同时运行多个交易机器人：如何衡量相关性并控制投资组合风险

从一个能够核对清楚的组合开始

三个盈利机器人也可能共用一个脆弱的账户。比特币突破机器人、以太坊动量机器人和机器学习分类器可以采用不同代码，却都在增加对加密市场上涨的敞口。各自的看板无法揭示它们合起来押注了什么。起点应当是账户余额、实际持仓，以及仍可能占用资金的未完成订单。

要亲手开始，请将 Python 研究程序、测试文件、输入 CSV 和研究方案 保存到同一个文件夹，使用 Python 3.10 或更新版本运行下列命令。无需安装依赖，不会发起网络请求，也不需要券商凭证。运行前还可以查看完整计算结果。无需下载 ZIP 压缩包。

python study.py
python -m unittest -v

预期的合计期末权益为 100,532.90757 USDT，按每日收盘估值计算的最大回撤为 2.75300%。这些数值用于核验 24 条人为构造观测的账务计算；2026 年 9 月 1—24 日只是日期标签，并非真实机器人的收益记录。CSV 使用十进制简单收益率：0.010 表示 +1%，−0.006 表示 −0.6%。每一行输入都可以查看。

如果某个收益率为空，程序应报出缺失数据错误并停止。将空值替换为零，会把“我们不知道账户价值”改写成“账户价值没有变化”。能否保留这一区别，是判断风险监控工具是否有用的第一项实际检验。

把真实账户与每个机器人的虚拟余额分清楚

假设账户拥有 100,000 USDT。本练习向机器人 A、B、C 分别分配 40,000、35,000、25,000 USDT。它们是资金全额落实的独立核算单元，没有外部资金流入或流出，单元之间也不调拨资金。每个机器人的收益率作用于其整个核算单元的权益，包括闲置现金。账户权益等于三个单元按市值估算后权益的总和。

在共享钱包中，这一区别尤其重要。如果三个机器人都按照全部 100,000 USDT 归自己使用来计算订单规模，其合计申请就可能超出可用现金或预定敞口。订单被拒绝不等于执行了组合分配政策。资金分配器必须先预留已经承诺的资金，才能允许另一个进程动用余额。

没有外部资金流时，核算单元的简单收益率等于期末按市值估算的权益除以期初权益，再减去一。应计入未平仓损益和已经收取的交易成本。如果发生存款、提款或内部调拨，应在资金流前后估值，或采用已记录且能处理资金发生时点的收益率方法。入金不是交易利润。

对一个实际期间，账户收益率等于各单元收益率乘以该期间期初权益权重后的总和。只要各单元收益不同，权重就会漂移。每天都固定用 40/35/25 加权，描述的是一个持续再平衡的组合，无法复现本文一次性注资的核算单元。再平衡需要明确时间安排、成交，以及可能产生的成本，并单独实现。

sleeve_equity[i, t] = sleeve_equity[i, t-1] × (1 + return[i, t])
account_equity[t] = sum(sleeve_equity[i, t])
weight[i, t-1] = sleeve_equity[i, t-1] / account_equity[t-1]
account_return[t] = sum(weight[i, t-1] × return[i, t])

先衡量同步净收益率，再检查当前敞口

这里有两个不同问题。收益相关性描述的是：在指定样本中，按市值估算的策略结果如何共同变化。持仓敞口描述的是：账户当前持有的资产组合可能造成什么损失。相关矩阵是历史样本或构造样本的汇总，不是当前交易的持仓清单。

建立收益矩阵时，应统一估值截止时点、日历和收益率定义，并在相关成本与资金流调整后比较同一期间。将一个机器人的第一笔交易与另一个的第一笔交易配对，会忽视它们发生的时间及持有期限。对累计权益水平求相关，也会把累积历史混进问题。本文的协方差计算应以逐期净收益率为输入。

应保留真正空仓持有现金时产生的零收益，同时调查缺失导出文件、缺失价格和陈旧估值。关于对冲基金收益平滑的研究表明，流动性不足和价格不可得可能掩盖所测得的波动率；引用这项研究，是为了说明估值控制的重要性，并不是指控一份收益持平的机器人导出记录存在欺诈。 [5]

展示矩阵时，采用有据可查的共同样本，并报告观测数量。如果每一对机器人都使用不同的可用日期来计算，所得矩阵可能不适合用于一致的组合协方差计算。某个机器人若在整个样本中始终持有现金，其收益方差为零，收益相关性便没有定义；报告“相关系数 0.00”会暗示我们估计了一个实际并不存在的统计量。

本程序要求连续的日历日，因为示例采用全天候 24/7 的估值安排。股票市场应用应自行定义预期交易时段，以及闭市期间的估值处理。不要仅仅为了满足示例文件的日历而制造观测值。

两两相关性低，并不意味着不会同时亏损

配套测试数据包含 24 组明确由人为构造的收益向量。A/B 的相关系数为 0.18780，A/C 为 0.55422，B/C 为 0.43298。其中两行——9 月 9 日和 9 月 18 日——三个机器人的收益均为负。后一行的收益分别为 −2.5%、−2.2% 和 −2.8%。相对较低的 A/B 样本相关性，与共同亏损日可以同时存在。

这只是算术演示，并非真实机器人共同亏损频率的估计。我们构造并公开了整个样本，没有市场数据来源，也没有拟合分布。更一般地说，线性相关系数为零并不代表独立。将相关性当成依赖关系的完整描述，存在已有文献充分论证的数学陷阱。 [1]

从 100,000 USDT 开始，对各核算单元分别复利计算，再汇总其市值权益，可得到下表结果。由于输入被定义为核算单元净收益率，我们没有额外扣除费用，也没有单独模拟持仓、订单成交、流动性、税项或执行成本。

合计最大回撤为 2.75300%，而按照初始权重对三个独立最大回撤求平均，结果为 3.29056%。两者不同，是因为每个单元最差的峰谷区间，不一定与账户最差的区间重合。应从合计权益路径计算回撤，不能相加或平均彼此独立的最差阶段。同样，也不能将独立策略盈利因子的平均值，当成账户盈利因子。

相关性如何改变模型中的组合波动率

一个简单模型可以单独展示依赖关系的影响。假设三个收益序列的日标准差均为 1%，各自获得三分之一的资金，任意一对的相关系数均为 ρ。这是另一个独立的数学示例；波动率和相关系数均为假设，并非从那 24 行测试数据估计而来。

组合方差为 wᵀΣw，其中 w 是资金权重向量，Σ 是收益协方差矩阵。在这个等权重、等波动率的情形下，组合日标准差可化简为 1% × √[(1 + 2ρ)/3]。将假设相关系数从零改为 0.9，模型日波动率便从 0.57735% 升至 0.96609%。机器人数量始终是三个。

这些标准差不是每日亏损限额，也不是尾部损失预测。它们只概括了指定协方差模型下的变化程度。本文保留日度单位，不再加入年化数字，以免引出关于各日收益相互独立的不当假设。

下表的分散化比率，等于独立波动率的加权和除以组合波动率。它是对这个协方差模型的简洁描述，既不衡量盈利能力，也不衡量运营可靠性，更不衡量共同冲击可能造成的最大损失。

25% 的资金配置，可能承担 43% 的模型风险

资金权重说明钱分配到了哪里，却不能说明哪个机器人主导了账户的波动。在另一个明确给定的协方差模型中，设 A、B、C 的日波动率分别为 1%、2%、3%，任意两者的相关系数均为 0.3，资金权重分别为 40%、35%、25%。计算得到的组合日波动率为 1.36949%。

机器人 C 的资金配置最小，却贡献了该模型波动率的 43.19%。机器人 A 获得最多资金，贡献却为 17.81%。这里使用标准差的欧拉风险贡献分解：RCᵢ = wᵢ(Σw)ᵢ / σₚ。各项贡献之和等于组合标准差，再将每项除以 σₚ，即得到其占比。这是已有的风险分配方法，并非我们发明。 [2]

表中各分量的单位是日标准差的百分点。其占比也对应各自的组合方差占比，因为同一个协方差项除以了总方差。它们不是某次已实现回撤的占比，也不是预期损失占比。在另一个协方差矩阵下，对冲分量可能产生负贡献；这并不会消除其杠杆、流动性或对手方风险。

一个更小的双机器人示例更容易看清区别。对两个不相关、日波动率分别为 2% 和 1% 的收益序列配置相等资金，会得到 1.11803% 的组合波动率，以及 80%/20% 的风险占比。相等资金不会带来相等的方差贡献。这两个示例都不能证明，等风险配置就是实际账户的最优分配。

理解相关性估计所依赖的背景

处理真实机器人记录时，应在每项估计旁展示样本日期与数量。比较预先指定的窗口，并调查交易规则、市场敞口、波动率和活跃程度是否发生变化。如果某收益序列包含许多真实持有现金的日子，其全期间关系可能不同于两个机器人同时活跃时的关系。应说明每一种统计口径回答了什么，而不是挑选看起来最分散风险的矩阵。

压力期和下行诊断有价值，但筛选样本本身会改变统计量。Ang 和 Chen 既展示了其历史股票数据中的不对称共同变化，也指出：在特定收益条件下计算相关性，很难直接解释。仅凭选出的亏损日相关性更高，不能证明一个稳定过程发生了变化，也不能证明发生了风险传染。应展示筛选规则、观测与日期。 [4]

优化又增加了一层选择。在许多机器人和权重组合之间挑选，既可能利用近期收益，也可能利用协方差估计误差。Ledoit 和 Wolf 的协方差估计研究解释了样本矩阵噪声较大时采用收缩估计的动机；他们关于股票组合的证据，并不保证某一种机器人配置会有效。 [3]

采用配置规则前，先规定其可使用的历史范围、复核周期、换手约束，以及之后如何评估。不断提高最近赢家的权重，本身就是一个交易策略，需要在后续样本中检验，并记录再平衡成本与决策。本文没有拟合优化器，也不声称找到了最优权重。

对相关矩阵无法描述的损失做压力测试

应在收益矩阵旁保留持仓层面的视图，记录每个机器人的交易工具、方向、规模、场所、抵押品和待执行订单。不同入场信号仍可能形成相同的多头敞口。若交易场所实际保留相反的两条持仓腿，对向持仓可能让净敞口很小，却仍留下很大的总敞口、资金费率、基差与执行需求。某些账户模式会将同一工具净额化，这又会改变机器人层面的持仓归属与核对方式。

为进行透明的共同亏损计算，假设这个 100,000 USDT 账户在情景开始时的权重为 40/35/25，三个单元同时亏损 8%、6% 和 10%。账户损失为 7,800 USDT，即 7.8%。这是明确给定权重下的单期假设情景，与测试数据及协方差示例均相互独立。我们没有赋予其事件概率或历史分位数。

在这些特定冲击下，等资金配置会亏损 8,000 USDT。如果将 20% 放在零收益现金中，并将风险资金配置按比例缩为 32/28/20，假设损失会降至 6,240 USDT。损失变小，源于该情景下承担风险的资金更少，不能证明剩余策略的依赖性降低，也不能证明 20% 现金是最优储备。

将情景扩展到真实账户：同时退出时价差扩大、对冲缺失、抵押品重新定价、保证金要求提高，以及场所访问延迟。额外添加成本前，应说明该项成本是否已经包含在假设的单元收益率内。全额注资单元的线性亏损示例，并没有对期权、资金费率路径、强平机制或稳定币失效进行定价。

清算实务说明了为什么需要更宽的视角。CME 的 SPAN 2 框架区分历史风险、压力风险、流动性与集中度。我们借此说明，评估账户应考虑多个维度；本文情景并未复现 CME 保证金，也不是券商要求的抵押品计算。 [6]

机器人还共享抵押品、基础设施与故障源

一个统计结果，并不会自动赋予账户保证金抵扣资格。CME 关于股票类产品 SPAN 2 的申报文件指出，抵扣受合资格产品组和经济依据约束。这是一种特定清算方法，不是对零售券商或加密交易所的承诺。应核查真实账户、合约和抵押品适用的规则。独立的软件进程不会创造独立的抵押品池。 [7]

以明确点名的券商为例，Interactive Brokers 的说明列出了特定保证金账户类型的实时保证金计算，以及未满足相关要求时的强制平仓。触发条件由账户规则决定，而不是由各机器人偏好的止损决定。产品与司法管辖区细节很重要；本文不提供通用保证金阈值。 [8]

即使收益分散程度很好，运营集中度仍可能存在。多个机器人可能依赖同一家交易所、同一个数据供应商、同一个云区域，或同一种身份验证服务。信号独立，并不能让无法访问的订单通道继续运行。应将这些依赖记录为设计层面的风险敞口，并演练账户应对方式；收益相关系数中没有一列能记录它们。

恢复运行时也会出现同样的问题。重启后的机器人如果记得上一次信号，却不知道某笔订单已经成交，就可能重复建仓。恢复前，应核对券商持仓、未完成订单、成交记录、序列标识与中央风险账本。进程健康状态显示绿色，不代表账户状态已经一致。

让账户限额约束每个机器人的下一笔订单

共享账户需要统一决定一笔拟议订单是否可以发送。在放行增加风险的订单之前，应核对当前持仓，并预留其可能占用的现金、保证金或敞口。检查与预留必须在机器人并发申请之间协调，否则两笔单独看都合规的订单，可能同时使用同一份尚未预留的容量而获批。

应区分禁止增加新风险、撤单、减仓和清仓。这些是不同动作。禁止新增风险仍会保留现有持仓敞口；取消全部订单也可能移除保护；发出清仓指令则会产生新订单，其成交与失败仍须核对。应定义在所选状态下如何继续允许降低风险的订单，不要把一个笼统的“紧急停止开关”当成完整政策。

应依据账户授权范围、产品约束和压力承受能力设置限额，再明确谁有权修改，以及重启前必须完成什么。本文不会从人为构造的 24 天数据推导通用单日亏损限额或止损水平。阈值是运营触发器；跳空、市场不可用和执行成本，可能让实际亏损超出阈值。

下表提供的是可以按需调整的控制设计，而非建议使用的数值阈值。每一行都明确负责人、数据来源、确实能够执行的动作，以及有记录的恢复条件后，才具有实际用途。

把增加下一个机器人视为对账户的改变

是否接受候选机器人，应看它能否在明确目标和可行运营条件下改善账户。应在明确的资金与敞口假设下，比较现有账户与拟议配置，包括被替代的现金、额外换手、基础设施成本和保证金要求。较高的独立夏普比率不足以作出判断。

先进行有记录的影子配置。记录其版本、拟议规模、当时可得的输入，以及资金分配器本应接受或拒绝的决策，并保留跳过的信号。模拟账户对成交的假设仍可能偏乐观，因此应明确执行假设，并与实际观测报价比较；若另行授权小规模执行，也可与之后的真实成交比较。

如果使用蒙特卡洛或自助法诊断，抽样时应将机器人放在一起。对同步收益向量重抽样；若研究涉及序列依赖，就应保留适当长度的时间区块。将每个机器人分别独立打乱，会破坏你原本想衡量的共同亏损关系。这种重抽样仍以输入为条件，无法重建策略决策、流动性或样本中没有出现的危机。本文没有运行这项额外实验。

ChatGPT 或 Claude 可以帮助核对导出数据、解释风险报告；Codex 或 Claude Code 可以帮助开发报告软件。应向助手明确单位、时间戳和账户恒等式。下面的可复用提示词要求生成可审计的诊断，而不是让模型根据短样本编造盈利配置。配套练习是在 AI 辅助下实现，并通过可执行的算术测试检查；它不是 AI 产品之间的对照实验。

审查这些带时间戳的机器人收益率、市值持仓、账户余额和未完成订单。将机器人资金与真实账户权益核对一致。先识别缺失或陈旧记录，再计算共同样本的收益相关性，以及指定权重下的协方差贡献。展示共同的市场、抵押品和基础设施敞口。用账户计价货币计算指定共同冲击，不要编造概率，也不要优化配置。区分观测记录、假设情景与未解决问题。返回公式、源记录标识和可复现报告。

依据核对一致的账户决策，而不是依据机器人数量

这些示例澄清了几个常见误解。假设相关性较高时，三个机器人在模型中可能几乎没有分散效果。小资金单元也可能主导模型波动率。相关性不高，并不排除同时亏损。合计回撤必须来自合计权益，而现金缓冲改变的是承受风险的金额，不是策略在统计意义上的独立性。

对现有组合，下一个有用的交付物是一份简短账户报告：核对一致的权益、资金与风险贡献、当前方向性敞口和总敞口、共同压力损失、运营依赖，以及各项账户级控制的状态。某个字段无法核实时，应保留为待解决，而不是用令人安心的估计代替。

是否增加另一个机器人，取决于它对这份报告及账户目标能作出什么贡献。研究结果可能支持小规模保留、调整配置、调查记录，也可能支持拒绝加入。能够拒绝一个独立表现看似吸引人的机器人，本身就是组合分析的有用成果。