同结果。

统计数字必须保留边界。

在交易研究中，任何脱离样本和定义的百分比都接近装饰。它不能改变决策。

天赋与纪律不是二选一

天赋可能影响学习速度、注意力结构和压力下的反应。但这些因素不会直接生成收益。

收益来自一条完整链路：

假设有效 → 数据适配 → 规则明确 → 回测没有明显偏差 → 成本可承受 → 执行稳定 → 风险可控 → 模型没有严重失效。

其中任何一环断裂，结果都会恶化。

一个学习速度快的人，如果持续过拟合，仍然无法建立稳定系统。一个统计基础普通的人，如果使用低复杂度模型、严格控制风险、持续记录执行偏差，也可能达到足够的职业水平。

顶级表现则是另一回事。

海龟交易员之间的巨大收益差异说明，基础训练能够提供共同起点，但不能保证相同终点。性格、纪律、学习能力和风险承受方式会继续扩大分化。

这不是宿命论。

它只是说明个体差异存在。

一个可执行的判断框架

如果需要判断自己是否适合继续训练交易能力，不要问“我有没有天赋”。这个问题无法直接回答。

改问以下问题：

• 能否把交易观点写成明确规则；
• 能否接受策略在一段时间内没有收益；
• 能否在连续亏损后维持预先设定的风险；
• 能否记录所有交易，包括违反计划的交易；
• 能否区分策略错误和执行错误；
• 能否在回测中加入成本、滑点和延迟；
• 能否进行样本外测试；
• 能否接受简单模型；
• 能否在模型失效时停止；
• 能否长期执行同一套记录流程。

这些问题都可以通过行为数据回答。

如果答案是否定的，也不意味着不能继续。它说明训练重点不在增加指标，而在修复流程。

如果答案大多为肯定，也不意味着一定盈利。它只说明具备继续进行统计检验和系统训练的基础。

交易能力的上限无法由一次回测确定。需要多个市场阶段、多个样本区间和持续的实盘记录。

结论：交易员可以培养，但结果不会标准化

海龟实验否定了“交易只能依赖天生能力”的绝对说法。机械化规则、结构化培训和风险纪律，确实能够让缺乏丰富经验的人进入交易系统。

但实验同样否定了另一个极端：只要学会规则，任何人都能获得相同结果。

训练解决方法问题。

性格与执行力影响行为偏差。行为偏差影响实际交易路径。交易路径最终影响收益分布。

因此，交易员既不是纯粹天生的，也不是培训流水线上的标准产品。

更准确的表达是：

交易方法可以传授。交易纪律可以训练。交易结果只能通过长期数据验证。

参数优化应优先关注鲁棒性，而不是历史最优点。回测应增加走步测试、成本扰动和参数邻域分析。实盘应限制人为干预，并保留完整日志。

不作行情预测。

只保留一个工程结论：

先验证模型，再验证执行；先控制回撤，再讨论天赋。

Related reading: 量化交易的区别与判断标准 and 强化学习在量化交易中为什么屡屡失效？从模拟盘到实盘的四大鸿沟.