美赛 2022 C 优秀范文二：风险-收益权衡与"最优"的量化证据

一、问题的第二问：什么算"最优"

赛题第②问要求"提供证据说明你的模型提供了最佳策略"。这是一个比第①问更刁钻的问题——"最佳"没有唯一标准。终值最高？风险最低？还是经风险调整后最优？本篇的立场是：用多维度的量化证据，证明我们的趋势策略在"终值、夏普比率、最大回撤"三维度上全面占优或持平，从而构成"最优"的强证据。我们不靠修辞，靠指标。

二、假设与符号说明

为保持模型的可解性与合理性，作如下假设：

H1：{假设1}——理由：{理由1}
H2：{假设2}——理由：{理由2}
H3：{假设3}——理由：{理由3}

主要符号说明如表1所示：

符号	含义	单位
$x_1$	{符号1}	{单位1}
$x_2$	{符号2}	{单位2}
$x_3$	{符号3}	{单位3}
$\theta$	{参数}	—

表1 主要符号说明

二、评价指标体系

评价一个交易策略，至少要看三件事：

1. 绝对收益（期末价值）：钱有没有变多；
2. 风险调整后收益（夏普比率）：每承担一单位波动，赚了多少超额回报；
3. 尾部风险（最大回撤）：最坏情况下会亏多少。

单看终值会被"幸存者偏差"误导——一个靠运气押中一次暴涨的策略终值可能很高，但回撤能让人破产。因此，多指标交叉验证才是"最优"的硬证据。

图 1 直接对比三策略的夏普比率：趋势策略 2.829，买入持有比特币 2.538，买入持有黄金仅 0.800（回撤仅 7.37%）。趋势策略的风险调整后收益最高——它在更低波动下赚到了更多钱。

三、风险-收益定位图

把"最大回撤"放在横轴、"夏普"放在纵轴，每个策略是一个点。理想点应在右上方不可能（回撤越低越好在左、夏普越高越好在上），故真正的"优区"是左上角：低回撤、高夏普。

图 2 中，趋势策略（绿）位于最靠左上，买入持有比特币（紫）因 61.97% 的巨大回撤被甩到右下，黄金（橙）虽回撤小但夏普也低、收益平庸。这张图一眼说明：趋势策略在"风险-收益"平面上支配（dominate）了对手。

四、水下回撤曲线：痛苦的时间分布

均值意义上的回撤还不够直观。水下曲线（underwater curve）把"组合价值相对历史峰值跌了多少"逐日画出，负值越深、持续越久，交易者越痛苦。

图 3 显示：买入持有比特币在 2018 年前后出现深达约 −59% 的漫长水下区（与 61.97% 最大回撤一致），而趋势策略的水下区又浅又短——它几乎不经历深度套牢。对真实交易员，这种"回本快、睡得着"的体验，是终值之外最值钱的性质。

五、持仓结构：时间都花在了哪里

策略并非全程满仓比特币，而是"该进攻时进攻、该防守时防守"。统计显示，策略 87.6% 的时间持有比特币、12.4% 的时间持有黄金——那 12.4% 恰好覆盖崩盘段，正是回撤被压低的关键。

图 4 的饼图量化了这一结构：绝大多数时间策略在"吃"比特币的上涨红利，只在少数列入黄金避险。少量但关键的防守，换来了回撤的量级下降。

六、调仓时点：低频是纪律

下图把 11 次调仓标在价格曲线上，并用绿/橙带区分"持币/持金"状态。可见调仓点几乎都落在趋势反转附近——没有无谓的日内折腾。

图 5 给出全部 11 个红点：它们稀疏、精准，说明策略"该动才动"。这与高频择时形成鲜明对比——后者看似勤奋，实则在佣金与噪声中消耗收益（范文一图 4 已说明滞回带如何压制这种消耗）。

从交易心理看，11 次调仓还带来一个隐性红利：极低的决策疲劳。高频策略要求交易者每天面对数十次买卖诱惑，情绪消耗巨大、容易在压力下失控；而我们的策略一年不过两三次调仓，交易者能保持冷静、严格执行。回测无法量化"心态"，但它往往是实盘成败的真正分水岭——这也是我们坚持低频设计的另一重理由。

七、佣金敏感度：最优性的边界条件

"最优"不是绝对的，它依赖交易成本。我们扫描比特币佣金率 αB ∈ {0.5%, 1%, 2%, 3%}（黄金取一半），观察策略与买入持有比特币的终值演变。

图 6 的分组柱显示：在四种佣金下，趋势策略终值分别为 65708.22 / 60625.41 / 51555.56 / 43781.25 美元，买入持有比特币为 48805.26 / 48560.00 / 48069.50 / 47578.99 美元（随 αB 单调微降，因其只付一次入场佣金）。

关键的洞察藏在两者的差额里。

图 7 画出自变量 αB 下"策略终值 − 买入持有终值"的差额曲线：αB=0.5% 时策略领先约 +16903 美元，随佣金上升优势收窄，在 αB≈2.2% 处差额归零（盈亏平衡点），之后被反超。这说明：在本题真实的 2% 佣金下，趋势策略仍占优；但若佣金高到约 2.2% 以上，买入持有比特币因只付一次佣金反而更划算。这一边界条件，正是赛题第③问"交易成本如何影响策略与结果"的精确答案。

换个更本质的视角看，佣金敏感度分析还揭示了一个反直觉的真相：高频择时看似能"高抛低吸"，但在 2% 佣金的摩擦下其期望收益往往为负——这正是许多业余交易者"交易越勤、亏得越多"的数学根源。我们的低频趋势策略本质上是在和这种摩擦做反向博弈：用最少的交易次数捕获最大的趋势红利。这也与范文一图 4 的滞回带设计哲学一脉相承——"克制不动"本身就是一种产生收益的动作。把佣金曲线与差额曲线合起来读，交易者得到的不是一句"注意成本"，而是一张写满临界值的作战地图：知道在哪条线之上该进攻、之下该防守，才算真正消化了第③问。

八、证据汇总表

把四个维度、三个策略并置，结论一目了然。

图 8 汇总：趋势策略在终值（51555.56 > 48069.50）、夏普（2.829 > 2.538）、最大回撤（17.55% < 61.97%）三项均占优，仅在"调仓次数"上多于买入持有（11 次 vs 1 次）——而这恰恰是其风险控制的代价，且佣金成本可忽略。综合来看，"趋势策略最优"由多指标一致支持，而非单一数字巧合。

九、对"最优"的方法论反思

值得诚实指出：若交易者的目标被严格定义为"终值最大化"且佣金率 >2.2%，买入持有比特币确实反超。因此严谨的表述是——在本题给定佣金（黄金1%/比特币2%）与市场结构下，趋势策略在终值与风险调整后收益上同时占优，是帕累托更优（至少不劣）的选择；其占优性在佣金率低于约 2.2% 时成立。这种带边界条件的结论，比空喊"我的最优"更经得起评委推敲，也是获奖论文应有的谦逊与严谨。

进一步看，指标选择本身也折射价值取向。若交易员是养老金，回撤权重应远高于终值，此时趋势策略的 17.55% 回撤几乎是碾压级优势；若交易员是激进套利基金，终值权重更高，边界条件（佣金 2.2%）才成为决策主轴。我们在文中同时呈现三类指标，正是为了不让单一价值取向绑架结论——把"你想要什么"的选择权交还给决策者，模型只负责把权衡关系算清楚。这种"指标透明、结论带边界"的写法，恰是美赛评委最欣赏的建模成熟度。

十、与范文一、三的衔接

本篇用指标把范文一的"占优"坐实，并为范文三的"佣金敏感度与交易员备忘"提供核心论据（盈亏平衡点 2.2%）。三篇合起来，正好覆盖赛题四问：①变成多少（范文一）、②为何最优（本篇）、③成本敏感度与④备忘（范文三）。

十一、稳健性再检验：优越性是否"碰巧"

评委最该追问的是：趋势策略的占优，是真实能力还是单条路径的偶然？我们用两个层面的检验回应。

第一，参数稳健性。把滞回带从 4% 扫到 2%/6%/8%，策略终值始终稳定在两万到六万美金区间、夏普不低于 2.6（详见范文三图 6）。若占优只是"调出来的"，换参数就会崩；它没有崩，说明优势来自"趋势捕获 + 崩盘规避"的结构，而非某个精确数字。

第二，指标间的一致性。终值、夏普、回撤三个独立指标同时指向同一结论（策略占优），这在统计上极难由噪声伪造——单一指标好可能是运气，三个互相印证的指标好，才是信号。这也是为何我们用"多指标交叉验证"而非"挑一个好看的数字"来论证最优。

还需诚实补充一点：我们只有一条合成价格路径，无法做蒙特卡洛意义上的显著性检验。若使用真实数据，严谨做法应是对多个历史子区间分别回测，或用块 Bootstrap 重抽样估计策略超额收益的置信区间。本文受篇幅与教学定位所限未展开，但这条路径是评委眼中"更上一层"的加分项，建议正式参赛时补上——它把"我觉得最优"升级为"在 95% 置信水平下显著占优"。

附录：核心 Python 实现

以下代码独立运行即可复现本文全部权威数字（须位于 tools/ 目录）：

import gen_mcm2022c as G

D = G.gen_mcm2022c()   # 确定性 SEED=2024（须位于 tools/ 目录运行）
print("夏普: 策略=%.3f  BH-BTC=%.3f  BH-Gold=%.3f" %
      (D["strat_sharpe"], D["bh_btc_sharpe"], D["bh_gold_sharpe"]))
print("回撤%%: 策略=%.2f  BH-BTC=%.2f  BH-Gold=%.2f" %
      (D["strat_mdd"], D["bh_btc_mdd"], D["bh_gold_mdd"]))
print("持币时段占比=%.1f%%  持金=%.1f%%" % (D["pct_in_btc"], D["pct_in_gold"]))
for s in D["sens"]:
    print("αB=%.1f%%  策略=%.2f  BH-BTC=%.2f  差额=%.2f" %
          (s["aB"]*100, s["final"], s["bh_btc_final"], s["delta"]))
# 期望：夏普 2.829>2.538>0.800；回撤 17.55<61.97；αB=0.5%差额+16903，αB=3%差额-3798（过零≈2.2%）

运行即可复现本篇全部夏普、回撤、持仓占比与佣金差额数字。

参考文献

[1] COMAP. 2022 MCM Problem C: Trading Strategies.
[2] 本站确定性真源 tools/gen_mcm2022c.py（SEED=2024）.
[3] 范文一：交易策略建模与回测；范文三：佣金敏感度与实战备忘.

三、模型建立

基于上述假设，本文构建{模型类型}模型。该模型的核心思想是{核心理念}。

3.1 {子模型1}

{子模型1的描述}，其数学表达为：

$$f(x) = \sum_{i=1}^{n} w_i \cdot x_i + b$$

其中，{参数说明}。

3.2 {子模型2}

针对{子问题}，引入{方法}，得到：

$$g(y) = \int_{a}^{b} h(t) dt$$

该式表明{物理解释}。

四、模型求解

采用{算法名称}进行数值求解。算法流程如下：

1. 初始化：设置参数{参数值}
2. 迭代求解：按公式{公式}更新变量
3. 收敛判断：当$|f(x_{k+1}) - f(x_k)| < \epsilon$时停止

求解结果如表2所示：

指标	数值	说明
指标1	0.85	{解释}
指标2	0.92	{解释}
指标3	0.78	{解释}

表2 求解结果汇总表

五、结果分析与讨论

5.1 {分析主题1}

从求解结果可以看出，{分析内容}。如图X所示，{图表解读}。

这表明{结论}。与{对比项}相比，本模型的优势在于{优势}。

5.2 灵敏度分析

为检验模型的稳健性，对关键参数进行扰动分析：

参数	变化范围	结果变化	敏感程度
$\alpha$	±10%	±5.2%	中等
$\beta$	±20%	±8.7%	较高
$\gamma$	±15%	±3.1%	较低

表3 灵敏度分析结果

结果显示，参数$\beta$对结果影响最大，建议在后续研究中重点标定。

六、结论

本文针对{问题}建立了{模型类型}模型，主要结论如下：

1. 模型有效性：所提模型在{场景}下表现良好，各项指标达到预期
2. 关键发现：参数{关键参数}对结果影响最为显著
3. 应用价值：研究结果为{应用领域}提供了决策支持

未来工作可沿以下方向展开：（1）拓展模型至{扩展场景}；（2）引入{新数据}进行验证；（3）探索与{其他方法}的结合。