# -*- coding: utf-8 -*- """手数缩放扫描: 稳健版 GridMaster 在 $60k 下, 把 InitialLot/MaxLot 同比例放大 k 倍, 看收益/回撤/爆仓的真实权衡。复用 backtest.py 的引擎与真实数据。""" import json from backtest import load_bars, wilder_rsi, wilder_atr, load_set, run_backtest bars = load_bars() closes=[b[4] for b in bars]; highs=[b[2] for b in bars]; lows=[b[3] for b in bars] rsi=wilder_rsi(closes,14); atr=wilder_atr(highs,lows,closes,14) base = load_set('GridMaster_稳健.set') base['__name']='稳健' factors=[1,2,3,5,8,10,15,20,30] rows=[] for k in factors: P=dict(base) P['InitialLot']=round(base['InitialLot']*k,3) P['MaxLot']=round(base['MaxLot']*k,3) P['__name']='x%d'%k r=run_backtest(bars,rsi,atr,P) row=dict(k=k, init=P['InitialLot'], maxlot=P['MaxLot'], ret=r['return_pct'], dd=r['max_dd_pct'], blow=r['blowups'], deep=r['deep_grids'], maxloss=r['largest_loss'], final=r['final'], rounds=r['rounds'], winr=r['win_rate']) rows.append(row) print('x%-2d init=%.3f maxlot=%.2f 收益=%+.1f%% 回撤=%.1f%% 爆仓=%d 触顶=%d 最大亏=$%.0f 终值=$%.0f'%( k,P['InitialLot'],P['MaxLot'],r['return_pct'],r['max_dd_pct'],r['blowups'],r['deep_grids'],r['largest_loss'],r['final'])) json.dump(rows, open('scale_results.json','w'), indent=1) print('\n已保存 scale_results.json') # ---------------- SVG 报告图 ---------------- def svg_scale(rows, w=900, h=360): ks=[r['k'] for r in rows] rets=[r['ret'] for r in rows] dds=[r['dd'] for r in rows] pad=56 def X(v): return pad + (math.log10(v)-math.log10(min(ks)))/(math.log10(max(ks))-math.log10(min(ks)))*(w-2*pad) rlo,rhi=min(rets+[-100]), max(rets+[max(rets),50]) dlo,dhi=0, max(dds+[max(dds),10]) def Yr(v): return h-pad-(v-rlo)/(rhi-rlo)*(h-2*pad) def Yd(v): return h-pad-(v-dlo)/(dhi-dlo)*(h-2*pad) import math p=[f''] for g in range(5): yv=rlo+(rhi-rlo)*g/4; y=Yr(yv) p.append(f'') p.append(f'{yv:.0f}%') # 爆仓警示区 (>0 爆仓) for r in rows: if r['blow']>0: x=X(r['k']) p.append(f'') p.append(f'爆仓{r["blow"]}') # 收益线(绿) pr='M'+' L'.join(f'{X(r["k"]):.1f},{Yr(r["ret"]):.1f}' for r in rows) p.append(f'') # 回撤线(红, 虚线) pd='M'+' L'.join(f'{X(r["k"]):.1f},{Yd(r["dd"]):.1f}' for r in rows) p.append(f'') # 点 + x 标签 for r in rows: x=X(r['k']) p.append(f'') p.append(f'') p.append(f'x{r["k"]}') p.append(f'缩放倍数 (对数轴) — 绿=年化收益 红=最大回撤') p.append('') return ''.join(p) import math html=f""" 手数缩放扫描 · GridMaster 稳健版 $60k

手数缩放扫描 · GridMaster 稳健版

本金 $60,000 · XAUUSDm M30 · 2018-03-06→2026-09-02 (99,345 根) · 仅放大 InitialLot / MaxLot 同比例 k 倍，网格结构(倍数1.20/间距$45/12档)不变
为什么做这个扫描：上一轮回测发现，固定手数(0.01–0.4)在 $60k 上几乎不投钱，所以“不爆仓也不赚”。 本扫描把同样策略的手数放大 k 倍，看什么时候开始真正赚钱、又在哪里开始爆仓——这才是 $60k 真实部署要回答的问题。

缩放倍数 → 收益/回撤/爆仓

{''.join(f'' for r in rows)}
缩放首单上限收益最大回撤爆仓轮次触顶网格最大单轮亏终值轮次
x{r["k"]}{r["init"]:.3f}{r["maxlot"]:.2f}=0 else "neg"}">{r["ret"]:+.1f}%{r["dd"]:.1f}%0 else ""}">{r["blow"]}{r["deep"]}${r["maxloss"]:,.0f}${r["final"]:,.0f}{r["rounds"]}

收益 vs 回撤（随缩放倍数）

{svg_scale(rows)}
收益(绿)先随手数放大而上升，越过某点后爆仓(红框)吞噬一切；回撤(红虚线)单调放大。存在一个“甜区”。

结论

近似同前：Close=(H+L)/2、点差=0、无隔夜息、爆仓=权益≤0。结论方向可靠，绝对数字偏乐观。
""" open('GridMaster_缩放扫描报告.html','w',encoding='utf-8').write(html) print('报告已生成: GridMaster_缩放扫描报告.html')