回测系列：EMA双均线策略

摘要

本研究对一份EMA(9, 21)策略的365天回测数据进行了实证检验。该数据涵盖5种加密资产（BTC, ETH, SOL, BNB, DOGE）和5种时间框架。传统的绩效评估（TPA）会试图从数据中寻找“最优组合”（例如ETH在1天周期的+70.94%）。然而，本报告采用风险与脆弱性（Fragility）的视角进行分析，认为该数据集所揭示的不是一个策略的有效性，而是一个模型在现实摩擦面前的极端脆弱性。

研究发现，该策略在25个测试单元中表现出剧烈的异质性（12胜13负），这本身就是模型脆弱的信号。尤其是15分钟周期的系统性崩溃（5个标的中4个巨亏），证明了该模型在面对“现实世界”的噪音和摩擦（手续费）时会立刻失效。我们认为，任何试图从该数据中“优化”并提取“圣杯”的行为，都构成了“卢迪谬论”（Ludic FallCacy），是一种认知上的医源性损伤（Iatrogenics）。

1. “证物A”：被测策略的“完美”代码

一切分析始于这个模型。这是一个在Pine Script v5中实现的、教科书般完美的EMA(9, 21)“只做多”策略。它逻辑清晰、代码简洁，是每一个量化交易初学者都会写出的“理性”代码。

//@version=5
strategy("EMA Golden Cross (Long Only) Strategy", 
         overlay=true, 
         default_qty_type=strategy.percent_of_equity, 
         default_qty_value=100)

// ======== 1. 输入 (Inputs) ========
// 允许用户在设置中更改EMA的周期和价格来源
fast_length = input.int(12, title="Fast EMA Length", minval=1)
slow_length = input.int(26, title="Slow EMA Length", minval=1)
price_source = input.source(close, title="Source")

// ======== 2. 计算 (Calculations) ========
// 计算快速和慢速EMA
fast_ema = ta.ema(price_source, fast_length)
slow_ema = ta.ema(price_source, slow_length)

// ======== 3. 策略逻辑 (Strategy Logic) ========
// 定义入场条件：金叉
// ta.crossover() 会在 fast_ema 刚上穿 slow_ema 的那一根K线上返回 true
entry_condition = ta.crossover(fast_ema, slow_ema)

// 定义出场条件：死叉
// ta.crossunder() 会在 fast_ema 刚下穿 slow_ema 的那一根K线上返回 true
exit_condition = ta.crossunder(fast_ema, slow_ema)

// ======== 4. 执行 (Execution) ========
// 当金叉条件满足时，执行入场
if (entry_condition)
    // strategy.entry 会在已有仓位时反向开仓，但我们这里只做多，所以它会开一个多单
    // 我们给这个订单一个ID "Enter Long"
    strategy.entry("Enter Long", strategy.long)

// 当死叉条件满足时，执行出场
if (exit_condition)
    // strategy.close 会平掉指定ID的订单
    // 我们平掉 "Enter Long" 这个ID的仓位
    strategy.close("Enter Long", comment="Exit Long")

// ======== 5. 绘图 (Plotting) ========
// 在图表上绘制EMA线，方便观察
plot(fast_ema, title="Fast EMA", color=color.new(color.blue, 0), linewidth=2)
plot(slow_ema, title="Slow EMA", color=color.new(color.orange, 0), linewidth=2)

这个代码本身没有错。错误在于，我们（错误地）假设这个无菌实验室里的“模型”能够毫发无伤地在现实世界的“生态”中运行。

2. 引言：作为“火鸡数据”的回测

我们拿来了这份由上述代码生成的回测数据。

一个天真的分析师（或者说，一只“感恩节的火鸡”）会查看这份报告，注意到ETH在1天周期上+70.94%的收益，或者BNB在多个周期上的“稳健”表现（+32%至+36%），并得出结论：“策略有效，我们只需要选择正确的标的和周期。”

这种思维是致命的。这份365天的数据，就是火鸡在感恩节前一天所依赖的“历史数据”。我们的假设是：这份数据的主要价值，不是为了预测未来（它做不到），而是为了暴露策略在压力下的“非线性缺陷”——即“脆弱性”。

3. 实证分析：脆弱性的量化症状

我们不关心“平均收益”，我们关心“伤害”。脆弱性体现在，当系统的某个输入（如时间周期或资产）发生微小变化时，其输出（损益）是否会发生不成比例的灾难性变化。

3.1 症状一：15分钟周期的“毁灭域”

最能说明问题的不是最大盈利，而是最大亏损。在15分钟周期：

DOGE: -53.80%
BTC: -26.8%
SOL: -26.82%
BNB: -8.45%
(ETH: +45.27%)

5个标的中，4个录得系统性巨亏。这并非“表现不佳”，这是一个“毁灭域”（Domain of Ruin）。它告诉我们，当模型（证物A）暴露在更高频率的噪音和更频繁的摩擦（0.03%的手续费被反复触发）中时，它会立刻崩溃。

唯一的幸存者ETH (+45.27%) 恰恰是最大的陷阱。 这是一个典型的**“被随机性愚弄”（Fooled by Randomness）**的案例。它诱使交易者相信在高频中存在圣杯，而实际上它只是一个幸运的“黑天鹅”（正面意义上的）——一个在未来极不可能复制的路径依赖结果。

3.2 症状二：剧烈异质性与“曲线拟合”

一个强韧（Robust）的策略，其表现在不同标的和周期上应具有某种程度的一致性。而我们看到的是：

BTC vs BNB： 策略在BTC（市场基准）上几乎完全失效；却在BNB上“似乎”很有效。
15m vs 30m： 周期从15分钟（DOGE -53.80%）变为30分钟（DOGE +8.82%），结果天差地别。

这不是“适配性”，这是“过拟合”（Curve-Fitting）。 这表明EMA(9, 21)根本不是一个“策略”，它只是一个恰好在过去365天里与BNB的特定波动路径相吻合的“描述器”。你并没有找到一个能预测BNB的工具；你只是在事后描述了BNB的轨迹。

4. 讨论：医源性损伤与“优化”的陷阱

这份报告真正的危险，不在于DOGE的-53.80%亏损（这很明显），而在于ETH的+70.94%盈利。

后者会诱发一种**“医源性损伤”（Iatrogenics）**——分析师（庸医）试图通过“优化”来“治愈”这个策略。他们会告诉你：“别用15分钟图，用1天图；别碰BTC，去买ETH。”

这种“优化”的建议，比原始的（无效）策略本身更有害。

卢迪谬论（Ludic Fallacy）： 它让你误以为交易是一个规则清晰、概率已知的“游戏”（如这份回测报告），而现实世界却是混乱、滑点未知、且充满“黑天鹅”的。你那0.03%的手续费假设，在市场剧烈波动时根本不堪一击。
火鸡问题（The Turkey Problem）： 你在ETH的1天图上找到了“圣杯”，你是在假设第366天会和过去365天一样。而恰恰是在第366天，感恩节（那个导致你模型崩溃的突发事件）将会到来。