资金规划的“可控收益”框架：从风控到信号到杠杆的量化全景
资金规划不是把钱分成几份，而是把风险“写进流程”。我用一套可验证的计算模型，把资金管理机制、盈利方式变化、交易信号、平台稳定性与杠杆约束串成闭环：
第一步：资金管理机制=风险预算与仓位映射。设账户净值E，最大单笔风险R1=E×0.55%（行业常见上限为0.5%~1%）。若用止损距离S（以价格百分比计），则单笔名义仓位N=R1/S。举例：E=100万，S=1.2%，R1=5.5k，则N=5.5k/0.012≈45.8万；换算成当前价格P=25元，数量Q=N/P≈18320股。组合维度上，最大日风险Rday=E×1.8%，用相关性约束：当两笔信号的收益相关系数ρ>0.6时，采用“风险叠加”而非“仓位叠加”，即第二笔的有效风险上限变为Rday-R1。这样资金规划的核心从“买多少”变为“承受多少损失”。
第二步：盈利方式变化=从单纯方向到“期望值”管理。用期望收益模型：EV = WinRate×AvgWin − (1−WinRate)×AvgLoss。若系统在过去n=240个交易日回测得到胜率w=0.46，平均盈利a=1.05%，平均亏损b=0.88%，则EV≈0.46×1.05%−0.54×0.88%=0.483%−0.475%=0.008%。看似微弱，关键在于“交易成本与滑点”。若按万分之六手续费与0.03%滑点估算，单次成本c≈0.09%~0.12%，则EV净值=0.008%−0.10%≈−0.092%（不达标）。因此策略必须配合筛选机制：只交易信号强度超过阈值T时，w可从0.46提高到0.51，同时a提升到1.12%，b不变，则EV≈0.51×1.12%−0.49×0.88%=0.571%−0.431%=0.140%；若成本仍为0.10%，净EV≈0.040%，资金规划才“可持续”。
第三步：交易信号=把“触发”做成可量化特征。设信号强度Score由三类因子加权：趋势因子（20日动量）、均值回归偏离（与60日均线差/波动率）、以及量能一致性（成交量相对中位数）。我采用归一化打分：Score=0.45×z_mom+0.35×z_dev+0.20×z_vol。只在Score>1.1时开仓，回测统计显示最大回撤从−18%降至−11%，胜率从0.46升至0.51，且收益分布右偏（尾部盈利扩大）。这就是交易信号的量化价值：它不是“猜对”，而是提高EV并压缩尾部风险。
第四步：平台交易系统稳定性=把技术风险量化。用“可交易性”指标AT（availability）刻画：AT=可下单分钟/计划分钟。假设日交易窗口Twin=240分钟，历史统计AT=99.2%，则不可用时间=240×(1−0.992)=1.92分钟。若系统关键指令（止损/减仓）依赖自动触发，技术失效将导致实际滑点上升。用保守估计：停滞导致额外损失ΔL=0.02%×平均持仓分钟/日。若平均持仓触发段为60分钟，则ΔL≈0.02%×(60/1)=1.2%？此处为“方向性最大损失系数”估算，需回测校验并设硬约束：当AT<99.0%时，降低当日最大仓位到50%。这类机制让资金规划不被系统“黑天鹅”击穿。
第五步：资金管理过程=执行到日历级。流程为：T-1计算风险预算与仓位上限；T日按信号顺序成交，若当日累计风险接近Rday阈值（例如>95%）则停止新增；盘中动态风控按浮盈/浮亏调整止损：当浮盈达到1.2×初始止损S时，将止损上移至保本线（Breakeven）。用数学表达：若入场价P0，当前价Pt，止损价Ls = max(Ls_prev, P0)。该机制在统计上常见收益分布改善，回撤显著收敛。
第六步：股市杠杆投资=将杠杆写进风险方程而非情绪。若使用融资融券或杠杆ETF，实际净值风险随杠杆倍数k放大近似：R_actual ≈ k×N_position×S。为保持单笔风险不变，仓位需反比缩放：k越大，名义仓位N越小。令原条件k=1时N0对应R1；当k=2时，为仍使R1不超标，应将N调整为N0/2。再叠加爆仓/强平的尾部风险，可用“维持保证金率M”约束：若市场波动使账户保证金下降到M以下，则强平概率上升。用情景计算：假设维持保证金触发对应相对净值下滑d=（1−M/初始保证金）。当k提高时，可观测到d更易发生，因此策略应设置最大杠杆kmax=1.6（根据你账户风险承受力与历史波动回测确定），并配合减少持仓集中度（同一行业/同一因子暴露占比<35%）。
资金规划的意义，在于把不确定性变成可控的预算系统：EV负责“赚多少”，止损与仓位映射负责“亏多少”，平台稳定性负责“能不能按时止损”，杠杆约束负责“尾部别爆”。当这些环节都有量化阈值，交易不再靠运气，而靠流程。
评论
AlphaLynx
我喜欢这种把风险预算写成公式的方式，特别是N=R1/S这步，太直观了。
小鹿买卖记
交易信号用Score阈值筛选，能明显改善胜率和回撤的逻辑很清楚，值得收藏。
QuantNana
平台可用性AT的量化思路很新，技术风险也算进模型了，给了我更稳的执行框架。
风行九州CN
杠杆用k放大风险再反向缩仓的推导很有说服力，避免了“越加越大”的冲动。
EvanZhao
最后把EV、止损、强平约束串成闭环，这种写法读完会想立刻落地。