第二节：择时模型基础

一、择时的定义——说白了就是“什么时候买，什么时候卖”

择时，英文叫 Market Timing。听起来挺玄乎，其实核心就一句话：判断市场未来的涨跌，决定仓位的高低。

我个人习惯把择时拆成两个动作：

• 方向判断——接下来是涨还是跌？
• 仓位决策——涨了该买多少，跌了该卖多少？

你想想看，如果一个人能准确预测明天的涨跌，那他根本不需要选股。直接满仓干就完了。但现实是，没人能做到100%准确。所以择时本质上是一个概率游戏。

我在项目中遇到过不少新手，一上来就问我：“老师，你这个择时模型胜率多少？” 我说70%。他眼睛一亮：“那我可以全仓干了吧？” 我说别急，胜率70%不代表每次都能赚，关键还得看盈亏比。

二、择时 vs 选股——两个维度，缺一不可

很多人把择时和选股混为一谈。其实它们解决的是不同的问题：

维度	择时	选股
核心问题	什么时候买/卖	买什么
收益来源	市场整体波动（Beta）	个股超额收益（Alpha）
风险来源	系统性风险	非系统性风险
适用场景	指数增强、宏观对冲	主动选股、量化多因子

说白了，选股是“选美”，择时是“看天”。你选了一只绝世美女股，结果赶上股灾，照样亏得底裤都不剩。反过来，你择时做得再好，选了一堆垃圾股，牛市也赚不了多少。

我记得有一次做回测，一个纯选股策略年化收益15%，最大回撤30%。后来我加了一个简单的均线择时，年化收益降到12%，但最大回撤降到了15%。你选哪个？我选后者。因为回撤小，你才能拿得住，才能吃到复利。

三、择时的数学期望——别被胜率骗了

好，接下来是硬核内容。择时模型的数学期望，公式很简单：

E = P_win × R_win - P_loss × R_loss

其中：

• P_win = 预测正确的概率（胜率）
• R_win = 正确时平均赚多少（平均盈利）
• P_loss = 预测错误的概率（1 - 胜率）
• R_loss = 错误时平均亏多少（平均亏损）

举个例子：

假设你的择时模型胜率只有40%，听起来很差对吧？但如果你正确时平均赚10%，错误时平均只亏5%，那么：

E = 0.4 × 10% - 0.6 × 5% = 4% - 3% = 1%

期望收益是正的！这就是为什么很多高频交易策略胜率不到50%，但照样赚钱——因为人家盈亏比高。

为什么会这样？因为市场不是均匀波动的。大涨和大跌的幅度往往不对称。你想想看，一个股票跌50%需要涨100%才能回本。所以择时模型的核心，不是猜对次数多，而是在关键的大波动中站对方向。

四、择时模型的评价指标

光看期望还不够，我们还需要几个辅助指标来评估择时模型的好坏：

1. 胜率（Hit Rate）：预测正确的比例。一般超过50%就算不错，但别迷信。
2. 盈亏比（Profit/Loss Ratio）：平均盈利 / 平均亏损。大于2算优秀。
3. 夏普比率（Sharpe Ratio）：衡量风险调整后的收益。大于1算合格，大于2算优秀。
4. 最大回撤（Max Drawdown）：模型最惨的时候亏了多少。控制在20%以内比较安全。

我个人习惯把这四个指标放在一起看。比如一个模型胜率55%，盈亏比1.5，夏普1.2，最大回撤18%。嗯，这个模型可以上实盘了。

五、知识体系框架图

下面这张图总结了择时模型的核心逻辑，我画成了SVG，方便你理解：

这张图把择时模型的三个核心模块串起来了。从定义出发，到与选股的区别，再到数学期望的计算，最后落到评价指标。你顺着这个逻辑走一遍，基本就掌握了择时模型的骨架。