首先完成“第4课:支撑、阻力与趋势识别”即可解锁本课程。转到上一课

简介

风险管理是将盈利的加密货币交易者与账户爆仓的交易者区分开的最重要技能。在本课中,你将学习三大风险控制支柱:头寸规模、止损点位和风险回报比。它们以具体规则形式编码,便于回测或作为机器人运行。

风险管理三大支柱的流程图——头寸规模、止损、风险回报比——汇聚到一个资本保护闸门

头寸规模

头寸规模的目标很简单:在单笔交易上永远不冒险超过你总资本的固定百分比。最常用的规则是1-2%规则——每笔交易的风险不超过账户权益的1%到2%。

计算头寸规模的公式是:

python
position_size = (account_balance * risk_percent) / (entry_price - stop_loss_price)

例如,账户为10,000美元,风险1%,买入价为50,000美元(BTC),止损价为49,000美元,计算如下:

python
account_balance = 10000
risk_percent = 0.01
entry_price = 50000
stop_loss_price = 49000
risk_amount = account_balance * risk_percent # = 100 USD
price_diff = entry_price - stop_loss_price # = 1000 USD
position_size = risk_amount / price_diff # = 0.1 BTC

你实际冒的风险正好是$100,即使你持有$5,000的头寸。这就是百分比规则使损失可预测的原因。

止损点位

止损不是猜测——它被设定在你的交易想法失效的地点。加密货币交易者常用三种可靠的技巧:

基于百分比的止损:在入场价格下方设定固定百分比的止损(BTC/ETH 常用1-3%)。基于结构的止损:止损设在关键支撑位、近期的摆动低点,或触发入场的蜡烛线低点之下。基于 ATR 的止损:在平均真实波幅(ATR)的倍数处设定止损,以适应当前的波动性。

基于 ATR 的方法会自动适应市场状况:

python
import pandas as pd
def atr_stop(df, atr_period=14, multiplier=2.0):
df["tr"] = df[["high", "low", "close"]].apply(
lambda row: max(row["high"] - row["low"],
abs(row["high"] - row["close"]),
abs(row["low"] - row["close"])), axis=1)
df["atr"] = df["tr"].rolling(atr_period).mean()
return df["close"] - df["atr"] * multiplier
# last_row_stop = atr_stop(df).iloc[-1]

在行情平静时 ATR 较小,止损距离价格较近。在行情波动时 ATR 扩大,止损扩大,这样你就不会被市场噪音吓出仓位。

风险-回报比率

风险-回报比(RRR)衡量你潜在收益相对于潜在损失的比例。其计算方式是:

python
risk_reward_ratio = (take_profit_price - entry_price) / (entry_price - stop_loss_price)

1:2 的 RRR 意味着你有1美元的风险来赚取2美元;1:3 的 RRR 意味着你有1美元的风险来赚取3美元。采用1:2的比例,你在50%的错误率下扣除费用后仍可盈亏平衡。采用1:3,你长期盈利大约只需要胜出35-40%的交易。

大多数专业的加密货币交易者拒绝进入低于1:2 RRR的交易。

摘要

资金保护优先于利润。将每个头寸的规模设定为损失永远不能超过账户权益的1-2%。在你对论点无效时设定止损——使用固定百分比、结构或 ATR——并且只进行那些奖励至少为风险的2-3倍的交易。这三条规则在执行时不带情绪,是让交易者长期留在市场并最终获胜的关键。

课后练习

课程检查点

巩固所学知识,获取作业反馈。

0/1
已回答 · 0/1