做量化的朋友经常被问到一个问题：市面上那些量化交易策略，到底哪些真的能用？我见过不少新手，一上来就盯着那些高深模型或者分钟级的高频算法，结果辛苦跑了一两个月回测，实盘一上就亏得怀疑人生。问题往往出在第一步——没搞清楚量化交易策略的底层逻辑，就直接跳过选择环节冲进了细节。这篇文章我想把主流的量化交易策略从头到尾理一遍，讲清楚每种策略赚的是什么钱、适合什么行情、有什么致命弱点，再站在普通投资者的角度，聊聊怎么根据自己的资金量、编程能力和风险偏好做选择。

这篇文章适合几类人：刚接触量化、想系统了解策略类型的新手；已经选了某个策略但一直亏损、想判断是策略问题还是自己执行问题的朋友；以及有一定经验但没认真梳理过策略风格的业余交易者。我会尽量用直接的表达，不堆公式，但该给的参数和计算逻辑会讲透，方便你直接对照评估。

1. 先搞清楚量化交易到底在做什么

1.1 量化的本质：把模糊盘感变成明确规则

很多人对量化有一种误解，觉得它是某种神秘的赚钱机器，输入几个参数就能自动印钞。实际上，量化交易最核心的东西不是"自动"，而是"明确"。传统交易者靠盘感、经验、甚至当天的心情做决策，同样的行情今天可能追、明天可能怂，执行不一致导致结果极不稳定。量化做的事情很简单：把你对市场的某种判断逻辑，变成一条不依赖临场情绪、可以被反复测试和验证的规则。

举个例子。你观察到一个现象：某只股票突破过去20天的最高价之后，往往还会继续涨一段时间。这个观察本身只是"感觉"，但量化会让你把它定义成完整规则：当收盘价突破过去20个交易日的最高价时，下一根K线开盘买入；当价格跌破过去10日最低价时，卖出离场。规则明确以后，历史数据上到底赚不赚钱、最大亏过多少、胜率有多高，全部可以算出来。

这个转化的过程涉及三个基本要素。第一是输入信号，也就是用什么数据触发交易，价格、均线、成交量、波动率都可以；第二是交易规则，包括什么条件买入、什么条件卖出、单笔仓位多大；第三是风控规则，包括止损、止盈、最大回撤的限制。三者加起来才算一个完整的量化交易策略。很多人只设计了买入和卖出就急匆匆上实盘，风控完全缺失，这是最常见的新手错误。

1.2 优秀量化策略的三个共同特征

我在评估一个策略值不值得花时间去跑的时候，只看三件事：逻辑是否自洽、能否经受历史数据检验、是否有清晰的生命周期管理。

逻辑自洽意味着策略赚的钱有一个站得住脚的来源。趋势跟踪赚的是市场惯性，均值回归赚的是价格过度波动后的修复，套利赚的是定价偏离。如果一个策略你想不清楚它凭什么赚钱，那历史回测再好也要打个问号，因为大概率是过度拟合出来的假象。

能经受历史检验则要求你用足够长的数据、足够真实的交易成本去验证，而不是只看一段大牛市或者单一行情的收益曲线。一个在震荡市里非常漂亮、却在单边行情中巨亏的策略，和一个在牛市中爆发、在熊市中连续阴跌的策略，两者需要的条件截然不同，你必须清楚自己策略的"生存环境"到底是什么。

生命周期管理则是大多数人忽略的部分。市场风格在变化，任何策略都有失效的一天。好的策略使用者会在策略表现持续恶化时，有能力判断这是正常的回撤还是逻辑已经失效，而不是盲目加仓期待均值回归，或者恐慌性停掉一个只是在经历正常波动的策略。

有了这层认知铺垫，我们再看具体策略类型，就不会只是看热闹，而是能看门道。

2. 主流量化交易策略全景拆解

2.1 趋势跟踪策略：跟随市场的大方向

趋势跟踪是量化交易里最古老、也最容易被理解的一类策略，核心逻辑就四个字：顺势而为。它假设市场价格一旦形成趋势，在没有出现明确反转信号之前，更大概率会继续沿原有方向运行。这类策略赚的是"惯性"的钱，不预测顶底，只做确认后的跟随。

最经典的实现方式是双均线系统：用一条短周期均线和一条长周期均线做判断，当短均线上穿长均线（金叉）时买入，下穿（死叉）时卖出。举个例子，日线级别用20日均线和60日均线，20日均线站上60日均线就持有多头仓位，跌破就退出或反手做空。我见过很多新手觉得这个策略太简单，但我可以负责任地说，把双均线参数稍微调整、加上波动率止损，它依然能在不少品种上跑出正期望。

趋势跟踪还有一个经典变体是唐奇安通道突破（Donchian Channel），也就是前面提到的"突破N日最高价买入、跌破N日最低价卖出"。这种策略的逻辑比双均线更直接：价格突破一段时间内的极值，说明市场情绪已经积累到一定程度，方向往往会延续。

趋势跟踪的特点非常鲜明。它的胜率通常不高，往往只有30%到45%，因为市场大部分时间处于震荡，趋势策略会在震荡区间频繁止损。但它的盈亏比很高，一笔做对的大趋势行情可以覆盖七八次止损的亏损。所以这类策略最怕的不是震荡，而是你在亏损阶段坚持不住、中途下车。使用趋势跟踪策略的心理门槛，其实比技术门槛高得多。

在参数选择上，我通常建议新手用ATR（平均真实波幅）来做止损参考。ATR的计算逻辑是取一段时间内真实波幅的平均值，真实波幅综合考虑了当日最高价与最低价、以及与前一日收盘价的跳空关系。简单做法是：止损位 = 入场价 - k×ATR，k通常取2到3。这样止损量会随市场波动状态自动调节：波动大的时候止损宽一点，波动小的时候止损窄一点，比死板的固定百分比止损更贴近市场真实节奏。

2.2 均值回归策略：赌价格终将回归

与趋势跟踪完全相反，均值回归策略基于一个假设：价格在短期内可能因为情绪、流动性等因素偏离其合理中枢，但这种偏离不会永久持续，价格最终会回到均值附近。这类策略赚的是"过度反应修复"的钱，在震荡市里表现最好。

最常见的实现是布林带策略。布林带由一条中轨（N日均线）和上下两条轨（中轨加上和减去k倍标准差）构成。当价格触及或跌破下轨时买入，反弹到中轨或上轨时卖出。核心参数是N（周期）和k（标准差倍数），经典设置是20和2。标准差在这里的作用是度量波动的正常范围，价格跌出下轨相当于统计学上的"偏离过远"，这时候买入本质上是赌它会回到均值区间。

另一个常见实现是RSI（相对强弱指数）超买超卖策略。RSI在70以上视为超买、30以下视为超卖，超卖时买入、超买卖出。RSI的底层逻辑是把一定周期内的涨跌幅度做归一化，反映近期买卖力量的失衡程度。这类策略在震荡区间里胜率相当高，经常能达到60%以上，但单笔盈利普遍偏薄，而且一旦遇到单边下跌行情，抄底会变成接飞刀，亏损非常迅猛。

配对我们经常听到的配对交易，也是均值回归家族的重要成员。它的做法是找到两只历史上价格相关性很高的标的，当两者价差偏离历史均值超过一定阈值时，做多相对弱的、做空相对强的，赌价差会回到正常轨道。配对交易在市场中性策略里非常重要，因为它同时持有多头和空头，整体方向性敞口被对冲掉了，收益主要来自价差回归本身。

均值回归策略最大的陷阱在于：你永远无法区分当前的价格偏离是"短期情绪过度反应"还是"基本面发生了根本性变化"。一只股票因为业绩造假被曝光连续跌停，你用布林带下轨买入的逻辑是超卖反弹，但股价可能跌到下轨之后还有地下室。所以在均值回归上，我强烈建议设置严格的时间止损——买入后如果N个交易日内没有回归，果断离场，不要用补仓的方法去摊低成本，那是变相的无限制扛单。

2.3 套利策略：赚确定性的差价

套利策略的思路和趋势、均值回归都不同，它不太关心价格往哪个方向走，只看相关资产之间的价差是否出现了不正常的偏离。核心逻辑是：同一个内在价值在不同市场上、不同合约间，定价应该基本一致，如果暂时不一致，就做多低估的、做空高估的，等待价差收敛。

常见的套利形式有那么几类。跨期套利，利用同一品种不同到期月份合约之间的价差变化，比如某商品期货的近月合约价格显著高于远月合约，而历史价差规律显示这种偏高会修复，就可以做空近月、做多远月。跨品种套利，利用产业链上关联品种之间的比值关系，比如某原材料和下游加工品之间利润长期稳定，如果偏离就进行配对操作。期现套利，则是利用期货价格与现货价格之间的基差变化，当基差过大时，在期货和现货市场反向操作，赚取基差回归的利润。

套利策略的特点非常吸引人：它相对于单边策略，风险显著更低，因为它对冲掉了大部分市场方向性风险，收益曲线通常比较平滑，回撤小。但它的缺点也同样明显。首先是机会窗口往往很窄，要求入场、出场的速度足够快，否则价差就收敛完毕了；其次是资金门槛较高，尤其是期现套利这种形式需要同时占用两个市场的资金；最后是此类策略的收益空间随着参与者增加、定价效率提升而被大幅压缩，普通人通过零售渠道执行套利，还面临手续费、滑点和冲击成本的层层盘剥。

我见过不少散户对套利策略有误解，以为它稳赚不赔。其实在现实中，套利策略依赖的是价差回归，而价差在某些极端行情下可能持续偏离，例如临近交割时资金推动的逼仓行情，会让价差长期不收敛，这时候套利头寸会面临追加保证金甚至爆仓的风险。所以套利并不是"无风险收益"，只能说风险相对可控。普通投资者如果资金量不大，我建议谨慎入场，优先考虑用模拟盘观察一段时间的实际盈亏比，再决定是否投钱。

2.4 事件驱动与统计学习策略：用新信息与新方法取胜

事件驱动策略关注的是特定事件给价格带来的影响。典型例子包括：公司发布财报前后股价的异动、指数成分股调整时被调入股票在生效日前的买盘推动、分红除权前后的价格变化、大宗商品库存数据公布后的方向性波动。这类策略的收益来源是"信息对价格的重新定价"，但它的执行方式和主观交易最大的区别在于逻辑必须是可测试的规则。

比如你可以建立一条规则：财报公布后，如果营收和净利润同时超过市场一致预期，则下一个交易日开盘买入，持有5个交易日后卖出。这个规则可以拿历史所有财报数据做批量测试，最终得出年化收益、胜率和最大回撤。事件驱动的优势是逻辑比较扎实，每一次交易都有一个明确的催化剂；难点在于数据的获取和清洗成本较高，比如一致预期数据、成分股调整日程表，都需要可靠的数据源和持续更新。

统计学习策略则更像一个工具箱，把回归、随机森林、梯度提升树等机器学习方法用在行情预测上，输入历史价格、成交量、技术指标、甚至新闻情绪数据，输出对未来涨跌的判断。它的特点是能够捕捉到一些人工很难直接发现的非线性关系，比如量价配合在特定市场环境下的表现规律。但这类策略最大的风险是过拟合，模型在训练数据上极其精准，在实盘上却一塌糊涂，因为市场规律变了，模型还在用旧模式做判断。

统计学习策略对使用者的数据处理能力和编程能力要求明显高于前面几种策略。如果你是刚入门的小白，我建议先把这套工具箱放一放，它不是不好，而是容易让人在不具备鉴别能力的时候，消耗大量精力在无效拟合上。做到中后期有了扎实的回测框架和数据功底，再引入机器学习作为辅助，才是更稳妥的路径。

为了让你对这几种主流策略有一个直观的整体印象，我整理了一张对比表：

这张表不是绝对标准，每个参数会因为你选择的品种、周期和具体参数发生变化，但框架是适用的。接下来我们聊最关键的问题：普通投资者到底怎么选。

3. 普通投资者怎么选：先认清自己，再谈策略

3.1 五个维度给自己做资产与能力画像

很多人选择量化策略的思路是反的：先看哪个策略赚钱最多、听起来最厉害，然后往自己身上套。结果要么因为资金量不够没法做，要么因为时间精力跟不上策略要求而中途崩溃。正确的顺序应该是先客观评估自己的五个维度，再倒推哪些策略适配。

第一个维度是资金规模。资金量决定了你的策略空间和容错能力。如果你的可用交易资金只有两三万块，那么任何涉及多腿对冲的套利策略都要谨慎，因为保证金占用和最低开仓手数会直接掐死你的操作空间；如果你的资金量超过五十万，那就不适合把所有资金压在单一趋势策略上，还需要考虑分散。小资金的优势是船小好调头，进出市场冲击成本低，适合做灵活性强的策略。

第二个维度是时间投入。你每天能拿出多少时间盯盘和处理信号？如果你是全职上班族，白天几乎不看盘，那就应该避开对执行时效要求极高的日内策略，选择日线级别、信号不那么频繁的策略；如果你每天能花两个小时以上看盘复盘，那么可以考虑日内短线或者事件驱动策略。

第三个维度是编程能力。这个维度最直接地决定了你能否自主实现策略。完全不会代码的人，可以选择逻辑简单、参数少的策略，用现成的交易软件或Excel手工回测先跑通；会Python或者至少在学Python的人，视野会宽阔很多，可以用开源的回测框架自主验证；如果你连脚本语言都不熟悉，也不打算学，那就别碰统计学习策略，那不是靠命令行调包就能驾驭的领域。

第四个维度是风险承受能力。这里我指的不是嘴上说的"我能承受回撤30%"，而是实盘面对账户连续缩水时不慌、不乱改参数的心理状态。你可以参考一个简单的标准：能接受单笔亏损不超过总资金的1%到2%，能接受策略最长连续亏损达到10到20笔，还愿意坚持执行，那就可以考虑趋势跟踪；如果你看到账户回撤5%就睡不着，那均值回归里高胜率但偶发大亏的策略可能更适合。

第五个维度是过往亏损经历。很多人忽视这一点，但它对你的策略选择影响巨大。如果你曾在一次交易中亏掉全年利润，心里留下深重的阴影，那就不适合重仓押注高波动策略。曾经在抄底中反复吃亏的人，最好远离均值回归；而不擅长长期持仓、总想来回操作的人，也不太适合慢周期的趋势跟踪。量化策略选得再好，执行人的性格缺陷都会让它在实盘中变形。

3.2 不同类型投资者的适配路径

结合上面的评估，我把普通投资者粗略分成三类，并给出对应的适配建议。

第一类是完全零基础、不会代码、资金量小、每天最多抽半小时看盘。我的建议是先不要急着写代码、跑回测，而是选择一个极其简单的规则型趋势策略，比如20日均线突破，用行情软件的画线功能和历史数据手动复盘一百次交易，把趋势跟踪的盈亏特征体会到位。等你熟悉了什么叫止损、什么叫回撤、什么叫坚持规则，再考虑是否花时间学Python。

第二类是有一点编程基础、资金量中等、每天有一到两个小时可以投入。这类朋友的条件适合做趋势跟踪加均值回归的组合。用双均线或通道突破做中长期趋势行情，用布林带策略捕捉震荡节奏，两者天然互补，因为趋势策略在震荡市亏损、均值回归在震荡市赚钱，结合起来可以让整体资金曲线更平滑。但注意组合不是简单叠加，需要先分别验证两个策略在各自行情下的表现，再分配资金权重。

第三类是资金量较充裕、有团队协作基础或者自己有相当的编程和数据功底。这类玩家可以尝试事件驱动加套利策略的组合，或者引入统计学习作为单边策略的过滤器。到这个阶段，策略本身已经只是系统的一部分，数据处理流程、风险控制框架、执行监控体系的重要性会全面超越策略选型本身。

3.3 选择策略前必须想清楚的三个问题

我觉得无论你是哪一类投资者，在下定决心投入实盘资金之前，我都建议先回答以下三个问题，答不上来就说明还没准备好。

第一个问题：你选择的策略在什么行情下必然亏损，这种亏损带来的最大回撤是多少？如果你连这个都说不清楚，说明你对策略的理解还停留在表面。比如你知道趋势跟踪在震荡市必然连续止损，但你能算出过去五年最长的连续亏损是多少笔吗？日均亏损幅度大概在什么范围？这些数据不应该靠猜，应该从回测结果中直接统计。

第二个问题：如果这个策略连续亏损三个月，你是否还能按原计划继续执行？这个问题看起来是问心态，实际上是在逼你预先想好应对方案。我建议你在开始实盘前就写下一条"策略暂停规则"：比如当策略累计回撤达到30%时，暂停实盘，重新核查策略逻辑是否仍然成立。写好之后，你就不用在自己亏损到情绪崩溃的时候做重大决定。

第三个问题：你的预期年化收益率是多少，这笔收益率对应的最大回撤是否在你的承受范围内？很多人痴迷于年化30%、50%甚至翻倍的收益目标，但这些数字对应的大概率是40%、60%以上的回撤，普通人根本无法承受。给一个更现实的参考：一个有正期望的常规策略，年化收益在15%到25%之间，已经是不错的表现，对应的最大回撤通常在10%到20%之间。如果你的预期远高于此，那你选择的就不是普通策略，而是赌注。

4. 从选型到落地：一个可复现的最小实操流程

4.1 六步走完一次策略研发

策略选好之后，接下来就是落地执行。我给出一套适合个人投资者的最小可行流程，既不过度工程化，也不至于漏掉关键环节。

第一步，明确策略假设。写下一句话说明你认为价格为什么会这样运动，比如"价格突破长期横盘区间后，往往会有惯性延续"。这句话是整个策略的基石，后面所有工作都是在验证它。

第二步，准备历史数据。不同策略对数据质量的要求不同。日线级别的趋势策略用日K线就够，如果做日内突破则要用分钟数据。数据需要经过复权处理，否则分红除权会制造虚假的价格跳空，直接影响均线计算和突破判断。还有一点非常重要，就是数据的覆盖范围要尽量包含不同行情阶段，既要有大涨的年份，也要有大跌的年份，这样回测结果才有代表性。

第三步，把策略写成代码原型。如果你用的是Python，一个最简单的双均线策略核心逻辑并不长，大致是这样的：计算短期均线和长期均线，当短期均线上穿长期均线时生成买入信号，下穿时生成卖出信号，然后把信号、价格和交易手续费一同喂给回测引擎。如果你不会写代码，也有现成的量化平台可以在网页上拖拽指标、设置规则，本质上是把同样的逻辑用界面化方式表达出来。

第四步，跑回测并记录结果。回测输出的关键指标至少要包括：累计收益率、年化收益率、最大回撤、胜率、盈亏比、交易次数、夏普比率。夏普比率衡量的是每承受一单位波动能换来多少超额收益，一般大于1算合格，大于2说明策略性价比不错。记录这些指标的目的是为后续的实盘对比建立基准。

第五步，做参数敏感性检验。把主要参数的变化区间拉出来，看策略表现是只在一个狭窄参数区间里好，还是在一个较宽范围内都稳定向好。比如双均线的短周期参数从15改成25、长周期从50改成70，如果收益曲线形态变化不大，说明策略逻辑扎实；如果稍微改一个数就从盈利变成巨亏，说明大概率是过拟合，要警惕。

第六步，模拟盘试运行。在正式投入真金白银之前，用模拟盘至少运行一个月，记录每天的信号和持仓变化，同时对比实盘模拟行情和回测数据的差异。这一步的作用不是验证收益，而是验证你在真实盘面环境下的执行能力，包括能否按时下单、能否扛住心情波动、能否不手痒去干预策略的自动化执行。

4.2 回测里最容易被忽略的三个陷阱

回测是量化里面最重要的环节，但也是最容易骗人的环节。我自己刚做量化的时候，回测里跑出一条漂亮到不可思议的收益曲线，差点兴奋得直接重仓实盘，后来仔细排查才发现，是数据里犯了低级错误。以下三个陷阱，我建议每一个准备上实盘的人都要检查一遍。

第一个是幸存者偏差。如果你的股票池用的是当前还在正常交易的股票列表，回测就会自动忽略那些曾经存在但后来退市的股票。退市的股票往往伴随着长期的下跌，如果你把它们排除在回测之外，收益曲线自然被美化。尤其在测试长期策略时，幸存者偏差对结果的影响几乎是决定性的。避坑方法：使用历史当时的成分股列表，或者至少确认你的回测数据包含了那段时期实际存在的全部标的。

第二个是前视偏差，也叫未来函数。比如你在计算某交易日收盘后的均线值时，不小心把当天收盘价之后才公布的数据也用了进去，导致策略在回测里提前知道了未来信息。常见的高发位置是：在信号计算中使用了未来N天才会公布的数据、使用了当日收盘后才调整的指数成分数据而没有做滞后处理。检查方法很简单，在策略代码里给所有需要未来才确定的数据加一天或几天的滞后，重新跑一遍回测，看收益是否大幅变化。

第三个是过拟合。这是所有策略研究中都无法完全避免的问题，因为它本质上就是你对参数和历史数据做了太多次实验，总有一次能碰出一个漂亮的曲线。避免完全过拟合的办法是样本外测试，把历史数据切成两段，前一段用来开发策略和调参，后一段完全不用，等参数定下来之后再在后一段上验证。如果后一段的表现和前一段差距过大，说明策略逻辑不稳。

4.3 仓位与风控：先想好怎么活

再好的策略，如果仓位管理一塌糊涂，也会在几次大亏之后被迫出局。我在前面说过，量化交易策略包含输入信号、交易规则和风控规则三个部分，其中风控规则是普通人最爱省略的。

单笔风险控制是最基础的一条。我常用的做法是把单笔交易的最大亏损控制在总资金的1%到2%。举个例子，假设你的账户有20万元，单笔亏损上限设为1%，也就是2000元。你在某个位置买入，止损设在下方5%的位置，那么可买仓位就是2000除以（价格×5%），实算下来大概是4万元市值。这样哪怕连续亏损十笔，账户损失也控制在总投资额的10%左右，还有充足的本金和执行信心去等待策略的盈利周期。

止损方式也值得认真设计。固定百分比止损的好处是简单，但它没有考虑市场当前的真实波动状态。用ATR止损则更贴近市场节奏，因为ATR数值大说明近期波动剧烈，这时止损位要放宽一些，否则很容易被正常的市场噪音震出去；ATR数值小说明行情平稳，止损位就可以收紧。比例上我个人习惯于用2倍到3倍ATR作为止损幅度，这个数值可以在一定程度上平衡"被震出去"和"亏太多"之间的矛盾。

仓位之间的相关性控制同样重要。如果你同时运行多个策略，一定要避免它们在同一时刻面临同一方向的极端风险。比如趋势策略和均值回归策略都重仓了同一个板块，那么这个板块出现极端行情时，两个策略可能同时大幅亏损，组合分散的意义就消失了。我会定期检查持仓之间的相关性，相关性过高的头寸宁可减少品种，也不让风险集中暴露。

5. 常见问题与避坑实录

5.1 新手最常问的五个问题

我在跟其他做量化的朋友交流时，发现新手遇到的问题高度集中。这里整理成一张速查表，方便你对号入座。

这里面最危险的问题其实是"回测很好，实盘就变脸"。很多新手的第一反应是去改参数、换品种，但这样做的结果往往是越改越差，形成恶性循环。正确做法是先停下来，把回测到实盘的每一个环节都检查一遍，确认是数据问题、执行问题还是策略本身的过拟合问题，再决定下一步动作。

5.2 收益预期怎么设才现实

最后说一个不太中听但很重要的话题：量化交易的收益预期。我看过太多人被营销话术洗脑，以为量化是稳赚、是印钞机，结果自己的账户几个月下来亏损超过20%，整个人就崩溃了。真实情况是：量化交易的本质不是消灭风险，而是用系统化的方式管理风险，让收益来源变得可解释、可重复、可改进。

一组可以参考的数据是这样的：一个逻辑扎实、执行到位的散户量化策略，扣除交易成本后，长期年化收益能做到10%到25%就已经相当不错；最大回撤控制在20%以内；最大连续亏损笔数可能达到15笔以上。如果你追求年化50%以上的收益，那意味着你实际上接受的是接近爆仓级别的风险，长期来看，账户清零只是时间问题。

我个人的态度是：做量化交易，先求少亏，再求稳赚，最后的超额收益是耐心和纪律的副产品。没有哪个策略是圣杯，每个策略都有自己的生命周期，也会经历让人痛苦的阶段，这是市场本身的属性，不是它针对你。所以与其到处找"更好的策略"，不如先把一个适合自己的简单策略钻研透彻。

最后再分享一个小技巧。我建议每个普通投资者都建立一本策略日志，记录每一天策略信号、实际执行情况、情绪状态和账户变化。这个日志的价值不在于记录，而在于当你经历连续亏损时，能翻开它看看，当初那个"再亏20笔也要按规则执行"的决定是怎么作出的。很多时候，阻碍我们用好策略的不是策略本身，而是人性的弱点。能守住规则，你就已经跑赢了大多数散户。