炒股和期货交易的本质是概率游戏
进入股票和期货市场的人，绝大多数目标就是赚钱。这个目标没有错，错的是把赚钱当成一种愿望，而不是一套可执行的流程。市场不会因为你需要钱就给你钱，它只会奖励那些理解概率、管理风险、遵守规则的人。股票和期货价格波动看似随机，长期却存在统计规律。交易者要做的不是预测明天涨跌，而是构建一个正期望的交易系统，让一百次、一千次交易后的结果偏向盈利。
股票交易中的正期望从哪里来
股票市场长期向上，但个股分化极大。单纯买入持有指数基金可以赚钱，可很多人进入股市是想跑赢指数。要跑赢指数，必须找到自己的优势。优势可以来自基本面研究，找到被低估的公司；也可以来自技术面，捕捉趋势和动量。无论哪种，都需要量化验证。
以均线趋势策略为例，在股票日线数据上测试：价格上穿20日均线买入，下穿20日均线卖出。这个简单规则在部分股票上能产生正收益，但换到另一些股票上会连续亏损。关键在于分散持有多个品种，并且控制单笔亏损。股票交易没有杠杆，最大亏损有限，但依然需要止损。没有止损，一次黑天鹅就能抹去多年利润。
期货交易放大了盈利也放大了风险
期货与股票最大的不同是保证金制度和双向交易。期货可以做多也可以做空，价格涨跌都有机会。杠杆让盈利百分比放大，同样让亏损百分比放大。一个期货账户如果满仓操作，一次反向跳空就可能爆仓。期货交易者必须把风险管理放在第一位。
期货品种之间相关性不同。黑色系、化工品、农产品、贵金属各有驱动逻辑。跨品种对冲可以降低波动，但也会降低收益。单边趋势跟踪在期货上长期有效，因为期货趋势比股票更流畅，且可以做空。海龟交易法则就是经典期货趋势系统：突破20日高点做多，突破20日低点做空，用ATR（平均真实波幅）确定止损和仓位。
用ATR管理仓位和止损
ATR衡量市场波动。波动大时，止损距离要宽，仓位要轻；波动小时，止损距离窄，仓位可以重。固定金额止损容易被随机波动打掉，ATR止损更适应市场状态。
import numpy as np
import pandas as pd
# 假设df包含high, low, close
tr = pd.concat([df['high'] - df['low'],
(df['high'] - df['close'].shift()).abs(),
(df['low'] - df['close'].shift()).abs()], axis=1).max(axis=1)
atr = tr.rolling(14).mean()
# 入场：突破20日高点
entry = df['high'] > df['high'].rolling(20).max().shift()
# 止损：入场价 - 2 * ATR
stop = df['close'] - 2 * atr
# 仓位：风险1%账户资金，每手风险 = 2 * ATR
risk_per_unit = 2 * atr
position_size = (0.01 * account_equity) / risk_per_unit
这个框架把风险固定在账户的1%，无论品种波动多大，单笔最大亏损可控。长期执行，只要系统正期望，资金曲线就能向上。
交易心理决定能否执行系统
知道规则不等于能执行。连续亏损时，人会怀疑系统；连续盈利时，人会加大仓位。这两种行为都会破坏正期望。股票和期货交易中，最大的敌人是自己的情绪。解决方法是把交易规则写成清单，每次开仓前打勾。止损单必须提前挂出，不能盘中临时决定。记录每一笔交易的理由和结果，定期复盘。
股票和期货交易赚钱的底层逻辑
赚钱不是靠一次暴利，而是靠多次小亏小赚，偶尔大赚。截断亏损，让利润奔跑。股票市场可以找到长期上涨的优质公司，期货市场可以捕捉大宗商品的大趋势。两者结合，股票提供长期复利，期货提供危机对冲和额外收益。
资金管理上，股票和期货账户应该分开。股票仓位不超过总资金的70%，期货保证金占用不超过总资金的30%。这样即使期货爆仓，股票账户依然安全。
量化交易让规则可验证
主观交易容易受情绪干扰，量化交易把规则写成代码，用历史数据回测。回测不能保证未来盈利，但能排除明显负期望的策略。股票和期货的量化策略需要关注滑点、手续费、流动性。期货主力合约切换要处理价差。股票停牌、涨跌停要特殊处理。
一个完整的量化系统包含：数据获取、信号生成、仓位计算、订单执行、风险监控。个人交易者可以从简单策略开始，用分钟或日线数据，在模拟盘运行三个月，再投入小资金实盘。
赚钱的前提是活下来
股票和期货市场里，活下来比赚钱更重要。爆仓一次，游戏结束。控制杠杆，分散品种，严格止损，这些老生常谈的话是无数亏损换来的。炒股和期货交易的目的当然是赚钱，但实现这个目的的方法是不把赚钱当目的，而是把执行规则当目的。规则执行到位，利润自然出现。
