最近看到凌波大提出一個"動能評價函數"的想法，我自己做了幾個實驗，覺得非常有用，也跟大家分享看看。
我拿我最熟悉的Optimal f當作動能評價函數。Optimal F是由Ralph Vince所提出，主要是解決Kelly只適用於賭局不適用於交易的問題。但Vince真的解決了嗎? 事實上沒有! Vince只是把Kelly criterion做推廣，讓賭局損益的最佳化過程更像交易損益而已。
雖然沒解決，但說實在這已經比把Kelly套用於交易實務多了。只是當原始策略不穩的時候，你還是會遇到偏差問題，然後"被誘導"的錯誤下注比例就會讓你損失慘重! 也因為如此，許多人認為Kelly或是Vince的東西只是理論上的研究而已。
的確，當你開發好一個策略，想要用Optimal F來當作你的部位控管(Position Sizing)時，你會發現效果沒有想像中的好，這是因為交易不會玩到天長地久，損益更不會像是固定pattern，可以讓你In Sample, Out of Sample使用。不然，很多交易上的資金管理問題，就是數學可計算的最佳化問題而已。但是，如果你把Optimal F當作"動能評價函數"使用的話，讓我們來看效果如何?
下圖是過去我曾使用過的某個當沖策略，可以看到近一年幾乎已經失效了，破了歷史最大MDD，可能很多人就把他下架不用。
這個策略的獲利因子(profit factor)為1.298。讓我們看用Walking Forward Analysis (WFA)的方式，取前10筆損益當作In Sample，套用到Vince的optimal f後，再根據optimal f的值去決定下注口數。
注意到這裡跟傳統不一樣的是，如果Optimal F是 12%，教課書寫你要下12%風險比例的部位，大部分是用固定分數(Fixed Fraction)的方法。舉例來說原始策略單口損失5000元，那100萬的資金最多輸12萬，也就是可以下24口。通常除非你的策略非常非常穩定(很難)，不然這樣下的結果通常是穩死的!!
但如果我用"動能評價函數"的觀點去看待Optimal F。當值越大的時候，代表動能越強，要放大部位；值越小的時候，代表動能越弱，也就是過去損益漸漸出現虧損，所以部位越來越小。
換句話說，我只是把Optimal F這個值當作"動能評價函數"的input。例如當Optimal F界在10%~20%時，下1口；20%~30%時下2口之類的。而不是傳統用固定分數的決定口數方法。這樣做的效果如何? 讓我們看下面的圖。
發現沒有，用Optimal F當作動能評價函數的結果，交易次數變少了，獲利增加了。不僅過去一年沒有破了最大歷史最大MDD，甚至在最近還創新高了。而改良後的策略獲利因子也提高到1.413。我想這是一個很好的"動能評價函數"的驗證!! 跟大家分享~ 也感謝凌波大如此好的觀點分享出來!!!
其實....上面的實驗，就是在交易 equity curve。過去看到許多人在討論這有沒有用，事實其實擺在眼前，動能的展現，本來就會在你獲利賠錢上做最佳的說明。而PZ就是根據你過去的損益當作input，決定你再來要用的部位大小，這是很自然的事情~~ 只是重點在你該怎麼用! 利用動能評價函數的概念是個不錯的好選擇!!