9. 仓位与风险管理 - Jesse 速读教程

交易世界里，仓位大小不是拍脑袋决定的数字，而是风险管理的第一道防线。很多人回测时业绩漂亮，实盘却节节败退，问题往往出在这里——用固定仓位跑回测，却忽略了市场波动和账户资金的动态变化。

Jesse 框架把风险管理工具直接嵌入了策略 API，让我们能在代码层面就把风控逻辑写死，避免盘中情绪干扰。这一章要讲的，就是如何把抽象的风险偏好，翻译成具体的仓位数字，以及在持仓过程中如何动态调整止损止盈，守住利润底线。

风险转仓位计算

理解 risk_to_qty 的核心逻辑

量化交易的核心原则之一：先确定愿意亏多少钱，再决定开多少仓位。utils.risk_to_qty 这个函数就是干这个的，它可能是整个框架里最重要的工具函数。很多人第一次接触时觉得参数多，其实逻辑非常直观——给定账户资金、单笔交易风险比例、入场价和止损价，它自动算出应该开多少数量。

函数签名看起来参数不少：

risk_to_qty(capital, risk_per_capital, entry_price, stop_loss_price, precision=3, fee_rate=0)

前四个是核心。capital 是账户可用资金，risk_per_capital 是每笔交易愿意承担的风险百分比，比如 1 就代表 1%。entry_price 和 stop_loss_price 决定了每单位仓位的潜在亏损。函数内部计算逻辑很简单：先算出入场和止损之间的价差风险，再用 capital * risk_per_capital 得出总可亏损金额，最后除以单位风险得到数量。

看个具体例子。账户有 10,000 USDT，策略规定每笔交易最多亏 1%，入场价 100 USDT，止损设在 80 USDT。这意味着每单位仓位可能亏 20 USDT，而总可亏损预算是 100 USDT，所以最多开 5 个单位。代码写起来很直接：

def go_long(self):
    entry = 100
    stop = 80
    profit = 150
    risk_perc = 1  # 1% 风险
    
    qty = utils.risk_to_qty(self.balance, risk_perc, entry, stop)
    
    self.buy = qty, entry
    self.stop_loss = qty, stop
    self.take_profit = qty, profit

这里用 self.balance 动态获取当前账户权益，而不是写死 10000，这样策略在复利模式下会自动调整仓位大小。precision 参数控制数量的小数位数，默认 3 位对大多数币够用。fee_rate 参数必须重视，后面会专门讲。

需要警惕的是止损价离入场价太近的情况。假设止损设在 99 USDT，每单位风险只有 1 USDT，按 1% 风险预算算出来要开 100 个单位，可能超出账户实际购买力。这不是函数 bug，而是数学公式的必然结果。文档里特别提醒这种情况，止损过近会导致计算出的仓位超过可用资金，触发异常。实际策略中必须加保护逻辑，后面会讲如何设置仓位上限。

手续费对仓位计算的影响

实盘交易里，手续费是隐形的仓位杀手。计算仓位时如果不考虑手续费，很容易出现"钱不够"的错误。Jesse 在撮合时会严格检查购买力，如果 qty * entry_price + fee > capital，会直接抛异常阻止下单。

risk_to_qty 的 fee_rate 参数就是解决这个问题的。把交易所的手续费率传进去，函数会在计算时预留出手续费空间。假设现货交易手续费 0.1%，上面的例子应该改成：

qty = utils.risk_to_qty(self.balance, risk_perc, entry, stop, fee_rate=self.fee_rate)

self.fee_rate 是策略内置属性，自动读取配置里的手续费设置。加了这参数后，算出的数量会稍微少一点，确保下单时加上手续费也不会超支。别小看这千分之一的差别，在高频交易或者小资金账户里，可能就是成功下单和被拒单的区别。

回测时建议总是加上 fee_rate，让测试结果更接近实盘。很多人回测曲线很漂亮，实盘却做不出来，差距往往在这些细节里。手续费不仅影响仓位，长期看对策略夏普比率的影响更大，属于必须考虑的现实摩擦成本。

凯利准则在仓位管理中的应用

凯利准则（Kelly Criterion）是资金管理领域的经典公式，告诉我们在已知胜率和盈亏比的情况下，最优的风险比例是多少。Jesse 提供了 utils.kelly_criterion 函数，可以直接算出这个比例。

函数需要两个参数：win_rate 是历史胜率，比如 0.55 代表 55% 的胜率；ratio_avg_win_loss 是平均盈利与平均亏损的比值。返回值是一个百分比，建议投入的资金比例。

实际策略中，我们通常在 metrics 属性里获取历史数据。metrics 字典包含了回测的所有统计指标，当交易次数超过一定阈值后（比如 20 次），就可以用真实数据计算凯利值：

def kelly_qty(self, entry, stop):
    # 交易次数不足时用保守估计
    if not self.metrics or self.metrics['total'] < 20:
        win_rate = 0.46
        avg_win_ratio = 1.1
        avg_loss_ratio = 0.5
    else:
        win_rate = self.metrics['win_rate']
        avg_win_ratio = self.metrics['avg_win_percentage'] / 100
        avg_loss_ratio = self.metrics['avg_loss_percentage'] / 100
    
    kc = utils.kelly_criterion(win_rate, avg_win_ratio, avg_loss_ratio) * 100
    
    if not kc or kc <= 0:
        raise ValueError("凯利准则计算异常")
    
    # 用凯利比例计算风险仓位
    risk_qty = utils.risk_to_qty(self.available_margin, kc, entry, stop, self.fee_rate)
    
    # 限制最大风险不超过 25%
    max_qty = utils.size_to_qty(0.25 * self.available_margin, entry, precision=6, fee_rate=self.fee_rate)
    
    return min(risk_qty, max_qty)

这段代码展示了完整的风控思维。首先判断交易样本是否足够，不够时用保守的预设值。然后计算凯利比例，但凯利值可能为负（当系统期望为负时），需要检查有效性。最后用凯利比例代替固定风险比例调用 risk_to_qty，但同时设置了 25% 的资金上限，防止凯利值过大导致仓位过重。

凯利准则的争议在于它假设胜率和盈亏比稳定，而市场结构会变化。所以实际使用中，很多人会采用"半凯利"或"四分之一凯利"，也就是把算出的比例再砍半或砍到四分之一。上面的代码用 25% 资金上限，相当于对凯利值做了二次约束。

设置仓位上限防止过度风险

前面多次提到止损过近会导致仓位过大，现在看具体解决方案。核心思路是同时用两种方法计算仓位，取较小值。一种按风险比例算，另一种按最大资金占用比例算。

utils.size_to_qty 函数把资金金额转换成数量。比如账户 25% 的资金是 2500 USDT，入场价 100 USDT，就能买 25 个单位。结合前面的风险计算：

@property
def position_size(self, entry, stop):
    # 按 10% 风险预算计算
    risk_qty = utils.risk_to_qty(self.balance, 10, entry, stop, fee_rate=self.fee_rate)
    
    # 按 25% 资金占用计算
    max_qty = utils.size_to_qty(0.25 * self.balance, entry, precision=6, fee_rate=self.fee_rate)
    
    # 取较小值，确保既不超风险预算，也不超资金上限
    qty = min(risk_qty, max_qty)
    return qty

这个 position_size 方法可以作为策略的通用属性，在 go_long 和 go_short 里直接调用。10% 的风险比例在加密货币这种高波动市场都算比较激进，传统市场通常用 1-2%。25% 的资金占用上限也是为了防止过度集中，具体数值可以根据策略特性和风险偏好调整。

这种双重约束的思路值得推广。量化风控的本质就是层层设限，避免单一规则失效导致灾难。就像给仓位套上两个紧箍咒，哪个更紧就听哪个的，确保最坏情况下损失可控。

动态仓位调整

在策略中动态计算入场仓位

实际策略很少用固定止损价，通常基于技术指标动态计算。布林带是常见工具，下轨止损、上轨止盈，通道宽度自动适应市场波动。看一个完整例子：

def go_long(self):
    # 用布林带下轨止损，上轨止盈
    stop = self.bb.lowerband
    take_profit = self.bb.upperband
    
    # 动态计算仓位
    qty = self.position_size(self.price, stop)
    
    self.buy = qty, self.price
    self.stop_loss = qty, stop
    self.take_profit = qty, take_profit

这里 self.bb 是布林带指标对象，假设在 before() 里已经计算好。self.price 是当前价格，self.position_size 是前面定义的仓位计算方法。整个过程一气呵成：先确定止损位，再算仓位，最后下单。止损位动态变化，仓位也跟着动态调整，市场波动大时通道变宽，止损距离拉大，仓位自动缩小，完全符合"波动越大仓位越小"的风控原则。

这种模式可以套用到任何技术指标。ATR 止损、支撑阻力位止损、移动平均线止损，逻辑都一样：先确定止损点，再算仓位，最后下单。关键是把仓位计算封装成独立方法，保持 go_long 的简洁。

根据账户权益调整风险敞口

复利是量化策略长期收益的核心。要让策略自动复利，必须在每次计算仓位时用当前账户权益，而不是初始资金。self.balance 和 self.available_margin 就是干这个的。

self.balance 是总权益，self.available_margin 是可用保证金。现货策略用 self.balance 就够了，合约策略要注意区别：已占用的保证金不能重复开仓。看一个合约策略的例子：

def go_long(self):
    # 用可用保证金计算，避免过度占用
    capital = self.available_margin
    
    # 止损设在入场价下方 2 倍 ATR
    stop = self.price - ta.atr(self.candles) * 2
    
    # 按 2% 风险计算
    qty = utils.risk_to_qty(capital, 2, self.price, stop, fee_rate=self.fee_rate)
    
    self.buy = qty, self.price
    self.stop_loss = qty, stop

这里用 self.available_margin 确保不会超出保证金限制。ATR 止损让止损距离随市场波动自适应。2% 的风险比例相对保守，适合多策略组合运行。随着账户盈利，available_margin 增加，算出的仓位自动变大；亏损时自动缩小，实现机械式复利。

有人担心这样会导致亏损后仓位缩小，回本变慢。这恰恰是凯利准则和风险管理的核心：亏损时降低风险，保护本金；盈利时适当增加风险，让利润奔跑。如果反过来，亏损后加大仓位想快速回本，那就是赌徒心态，迟早会爆仓。

仓位调整的最佳实践

动态仓位调整有几个坑要注意。首先是止损距离过近的问题，前面讲过。其次是手续费和滑点的累积效应，频繁调整仓位可能导致摩擦成本吃掉利润。最后是策略逻辑的一致性，不能为了放大收益而随意提高风险比例。

一个实用的模式是在策略配置里定义风险参数：

class MyStrategy(Strategy):
    def __init__(self):
        super().__init__()
        self.risk_per_trade = 1  # 每笔交易风险 1%
        self.max_capital_per_trade = 25  # 单笔最大占用资金 25%

然后在仓位计算时引用这些配置：

@property
def position_size(self, entry, stop):
    risk_qty = utils.risk_to_qty(
        self.balance, 
        self.risk_per_trade, 
        entry, 
        stop, 
        fee_rate=self.fee_rate
    )
    
    max_qty = utils.size_to_qty(
        self.max_capital_per_trade / 100 * self.balance, 
        entry, 
        precision=6, 
        fee_rate=self.fee_rate
    )
    
    return min(risk_qty, max_qty)

这样调整策略参数时不用改核心逻辑，也方便做参数优化。risk_per_trade 和 max_capital_per_trade 可以加入第 10 章的优化参数列表，寻找最佳风险配置。

另一个实践是区分策略类型。趋势跟踪策略胜率低但盈亏比高，风险比例可以设小一点，比如 0.5%；均值回归策略胜率高但盈亏比低，可以适当提高到 1-2%。这种差异化配置能让组合更稳健。

策略止损管理

设置初始止损

止损是交易员的救生索。Jesse 里设置止损很简单，在 go_long 或 go_short 里赋值 self.stop_loss 即可。它接受两个参数：数量和价格。

def go_long(self):
    qty = 1
    entry = self.price
    stop = self.price - 2  # 止损 2 美元
    
    self.buy = qty, entry
    self.stop_loss = qty, stop

数量和入场数量保持一致，价格就是止损位。系统会在下单后自动提交一个止损订单。对于多头，止损价必须低于入场价；空头则相反。如果方向搞反，Jesse 会抛异常阻止，避免低级错误。

止损价可以是固定数值，也可以是技术指标。常用的是 ATR 止损：

def go_long(self):
    qty = self.position_size(self.price, self.price - ta.atr(self.candles) * 1.5)
    self.buy = qty, self.price
    self.stop_loss = qty, self.price - ta.atr(self.candles) * 1.5

这里用 1.5 倍 ATR 作为止损距离，让止损幅度适应市场波动。波动大的品种，ATR 值大，止损距离自动放宽，避免被正常波动扫掉；波动小的品种，止损更紧凑，提高资金效率。

移动止损到盈亏平衡点

持仓浮盈后，把止损移到成本价是保护利润的基本操作。Jesse 在 update_position 里可以动态修改止损。

def update_position(self):
    # 当盈利超过 2 倍 ATR 时，移动到盈亏平衡
    if self.is_long and self.price > self.position.entry_price + ta.atr(self.candles) * 2:
        self.stop_loss = self.position.qty, self.position.entry_price

self.is_long 判断当前是多头持仓，self.position.entry_price 是开仓均价。当价格涨到均价上方 2 倍 ATR 时，把止损价设为均价。这样即使价格回调触发止损，也只是平推出场，不会亏损本金。

移动止损的时机很关键。设得太早，容易被小幅回调扫掉，错过后续行情；设得太晚，可能利润大幅回吐。用 ATR 倍数作为触发条件是比较科学的方法，让利润垫足够厚时再移动。

对于空头逻辑相反：

if self.is_short and self.price < self.position.entry_price - ta.atr(self.candles) * 2:
    self.stop_loss = self.position.qty, self.position.entry_price

使用技术指标作为动态止损

Jesse 内置了几个专门用于止损的指标，比如 safezonestop、devstop、kaufmanstop。这些在第 7 章会详细讲，这里只看如何应用。

def go_long(self):
    # 使用 devstop 作为动态止损
    stop = self.devstop.lowerband
    qty = self.position_size(self.price, stop)
    
    self.buy = qty, self.price
    self.stop_loss = qty, stop

devstop 是偏离止损，根据价格波动自动调整止损位。类似地，通道指标如布林带、肯特纳通道、唐奇安通道的上下轨也可以做止损：

# 布林带下轨止损
self.stop_loss = qty, self.bb.lowerband

# 肯特纳通道下轨止损
self.stop_loss = qty, self.kc.lowerband

# 唐奇安通道下轨止损（用 20 周期低点）
self.stop_loss = qty, self.dc.lowerband

这些指标的共同特点是让止损位随市场波动自适应，避免固定止损在波动率变化时失效。具体用哪个取决于策略逻辑，趋势策略可能用唐奇安通道，震荡策略可能用布林带。

限制止损距离防止异常

有时候技术指标会给出不合理的止损位，比如止损价离入场价太远，导致实际风险远超预算。utils.limit_stop_loss 可以强制限制止损距离。

def go_long(self):
    # 原始止损设在支撑位
    raw_stop = self.support_level
    
    # 限制最大风险不超过 5%
    stop = utils.limit_stop_loss(
        entry_price=self.price,
        stop_price=raw_stop,
        trade_type='long',
        max_allowed_risk_percentage=5
    )
    
    qty = utils.risk_to_qty(self.balance, 2, self.price, stop)
    self.buy = qty, self.price
    self.stop_loss = qty, stop

如果 raw_stop 导致的风险超过 5%，函数会自动调整止损价，让风险恰好等于 5%。这在用支撑位止损时很有用，有时候支撑位离得很远，如果不加限制，算出的仓位会极小，策略效率低下。限制最大风险能确保每笔交易至少占用一定资金。

策略止盈管理

设置初始止盈目标

止盈和止损逻辑对称，在 go_long 里设置 self.take_profit：

def go_long(self):
    qty = 1
    entry = self.price
    profit = self.price + 5  # 止盈 5 美元
    
    self.buy = qty, entry
    self.take_profit = qty, profit

止盈价对多头必须高于入场价，空头则相反。设置止盈的本质是确定风险回报比。如果止损 2 美元，止盈 5 美元，风险回报比就是 1:2.5。一般策略要求至少 1:2 以上，否则长期难以覆盖亏损。

技术指标止盈更常见：

def go_long(self):
    # 用布林带上轨止盈
    profit = self.bb.upperband
    qty = self.position_size(self.price, self.bb.lowerband)
    
    self.buy = qty, self.price
    self.stop_loss = qty, self.bb.lowerband
    self.take_profit = qty, profit

这样入场时就知道，止损在布林带下轨，止盈在上轨，通道宽度决定了风险回报比。震荡策略常用这种模式，在通道内高抛低吸。

动态调整止盈位

趋势行情里，固定止盈会过早下车。动态止盈让利润奔跑。在 update_position 里可以修改止盈价：

def update_position(self):
    # 用肯特纳通道上轨作为移动止盈
    if self.is_long:
        self.take_profit = self.position.qty, self.kc.upperband

每次 K 线更新时，止盈位都会重新计算。如果通道上移，止盈价也跟着上移，锁定更多利润。这种追踪止盈在趋势策略中几乎是标配。

更激进的做法是用抛物线转向指标（SAR）作为止盈：

def update_position(self):
    if self.is_long:
        self.take_profit = self.position.qty, self.sar.sar

SAR 的特点是加速追赶价格，能更快锁定利润，但也更容易被小幅回调触发。选择哪种止盈方式，取决于策略对盈亏比的偏好。

分批止盈策略

有时候我们想分批次平仓，比如达到第一目标后平一半，剩下的用移动止盈。这涉及到多点进出管理，属于第 6 章的高级内容。这里简单提一下思路：

def update_position(self):
    # 如果达到第一目标且还没平过半仓
    if self.price >= self.first_target and not self.half_exited:
        # 平一半
        self.take_profit = self.position.qty / 2, self.price
        self.half_exited = True
    
    # 剩下的仓位用移动止盈
    if self.half_exited:
        self.take_profit = self.position.qty, self.trailing_stop

这种模式能平衡落袋为安和让利润奔跑的矛盾。具体实现需要配合 on_close 钩子记录状态，这里不展开，避免越界到第 6 章。

强平价格监控

理解标记价格与强平机制

合约交易特有的概念。self.mark_price 返回标记价格，永续合约用它来计算未实现盈亏和强平价格。回测时它等于 self.price，实盘时由交易所提供，通常基于指数价格，防止被恶意操纵。

监控强平价格的意义在于提前预警。虽然 Jesse 会自动处理强平，但被动强平通常意味着巨大亏损。我们可以在 update_position 里计算强平价与当前价的距离：

def update_position(self):
    if self.is_long:
        # 假设交易所强平规则是保证金率低于 0.5%
        liquidation_price = self.position.entry_price * (1 - self.available_margin / self.position.value * 0.5)
        
        # 如果距离强平价不到 1%，主动减仓
        if self.price < liquidation_price * 1.01:
            self.log('接近强平价，主动平仓')
            self.liquidate()

这段代码是简化示例，实际强平计算涉及维持保证金率、手续费等复杂因素，不同交易所规则不同。关键是理念：主动风控优于被动强平。

资金费率的影响

self.funding_rate 和 self.next_funding_timestamp 是永续合约特有的属性。资金费率是多头和空头之间的利息交换，用于让合约价格锚定现货。费率正时多头付给空头，负时相反。

虽然资金费率不直接改变仓位大小，但影响持仓成本。高频策略需要考虑资金费率对收益的影响，特别是在费率波动大的市场。可以在 update_position 里检查即将到来的资金费率：

def update_position(self):
    # 如果资金费率很高且即将支付，考虑提前平仓
    if self.funding_rate > 0.001 and self.is_long:
        time_to_funding = self.next_funding_timestamp - self.time
        if time_to_funding < 3600:  # 1 小时内
            self.log('资金费率过高，提前平仓')
            self.liquidate()

这种逻辑适合短线策略，避免被高额资金费率侵蚀利润。长线策略通常忽略资金费率，因为趋势收益远大于费率成本。

主动平仓与强制平仓

self.liquidate() 是快速平仓的快捷方法。它会根据持仓方向自动提交市价单，多头时平多，空头时平空。在 update_position 里，当满足特定条件时调用：

def update_position(self):
    # 自定义出场逻辑，比如时间退出
    if self.index - self.position.entry_index > 100:
        self.liquidate()

这段代码在持仓超过 100 根 K 线后强制平仓，属于时间止损。liquidate() 内部等价于：

if self.position.pnl > 0:
    self.take_profit = self.position.qty, self.price
else:
    self.stop_loss = self.position.qty, self.price

它会立即以市价平仓，不保证价格。适合紧急情况，比如策略检测到异常市场结构，或者达到最大持仓时间。

与止损的区别在于，止损是预设的价格位，而 liquidate() 是即时执行。止损可能被触发在不利价格（跳空），liquidate() 同样面临滑点，但执行时机由策略完全控制。

监控强平风险的实用方法

实盘中最怕的就是收到交易所的强平通知。虽然 Jesse 的实盘插件会处理，但最好自己监控。一个实用方法是计算保证金率：

def update_position(self):
    # 计算当前保证金率
    if self.position.value > 0:
        margin_ratio = self.position.margin / self.position.value
        
        # 如果保证金率低于 1%，预警
        if margin_ratio < 0.01:
            self.log(f'保证金率过低: {margin_ratio:.4f}')
            
            # 主动平一半仓位
            self.stop_loss = self.position.qty / 2, self.price

self.position.margin 是仓位占用的保证金，self.position.value 是仓位市值。保证金率越低，强平风险越高。设置预警线，在接近危险区时主动减仓，能避免被强制平仓的命运。

对于多策略组合，还可以在策略之间动态调配保证金。某个策略表现好时，从其他策略抽调资金过来，提高资金效率。这涉及到跨策略通信，可以通过共享状态或数据库实现，属于高级应用。

仓位与风险管理是量化交易的生存之本。Jesse 把这些工具都准备好了，关键是我们如何在策略里组合运用。从 risk_to_qty 的精确计算，到动态止损止盈的调整，再到对强平风险的主动监控，每一步都是在把不确定性关进笼子里。下一章会讲策略优化，但请记住，再牛的优化也救不了一个风控有缺陷的策略。先活下来，再谈赚钱。