同一个机器人升级后，历史胜率从 66% 提高到 67%，到底意味着什么？
这听起来像一个很容易回答的问题。实际上，“胜率变高”只能说明一部分结果发生了变化，不能单独证明一个版本更好。如果更高的胜率来自更少的交易、不同的样本区间，或者只在特定行情里成立，那么两套结果甚至无法直接比较。
最近，我们完成了 BTC 5 分钟自动化研究系统 v2.4 的代码侧完整历史回放。与此前 v2.0 使用相同的 18,920 个有效策略上下文，因此正好可以用来说明应当怎样审视一次升级。
先把两个版本放在同一张表上
| 指标 | v2.0 | v2.4 |
|---|---|---|
| 历史有效订单 | 14,742 | 15,361 |
| 历史胜率 | 66.531% | 67.313% |
| 标准化总分 | +14,562 | +16,255 |
| 单笔标准化期望 | +0.988 | +1.058 |
| 标准化最大回撤 | -58 | -52 |
| 最长连败 | 8 | 8 |
这里的得分口径是胜 +4、负 -5、未交易 0。它是为了研究不同版本的历史方向质量及累计路径而定义的统一计分体系，不是美元利润，也没有表示真实订单扣除所有交易成本后的净收益。
同一批上下文下，v2.4 多执行了 619 笔订单，胜率提高约 0.782 个百分点，标准化总分提高约 11.63%。这些变化共同出现，比一句“胜率更高”更有信息量。
第一个问题：我们比较的是同一批机会吗？
这是所有后续结论的前提。
如果旧版在 2021—2025 年回测，新版却延伸到 2026 年；或者新版更换了数据定义、结算标签及可用样本，那么结果差异可能首先来自比较对象变化，不是策略升级。
这次对比固定了上下文集合，逐个目标窗口对照两个版本的结果，避免把样本变化误写成算法进步。同时，它也提醒我们：18,920 指的是进入决策链的有效上下文，不是五年里全部 5 分钟 K 线的数量。
第二个问题：收益质量和风险路径有没有同时变化？
只增加订单数，可以让累计得分变大，也可能放大损失；只提高胜率，也可能伴随更糟糕的收益与亏损比例。
所以除了胜率，我更关心单笔期望、盈亏因子和从累计峰值到谷底的回撤。此次回放中，单笔标准化期望和盈亏因子均改善，最大回撤也从 -58 改善为 -52。不过，最长连败仍为 8，而且不是每个局部年度回撤都同步改善。
这才是诚实的版本对比：报告改善，也报告没有改善的部分。
第三个问题：改善分布在哪里？
如果一次升级的增益几乎全部来自某几天，整体曲线再漂亮也需要谨慎。
这次回放的六个年度段均出现了正向版本差异；其中 2021 年和 2026 年是不完整自然年。另一方面，近期 7 日窗口的标准化得分只有 +2，当前路径仍未完全收复最近一轮回撤。
长期回放改善和近期局部偏弱，可以同时为真。 检验版本不能只挑自己最喜欢的统计窗口。
第四个问题：实际代码是否复现了研究结论？
研究脚本给出一个总分，并不意味着正式运行的代码一定会产生同样的逐笔动作。
至少需要确认：输入是否一致、决策是否确定、每个目标窗口对应的最终动作是否一致、结算标签与计分是否一致，出现跳过时是否有可审计的原因。
此次 v2.4 代码侧回放报告中，上下文完整性、最终动作和独立计分的一致性检查均未发现差异。这证明的是当前验证口径下的实现一致性，不是未来市场的盈利保证。
最后一个问题：样本外还剩下什么？
最容易忽略的是：这次的版本比较和规则研究仍然来自同一条历史研究链。
即使跨年度统计不错，历史上的多轮研究与挑选本身也可能带来选择偏差。真正新产生、没有参与研究选择的前向样本，仍然非常重要。
因此，我不会把“历史对比全面改善”写成“v2.4 已证明长期实盘盈利”。更准确的结论是：在这次固定口径的完整历史回放下，新版本同时改善了多项收益质量与稳定性指标，值得进入持续前向观察。
判断一个升级是否更好，至少要回答：是否同样本、是否改善期望、风险路径如何、时间分布怎样、代码是否一致，以及哪些结论仍未得到独立验证。
数据快照：截至 2026-10-11 的生产代码历史回放。本文讨论标准化历史计分，不构成投资建议或实盘收益承诺。