SAR抛物线转向指标：动态止损原理、Python实现与量化回测

1. 先掰开揉碎：SAR到底是一条什么线

1.1 它不是在预测价格，而是在替你跟住价格

第一次把 SAR 指标拖到 K 线图上，绝大多数人的第一反应是：这条点状线怎么像粘在价格背后的一根橡皮筋，价格往上冲，它就在下方一路小跑跟着；价格涨得越久，它贴得越紧，直到某天价格回头轻轻一碰，它瞬间翻到价格上方去。这个直觉是对的，而且比很多公式推导更接近它的本质。

SAR 的全称是Parabolic SAR，中文通常叫抛物线转向指标，也有翻译成停损转向点的。名字里三个词已经把它的全部秘密说完了：抛物线描述的是它随时间加速逼近价格的轨迹形状，转向描述的是它会在价格触碰时掉头，停损点则直接点明了它最初的设计用途——它本来就不是一个进场信号发生器，而是一条会自己加速的移动止损线。

这个出身很重要。很多人拿 SAR 做量化，第一件事就是把它当均线用：翻多就买、翻空就卖，然后回测一看，胜率勉强四成，手续费吃掉一大半，于是得出结论"SAR 没用"。问题不在指标，在于用错了定位。SAR 的设计目标是在趋势中尽可能保住浮盈，同时容忍一定的回撤空间，它对趋势的跟随是有代价的——在震荡行情里它会反复翻转，把止损空间打得很碎。

所以我在实际项目里给 SAR 的角色定位是：趋势状态标记器 + 动态止损锚点，而不是独立的开仓触发器。这个定位一旦定下来，后面所有的参数选择、过滤条件、仓位设计都顺理成章了。

它适合谁？做趋势跟踪、做日内波段、做期货和加密资产的量化同学，都值得把 SAR 认真拆一遍；只做价值投资、持仓周期以季度计的朋友，这个指标对你意义有限，它的加速因子设计决定了它天生属于中短周期。

1.2 加速因子：SAR的油门踩得有多狠

SAR 跟普通均线最大的差别，就在加速因子 AF（Acceleration Factor）这个变量上。均线是等权平滑，今天和一个月前的数据权重是一样的，或者按指数衰减但衰减率固定。SAR 不一样，它有一个会随行情进展而不断变大的系数。

规则很简单：AF 从一个很小的初始值（行业惯例是 0.02）开始，价格每创出一次趋势方向上的新极值，AF 就加上一个步长（同样是 0.02），一直加到上限 0.2 就封顶。这意味着什么？一轮上涨刚开始的时候，AF 只有 0.02，SAR 距离价格很远，给你留足了呼吸空间；等这轮涨势走了很久，价格不断新高，AF 一路加到 0.2，SAR 追赶的速度提升十倍，这时候它几乎贴着价格走，价格稍微回撤一点就会触发翻转。

这是 SAR 最精妙的设计：趋势越成熟，止损越紧。它把"让利润奔跑"和"保护既得利润"这两个矛盾的需求，用一条加速曲线调和在了一起。

用生活化的类比：AF 就像你跟朋友逛街时的距离。刚出门（趋势初期），你们可以隔得远一点，各自看各自的橱窗；逛得越久、越接近目的地（趋势成熟），你就跟得越紧，生怕他拐个弯不见了。上限 0.2 相当于规定"再紧也不能贴着脸"，防止一次正常回踩就把你甩下车。

这个 0.02 / 0.02 / 0.2 的组合被写进了几乎所有主流软件的默认值，但它不是唯一的正确答案，只是几十年前手工绘图时代的经验值。后面我会专门用一节讲参数敏感度，那部分才是量化落地的关键。

1.3 和均线、ATR止损放在一起看，差别在哪

很多人问，既然都是止损线，我用均线或者 ATR 通道不香吗？做过对比就知道三者性格完全不同，我用一张表说清楚：

从这个对比能看出一条明确的工程结论：SAR 适合管"什么时候下车"，不适合单独管"什么时候上车"。它翻转过于频繁，单独作为开仓信号会在横盘区被反复摩擦；但作为持仓过程中的止损锚点，它的加速特性是均线替代不了的。

我自己的习惯配置是：用一条中长周期均线或者 ADX 判断大方向是否值得参与，用 SAR 决定具体止损位置，用 ATR 决定拿多少仓位。三个工具各司其职，谁也不越界。这个分工在后面第 4 章会展开成完整规则。

2. 把公式摊开：五个变量如何在每根K线上滚动

2.1 只有四个量在轮转

SAR 的递推公式看起来吓人，拆开其实只有四个量在转：前一期的 SAR 值、极值点 EP、加速因子 AF、当前趋势方向。

核心递推式只有一行：

SAR(t+1) = SAR(t) + AF × (EP - SAR(t))

这个式子的几何含义非常直观：新的 SAR 点，是在旧 SAR 点的基础上，朝着极值点 EP 的方向，走完两者距离的 AF 倍。AF 越小，走得越慢；AF 越大，越接近 EP。因为 AF 会单调递增到上限，这个"每期走固定比例"的过程累积起来，轨迹就是一条抛物线——这也是名字的由来。

四个量的更新逻辑分别是：

• EP（Extreme Point，极值点）：上升趋势中记录自本轮趋势开始以来的最高价，下降趋势中记录最低价。每创一次新极值就更新。
• AF：初始 0.02，每次 EP 被刷新时加 0.02，封顶 0.2。注意只有 EP 刷新才加，价格没创新高、没创新低的时候 AF 不动。
• 趋势方向：当 SAR 被价格实际穿越时翻转。上升趋势中，若当期最低价跌破当期 SAR 值，翻转为下降趋势。
• SAR 的新值：按递推式计算，然后施加极值约束（下面细说）。

极值约束这一条在教科书写得很含糊，但它决定了你算出来的 SAR 和行情软件对不对得上，必须单独讲。

2.2 极值约束：SAR不能跑到最近两期的另一侧去

规则是：上升趋势中，新的 SAR 不能高于前两根 K 线的最低价；下降趋势中，新的 SAR 不能高于……准确说不能低于前两根 K 线的最高价。

为什么要有这条约束？因为如果某一轮涨势非常猛烈，EP 和 SAR 之间的距离被拉得很大，按公式递推出来的 SAR 有可能一下子跳到最近两根 K 线的价格区间里面去，甚至超过最近的最低价。那就等于说"止损位设在了已经被跌破的位置"，逻辑上自相矛盾。

这条约束的作用相当于给 SAR 加了一个"不许穿墙"的护栏，让它始终待在最近两期价格区间的外侧。实现的时候就是一句min或max：

# 上升趋势 sar_candidate = min(sar_candidate, low[i-1], low[i-2]) # 下降趋势 sar_candidate = max(sar_candidate, high[i-1], high[i-2])

看着简单，但它有个副作用：约束会覆盖掉 AF 的加速效果。趋势极其陡峭的时候，SAR 会被这条约束顶住，实际移动速度慢于公式预期，跟价格之间的距离比你想的要宽。这一点在做止损距离统计的时候会明显感觉得到。

2.3 反转那根K线上，SAR取什么值

这是第二个几乎所有人第一次实现都会搞错的地方。

反转发生时，新的 SAR 值不等于按递推式算出来的那个穿价的值，而是直接取上一轮的 EP。上升趋势转下降时，新 SAR = 之前的最高点 EP；下降转上升时，新 SAR = 之前的最低点 EP。同时 EP 重置为当根 K 线的极值（反转后的新方向极值），AF 重置回 0.02。

为什么这么设计？因为趋势反转意味着之前的极值区域变成了未来的阻力/支撑，把止损锚点直接放在那个位置，是最符合逻辑的选择。如果按递推式算，反而会得到一个莫名其妙的位置。

我见过不少人写的版本是"反转时把 SAR 设为当前收盘价"，回测跑出来的曲线完全不一样，信号数量能差出百分之三四十。对数的时候一定要盯住这段。

2.4 初始值怎么定，很多人第一步就错了

递推总得有个起点。常见做法有两种：

第一种，用前两根 K 线判断初始方向：如果第二根的中点高于第一根的中点，认为初始处于上升趋势，初始 SAR 取前两根的最低价，初始 EP 取前两根的最高价；反之亦然。

第二种，直接人为指定初始方向，比如默认从上升趋势开始。这种做法在长样本上影响可以忽略，但在短周期、高频翻转的品种上，前几十根的信号可能完全是错的。

我的建议是：永远用前两根 K 线的相对位置自动判断初始方向，并且把前 N 根（比如 20 根）的 SAR 值标记为预热期，不参与信号统计。递推类指标的初始误差会沿着链条传播，虽然 SAR 有极值约束会自我纠正，但预热期省掉几行代码的麻烦，能避免后面回测对不上数时的一堆排查。

3. 用Python把SAR算出来：完整实现与三个高频错误

3.1 一个可以直接跑的版本

我把上面所有规则落成代码，输入是一个含high、low列的 DataFrame，输出带趋势方向、AF、EP 的完整结果。这套写法我在多个项目里用过，和主流行情软件的数值能够对上（差异在小数点后两位，属于浮点与前后复权口径的差别）。

import numpy as np import pandas as pd def parabolic_sar(df, af_start=0.02, af_step=0.02, af_max=0.2): high = df["high"].to_numpy(dtype=float) low = df["low"].to_numpy(dtype=float) n = len(high) sar = np.full(n, np.nan) trend = np.zeros(n, dtype=int) af_arr = np.full(n, np.nan) ep_arr = np.full(n, np.nan) if n < 3: return pd.DataFrame({"sar": sar, "trend": trend, "af": af_arr, "ep": ep_arr}, index=df.index) # 初始方向：用前两根K线中点比较 is_up = (high[1] + low[1]) >= (high[0] + low[0]) if is_up: ep = max(high[0], high[1]) sar[1] = min(low[0], low[1]) trend[1] = 1 else: ep = min(low[0], low[1]) sar[1] = max(high[0], high[1]) trend[1] = -1 af = af_start af_arr[1] = af ep_arr[1] = ep for i in range(2, n): prev_sar = sar[i - 1] cur_sar = prev_sar + af * (ep - prev_sar) if is_up: cur_sar = min(cur_sar, low[i - 1], low[i - 2]) if low[i] < cur_sar: # 向下反转 is_up = False cur_sar = ep # 取上一轮最高点 ep = low[i] af = af_start else: if high[i] > ep: ep = high[i] af = min(af + af_step, af_max) else: cur_sar = max(cur_sar, high[i - 1], high[i - 2]) if high[i] > cur_sar: # 向上反转 is_up = True cur_sar = ep # 取上一轮最低点 ep = high[i] af = af_start else: if low[i] < ep: ep = low[i] af = min(af + af_step, af_max) sar[i] = cur_sar trend[i] = 1 if is_up else -1 af_arr[i] = af ep_arr[i] = ep return pd.DataFrame({"sar": sar, "trend": trend, "af": af_arr, "ep": ep_arr}, index=df.index)

调用很简单：

res = parabolic_sar(df) df["sar"] = res["sar"] df["sar_trend"] = res["trend"] df["sar_flip"] = df["sar_trend"].diff().ne(0) & df["sar_trend"].notna()

af和ep这两列一定要输出，它们是排错时的关键线索。回测发现问题时，先看 AF 是不是到了 0.2 就卡住了，再看 EP 有没有跟着新高新低更新，基本能定位八成问题。

3.2 错误一：约束顺序写反，结果全盘偏移

最常见的实现错误，是把极值约束和反转判断的顺序搞混，或者拿当期（第 i 根）的低点去约束当期算出来的 SAR。

正确的做法是：先用前两根（i-1、i-2）的低点做约束，得到当期 SAR，再拿当期的低点去和这个 SAR 比较判断是否反转。因为当期的 SAR 是给"下一根"用的参考位，约束不能用当期的数据，否则就是典型的未来函数。

我早期写过一个版本，直接用low[i]参与约束，看起来只是细节差异，实际回测年化能虚高一大截，因为 SAR 提前知道了当期最低点，永远不会被跌破。这个坑非常隐蔽，因为它不报错，只是让结果好得不真实。

3.3 错误二：反转当根直接赋值，后续链条断裂

第二个错误我在两个团队的项目里都见过。反转时把 SAR 设成了 EP，但忘了同时重置 EP 和 AF。结果就是：翻转后的第一根，AF 还停留在 0.2（上一轮涨势累积到顶的值），SAR 一上来就贴着价格跑，下一根立刻又翻转，来回打脸。

必须三条一起做：

is_up = not is_up cur_sar = ep # 取旧EP ep = low[i] # EP重置为新方向的极值 af = af_start # AF重置为0.02

少做任何一条，翻转后的前几根都是错的。这类 bug 在图形上看不出来，只在信号统计里表现为"翻转后立刻反向翻转"的比例异常高。

3.4 错误三：数据口径不对齐，两套结果永远对不上

SAR 用的是最高价和最低价，这两个字段对数据口径极其敏感。几个必须确认的点：

• 复权方式：用不复权数据算出的 SAR，和用前复权数据算出的 SAR，在除权日附近会完全脱节。做回测必须用前复权，或者用后复权但记得交易价格也要对应口径。
• 时间周期：日线 SAR 和分钟 SAR 是两套东西。跨周期混用（比如用日线 SAR 指导 15 分钟入场）在逻辑上说得通，但回测时必须严格对齐时间戳，避免用未收盘的日线数据。
• 合成 K 线的起点：从周线数据合成月线，和从日线数据合成月线，起止点可能不同，算出来的 SAR 会有差异。做多周期策略时统一从最小周期向上聚合。

一个实用的对数技巧：拿某一段明显单边上涨的行情（比如连续创新高十五根以上的区间），两端数据各算一遍。真突破区间里 AF 应该能一路加到上限 0.2 并保持住，如果算出来的 AF 中途反复重置，说明趋势方向判断出了问题，往回查初始值和反转逻辑。

4. 把SAR变成可交易信号：从裸翻转到三层过滤

4.1 裸翻转信号的收益结构是什么样

先说清楚裸信号能做什么、不能做什么，这决定了后面要不要加过滤。

把sar_trend直接当作方向信号，次日开盘按信号方向持仓，这个策略的收益特征非常典型：在单边趋势里表现极好，在横盘里被反复止损。它有一个很有意思的性质——盈亏比通常不错，但胜率偏低，因为它的止盈机制就是"等反转"，反转之前的所有回撤都被吃掉了，反转时又往往把浮盈吐回去一大截。

我用过的几组数据能说明问题（不同市场差异很大，这里只说结构）：裸 SAR 反转策略的胜率普遍在 30%～45% 区间，盈亏比能做到 2 以上才不亏钱。而实际回测中，扣掉手续费和滑点后，裸信号在多数流动性好的品种上都是负期望。这不是 SAR 的错，是因为翻转次数太多，交易成本被放大了。

结论很清楚：裸翻转信号只能作为方向底稿，必须经过滤和止损优化才有交易价值。

4.2 第一层过滤：趋势强度不够就别参与

最直接有效的过滤是 ADX。ADX 低于某个阈值时，说明市场处于无趋势状态，此时 SAR 的翻转大概率是噪声。常用阈值是 20，保守一点用 25。

from collections import deque def adx(high, low, close, n=14): up = high.diff() dn = -low.diff() plus_dm = np.where((up > dn) & (up > 0), up, 0.0) minus_dm = np.where((dn > up) & (dn > 0), dn, 0.0) tr = pd.concat([high - low, (high - close.shift()).abs(), (low - close.shift()).abs()], axis=1).max(axis=1) atr_ = tr.ewm(alpha=1/n, adjust=False).mean() pdi = 100 * pd.Series(plus_dm, index=high.index).ewm(alpha=1/n, adjust=False).mean() / atr_ mdi = 100 * pd.Series(minus_dm, index=high.index).ewm(alpha=1/n, adjust=False).mean() / atr_ dx = 100 * (pdi - mdi).abs() / (pdi + mdi) return dx.ewm(alpha=1/n, adjust=False).mean(), pdi, mdi

第二层是大周期方向一致性。日线 SAR 翻多，但周线 SAR 还在空头，这种信号的可靠性明显低于两周期共振。实现上把周线趋势向前填充到日线，只做与周线同向的信号。

第三层是波动率门槛。ATR 占价格比例过低的品种（比如长期波动率低于 0.5% 的），SAR 的翻转几乎全是噪声，赚的钱不够覆盖成本，直接排除。

三层过滤叠上去，信号数量通常只剩裸信号的三到五成，但胜率和期望值的改善非常显著。

4.3 SAR天生就是止损线，别浪费这个特性

很多人用 SAR 做信号，却另起一套止损逻辑，比如固定 2% 止损——这等于把 SAR 最有价值的部分扔掉了。

正确用法是：入场后，止损位直接锚定在当前 SAR 值上，每根 K 线更新。上升趋势中，SAR 会随着 AF 加速逐步上移，浮盈越多止损越紧，这是一套天然的移动止盈机制。

实操上要注意两点。第一，SAR 值是"点"不是"线"，实盘要以收盘确认为准，盘中刺穿 SAR 但收盘拉回的情况非常常见，用盘中价止损会被打得很惨。第二，SAR 距离价格的比例要设一个上限，比如初始止损距离不超过 8%，超过就说明入场位置太差，干脆不入场。这条规则能挡掉很多"信号出现时价格已经跑远"的追高单。

4.4 仓位：用ATR把单笔风险固定住

止损位有了，仓位就好算了。目标是把每笔交易的最大亏损控制在一个固定比例（比如总权益的 1%）。

止损距离 = |入场价 - 当前SAR| 单笔风险金额 = 总权益 × 风险比例 仓位数量 = 单笔风险金额 / 止损距离 仓位上限 = 总权益 × 单品种上限比例 最终仓位 = min(仓位数量, 仓位上限)

这个算法看着朴素，但它解决了一个大问题：SAR 的止损距离是变化的（趋势初期宽、成熟期窄），如果仓位固定，风险敞口就完全不可控。按距离反推仓位，能让每笔交易的风险始终一致。

需要注意，SAR 距离在趋势成熟期可能非常窄（AF 已经到 0.2），反推出来的仓位会非常大，容易触及单品种上限。所以上限那一步不能省，否则会在最不该重仓的时候重仓。

4.5 完整规则表

把上面所有内容整合成一张可以直接照着写的规则表：

表格最后一行"冷却期"是我加了很久才加上的，效果意外地好。横盘区 SAR 可能连着翻转三四次，加一个最小持仓周期或冷却期，能砍掉一大半的垃圾交易。

5. 参数敏感度与回测陷阱：SAR最容易翻车的两个地方

5.1 AF的步长和上限，到底该怎么调

0.02 / 0.02 / 0.2 这组默认值不是神圣不可侵犯的，但它被无数人验证过，说明鲁棒性尚可。我做过一轮系统性的参数扫描，把结果整理成下面这张定性表：

调参的核心原则是：变化要在一个区间内保持稳健，而不是在某一个点上表现突出。如果 AF 步长从 0.02 改到 0.025，回测年化从 15% 掉到 4%，那这个参数就是过拟合的，直接放弃。真正的有效参数，应该是在一个连续区间内结果都比较平稳。

我一般做法是画出参数热力图，横轴步长、纵轴上限，看收益分布的"高原"在哪里，选高原中心而不是最高峰。最高峰大概率是噪声。

5.2 回测里最容易踩的六个坑

未来函数。前面说过三次了，这里再强调：SAR 的计算只能用当前及历史数据，反转判断用当期 K 线，但 SAR 值本身是给下一根用的。信号执行必须shift(1)。

手续费低估。SAR 翻转频率高，双边手续费加滑点按万分之三算，一年翻几十次就是几个点的成本。我见过不少回测把手续费设成万分之一，实盘直接腰斩。宁可设高一点。

停牌与涨跌停。信号出现但当天无法成交（一字板、停牌），回测里如果不做处理，等于假设你总能在理想价位买到。处理方式是：信号日的下一根 K 线若成交量为零或价格等于涨跌停价，顺延到第一个可成交的 K 线。

数据幸存者偏差。只用当前还在交易的标的做回测，会系统性高估收益。这个在股票池里尤其明显，需要把退市、长期停牌的标的也纳入样本。

参数在同一段数据上调。调参、验证必须用不同时间段，或者用滚动窗口做样本外检验。这一点人人都知道，但真做的时候图省事的人不少。

忽略资金容量。小资金做的策略，放大到一定规模后滑点会吃掉全部收益。SAR 这种高频翻转策略对容量尤其敏感，回测时最好按保守的滑点模型估一遍。

5.3 滚动样本外检验：我是怎么做的

单次样本外检验的说服力有限，因为你可能恰好抽到一段好行情。我用的是滚动窗口：把十年数据切成若干个三年窗口，每两年做参数搜索，后一年做验证，窗口向前滚动一年，循环。

评估指标不能只看年化收益，要看各窗口的收益一致性。我的判断标准是：如果滚动窗口里超过六成的窗口是正收益，且最大回撤不超过单一窗口的 40%，这个策略才算有初步的稳健性。只看总收益的评估方式，很容易被某一年的爆发掩盖掉其余年份的持续亏损。

这套流程跑下来很慢，但能过滤掉绝大多数看上去很美的东西。

6. 震荡市与跳空：SAR在真实行情里的失真场景

6.1 横盘区为什么会被反复打脸

SAR 在震荡区间的表现，是所有人对它最大的怨念。原因不复杂：它的翻转条件是"价格跌破/突破 SAR"，而在窄幅区间里，价格每隔几根 K 线就会触及一次 SAR，于是翻转、翻转、再翻转。

更麻烦的是，每次翻转都会把 AF 重置为 0.02，SAR 重新远离价格，然后下一次翻转又在不远处发生。结果就是在同一个价格区间里连续做错四五次，每次亏一点，累积起来能吃掉一整轮趋势的利润。

处理方式有几种，我按有效性排序：ADX 过滤是最直接的一层；最小持仓周期（比如进场后至少持有 5 根 K 线才允许新信号生效）是第二层；波动率比值过滤（当前 ATR 除以长周期 ATR，比值过低的区间视为无趋势）是第三层。

一个实操细节：ADX 是滞后指标，它的上升往往意味着趋势已经走了一段。所以我不会等 ADX 掉头才平仓，ADX 只用在入场过滤上，出场仍然交给 SAR。用滞后指标做出场，几乎一定会把利润吐回去。

6.2 跳空缺口下的SAR失真

SAR 的递推依赖连续的价格序列，遇到跳空缺口会失真。典型场景：上升趋势中，某天大幅低开并跌破 SAR，按规则应该反转为空头，SAR 直接跳到之前的最高点——这个位置可能离当前价格非常远，导致空头信号刚出现，止损距离就大得离谱。

我的处理方式是加一条跳空过滤：如果开盘价与前一日的 SAR 之间出现超过一定比例的缺口（比如 2%），当根 K 线不执行翻转，等收盘确认。如果收盘仍在 SAR 另一侧，下一根再翻转。

这条规则的本质是把"盘中穿越"和"确认穿越"区分开。跳空造成的穿越往往缺乏后续动能，回补的概率不低，等一根 K 线确认能过滤掉相当一部分假破位。

6.3 长影线怎么处理

带长影线的 K 线是 SAR 的另一类克星。比如上升趋势中出现一根下影线极长的 K 线，最低价远低于 SAR，触发了翻转，但收盘价却回到了高位，甚至创了新高。按规则翻转已经发生了，多头被止损出局，随后价格继续上涨。

这类信号的根源在于用最低价判断穿越，而低点可能是瞬间的流动性事件。两种改进思路：一是用收盘价判断穿越（close替代low），代价是反应变慢；二是要求穿越必须伴随收盘确认，本质同上。

我试过两种，结论是在波动率高的品种上用收盘价判断，在流动性好、点差小的品种上用最低价判断。这是个需要根据标的特性做的选择，没有通用答案。

7. 最后分享几条我自己的使用心得

用 SAR 这些年，有几个体会是文档里不会写、但实操中很难绕开的。

第一条，SAR 的价值主要在"退出"，不在"进入"。把它当止损线用，配合一个独立的入场逻辑（均线突破、通道突破都行），整体表现明显好于把它作为双向信号源。这个结论在我试过的品种里相当稳定。

第二条，别在同一个策略里同时用两个以上会翻转的指标。SAR 加抛物线转向加超级趋势，看起来三重确认很稳，实际是三个高相关信号的叠加，过滤效果远不如一个趋势指标加一个波动率指标来得实在。

第三条，先做图形验证，再做数据验证。任何 SAR 实现写完后，先拿一段明显的单边行情画出来看形状——抛物线应该平滑加速、紧密跟随，不应该出现锯齿状的跳跃。图形上一眼能看出的毛病，用统计数据可能要排查半天。

第四条，参数别一会调这个一会调那个。AF 起始值、步长、上限三个参数是联动的，单独调一个往往会得到误判。要调就在固定另外两个的前提下动一个，记录清楚每组配置的完整结果，别凭印象对比。

还有一点关于预期管理。SAR 这类趋势跟踪工具，天生是"少数大赚覆盖多数小亏"的收益结构，胜率不会好看，连续亏损期可能很长。如果你的资金性质或者心理承受能力撑不住连续二三十笔小亏，那这个工具再好用也不适合你。工具要匹配自己的实际情况，这一点比任何参数优化都重要。

行情数据、回测结果都只代表历史统计，任何策略在未来的表现都存在不确定性，实际投入前务必用充分的小规模样本做验证，并把最大回撤按回测值的两倍来预估自己的承受能力。