当标准差的國值取为0.02时，我们基于推进分析中每- .行的白色框数据，分别计算出使得收益率序列标准差等于0.02的仓位比例设置f风险。图11-11展示了这一长度为845的仓位比例时间序列。
从图11-11中可以看到，当使用标准差作为风险度量指标，并限定其阈值水平为0.02时，仓位比例设置的运行相较于前面两种情况更为平缓。最高值为1.8962，最低值为0.9784，整体的仓位比例平均值为1.4999。
接着，我们把使用凯利公式与风险度量指标得到的仓位比例时间序列放在一张图中加以对比，实际上就是将图11-3和图11-11重叠，如图11-12所示。可以看到，在所有时间点上，通过限定风险度量指标数值得到的仓位设置都要小于凯利公式计算得到的仓位设置，而且两者相差较大。
那么当我们使用求取两种仓位决策较小值的方法得到最终结果时，最后使用的仓位设置实际上就是基于风险度量指标限制所得到的仓位设置，也就是图11-11所示的曲线。该仓位比例设置，既是推进分析中白色框逐行优化的结果，也是在灰色框中逐日使用的仓位决策。
首先，分别查看白色框和灰色框内的均线趋势策略收益表现。将整体综合起来进行计算得知，用来优化的白色框内策略平均的年化收益率为59.91%，而用来检验策略的灰色框的年化收益率为12.18%。两者间的差距相较于标准差阈值取为0.04的情况又有所缩小。
其次，将灰色框三年半的时间以半年为单位划分为7个部分，考察每半年中的优化期年化收益率和检验期年化收益率情况，结果如表11-3所示。与表11-2对比来看，检验期各个时间段的年化收益率变动进一步减缓，由仓位决策导致的过度拟合程度也相应地减小了。
图11-13展示了仓位优化的均线趋勢策略在推进分析的框架下，模拟交易过程以1为初始值的净值走勢情况。在2012年年底、2013 年年底和2014年年底,策略的净值分别变为0.8337、0.6448和1.3420。
净值整体走势与标准差國值设为0.04时的策略净值走势基本致， 只是波动范围更小。在2012 ~ 2014年三年间，策略净值水平在大部分时间内都小于初始净值1。净值从2014年年末开始呈现出一个上升的态势，在2015年6月 12日达到最高点2.0292.最后一段时间有一个较为明显的下跌，到2015年6月30日收盘时的策略净值为1 .4954。
基于整个交易过程来看，三年半的策略收益率为49.54%，年化收益率为12.18%，说明该仓位设置下的均线趋势策略存在一定的盈利能力。这一收益率水平略高于标准差阈值设为0.04时的策略收益。
在整个三年半的模拟交易中，策略净值的最大回撒率为48.96%，回撤的发生从2013年6月25日收盘的1.0650开始，一直到2014年4月9日收盘时的0.5436结束，整个回撤过程一共经历 192个交易日。
经过计算，均线趋势策略在整个交易过程中平均的年化最大回撤率为29.71%.较之标准差國值0.04时的50.53%有了较大幅度的下降。
最后，我们尝试性地使用凯利公式来计算一下， 如果在灰色框检验期内使用同一个比例的仓位设置，那么这个固定比例如何设置才能使得最终的策略盈利能力最大。这一结果在实践中是没有意义的，因为这样做定存在未来信息的问题。但是对比该结果,有助于我们对之前所做的仓位决策进行思考。
具体做法就是基于第7章7.1节中没有仓位决策下的策略检验期收益率序列，通过凯利公式计算得到对应的最优仓位比例,最终的结果是1.3517。 而当标准差國值取为0.02时，动态仓位设置的平均值为.4999.是比较接近于这一固定数值的。
也就是说，通过一个比较严格的风险控制级别，得到的仓位结果反而更接近于能使得其盈利能力最大化的设置。这个现象产生的根源，就在于优化期与检验期之间的过度报合问题。研究人员有必要在实际的量化交易策略研发过程中，仔细区别这两类情况，不要只着眼于回溯测试中的较好的收益结果，进而丧失掉了对真正的风险控制的把握。
