OptiNod 学院
近因偏误：把正常范围内的连续亏损误判为系统失效
经过验证的系统出现连续亏损，大多仍在正常波动范围内。近因偏误可以用预期连亏长度和系统更换频率来衡量。
经过验证、期望值为正的系统，也会正常地出现很长的连续亏损。只记得最近的五次、六次，就会把这个正常波动的幅度误判为系统失效。
近因偏误（Recency Bias）是指对最近经历的结果赋予超过其实际分量的认知倾向。这种偏误源于Amos Tversky和Daniel Kahneman在1973年整理的可得性启发。人们判断事件概率时，并不去统计实际频率，而是拿这个事件有多容易想起来作为替代。刚刚经历的五次亏损记忆清晰，半年前的二十次盈利却很模糊。于是最近的样本左右了判断。
对交易者而言，这种偏误朝两个方向起作用。连续几次亏损后，就判断“这个系统坏了”并停止交易。反过来，看到最近几次表现好的参数，就判断“现在这组设置是对的”并换成那组设置。两种判断都把最近几笔交易当作系统的当前状态，但这个样本实在太小。
经过验证、期望值为正的系统，也会正常地出现很长的连亏区间。胜率为p的系统重复N次时，自然预期的最长连亏长度大约是log_{1/q}(N·p)，其中q是亏损概率（1−p）。胜率45%的系统重复200次，这个值约为8。连续亏损八次，系统也没有失效。只要样本足够，这样的正常区间至少会出现一次。如果只记得最近五六次，就会把这个正常波动的幅度误判为失效。
可得性启发会给最近的样本过大的权重
近因偏误归根结底是记忆有多容易浮现的问题。要计算概率，应当把过去的全部结果作为样本，但人的判断用的不是整体样本，而是容易想起的案例。刚经历的亏损连同情绪一起被清晰地记录，久远的盈利则细节模糊。结果是最近五笔交易成了判断的基准，过去100笔交易没有进入计算。
此外还有对样本大小的错觉。用五笔、十笔交易估计系统胜率，样本远远不够，但人们仍然期待小样本也能给出稳定的比例。Tversky和Kahneman在1971年把这种倾向称为小数定律，即期待小样本原样呈现总体性质的错觉。即使是胜率55%的系统，五笔交易里出现4连亏也很常见。把这段短区间当作系统当前的胜率，就会把实际为55%的系统误认为20%。
一旦给最近的样本过大的权重，正常波动就会看起来像异常信号。
期望值为正的系统也会正常地出现连亏
连续亏损是正常还是失效，可以通过计算来确认。在胜率为p、亏损概率为1−p的独立试验中交易N次，预期的最长连亏长度大约是log_{1/q}(N·p)（q为亏损概率）。
以胜率45%的趋势跟踪系统为例。重复200次，预期最长连亏约为8次。胜率50%、交易100笔时约为6次。如果是胜率降到40%的系统，在150笔交易中，连续亏损约8~9次也在预期之内。亏损比盈利更频繁的系统，正常经历的连亏也更长。
不仅是连亏的长度，出现的频率也可以计算。用胜率45%的系统交易100笔，5连亏区间平均会出现两次以上。胜率50%的系统平均也会出现一两次5连亏。5连亏不是罕见的意外。样本积累到一定程度，它会按预期出现，是正常区间。
这个计算的结论很明确。知道系统的胜率和交易笔数，就能预先确定正常情况下会经历的最长连亏长度。在这个长度之内出现的连亏，并不表示系统失效。
把连亏当作失效，会在大趋势之前关掉系统
在真实市场中，这种误判的代价很大。2024年夏天，比特币从6月到10月约五个月里，在大约49,000美元到74,000美元的宽幅区间内起伏。8月5日跌到49,000美元后又回升到60,000美元以上，方向不明的横盘区间一直持续。
趋势跟踪和突破系统在这种横盘区间里会反复出现小额亏损。突破入场后被拉回，再次入场又被拉回，小额亏损不断累积。五个月里这类亏损持续不断，受近因偏误影响，很容易得出“这个系统现在不适用了”的结论。
10月关掉系统的交易者，错过了接下来的行情。11月初，比特币从约69,000美元开始上涨，到12月17日涨至108,353美元，涨幅约57%。在五个月的横盘中承受小额亏损，就是为了抓住这样一次趋势，而近因偏误让人恰好在这之前关掉了系统。
趋势跟踪系统的期望值来自这类少数大趋势，横盘区间的小额亏损是等待这些趋势的成本。在连亏区间关掉系统，只付出了这笔成本，却错过了真正的大趋势。
近因偏误可以用两个数字来衡量
如果只把近因偏误看作情绪问题，诊断就会含糊不清。看两个数字，就能确认这种偏误是否真的在起作用。
第一个是预期连亏长度与实际连亏的比较。把系统的胜率和交易笔数代入前面的公式，就得到正常情况下会出现的最长连亏长度。当前经历的连亏在这个长度之内，就是正常波动；明显超出这个长度时，再重新检视系统。在胜率45%、200笔交易的系统中，6连亏落在预期值（约8次）之内，因此仅凭6连亏就关掉系统，依据不足。
第二个是系统更换频率。在交易记录中标出关闭系统或更改参数的时点，并同时写下此前的连亏长度。如果更换大多集中在较短的连亏（正常波动之内）之后，就是近因偏误导致过早放弃系统的量化证据。把更换之后的表现，与保持原系统不变时的表现并排计算，这次更换是赚是亏，用数字就能确认。
- 计算预期连亏：用系统胜率和预计交易笔数，预先算出预期最长连亏长度并记下来。
- 标记连亏时点：每次停止交易或更改参数时，记录此前的连亏长度。
- 比较更换前后：把更换之后的表现，与保持原系统时的表现并排计算。
- 正常范围基准线：把预期连亏长度作为放弃系统的基准线，在这一范围内的连亏，继续保持系统。
事先知道正常波动的幅度，连亏时也能坚持系统
连亏之所以动摇判断，是因为不知道正常波动的幅度。事先知道这个幅度，只要连亏落在其中，判断就没有理由动摇。OptiNod的验证工具会在交易前计算这个幅度。
滚动前推分析把优化区间和验证区间分开滚动，显示每个验证区间的表现如何变化。观察多个验证区间的表现分布，就能得到这个系统正常情况下会经历的低迷区间的幅度。稳健性三项指标和分段（按季度）测量，则把同一系统的表现分成多个区间来衡量。某个季度表现低迷，但其他季度能够弥补，这样的结构说明这段低迷仍在正常波动之内。
把交易结果随机重新排列、生成回撤分布的蒙特卡洛重采样，目的也相同。把同样的交易只改变顺序，重新排列数千次，就得到正常情况下可能出现的最大连亏和最大回撤的分布。知道当前的回撤位于这个分布的什么位置，就能判断它是正常范围还是异常信号。
用数字掌握了正常波动的幅度，最近五次亏损就不足以动摇判断。
两个陷阱
优化时换成最近表现好的参数。近因偏误的反向做法，是追逐最近表现好的参数。换成上个月收益最好的那组设置，这组设置很可能是针对最近区间的过拟合。根据最近的表现更换参数，实质上是把曲线拟合到最近的区间，到了下一个区间，这组设置又会表现低迷。
只在亏损区间引入的新规则。连亏期间，有时会基于“这次应该再加一个过滤条件”的判断来增加规则。这条规则是为了避开刚刚经历的亏损而调整的，样本只有那几次亏损。事后只看亏损区间添加的条件，能消除那个区间的亏损，但在整个期间内往往反而会降低期望值。新的过滤条件始终应当用整个期间的回测来验证。
连亏的正常范围来自计算
近因偏误的特点是，在系统完好时作用最大。经过验证、期望值为正的系统，越是正常地产生很长的连亏，这些连亏在只看最近样本的眼中就越像失效。避免这种误判，靠的不是调整心态，而是在开始交易之前，用系统的胜率和交易笔数计算出预期最长连亏长度，并把这个长度定为保持系统的基准线。只要当前的连亏落在其中，最近五次亏损就不构成关掉系统的理由。连亏是正常还是失效，不能凭记忆判断，要靠计算得出。