高胜率均值回归为何跑不赢低胜率策略(附源码)

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。

本文约 3200 字 | 阅读预计需 8 分钟，后附完整源代码下载，建议先收藏

· · ·

每个做量化的人，都看过那种”均值回归 vs 趋势跟踪”的策略说法。核心论点来来回回就那几个：均值回归赢多输少，但偶尔挨一刀狠的；趋势跟踪天天输小钱，抓到趋势就一把回本。两条截然不同的盈亏分布，理论期望值却差不多，选哪个全看性格。

说法听起来很顺。但仔细想想，这玩意基本没经过严格验证，图是随手画的，备注里写着”比例失真、暂无数据”。所以我真的去跑了一遍：RSI(2) 均值回归，对阵 50/200 均线交叉的趋势跟踪，都是纯做多，都在 SPY 上，时间跨度 2000 年 1 月到 2026 年 7 月。哪些说法扛住了数据，哪些破了，下面一条条说。

回测设计：两个策略怎么比

先看参数，这组对比能做到”苹果对苹果”。

均值回归：RSI(2) 超卖超买（Connors 风格）。RSI 窗口 2，超卖线 10，超买线 70。入场条件是 RSI(2) < 10，出场条件是 RSI(2) > 70 或者价格收复 5 日均线。短线反弹逻辑，典型的高胜率打法。

趋势跟踪：50/200 均线交叉。快线上穿慢线做多，快线下穿慢线离场。教科书级的趋势跟踪，没有额外过滤。

两个策略都只用多头方向，回测工具是 vectorbt，初始资金 10 万美元，手续费 0.01%，滑点 0.02%。成本假设完全一致，谁也别占便宜。

代码逻辑不复杂，核心就是这个循环：下载 SPY 日线，算指标，生成信号，跑组合，输出统计。真正有意思的是跑出来的数字。

分布形态：说法的那部分是对的

先看交易级别的盈亏分布。这是整个策略逻辑里最常被拿来画图的地方。

均值回归 26 年里一共交易了 691 笔，趋势跟踪只有 27 笔。数量级差这么多，后面很多结论都要打折看。

跑出来的偏度和峰度：

• 均值回归：偏度 -2.553，峰度 27.051
• 趋势跟踪：偏度 0.973，峰度 1.081

偏度为负，说明左边尾巴特别肥，均值回归经常小赚，但偶尔挨一刀狠的，能把好几笔利润一起吃掉。峰度 27 是个什么概念？正态分布峰度是 3，27 意味着极端值密集到离谱。策略里说的”被打脸”，这里被量化成了具体的分布形状。

趋势跟踪正好反过来：偏度为正，右边尾巴肥，峰度 1.08 接近正态。它亏的次数多还是少后面再辩，但”偶尔大赚”这个特征，数据里确实有。

所以策略里画的形状是对的。这是少数几个说法能完全经得起数据检验的结论。

均值回归（左）与趋势跟踪（右）的净值、回撤和逐笔盈亏对比。

绩效数据：赢率、赔率、暴露度

看具体指标之前，先明确一个背景：2000 到 2026 年的 SPY，整体是震荡向上的牛市，中间插了 2008、2020 和 2022 三次明显回撤。长期多头资产上跑纯做多策略，先天占优。

几个数字值得单独拎出来说。

第一，趋势跟踪的平均盈利 15.23%，是均值回归 1.08% 的 14 倍。单笔交易的”赔率”差距巨大。但它的胜率只有 61.5%，不是策略里说的”多数交易亏钱”。

第二，均值回归的平均亏损 -1.77% 比平均盈利 1.08% 还大。它之所以赚钱，纯粹是因为 70% 的胜率在扛。结构上很脆弱：如果市场制度变了，胜率从 70% 掉到 55%，这个策略就会亏钱。因为单笔赔率本来就是负的。

第三，两个策略的 Sharpe 和 Sortino 都比不上买并持有。买并持有的最大回撤最难接受（55%），但收益也最高。两个主动策略用更小的回撤，换来了更低的绝对收益。

趋势跟踪策略绩效统计：27 笔交易，1 笔仍在持仓中。

哪里开始变得有趣：赔率的骗局

趋势跟踪的 profit factor 是 3.95，均值回归只有 1.49。这意味着趋势跟踪赚的每一分钱，对应亏损只有 0.25 分；均值回归则是 1 分盈利对应 0.67 分亏损。从风控效率看，趋势跟踪完胜。

但均值回归的问题不在于亏大钱，而在于它赚钱的逻辑太单一。70% 胜率听起来很美，可单笔期望值是 0.7 × 1.08% + 0.3 × (-1.77%) = 0.756% – 0.531% = 0.225%。每笔交易只赚 0.225%。为了覆盖手续费和滑点，它必须交易得非常频繁。691 笔交易，平均 2.4 个交易日一笔，手续费累计接近 2.8 万美元。

趋势跟踪 27 笔交易，手续费只要 1 千多美元。同样是 10 万本金，交易成本的差距近 30 倍。

这就是高胜率策略的隐藏代价：胜率是表象，交易频率和成本结构才是里子。

均值回归策略绩效统计：691 笔交易，全部已平仓。

最常见的说法哪里站不住脚

策略里最常见的论点是：”趋势跟踪多数交易是亏的，但趋势会给我们带来可观的回报。”

数据：61.54% 的胜率，多数交易是赢的。

这不是个小偏差，论点根基被数据直接推翻。说这个话的人可能把”趋势跟踪”泛化到了所有市场、所有周期，而我的回测只是 SPY 这一个资产、这一个 26 年窗口。制度偏差在这里很明显：2000-2026 年 SPY 整体向上，纯做多的趋势跟踪天然更容易抓到真趋势，假突破相对少。

另一个问题是样本量。27 笔交易，去掉还在持仓的 1 笔，有效样本 26 笔。其中任何一笔异常值，都能把胜率上下拖动好几个百分点。相比之下，均值回归 691 笔，统计显著性高得多。

把趋势跟踪的结论看成”真理”，还早得很。它需要跨资产、跨周期、跨制度的进一步验证。

交易级别盈亏分布的偏度与峰度量化结果。

买并持有：最被忽视的对手

一个让很多策略开发者不舒服的事实：在 2000-2026 年这个窗口里，买并持有 SPY 的年化收益 8.27%，两个主动策略都没跑赢。

均值回归 5.69%，趋势跟踪 6.21%。差距不大，但确实是差距。

原因很直接：两个策略都有一段时间空仓。均值回归 69.6% 的时间持币，趋势跟踪 32.2%。每次空仓，都是在错过一段上涨。长期牛市里，”在场”本身就是最强的策略。

但买并持有的最大回撤 55.19%，不是每个人都能扛过去的。2008 年从高点跌 55%，你要么在底部割肉，要么全程硬抗。行为金融学告诉我们，大多数人扛不住。两个主动策略用 33%-34% 的回撤，换来了更平滑的净值曲线。值不值，取决于你的风险偏好，以及你能不能在 55% 回撤时依然持仓不动。

最终结论

先给结论，再说理由。

第一，分布形态的经典描述基本成立。均值回归就是”很多小赢+偶尔大亏”，趋势跟踪就是”很多小亏+偶尔大赢”。这是数据里最稳的结论。

第二，趋势跟踪”多数交易亏钱”这个说法，在本组数据里不成立。它的胜率是 61.5%，多数交易其实是赢的。这个说法被夸大了。

第三，均值回归是”胜率驱动”策略，单笔期望值为正的前提是胜率维持在高位。一旦胜率下滑，它会迅速变成亏损策略。趋势跟踪是”赔率驱动”策略，虽然样本小，但风控效率更高。

第四，两个策略都没有跑赢买并持有。在长期向上的资产上，减少”在场时间”的代价是机会成本。主动策略的正当性，只能用”更小回撤”和”更好睡眠”来辩护，不能用”更高收益”。

第五，样本量太小说不了太多话。在把任何策略结论推广到其他资产、其他周期之前，先问自己：样本够不够大？制度偏差有没有排除？

本文不在于告诉你哪个策略更好，而在于提醒你：很多流传很广的说法，其实只是没有数据支撑的想当然。跑一遍数据，答案可能和你想的不一样。

完整回测代码（Python）

以下是本次回测的完整代码下载地址，基于 vectorbt 框架，需要 pip install vectorbt yfinance。核心思路：同一标的、同一时间段、相同成本假设，对比 RSI(2) 均值回归策略与 50/200 均线交叉趋势跟踪策略的绩效差异。

https://www.laoyulaoyu.com/code/20260802da4e.zip

运行前请确保安装依赖：pip install vectorbt yfinance pandas numpy plotly。回测结果会输出绩效统计、偏度峰度数据，以及三联可视化图表。如需调整策略参数（RSI 窗口、均线周期、手续费滑点），直接改掉顶部的常量定义即可。

回测工具：vectorbt，标的 SPY，2000-01 至 2026-07，纯做多，手续费 0.01%，滑点 0.02%

#量化策略 #均值回归 #趋势跟踪 #SPY #策略回测 #RSI #均线交叉 #绩效归因 #交易系统 #胜率陷阱