以A、B、C为例，看看它们究竟有几种排列方法，见表6.5。
n个数的排列种类数为n! ,n! =n(n- 1)(n- 2)-.1,在我们上面所举的例子中就是3x2x1=6，也就是共有6种排列方法。
这种方法通常会模拟1000种或更多的新交易序列，针对每种交易序列都会采用之前选定的资金管理策略，最后建立一个最终结果的数据样本，以便我们观察它们的变化。最终收益或最大回撤率的分布越广，这一类数据的可信度就越低，显然，数据的可信度主要取决于事件的相继发生顺序，预期顺序的改变会导致后续更大的变化。这种方法说明，事情基本还是沿着历史轨迹发展的。
如果采用更加复杂的方法，可以再次使用新序列中的交易。实际上,这不仅仅是对基本顺序的简单调换，面是从交易名单中随机抽出一些排成新的顺序。这样，一个交易就可以在新序列中出现很多次，使其效果成倍增加。如果这个被重复使用的交易恰巧是系统中损失最多的一次，那么我们的结果就会相当悲慘，但却很安全。
我们在例子中使用了这种模拟系统，从交易系统的原始名单中随机地抽出一些交易，组成一个新的交易名单。当然，还存在一些更加复杂的方法，使用这些方法时，就必须插入一些在原始系统中损失最大的交易，或随机插入这一最大损失 额的2倍数额。这样就可以模拟因一个特殊的偶然事件引起股市剧烈动荡的情况(当然,这里的动荡肯定是股市的暴跌，而这一意外事件的最大受害者就是交易者本人)。当然还有其他更为复杂的方法，它们对所有交易都会进行分析,尤其是研究股市从交易开始到最后结束期间的波动情况。在整个交易过程中，各个价格柱之间的百分比都在不断变化，将这些变化随机组合，就会得到该系统的新交易序列，同时变化的还有最终结果。事实上，在建立新交易序列的系统中，每个结果都与原来不同，它们唯一的共同点就是与交易市场在某种程度上:是一致的。这种方法固然很好，但以本人之愚见，它超过了模拟的本意，仅仅为了获取数据而完全脱离了交易环境。为了使用一种普通的方法，这些可用工具应该比想象中更加复杂，同时需要储备大量的相关知识和信息。对于这种方法而言，比较好的一种软件就是“蒙地卡罗实验室",最好与“财富实验室”一起使用。但我个人认为，不论是“财富实验室”中的策略编程，还是“蒙地卡罗实验室”的使用,都是相当复杂的操作。
当然，也可以从原始交易的数据分布出发，创建新的交易序列，通过使用平均值和标准偏差等参数，建立新的数据。有一种与本文相关的Excel程序，它可以帮助我们通过使用固定分数法和固定比例法的资金管理方法，进行模拟实验。
我们还会在工作表中插人交易名单及对模拟有用的主要数据，尤其是可用交易:的数量、模拟采用的资金管理方法的类型、风险情况(选择固定分数法时的风险比例和选择固定比例法时的▲值)，同时还有模拟的次数。
要想得到比较理想的参考结果,应该进行不少于1000次的模拟实验; 5000 次的模拟结果会更加可信;当然0000次就越发可信，只是模拟10000次所需的计算时间太长了，回报率也并不高。
在要输入的数据当中，还有单笔合约的保证金(为了限制合约数，防止可用资金低于保证金的情况发生)和可操作合约的最多数量。这一数额是使交易不致扰乱市场的最大数额。如果我们假设初始资金显著增加，那么就会发现，计算出的可操作合约数异常之高。如果SP/MIB(标普/意大利米兰指数)发出让我们操作100股期货的指令，我们知道这些期货很难管理，不论是从股市中其他交易者产生的心理障碍(我个人并不相信100份合约就能扰乱市场)而言,还是从对输人量的管理而言都是如此，很难以期望的价格和时间来操作100份合约。但100份合约只是一个例子，市场也可能出现合约数更多的情况。这里是我们结合市场的实际情况，设定的可操作的最多合约数。
基于交易名单，程序可推算出系统在交易历史上的最大亏损额。交易者可选择将这一数值或者理论止损值作为最大亏损额。
当然，最好还是选择前者，因为我们都想避免类似事件的再次发生。无论如何，前几章中所举的例子都是利用理论止损值进行交易的，后续我们还会介绍选择这两种数据作为最大损失额的区别。
除了需要输入初始资金以外，还要输人模拟交易的次数。基于我们的工作目的，这一数值可以与历史交易数相同，下面我们将要介绍如何以不同的方式使用它。
我们介绍的第一种模拟是使用固定分数法的交易,风险比例为5%，最大亏损额与止损值相同，均为1250欧元。与前几章类似，初始资金均为50000欧元。
图6.1描述的是收益率的分布情况，这其实是一个条形统计图,每根柱代表与该收监率相对应事件的发生次数。
该图给我们提供了很多信息。首先，它让我们顿时眼前一亮，在大约6年的时间里，收益率超过1000%的可能性超过了50% (还记得在我们的系统中，6年时间可以进行964次交易)。可以发现，在1000次模拟中，476 次模拟的收益率都在1000%以上。这些信息已足够交易者使用，并使著名的5%发挥作用。
其次，我们还可以从中发现其他问题，例如事件的分布情况比较“均匀”。从图6.1可以看到，收益率超过1000%的交易数为476。如果我们将1000%以上的部分细分成更多更小的数值区间，那么就会得到一条更扁平的曲线。可能有人会提出异议，倒数第二个矩形柱(包含175次交易)也很高，但实际上,这条矩形柱代表的是收益率在500% -1000%之间的交易次数，因此其也占据了相当大的比例。之前一般都是以50个百分点为一个数值区间(比如从200%往上，到250%，再到300%等)，而对于再小一些的数额，就是以10 个百分点为一个区间划分的。
实际上，这种类型的分布情况说明，5%的风险比例会带来意想不到的结果。众所周知，50%事件的收益率超过1000%，但不论是否超过了这一比例，都不可作为预测最后结果的依据。
