你的交易机器人真有盈利优势，还是只是运气好？检验优势需要多少笔交易？

正的账户余额与正的期望值，是不同主张

假设交易机器人完成200笔交易，其中110笔盈利。报告展示55%胜率、正利润和高于1的利润因子。这些数字未必有错。问题出现在报告把“这个样本赚钱了”转换成“这项策略拥有可重复的优势”时。

第一句话是核算，第二句话涉及一个未来还会产生其他结果的未知过程。要检验它，需要定义被估计的盈亏、算作一次观测的单位，以及选择这份记录前尝试过哪些方案。ChatGPT或Claude写出的自信分数，无法回答其中任何一个问题。

我们的一般回测样本量指南解释了为什么100笔交易不是通用门槛。本文详细审查一份盈利记录，再构造两份摘要统计相同的记录。这些是明确披露的数值示例，不是TensorParadigm交易业绩或真实机器人的观测。

先交代每一单位利润的来源

所有示例统一采用固定报告单位1R = $10。基础情形每笔交易获胜时毛赚+1R，否则毛亏−1R。每笔完成交易都产生假定的0.06R总成本，因此赢家净赚+0.94R，输家净亏−1.06R。成本是明确设定的示例假设，不是当前交易所报价。这里的R是固定美元尺度，既不是账户收益百分比，也不是保证的损失上限。

110笔赢家贡献成本后+103.4R，90笔输家贡献−95.4R，净利润为+8R，即$80，平均每笔净盈亏为+0.04R。由正负净结果一致计算的利润因子为103.4 ÷ 95.4 = 1.08385744。由于没有提供入金金额或组合风险暴露安排，不能把$80转换成账户收益率。

这份记录在描述意义上确实盈利。改变一个统计标签不会让它变成亏损。问题是，它是否为底层期望净盈亏为正提供了有说服力的证据。利润因子指南解释核算指标，后续章节讨论统计推断。

相关盈亏平衡胜率是53%，不是50%

在这个刻意简化、盈亏金额固定的设定中，令p为获胜概率。期望净盈亏为μ = 0.94p − 1.06(1 − p) = 2p − 1.06，单位为每笔交易R，在p = 0.53时等于零。因此，对这一设定而言，赢的次数多于输并不是恰当的盈利门槛。

关注的假设是H0: μ ≤ 0，对立的备择为H1: μ > 0。在这些已知盈亏和成本下，它等价于H0: p ≤ 0.53，对H1: p > 0.53。在p = 0.53处计算精确二项分布上尾概率，给出这个复合原假设的最不利边界。计算假定结果独立且获胜概率相同。“精确”指的是这一抽样模型，不会让它成为市场的精确描述。[2]

mu = 0.94*p - 1.06*(1-p) = 2*p - 1.06   [R per trade]
p_break_even = 1.06 / (0.94 + 1.06) = 0.53
H0: p <= 0.53
H1: p > 0.53
p_value = sum[choose(200,k) * 0.53^k * 0.47^(200-k), k=110,...,200]

若固定毛盈利为W、毛亏损幅度为L、每笔成本为c，期望净盈亏为(W + L)p − L − c，盈亏平衡p为(L + c)/(W + L)。如果W、L或成本变化，并从同一份数据估计，也必须考虑它们的不确定性。用样本均值替代，再只对胜率套一个区间，并没有计入这些不确定性。

110次获胜究竟支持什么？

200次中获胜110次，相对于53%边界的精确单侧p值为0.31042765。它是在该边界模型下得到至少110次获胜的概率，不是机器人无优势的概率为31%，也不是它有效的概率为69%，更不是下个月结果的预测。在预先声明的5%显著性水平下，这份观测记录不能拒绝所设原假设。

p的双侧95% Wilson得分区间约为48.0756%至61.7359%。Wilson是近似区间，与精确尾概率计算不同。由于示例固定了两种盈亏金额和成本，按μ = 2p − 1.06转换端点，可得每笔约−0.0985R至+0.1747R，包含负和正的期望净盈亏。[1]

区间描述模型下对底层参数的不确定性，不是下一笔或下200笔交易的预测区间。频率学派的覆盖率也不会赋予“这个特定参数落在本次区间内”95%的概率。还要明确尾部约定：双侧95%区间与单侧5%检验分配误差的方式不同。

忽略成本，改为检验50%获胜概率，上尾p值会是0.08948202，但那回答的是另一个原假设。统计软件可以把计算做得完全正确，却回答错误的经济问题。交易策略回测的首要任务，是定义计算准备检验的主张。

相同的三份摘要，可以对应不同证据

现在改变报告之下的结构，却保持总利润、获胜比例和利润因子不变。记录A含200个分别标识的事件，二项分析明确假定其独立。记录B含20个独立事件，每个被复制成十笔完全关联的成交。记录C的盈利金额不同，其中一笔很大。这些构造标签都不能证明真实数据独立或稳定。

三份记录都显示200行、110个正净结果、+8R，以及1.08385744的净结果利润因子。摘要报告无法辨别它来自哪份记录。事件ID、风险暴露分组和完整盈亏分布，携带了汇总指标遗漏的信息。

两百笔成交，可能只有二十个独立结果

在记录B的假设设计中，20个事件各是一次独立伯努利结果，同一事件中的十笔成交一起赢或一起输。共有11个获胜事件、9个亏损事件。把200行中的110次获胜当作独立试验，会把同一事件结果重复计算十次。

每笔成交仍使用$10报告风险单位，因此十笔成交代表$100事件风险，而不是$10。一个获胜事件按原成交R单位净赚+9.4R，一个亏损事件净亏−10.6R，合计仍为+8 fill-R = $80。如果把事件风险单位定义为$100，同样的$80就是+0.8 episode-R。重新命名单位不会创造或消灭利润。

相关二项计数是20个事件中11次获胜，相对于p = 0.53的精确单侧p值为0.51960841。共同事件获胜概率的双侧95% Wilson区间约为34.2085%至74.1802%。在原本$10的fill-R尺度下，每笔成交对应的期望盈亏区间约为−0.3758R至+0.4236R。点估计仍为每笔+0.04R，不确定性却宽得多。

这里采用二十，是因为刻意设定了完全复制结构及事件之间独立，并不是每十笔交易只算一次的通用规则。真实重叠持仓需要适合时间依赖与跨市场依赖的推断方法。Lo对夏普比率的分析也表明，序列依赖会改变收益推断；交易ID的数量不能简单替代恰当观测结构。[4]

一笔大赢家，改变了关于均值的问题

记录C保持毛盈利总额110R：109 × 0.75R + 28.25R = 110R。亏损和成本不变，因此胜率、净利润及利润因子与记录A相同，最大净赢家却为+28.19R。移除这一行，剩余199行合计−20.19R。记录A移除任意一笔净赢家，仍有+7.06R。

移除操作是集中度诊断，不是p值，也不证明大赢家不合法。趋势跟踪策略可能本就依赖不常出现的大收益。关键在于样本是否足够支持这些收益的频率和幅度，从而估计均值。看到结果后删除它们，可能删掉策略原本追求的机制。

固定盈亏转换μ = 2p − 1.06不适用于记录C的可变盈亏。即使获胜概率估计得很好，赢亏金额仍有不确定性。合适的平均盈亏分析必须保留其分布与依赖。观测平均盈利恰好与记录A的1R一致，不代表未来每笔赢家都会支付已知的+1R。

更强的结果，经过筛选也可能变成弱证据

另取一份固定盈亏记录，200次中获胜120次。同样成本下它赚取+28R，相对于p = 0.53的单侧精确p值为0.02751749。若是一次预先指定、固定终点、观测独立有效的检验，它会越过5%拒绝阈值。但如果它是大规模搜索后选出的最好结果，这一描述就改变了。

为给出透明基准，假设100份候选记录彼此独立，且每个候选真实p = 0.53。令q = 0.02751749，表示一份原假设成立的候选达到至少120次获胜的概率。至少一份达到这一计数的概率是1 − (1 − q)^100 = 93.8598%。这是构造的全原假设搜索计算，不是测量过的搜索，也不是某个真实入选机器人为假的后验概率达93.86%。

q = P(K >= 120 | K ~ Binomial(200, 0.53)) = 0.02751748874
P(at least one such result among 100 independent null candidates)
  = 1 - (1-q)^100
  = 0.9385983575
Bonferroni per-test level for a 0.05 family-wise bound = 0.05/100 = 0.0005

真实参数变体往往共享交易，并不独立，不能把93.8598%直接套入这种搜索。对于事先声明、各自p值有效的100次检验，较简单的Bonferroni族错误控制采用每次0.05 / 100 = 0.0005。入选的0.02751749没有通过；其Bonferroni调整p值达到上限1。这个界不要求检验独立，但可能保守。

搜索历史包括尝试后放弃的指标阈值、市场、过滤器、特征集合和提示词。去膨胀夏普比率、多因子检验和数据窥探研究讨论了这一更广泛的选择问题。这些方法各有假设，不会给每个机器人提供通用夏普或t统计量门槛。记录搜索过程，保留真正未触碰的最终评估。[5] [6] [7]

检出这一特定优势，需要多少笔交易？

规划样本量时，应在评估未来记录前说明值得检出的改善。这里原假设仍为p0 = 0.53。假定规划备择为p1 = 0.55，在固定设定下等价于每笔+0.04R期望净盈亏。0.55是一个假定情景，不是从观测55%记录推定的已知真值。

选择单侧5%显著性水平，目标功效80%。功效是在所述备择为真时，这一设计拒绝原假设的概率，不是策略盈利的概率。在n = 200时，精确检验必须要求至少119次获胜，才能使原假设下的拒绝概率不高于5%；实际达到的概率为3.7898%。真实p为0.55时，功效仅11.3240%。所以，200次观测很难检出一个小但真实的优势。

下方正态近似规划公式对这个小改善给出约3,841.81次观测。为采用简单固定设计，向上取整至下一个整百，即n = 3,900。枚举精确二项分布上尾概率，可得2,119次获胜的拒绝计数，以及p = 0.55时80.3197%的功效。这是明确假设下的示例设计，不是绝对最小值或交易机器人通用要求。[3]

n_approx = [z_(1-alpha)*sqrt(p0*(1-p0))
            + z_(power)*sqrt(p1*(1-p1))]^2 / (p1-p0)^2
p0 = 0.53
alpha = 0.05   [one-sided]
target_power = 0.80
n_fixed = 100 * ceil(n_approx / 100)
k_critical = smallest integer k with P_p0(K >= k) <= 0.05
actual_power = P_p1(K >= k_critical)

假定改善越大，需要的数据越少。表格采用同一规则：将正态近似向上取整至下一个整百，再检查精确整数拒绝计数及功效。三个设计在原假设下实际拒绝概率分别为4.9174%、4.6435%和4.8929%。正因离散性，必须核查精确设计的实际运行特性，不能把取整近似当保证。

这些计算针对独立、共同概率不变、盈亏金额与成本已知的固定过程，并不要求研究者一直收集交易，直到观测胜率显著。单一市场环境中的3,900次观测，也不能确立另一环境中的持续性。一个很小的假定效应可能需要过长评估，超过策略前提能够保持稳定的时间；这是研究约束，不是降低证据标准的理由。

每周检查，会改变实验

固定终点检验针对事先声明的终点结果。如果研究者每周查看，并在第一个有利p值出现时停止，报告结果就来自另一条选择规则。反复尝试越过普通固定时点阈值，未必保留其名义错误率。事后决定哪个停止日期算数，又增加一个搜索维度。

预先定义终点是一种办法，合适的序贯设计是另一种。Howard等人在所述条件下建立具有跨时间同时覆盖率的置信序列，支持在该框架内有效监测。这些方法并不是对任意重尾、不断变化收益过程的无假设替代。本文没有实施或报告序贯交易检验。[8]

运营损失限制仍可在任何时候停止交易。保护资本不需要等到3,900笔交易，也不需要等亏损达到统计显著。应将这项安全决定与统计成功主张分开。保留停止的记录，解释干预及其如何改变评估；不要悄悄删除失败运行，再重新开始累计证据。

让下一次评估成为更难筛选出来的证据

下一次评估前，写一份简短决策记录，固定策略版本、适用品种、信息时点、成本处理、观测单位、主要结果与统计终点。保留每项符合条件的决策，区分提交订单、真实成交和模拟假设。AI交易决策研究解释了这些记录为什么不同。

对于狭义二元示例，表格说明固定设计必须声明什么。真实策略若规模变化、持仓重叠或成本改变，就需要另一项有依据的分析。不要仅因交易数量碰巧达到3,900，就借用2,119次获胜规则。

交易策略优化必须留在开发边界的一侧。查看最终时期后选择新提示词或过滤器，会让该时期成为筛选的一部分。滚动前推分析可以评估明确指定的更新流程，但时间顺序必须保留每次更新前哪些结果已可获得。算法构建研究讨论了这些机制。

正净均值的证据，也比alpha、足够容量或可接受损失路径的证据更窄。应以一致资本和时点与相关替代方案比较，并单独评估回撤与执行。记录可能反映市场暴露，而不是独特预测贡献。统计上可检出的效应，也可能小到不足以覆盖固定运营成本；资本与盈亏平衡指南讨论这个独立的经济问题。

AI与模拟能帮助计算什么，又不能增加什么？

ChatGPT交易机器人和Claude交易机器人面对相同证据问题。用来编写策略的语言模型，不会让结果独立，也不会让利润在统计上有说服力。Codex或Claude Code可以帮助核对交易账本、计算成本调整后的二项分布上尾概率，并检查拟议评估设计。要求在给出数值答案的同时，列出原假设、观测单位、盈亏假设、尾部约定及搜索历史。

有用的请求要具体：解释报告方法是否适用于这些结果，标明每项估计输入并展示计算。若报告只说“95%确信机器人会盈利”，却没有定义事件和模型，就跳过了最难的部分。用记录和相关统计方法核验算术；流畅文字不是又一次观测。

蒙特卡洛交易模拟可以探索给定输入模型下的后果，却不会增加已观测市场事件的数量。仓位固定、盈亏可加时，记录A同样200个结果的任何纯重排序，最终仍为+8R。路径可以改变，但仅靠打乱顺序，不能创造正均值证据。如果仓位依赖权益、现金、重叠风险或停止规则，打乱交易还没有重新运行这些决策。

有放回重采样可以产生总结果分布，但这些结果来自已选样本和重采样假设。它们没有观测缺失的崩盘，也没有独立确认记录C大赢家的出现频率。使用模拟检查所述假设下的敏感性和风险，同时把前瞻样本外测试保留为独立证据来源。

对这份盈利记录，我们能说什么、不能说什么？

基础记录扣除假定成本后赚取$80。在所声明的固定盈亏、结果独立模型下，110次获胜并未提供反对零净期望的强证据：精确单侧p值为0.3104，双侧平均盈亏区间包含负值。这不等于确立策略没有优势，而是说明这份记录在该模型下没能很好解决问题。

两份替代账本说明，增加摘要指标还不够。关联成交保持账户利润不变，却减少独立信息。集中盈利保持胜率和利润因子不变，却改变均值估计的问题。在这两个问题得到处理之前，选择效应就可能让更强的结果失去说服力。

因此，“多少笔交易足够”首先要问的是“在哪种设计下，足以检出多大效应？”对于所设小幅备择，选定固定设计用3,900个独立结果达到约80%功效。真实交易系统首先要为观测单位、成本后结果、搜索边界和监测规则提供依据。盈利交易算法是一项经济主张；历史利润是调查的起点，不是结论。