交易计划如何落地？用Python搭建可统计的复盘系统

交易计划的重要性，往往不是在下单那一刻体现出来的，而是在连续亏损之后、情绪失衡之后、行情突然反向之后才被真正看见。很多人以为交易计划就是一张写着买入价、止损价、目标价的纸，写完之后还是会凭感觉手一抖就成交。实际上，交易计划应该被当成一套规则系统来对待：它要提前定义市场规模、仓位计算、入场触发条件、出场规则、失效条件，以及交易结束后如何复盘和修正。只有把计划从模糊想法变成可填写、可回放、可统计的记录，连续交易的结果才具备被观察、被检验、被迭代的基础。

这篇内容适合正在学习交易计划、想创建个人交易手册、并且愿意用表格或 Python 做交易日志分析的读者。你可以把它看成一次“把交易计划工程化”的练习：先理解为什么需要计划，再搭建一套可执行计划结构，最后用一个最小 Python 工具完成交易复盘的统计闭环。所有示例只用来展示方法，不构成任何操作建议，代入实盘前请先评估自己的风险承受能力。

1. 交易计划的重要性：先理解它为什么是规则系统

1.1 交易计划不是一个愿望，而是一组可判定的条件

交易计划的第一个作用，是把“我想赚钱”“我打算低买高卖”这类模糊愿望，翻译成一组“如果……那么……否则……”的可判定规则。没有这套规则，交易者很容易在不同时刻使用不同逻辑：

• 行情上涨时，认为趋势已经形成，想追进去。
• 行情回调时，又认为低点出现了，想抢反弹。
• 持仓亏损后，担心继续跌，提前止损。
• 持仓亏损后又觉得马上要反弹，改为扛单。

同样一个人，可能在同一个星期内用完全相反的逻辑做出不同方向的决策。结果好坏不能用来证明某次决策合理，只能说明这次运气不错。交易计划的重要性恰恰在于：它事先固定了决策标准，让人在盘中不需要临时从零开始判断。

可判定的条件，至少要满足“两个人都能看出是否成立”的标准。类似“等到合适的位置再进场”就不合格，因为“合适”没有边界。合格条件可以写成：

当收盘价连续 3 根日 K 线不再创新低， 且最新一根收盘价突破前 5 根 K 线的最高价时， 在下一根 K 线开盘进场做多； 若下一根 K 线开盘后价格反向回落到触发价下方 1% 以内，则放弃本次信号。

前面部分定义了触发条件，后面部分定义了失效条件。只有把边界写清楚，执行才不会变成事后解释。

1.2 一份可用计划必须包含的五个要素

交易计划没有统一模板，但有五个要素几乎必须存在。可以把它们理解为“规则系统的基础类”，缺一个，系统就不完整。

五个要素不是平行关系。风险预算决定仓位，仓位又反过来约束入场和出场。如果风险预算没有确定，仓位计算就没有依据；没有依据的仓位，任何止损规则都会被“怕亏太多”扭曲。

1.3 单次交易的结果不足以评估交易计划

交易计划的重要性必须放在统计视角里看。单笔交易的结果中，包含策略本身的优劣和随机波动两部分。靠一两笔交易判断计划好坏，和靠抛一次硬币判断硬币是否公平一样没有说服力。

常用的长期评估公式非常朴素：

单笔期望收益 = 胜率 × 平均单笔盈利 − 亏损率 × 平均单笔亏损

胜率提高，不一定带来正期望；平均单笔盈利远大于平均单笔亏损时，即使胜率低于 50%，期望也可能为正。交易计划的作用，是让这个公式中的四个参数变得相对稳定，而不是指望某一次特殊行情带来暴利。

这里要单独提醒：交易计划不会消除亏损，它只是把不可控的随机亏损控制在一笔又一笔可计算的范围内。真正需要关注的，不是某次是否止损过早，而是 20 笔、50 笔之后，整个执行序列是否仍然符合预设的统计特征。

2. 搭建可执行交易计划：先定义输入，再定义处理规则

2.1 交易计划的输入：账户资金、风险比例与品种边界

动手填计划之前，先确定输入参数。没有输入参数的计划，所有的仓位计算都会变成孤立的“感觉值”。常见输入参数如下：

账户权益：100000 单笔最大风险：1% 账户最大回撤容忍度：10% 观察周期：日线 交易标的：示例品种 SAMPLE-001 允许做空：否

这些参数的含义是：

• 单笔最大风险表示“当这笔交易触发止损时，计划内允许亏掉多少钱”，不是“准备投多少钱进场”。
• 账户最大回撤容忍度用于触发系统级别的暂停条件。当账户权益回撤超过 10% 时，应当停止新增交易，重新检查流程，而不是继续开单。
• 交易标的和周期需要写明边界。例如“只做日线级别突破信号”，就不要在盘中看到五分钟快速上涨后临时切换逻辑。

学习环境可以先使用模拟盘、历史行情回测或模拟账户。进入有真实资金的环境前，理论上要把每一笔风险都降到自己能承受的范围内。上述 1% 只是很常见的参考值，不代表任何市场里都应该使用。

风险资金的另一个作用是暂停交易。实盘账户必须单独留出“连续亏损次数预算”。例如账户允许的最大连亏次数是 5 次，一旦触发，就停止开新仓，等待复盘结论。这也是交易计划的一部分。

2.2 入场规则要能写清楚“触发、确认、失效”

入场规则越是具体，就越能避免临场犹豫。可以先按三段式设计：

触发条件：出现某个候选信号。 确认条件：信号在什么时间点、什么价位上被接受。 失效条件：信号出现后，价格反向走到哪里，则不再入场。

例如一个不指向真实品种的示例信号规则：

品种：SAMPLE-001 周期：日线 触发：当日收盘价突破 20 日均线，且前 5 日均线方向向上。 确认：次日开盘直接挂单入场。 失效：如果次日开盘价高于触发日收盘价 1.5%，则放弃本次入场。

为什么要写失效条件？因为一段行情中会出现很多“勉强能算”的信号。如果没有失效条件，交易者会把所有不符合原始信号的交易都解释成“特殊情况”，一路扩大规则范围，最后等于没有规则。失效条件不是为了阻止交易，而是把边界划清楚，以便复盘时能判断：“这笔交易符合计划吗？如果符合，计划本身要不要修改？如果不符合，是执行问题还是规则漏洞？”

2.3 出场规则至少要有止损止盈和移动止损

入场决定风险暴露的起点，出场才真正决定交易结果。设计出场规则时，至少要覆盖四类情况：

止损距离不能拍脑袋定，应该参考品种的波动特征。例如按 ATR（平均真实波幅）计算止损距离，会比“随便固定 2%”更符合价格本身的日常波动范围。若原始计划没有给出 ATR 版本，下面这段只是思路示意：

止损价 = 入场价 - 2 × ATR(14) 止盈价 = 入场价 + 3 × ATR(14)

真正落地前，需要确认品种特性、周期、手续费和滑点是否支持这种参数。任何参数都要先经过历史数据或模拟盘验证，不要直接用在实盘里。

2.4 仓位计算：先确定每笔风险金额，再反推数量

仓位计算是交易计划中最容易出错、也最容易被人凭感觉跳过的环节。比如账户资金 10 万，止损距离 2 元，想买价值 5 万元的股票，如果止损空间很大，潜在亏损就可能超过风险预算。

常规计算顺序如下：

1. 确定账户权益：100000 2. 确定单笔风险比例：1% 3. 计算最大可亏损金额：100000 × 1% = 1000 4. 确定每单位止损距离：假设入场 100，止损 98，止损距离 2 5. 计算数量：1000 / 2 = 500 股

对应 Python 代码片段：

account_equity = 100000.0 risk_per_trade = 0.01 max_loss_amount = account_equity * risk_per_trade entry_price = 100.0 stop_loss = 98.0 stop_distance = entry_price - stop_loss # 2.0 quantity = max_loss_amount / stop_distance # 500.0 print(f"最大可亏损金额: {max_loss_amount}") print(f"建议数量: {quantity}")

这段代码有两个重要假设：标的盈亏按线性价格单位计算，且暂时忽略手续费和滑点。若品种是期货，每笔“止损点数 × 合约乘数”对应的是合约价值变动，手数计算还要多除一个合约乘数。实际系统中，手续费和滑点也必须纳入单笔风险预算。

另一个常见误区是先把数量定下来，再反推止损距离。这种顺序会把风险敞口彻底交给行情。建议的顺序永远是：先确认这单最多允许亏损多少，再看入场与止损之间的距离，最后反推单位数量。

3. 用检查表和模板把交易计划变成盘中可执行的动作

3.1 下单前检查清单：防止在盘中临时修改标准

交易计划写好后，需要变成一份实际盘中可勾选的清单。清单的作用类似代码发布前的检查项，不是让你思考“要不要做”，而是逼你回答“条件是否满足”。

每项标准都应做到“非黑即白”。如果问自己“应该可以吧”，就默认不通过。盘中大脑处于兴奋或紧张状态时，最擅长给模糊条件找合理理由，所以检查清单要提前写好，而不是下单前才临时编。

3.2 执行记录表：把“计划做了什么”和“实际做了什么”放在同一行

复盘最重要的素材，不是账户曲线，而是计划和执行之间的偏差。建议在同一张表中记录计划信息和实际信息。

示例字段如下：

date,symbol,side,planned_entry,planned_stop,planned_qty,actual_entry,actual_stop,actual_qty,planned,comment 2024-01-03,SAMPLE-001,long,99.5,95.0,100,100.0,95.0,100,yes,按计划执行 2024-01-05,SAMPLE-001,long,101.0,98.0,100,103.0,98.0,100,no,入场价高于计划，仍手动追入

与直接记录“我赚了多少钱”相比，这种结构能让你看清：这次赚亏，是计划内应该出现的随机结果，还是实际执行时偏出了计划造成的额外结果。

3.3 可复制的 Excel 或 Google Sheets 模板结构

如果还不熟悉写代码，可以用电子表格先记录。建议至少准备四个 Sheet：

关键在于“计划修订”要单独记录。很多人周一改止损规则，周四又改回原来的规则，周五再改一次。如果没有修订记录，最后根本不知道自己的交易计划已经变成什么形态，更不知道是哪一次修改导致了亏损扩大。

4. 最小可运行示例：用 Python 生成交易复盘统计

4.1 准备环境

这个工具只使用 Python 标准库，不需要安装第三方包。建议使用 Python 3.8 以上版本，目的是保证dataclass等语法正常工作。

工作目录建议如下：

trade_review/ ├── trades.csv └── trade_review.py

在学习环境里，先新建目录，然后创建两个文件。如果系统里没有 Python，可以先到官网安装长期支持版本，并在命令行检查：

python --version

如果 python 命令不存在，尝试：

python3 --version

4.2 交易记录数据结构

trades.csv是交易日志的输入文件。为了照顾做多和做空两种方向的统计，数据结构中保留 side 字段。示例内容如下：

date,symbol,side,entry_price,exit_price,quantity,stop_loss,planned,fee 2024-01-03,SAMPLE-001,long,100.0,108.0,100,95.0,yes,0 2024-01-05,SAMPLE-001,long,103.0,98.0,100,98.5,yes,0 2024-01-15,SAMPLE-001,long,98.0,102.0,100,96.0,yes,0 2024-01-18,SAMPLE-002,short,50.0,47.0,100,52.0,yes,0 2024-01-24,SAMPLE-002,short,48.5,51.0,200,49.0,no,0 2024-01-31,SAMPLE-001,long,99.0,95.0,100,98.0,yes,0 2024-02-06,SAMPLE-003,long,130.0,126.0,50,128.0,no,0 2024-02-15,SAMPLE-003,long,127.0,135.0,50,124.0,yes,0

上面的 symbol 使用 SAMPLE 前缀，是为了强调这是演示数据。不要把它理解成真实标的代码。当你创建自己的日志时，可以把 symbol 换成自己研究和记录的品种代码，但需要注意不同市场的做空机制、交易时间和手续费规则完全不同。

4.3 交易复盘代码实现

新建trade_review.py，写入下面的完整代码。它做的事情是：读取 CSV，把每笔交易变成 Trade 对象，计算每笔盈亏，然后输出常用统计指标。

import csv import sys from dataclasses import dataclass from typing import List @dataclass class Trade: date: str symbol: str side: str entry_price: float exit_price: float quantity: float stop_loss: float planned: bool fee: float = 0.0 @property def pnl(self) -> float: if self.side.strip().lower() == "long": raw_pnl = (self.exit_price - self.entry_price) * self.quantity else: raw_pnl = (self.entry_price - self.exit_price) * self.quantity return raw_pnl - self.fee def load_trades(path: str) -> List[Trade]: trades = [] with open(path, "r", encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: planned_value = row["planned"].strip().lower() trade = Trade( date=row["date"].strip(), symbol=row["symbol"].strip(), side=row["side"].strip(), entry_price=float(row["entry_price"]), exit_price=float(row["exit_price"]), quantity=float(row["quantity"]), stop_loss=float(row["stop_loss"]) if row["stop_loss"].strip() else 0.0, planned=planned_value in {"yes", "y", "1", "true"}, fee=float(row["fee"]) if row["fee"].strip() else 0.0, ) trades.append(trade) return trades def avg_positive(values: List[float]) -> float: positives = [v for v in values if v > 0] if not positives: return 0.0 return sum(positives) / len(positives) def avg_negative_abs(values: List[float]) -> float: negatives = [v for v in values if v < 0] if not negatives: return 0.0 return abs(sum(negatives) / len(negatives)) def analyze(trades: List[Trade], initial_capital: float = 100000.0) -> dict: if not trades: return {} total_pnl = [t.pnl for t in trades] wins = [t.pnl for t in trades if t.pnl > 0] losses = [t.pnl for t in trades if t.pnl < 0] flat_count = sum(1 for t in trades if t.pnl == 0) win_rate = len(wins) / (len(wins) + len(losses)) * 100 if (len(wins) + len(losses)) > 0 else 0.0 avg_win = avg_positive(total_pnl) avg_loss_abs = avg_negative_abs(total_pnl) profit_factor = sum(wins) / abs(sum(losses)) if sum(losses) != 0 else 0.0 total_return = sum(total_pnl) expected_return = total_return / len(trades) max_loss_streak = 0 current_streak = 0 for pnl in total_pnl: if pnl < 0: current_streak += 1 max_loss_streak = max(max_loss_streak, current_streak) else: current_streak = 0 equity = initial_capital max_equity = initial_capital max_drawdown_abs = 0.0 for pnl in total_pnl: equity += pnl if equity > max_equity: max_equity = equity drawdown = max_equity - equity if drawdown > max_drawdown_abs: max_drawdown_abs = drawdown planned_trades = [t for t in trades if t.planned] unplanned_trades = [t for t in trades if not t.planned] return { "total": len(trades), "planned_count": len(planned_trades), "unplanned_count": len(unplanned_trades), "win_rate": win_rate, "avg_win": avg_win, "avg_loss_abs": avg_loss_abs, "profit_factor": profit_factor, "total_return": total_return, "expected_return": expected_return, "max_loss_streak": max_loss_streak, "max_drawdown_abs": max_drawdown_abs, "max_drawdown_pct": max_drawdown_abs / max_equity * 100 if max_equity else 0.0, "planned_avg": sum(t.pnl for t in planned_trades) / len(planned_trades) if planned_trades else 0.0, "unplanned_avg": sum(t.pnl for t in unplanned_trades) / len(unplanned_trades) if unplanned_trades else 0.0, } def main() -> None: path = sys.argv[1] if len(sys.argv) > 1 else "trades.csv" trades = load_trades(path) if not trades: print("没有读取到交易记录") return metrics = analyze(trades) print("==== 交易复盘统计 ====") print(f"总交易笔数: {metrics['total']}") print(f"按计划执行笔数: {metrics['planned_count']}") print(f"计划外执行笔数: {metrics['unplanned_count']}") print(f"胜率: {metrics['win_rate']:.2f}%") print(f"平均单笔盈利: {metrics['avg_win']:.2f}") print(f"平均单笔亏损绝对值: {metrics['avg_loss_abs']:.2f}") print(f"盈亏比: {metrics['avg_win'] / metrics['avg_loss_abs']:.2f}" if metrics['avg_loss_abs'] != 0 else "盈亏比: 无亏损样本") print(f"总收益: {metrics['total_return']:.2f}") print(f"平均每笔期望值: {metrics['expected_return']:.2f}") print(f"最大连亏次数: {metrics['max_loss_streak']}") print(f"最大回撤金额: {metrics['max_drawdown_abs']:.2f}") print(f"最大回撤比例: {metrics['max_drawdown_pct']:.2f}%") print(f"计划内交易平均每笔: {metrics['planned_avg']:.2f}") print(f"计划外交易平均每笔: {metrics['unplanned_avg']:.2f}") if __name__ == "__main__": main()

关键点在于：

• side决定多空收益计算方向。不同市场支持度不同，记录时务必确保方向与自己的交易软件一致。
• planned字段是 true/false 的判断关键。建议在交易结束时立刻标记，不要等一周后再回忆。
• 收益率中的费用，通过fee字段扣除。很多新手复盘只统计毛利，忽略了手续费后，交易系统的统计特征会失真。
• 最大回撤采用“持仓资金按已实现盈亏逐笔更新”的简化方式，不包含未平仓浮亏。学习环境里够用，真实账户需要更完整的权益曲线。

4.4 运行与输出示例

在命令行进入trade_review目录后运行：

python trade_review.py trades.csv

如果系统默认 python 指向 2.x，改用：

python3 trade_review.py trades.csv

使用上节示例数据时，会得到类似输出：

==== 交易复盘统计 ==== 总交易笔数: 8 按计划执行笔数: 6 计划外执行笔数: 2 胜率: 50.00% 平均单笔盈利: 475.00 平均单笔亏损绝对值: 400.00 盈亏比: 1.19 总收益: 300.00 平均每笔期望值: 37.50 最大连亏次数: 2 最大回撤金额: 1100.00 最大回撤比例: 1.09% 计划内交易平均每笔: 166.67 计划外交易平均每笔: -350.00

上面的数据里，计划内交易平均每笔为正，计划外交易平均每笔为负。这是非常典型的复盘现象：偏离计划并不代表一定会亏，但从长期统计看，计划外交易通常会带来更多不稳定亏损。当然，8 笔样本太少，不能直接说明问题，认真统计需要更多数据。这个工具的意义是帮你建立“用序列结果做判断”的思维，而不是看到一个小结果就下结论。

4.5 如何用统计结果修正交易计划

统计结果不是用来证明“我的交易计划是有效的”，而是用来寻找瓶颈：

• 胜率低但盈亏比正常：重点检查入场规则是否太宽，或者止损设置是否容易多次触发。
• 胜率正常但盈亏比低：重点检查止盈是否太快，盈利单是否经常只拿了一点就走。
• 计划外交易平均亏损显著高于计划内交易：先不要修改交易计划，先解决执行力。
• 最大连亏次数超出心理预期：说明风险预算或暂停阈值设置不合理，需要先调整资金管理规则。

修改交易计划时，一次只改一个参数。如果同时修改入场规则、止损规则、加仓规则，复盘时就无法判断到底是哪个变量造成了变化。

5. 复盘时如何区分坏运气和坏计划

5.1 交易日志里同时记录心理状态与执行偏差

很多交易日志只记价格、止损和盈亏，忽略了情绪变量。实际上，交易计划执行走样的原因常常出在情绪端。日志可以增加几个心理字段：

盘中情绪：平静、兴奋、焦虑、沮丧、急躁 有没有提前止盈：是/否 有没有扛单：是/否 有没有临时加仓：是/否 操作前是否完成检查清单：是/否

情绪字段不是拿来批评自己的，而是帮助识别“在哪种状态最容易偏离规则”。当一个人发现自己只有在焦虑时才会提前止盈，就可以设置强制冷却规则：出现焦虑信号时，先清空可操作的单子，等待一个固定时间段再做决定。

5.2 质量象限：计划和执行的关系比单次盈亏更值得看

单笔交易可以有四种组合：

最常见的错误，是把右上角“没有按计划但结果赚了”当成“自己灵活操作能力强”，结果逐渐放弃计划。这类交易最大的危害，是给错误决策提供了正反馈样本。复盘时应该单独统计这类笔数，并追踪它们后续是否引发更大的亏损。稳定交易系统的前提，是先保证执行与计划一致，再谈规则优化。

5.3 三轮复盘法：盘前计划、盘中标记、盘后统计

一套可落地的复盘流程可以分成三轮：

第一轮，盘前计划。开盘前把计划填好，包括准备交易什么品种、等待什么信号、止损和仓位是多少。没有填计划就不允许下单。

第二轮，盘中标记。每完成一笔交易，立刻在记录表中标记是否按计划、为什么偏离。此时离交易时间最近，原因是真实且具体的。等到收盘后再回忆，记忆往往会美化自己。

第三轮，盘后统计。每 10 笔或每周做一次统计，观察胜率、盈亏比、最大连亏次数、计划外交易占比。统计结果出现异常时，不要当天立刻修改计划，留到下一次交易前再改。

这里要提倡延迟修改，是因为行情刚走完时，人很容易把最近的亏损归因到某一条规则上，急于推翻它。更好的做法是让规则至少运行一个稳定样本量，比如 20 笔，再评估是否需要修改。如果过程中出现重大资金安全事件，比如连续触发最大回撤，则停下交易，重新评估系统。

6. 交易计划常见的坑与排查路径

6.1 计划写得太模糊，导致无法判断是否被执行

这是最早出现的坑。现象是复盘时无法判断某笔交易到底“是不是某种特殊情况”，更像是在写日记而不是在做交易管理。

排查方式：把计划中的每个条件单独摘出来，问自己“如果换一个人来看，能不能判断？”如果答案是否定的，就把它改成有具体价格、均线、K线数量、数据来源等可验证的描述。

处理建议：把计划改写成“当……时候，执行……”句式。如果写不出触发条件，说明信号研究还不够充分。

6.2 参数过多，后期陷入过度拟合

回测或计划设计阶段常见的坑，是把交易计划堆成一套包含几十个过滤条件的复杂系统。它可能在历史数据上效果非常好，一进入未来行情就失效。导致这个现象的原因，往往是参数叠加后天然拟合了历史噪声，而不是捕捉到了市场规律。

检查方式：观察每个过滤条件是否都有独立逻辑。如果去掉某个过滤条件后统计结果巨大变化，且你完全说不出为什么，那这个条件很可能是在拟合历史。

处理建议：先用最少数量的参数建立基准规则，再逐个增加条件，并保留每个条件的关键统计记录。对于个人手工交易，规则数量控制在能稳定执行的范围更重要。

6.3 止损距离与行情波动特征不匹配

止损定得太近，容易被正常波动扫掉；止损定得太远，又会超过单笔风险预算。很多人只看入场后会不会被触发的直观感受，却忽略了当前品种的真实波动范围。

排查方式：观察历史 K 线上多个周期的价格波动距离，例如最近 20 根 K 线的平均波幅。如果止损距离小于平均波幅，那么被频繁扫损是正常的随机结果，不是计划失效。

处理建议：先根据波动率设计初始止损距离，再反推仓位数量。不要为了追求“总是能反弹”而把止损放到无限远。

6.4 手工执行时忽略滑点和手续费

统计复盘显示“盈利系统”，但实际账户却一直小亏，常被忽略的原因就是手续费、印花税、滑点和冲击成本没有记录。高频交易或小价格波动品种上尤其明显。

检查方式：打开券商或交易所提供的费用说明，把每笔成本写进fee字段。如果条件允许，用提供模拟盘的行情源记录实际成交价与计划价之间的偏差。

处理建议：在做任何回测和复盘统计时，把单边费率、滑点假设一起算入。交易计划需要包含“单笔最大交易成本占预期盈利的比例”这样一个质量指标。

6.5 频繁修改交易计划，等于没有交易计划

连续两三次止损后修改止损宽度，连续两次盈利后修改止盈目标，会让历史统计完全失去参照。每个新版本都只覆盖极少的样本，根本无法验证有效性。

排查方式：查看计划修订记录。如果同一条规则在一周内修改多次，说明前一次修改不是因为统计证据充分，而是因为情绪压力。

处理建议：为交易计划设置“冷静期”。例如，计划修改后必须至少运行 10 到 20 笔，除非触发账户最大回撤或明显的风险事件，否则不因为短期结果再次修改。将这一条写入自己的交易制度。

7. 从手工交易计划走向程序化实现时，还需要补什么

7.1 把交易计划翻译成“参数、事件、动作”

手工交易计划适合起步阶段，但它有两个弱点：人工执行容易受情绪干扰；人工复盘依赖个人的耐心和诚实。如果规则已经足够清晰，可以考虑把它翻译成程序化原型。

可以按下面的事件结构描述规则：

事件：行情产生信号 参数：入场条件、过滤条件、止损距离、止盈距离 动作：按风控模块计算仓位，生成委托单 保护：若账户权益低于阈值，禁止新开仓

这个结构不特定于某个编程语言。用 Python 写研究脚本时，可以先用伪代码模拟：

def should_enter(candle, position_manager): if not strategy.entry_condition(candle): return None if not risk_manager.can_open_new_trade(position_manager): return None return risk_manager.calculate_order_quantity(...)

要注意，程序化交易并不等于自动消除交易计划问题。它只是让规则执行从“人肉遵守”变成“代码触发”。如果规则本身就存在逻辑漏洞，代码只会更高效地产生错误交易。初学阶段建议先用历史数据做研究性回测，再从模拟盘到小仓位实盘，过程逐步推进。

7.2 回测与实盘的差异必须单独标记

回测中常见的乐观偏差包括：

• 信号触发后假设立即按某一价格成交，忽略了实际滑点。
• 忽略涨跌停、停牌、休市等不可交易时间段。
• 手续费和保证金参数设置不正确。
• 把未来函数带入信号计算，比如收盘前使用当天最终收盘数据，却假设在盘中已提前知道。

在处理回测结果时，建议至少加上一行“学习环境可用，实盘前必须逐条核实成交规则与成本”。历史表现永远不代表未来表现，回测的意义是帮助你发现规则漏洞，而不是给你提供盈利保证。

7.3 生产环境下的交易计划还要补充哪些保障

如果将来把策略投入程序化运行，除了核心策略代码，还需要具备：

• 日志记录：记录每次信号触发、参数计算、委托状态和拒绝原因。
• 风控熔断：连续亏损次数、账户回撤、单笔风险、异常持仓等触发后自动暂停。
• 状态监控：监控网络连接、行情源、进程状态和订单回报。
• 回滚方案：如果某个规则版本出现异常，能够快速切回上一版本。
• 权限控制：不让策略进程随意修改风控参数，防止误操作覆盖规则。

这些保障和手工交易计划一样，本质都在做同一件事：在极端环境中，仍然让行为保持在规则内。

8. 值得长期坚持的交易计划习惯

8.1 先坚持“写下来、勾完再下单”

对于刚接触交易计划的人，最值得养成的动作是在开盘前写出三行内容：

品种/方向：SAMPLE-001，long 触发条件：今日收盘价高于昨日最高价 风险金额：账户权益的 1%，对应止损价与手数如下：...

写完不是目的，关键是在实际下单前检查是否仍然符合。如果行情已经超出预期，就放弃这次机会。错过了不一定是损失，很多不稳定亏损来自“怕踏空”的紧迫感。

8.2 每 10 笔左右做一次小统计，每 20 到 30 笔做一次完整复盘

交易记录越多，能得出的统计结论越可靠。建议以 10 笔为单位看执行偏差，以 20 到 30 笔为单位看策略质量的近似值，不要因为 3 笔亏损就推翻整个交易计划。

复盘时只看三个核心问题：

1. 计划内执行的交易是否体现出了预期特征？
2. 计划外交易带来的亏损是否明显高于计划内交易？
3. 最近一次规则修改是否经过了足够样本验证？

如果答案都不理想，先从执行偏差开始治理，而不是立刻寻找新策略。

8.3 把交易计划当作持续迭代的工程系统

交易计划不是一次性的文章，也不是固定不变的图纸。它会随着样本量增加、市场环境变化、个人风险承受能力变化而被修订。但每次修订都应建立在记录和统计基础上，而不是建立在盘中偶然的冲动判断上。

对新手最有价值的练习，不是寻找更高胜率的指标，而是用一套固定流程连续记录 30 笔交易。期间不轻易修改核心规则，只严格记录计划与执行之间的差距。到第 30 笔结束时，交易计划的重要性会自然显现：你能看到哪些亏损是市场随机给予的成本，哪些亏损是自己破坏规则后额外付出的代价。

只有把交易计划看成“可记录、可统计、可修正”的工程系统，执行纪律才不是一个需要每天用意志力维持的口号，而是一套能够自动发现异常、及时暂停、逐步优化的机制。