上世紀90年代中期是量化投資型交易系統發展的黃金時期：KeithFitschen、Randy Stucky、Mike Barna等開發了各種交易系統，這些系統大多基于趨勢跟蹤交易、指數化交易、波動率突破模型或樞軸點（pivot point）分析法。
在此期間，成百上千套程式化交易系統售出：系統供應商注意到購買程式化交易系統的這些投資者希望盡可能遠離逆市，即便仍在獲利，他們也會在第一次回撤時就停止使用現有程式化交易系統。程式化交易系統供應商的盈利模式非常簡單：這些系統被當作軟體出售，客戶購買并用其交易，直到出現第一次回撤；售價一般在1000至2000美元左右。
供應商清楚地了解到隻有10%左右的客戶會在回撤之後繼續交易；是以，即便市場容量較小，他們也不會考慮市場飽和等因素，繼續出售交易系統。如果售出100套系統，每套2000美元，供應商便獲得20萬美元收入；其中大約隻有10人會堅持使用該系統。即便在市場運作較好的時候，供應商可以賣出1000套系統，獲得200萬美元收入，但100人交易200至300手，對于流動性較高的市場，比如股票指數，其影響幾乎可以忽略不計。
盡管對于交易來說，其中很多秘訣是相當寶貴的，但大多數系統供應商都願意出售完全公開的程式化交易系統，而這也是成功的關鍵。如果客戶不了解交易系統或者無法了解其背後的運作邏輯，就很容易在程式化交易系統表現欠佳時立刻停止使用。目前多數供應商願意在不披露運作邏輯前提下出租交易系統；盡管對于使用者來說，這種方式節省了費用，但通過這些程式化系統交易往往會處于弱勢，他們容易更快地放棄虧損的頭寸。
回撤/可靠性悖論
很多人都會使用回撤及最大交易虧損作為衡量是否使用該系統進行交易的關鍵因素，但這些因素往往并不是衡量系統是否可靠的較好的名額。通常，回撤幅度越大或虧損交易金額越大，未來通過這一系統繼續獲利可能性就越低。
開發一種程式化交易政策，應當把重點放在核心運作邏輯上，而不是市場表現名額。2005年我開發了SimpleHarmony交易系統；該系統由一組趨勢跟蹤交易系統構成，通過權威交易系統評選雜志《Futures Truth》跟蹤驗證，這些系統表現位列所有交易系統前10名。
在Simple Harmony基礎上改進的TrendHarmony，因為加入了過濾條件，回撤減少40%。例如，它使用機械邏輯來過濾艾略特波浪理論中的第四浪脈沖序列。另一版本則可以使交易員在多種時間架構下交易。但相對原來的版本，使用這兩種系統的交易表現相對較差。
另一個經典例子則是國債的跨市場交易系統。我們使用30年期國債及費城公用事業平均指數來觀察跨市場差異：
若Bonds< Average(TBond,6)，UTY>Average(UTY,20)，買入
若Bonds> Average(TBond,6)，UTY< Average(UTY,20)，賣出
該系統雖然簡單但驚人得有效。從1987年9月22日至2014年8月7日，即便計入每筆交易50美元的滑損及傭金，該系統每次交易$250,768.75，勝率在60.3%，平均每筆交易獲利$1967.3，最大日内回撤為$22,131.00。盡管回撤略微偏高，但系統自1998年釋出以來，整體運作良好。
1998年該交易系統剛推出時，原始系數設為8、18；上述結果是參數設定在6、20時得出的。如果我們在$5,000處加入止損程式，盡管這對利潤及回撤的影響有限，但可以使得最大交易虧損從–$16,000收窄至–$5,081。同時，我們仍可以獲利$240,000，回撤略高于$24,000；加入止損設定後，交易表現稍有遜色，但就交易系統的穩定性來看，這一設定相當必要。最大交易虧損對交易系統風險調整後的總體收益有重要影響。
程式化交易系統開發者往往熱衷于設定更多的過濾條件，如相關性、波動率等，但這麼做并不一定能達到預期的效果：即便回溯測試中回撤減小，但這種改善并不一定能在未來持續。
複雜的過濾條件在樣本期内可能會很有效：該系統可能與曆史高度拟合，但或許并不适用于未來交易；特别地，加入篩選條件後的結果往往在統計上不顯著。一個過濾條件可能會剔除30個交易，但實際上，其中可能隻有2至3個政策會導緻虧損。為了确定過濾條件是否有效可行，首先必須通過統計檢驗，證明被過濾的交易政策比樣本中的交易政策表現要差；假如我們不能證明這一結論，我們就不應認為該過濾條件是有效的。
盡管較簡單的系統對于交易大筆資金的基金有用，但他們并不适合那些運作資金較少的交易員。對于交易金額在$20,000至$50,000的交易員，他們更關心回撤及最大交易虧損；這種思路實際并不正确，這些統計資料很可能是一些大幅偏離的異常值，不太會很快再次出現。對于上述國債交易系統，考慮到回撤，可以合理假設賬戶所需資金$50,000。但這一回撤實際可以追溯到2008至2009年金融危機，而這種事件的發生通常又是幾十年難遇的；那麼，如果不考慮這種極端情況，$25,000資金賬戶的假設更為合理。
初始交易回撤則可以從更現實的角度來衡量風險；這一理論是由Keith Fitschen提出的，并運用在TradersStudio這套系統中。在回溯測試中，每天我們都思考這樣一個問題：如果從當天開始交易，剩餘樣本期内我們能承受的最大損失是多少？我們比較以下兩個圖表：在沒有設定$5,000止損程式前提下，該交易政策系統第一次疊代所得的結果（上圖“Start trade drawdown”）與加入$5,000止損程式後的結果。
破産風險
破産風險同時考慮了賬戶規模及交易系統性能。通常，一個回撤較高的交易政策系統，如果能夠按照預先設想運作，其破産風險依然較低。在某個時點，系統可能會無法繼續交易初始賬戶規模。比方說，我們将“破産”定義為失去50%賬面價值、“破産風險”則是發生這一事件的可能性。對交易金額相對較小的賬戶來說，當獲得資金注入，相關風險下降。
PerryKaulfman在《新交易系統與方法》一書中闡述了破産風險及其計算公式。這一公式源于Ralph Vince的《投資組合管理》，并對P. Griffin在1981年發表的“21點理論”作了總結。總的來說，這一公式可以較好地估計風險。
具體計算公式如下：
這一方法使我們可以得到對破産風險較好的估計。假設我們有一個$35,000的資金賬戶，交易系統回撤在$22,000至$24,000，并設想我們的國債交易系統沒有設定止損程式；最大交易虧損為$16,380，勝負比率為1.21，勝率為60.32%；同時定義70%回撤為“破産”。在這一例子中，我們的破産風險為44.8%，是以，在超過55%的情況下，我們都可以使用該系統針對$35,000的資金賬戶進行交易。
再考慮另一個交易系統。與上述系統不同，它在$5,000處設定止損程式。盡管勝負比率降至1.18，勝率降至59.4%，但最大交易虧損僅為$5,081。這一變化會對破産風險産生重要影響，使其降至9.42%。這樣一來，90%的情況下，我們可以使用該系統對$35,000的資金賬戶進行交易。此外，對于$25,000的資金賬戶，這一風險值也僅有18.45%，即：80%的情況下，使用該系統對$35,000的資金賬戶進行交易，而每年平均花費為$8,800。
需要注意的是，不應過分追求理論風險值的最小化，因為這麼做的代價可能是系統的長期可靠性降低；同樣，我們不應僅僅關注一個名額，而應當将系統看作一個整體進行評估；利用上述公式計算時，必須認識到交易是一組序列，如果初期該政策已經獲利，則需要對破産風險進行修正。
當交易序列中存在自相關性，我們需考慮減少破産風險計算。對大多數趨勢跟蹤交易系統，我們可以在趨勢回撤中交易。下面來看一個日元通道突破政策的例子。
這一程式化交易系統隻有在目前股票理論價格曲線位于平均線之下，才進行交易；簡單地說，在價格調整一段時間後，我們才開始交易。我們使用1990年1月1日至今的日元走勢來測試該系統，并且考慮$50滑損及傭金。
我們的交易系統以30分鐘突破線為核心，但運作結果不甚理想。該系統每次交易$45,500，勝率為33.9%，平均每筆交易獲利$6,864.06，最大平均交易虧損為$2,937，最大日内回撤為$65,088。
以上是在股票價格曲線低于平均線後進行交易所獲得的結果。而我們的程式化交易系統隻在股票價格低于130天移動平均線時才進行交易；由于交易表現存在序列相關性，我們得到的結果顯然好得多：淨利潤為$127,587.50，勝率為42.3%，平均每筆交易獲利$8,001.67，最大平均交易虧損為$2,743，最大日内回撤為$30,887.50。
鑒于勝負比率及勝率顯著提升，破産風險也就随之降低，最大交易虧損大幅減少。如果使用沒有設定過濾條件的系統，來交易$35,000的資金賬戶，破産風險達67.6%，表現欠佳；加入過濾條件後，破産風險迅速降至24.4%的可控水準；可見這一設定相當必要且頗為有效。
但問題是，這一操作理念隻在交易表現存在序列相關性時才适用；否則，我們不能憑借任何此類交易表現回報信号來改進交易系統。
開發适用于不同交易賬戶規模的程式化交易系統：
開發一個可以使小規模資金賬戶穩健交易的系統一直以來都是重要的研究課題。通常，這些交易表現不存在序列相關性，是以我們不能使用簡單的類似股價走勢曲線的回報信号。
Ralph Vince從數學上定義風險，他稱之為“杠杆空間”（leverage space）。這一理論可以告訴我們，12個月後該交易系統能夠獲利的機率。
Vince最著名的理論莫過于optimalf，但這種資金管理方法存在一定局限性。首先，它不适用于投資組合；其次，它過于激進。Vince便在此基礎上進行改進，最終提出leverage space這一理論，其中，他定義了“拐點”，即：收益遞減，但optimalf風險值以快于收益的增速遞增。
一般有兩個拐點：一個在最優頂點的左側，另一個則在右側；而我們關心的是左側的拐點，因為根據這一拐點設計的政策相對穩健：事實表明，拐點是最佳的風險調整值；由于我們的政策是基于左側的optimalf，如果系統表現稍稍偏離預期，最壞的情況是optimalf位于峰值或稍稍偏右。該風險值是基于近期的交易序列，是以可以通過實時資料計算得到，并根據交易分布及相關性作出相應調整。
利用拐點及optimalf作為交易系統開啟與否的條件，可以使系統得以為規模較小的資金賬戶交易。在撰寫這篇文章的過程中，我咨詢了Vince，他提出了以下想法：首先，定義兩個時間視窗——長期時間視窗A與短期時間視窗B；其次，跟蹤A與B的optimalf以及B的左側拐點——當B的optimalf大于或等于A，停止交易；相反，當B的optimalf小于或等于A的左側拐點開始交易。相對根據股票價格曲線回報信号進行交易的系統，上述方法适用性更廣，因為它不建立在交易表現相關的假設基礎上。
程式化交易系統開發趨勢已經發生改變：原本擁有大規模資金賬戶的交易員已被更多小規模資金賬戶的交易員取代；是以，開發出可以使小規模資金賬戶穩健交易的系統成為未來一大挑戰；其中，隻有開發更多新的資金管理方法，才能使我們得以為各種資金規模的賬戶定義破産風險。
程式化交易系統最好能夠充分披露運作邏輯，被客戶所了解。交易系統供應商應當提供更好的服務，了解客戶面臨的風險；其中，最重要的是，在了解交易員現有資源的基礎上，為他們可能面臨的各種風險提供多種解決方案。
拓展閱讀：
1.一個量化政策師的自白（好文強烈推薦）
2.市面上經典的量化交易政策都在這裡了！（源碼）
3.期貨/股票資料大全查詢（曆史/實時/Tick/财務等）
4.幹貨| 量化金融經典理論、重要模型、發展簡史大全
5.從量化到高頻交易，不可不讀的五本書
6.高頻交易四大派系大揭秘