样本规模这个概念很简单：你需要一个足够大的样本才能进行有效的统计学推理。样本越小，推理就越粗糙；样本越大，推理就越准确。这方面不存在某个神奇的标准数字，样本就是越大越好，越小越糟。不到20的样本规模会导致严重的偏差；超过100的样本规模更具预测价值；达到数百的样本规模也许对大多数测试来说就够用了。有些公式和方法会明确地规定样本的必要规模，但遗憾的是，这些公式都不是为交易世界中的那些数据设计的，因为交易世界不存在精细而又规律的潜在收益分布曲线（就像图4-3中那种女性身高分布曲线一样）。

不过，真正的挑战并不在于确定样本的必要规模，而在于当你考虑某个并不是经常发挥作用的住则时，你很难评判从过去的数据中得出的推论。因为对这样的法则来说，你没办法得到足够大的样本。以大泡沫濒临破裂时的市场行为为例，你可以想出某些针对这种市场状态的法则，甚至可以检验这些法则，但你不可能收集到作出决策所需要的大样本。在这种情况下，我们必须明白我们的测试结果不具备太大的说服力，因为我们的样本比必要样本小得多。这个问题也存在于前文所说的季节性趋势的分析中。

在你测试一条新撞则时，你必须衡量一下这个撞则的应用频率。如果一条怯则在整个测试期内只有4次生效，那么从统计学上说，你无从判断这条法则是否有用，你所看到的效果很有可能只是随机性的。有个办法可以解决这个问题：你可以设法将这条法则一般化，提高它发挥作用的频率。这样一来，样本规模就会扩大，测试的统计学说服力也就相应地提高了。

有两种常见的做法可能将小样本规模的问题进一步放大：一个是单一市场最优化，一个是系统设计过于复杂。

·单一市场最优化：单独应用在各个市场中的最优化方法更难用足够大的样本进行测试，因为单个市场上的交易机会要少得多。

·过于复杂的系统：复杂的系统有很多法则，有时候很难判断某一条战则发挥作用的频率或程度。因此，如果用过于复杂的系统进行测试，我们更难对测试结果的说服力抱有信心。

出于这些原因，我不建议针对单个市场进行最优化，而且我更喜欢具备统计学意义的简单理念。