From 2a59dcb9dc39ac31e5b8cfb345c43c9d697fa0f7 Mon Sep 17 00:00:00 2001 From: jackyu66git Date: Fri, 28 Aug 2026 04:24:31 +0800 Subject: [PATCH] =?UTF-8?q?=E6=89=8E=E5=A0=86=E5=BC=80=E4=BB=93=E5=8F=8D?= =?UTF-8?q?=E8=80=8C=E6=9B=B4=E8=B5=9A=EF=BC=8C=E4=BD=86=E5=A5=BD=E5=A4=84?= =?UTF-8?q?=E5=85=A8=E5=9C=A8=E3=80=8C=E9=94=99=E5=BC=80=E5=87=A0=E5=88=86?= =?UTF-8?q?=E9=92=9F=E3=80=8D=E9=82=A3=E4=B8=80=E6=A1=A3=EF=BC=8C=E5=90=8C?= =?UTF-8?q?=E5=88=86=E9=92=9F=E7=9A=84=E6=9C=80=E5=B7=AE?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 承接上一条：既然同时开的必然同向，那关键是这批交易比孤立的好还是坏。 11 币 / 1161 笔 / 实盘口径： 真孤立（±5 分钟内无同伴） 763 笔 胜率 65.5% 毛R 0.832 PF 2.83 错开：5 分钟内但不同分钟 240 笔 胜率 82.1% 毛R 1.443 PF 7.31 同一分钟撞在一起 158 笔 胜率 63.3% 毛R 0.777 PF 2.20 必须把两者分开——结论相反，混在一起会得出错误判断。错开的是全样本最好的 一档，同分钟的反而略差于孤立组。机制上：错开 = 行情从某个币扩散开，后发是 对先发的确认；同分钟 = 全市场同时被一个冲击打中，即追高。 簇级复核（±5 分钟合一簇，排除重复计数）：多笔簇簇均毛R 1.180 vs 单笔簇 0.832，簇级 R 夏普 0.848 vs 0.459，结论不是重复计数撑起来的。多笔簇内 全赢 59.5%、全输 10.1%，簇内风险不可分散但偏度有利。 集中度上两类没差别（整簇同向 99.4%），差别纯在收益。所以「限制最多 N 个 并发仓位」把两类一视同仁是错的，它们期望收益差 1.9 倍。 注意：同分钟 vs 错开是看过数据后才划的切法，不是事先定的，208 天 158 个簇 容易切出噪声。当仓位规则用之前必须换一段时间验证。目前只有「扎堆整体更好」 是稳的（簇级也成立）。 Co-authored-by: Cursor --- research/HANDOFF.md | 27 +++++++++++++ research/step48_signal_timing.py | 65 ++++++++++++++++++++++++++++++++ 2 files changed, 92 insertions(+) diff --git a/research/HANDOFF.md b/research/HANDOFF.md index c47033a..f5e7d04 100644 --- a/research/HANDOFF.md +++ b/research/HANDOFF.md @@ -259,6 +259,33 @@ push = z_above if direction == 1 else z_below 2. **并发上限要按「同向净敞口」设，不能按「仓位个数」设。** 同时开的必然同向，限「最多 3 仓」等于允许 3 倍单向敞口 +**扎堆的交易赚不赚钱（step48）**：必须把「同一分钟」和「错开几分钟」分开， +**两者结论相反**，混在一起会得出错误判断。 + +| 分组 | 笔数 | 胜率 | 毛R | PF | 余量bp | +|---|---|---|---|---|---| +| 真孤立（±5 分钟内无同伴） | 763 (66%) | 65.5% | 0.832 | 2.83 | 11.92 | +| **错开：5 分钟内但不同分钟** | 240 (21%) | **82.1%** | **1.443** | **7.31** | **29.59** | +| 同一分钟撞在一起 | 158 (14%) | 63.3% | 0.777 | 2.20 | 12.35 | + +**错开的那批是全样本最好的一档**（毛R 是孤立组的 1.7 倍），而严格同分钟的 +反而略差于孤立组。机制上说得通：错开 = 一波行情从某个币扩散开，后发信号是 +对先发的确认；同分钟 = 全市场同时被一个冲击打中，那就是追高。 + +簇级复核（±5 分钟合一簇，每簇算一个观测，排除重复计数）： +多笔簇簇均毛R **1.180** vs 单笔簇 0.832，簇级 R 夏普 **0.848** vs 0.459。 +结论在簇级依然成立。多笔簇内全赢 59.5%、全输 10.1%、有赢有输 30.4% +—— 簇内风险不可分散，但偏度有利（赢的簇是输的簇的 6 倍）。 + +集中度上两类没差别：整簇方向一致 **99.4%**（同分钟 100%、错开 99.2%）。 +簇内中位 2 个币、最大 8，跨度中位 2 分钟。**所以「限制最多 N 个并发仓位」 +把两类一视同仁是错的，它们期望收益差 1.9 倍。** + +> ⚠️ **「同分钟 vs 错开」是看过数据之后才划的切法，不是事先定的。** +> 208 天、158 个簇，post-hoc 切分容易切出噪声。**拿它当仓位规则前必须换一段 +> 时间验证。** 目前可确定的只有「扎堆整体更好」（簇级也成立）； +> 「好处全集中在错开那一档」尚待样本外确认。 + **TRX 应从币池剔除**：实盘口径 208 天只有 **5 笔**，ATR 门控几乎全刷掉 （与 §5.3「2026 只剩 4.2%」一致）。实际可用是 10 个币，不是 11 个。 逐币每天笔数：DOGE/AVAX/SOL 约 0.66，BTC/LTC 0.45，BNB 0.31，TRX 0.02。 diff --git a/research/step48_signal_timing.py b/research/step48_signal_timing.py index 977db32..5b4563a 100644 --- a/research/step48_signal_timing.py +++ b/research/step48_signal_timing.py @@ -83,6 +83,11 @@ def collect(sym: str, rows: int) -> pd.DataFrame | None: "htf": sig["htf_agree"].to_numpy(), "lad": sig["ladder_ok"].to_numpy(), "hold": res[f"{cfg}_b"].to_numpy(), + # 毛利与出场原因：扎堆的交易赚不赚钱要靠这几列，别只存时刻 + "g": res[f"{cfg}_g"].to_numpy(), + "r": res[f"{cfg}_r"].to_numpy(), + "c": res[f"{cfg}_c"].to_numpy(), + "atr_pct": atr / close, }) except Exception as e: print(f" {sym} 失败: {e!r}", flush=True) @@ -131,6 +136,66 @@ def analyse(d: pd.DataFrame, label: str) -> None: print(f"\n同一分钟出现多笔的时刻 {len(multi)} 个，其中方向完全一致的占 " f"{agree*100:.1f}% —— 这部分不是分散，是同一笔押注被拆成几个币") + if "g" in d.columns: + profit_by_cluster(d) + + +def profit_by_cluster(d: pd.DataFrame) -> None: + """扎堆的交易赚不赚钱。 + + 必须把「同一分钟」和「错开几分钟」分开看——8 币预试中两者结论相反： + 错开的是全样本最好的一档，同分钟的反而略差于孤立。混在一起会得出错误结论。 + """ + from lib.exit_model import fee_of, taker_notional + + d = d.sort_values("date").reset_index(drop=True) + t = d.date.values.astype("datetime64[m]").astype(np.int64) + n0 = np.searchsorted(t, t, "right") - np.searchsorted(t, t, "left") + n5 = np.searchsorted(t, t + 5, "right") - np.searchsorted(t, t - 5, "left") + net = d.g.values - fee_of(d.r.values, d.c.values) + R = net / (SL * d.atr_pct.values) + gR = d.g.values / (SL * d.atr_pct.values) + tn = taker_notional(d.r.values, d.c.values) + + def row(m, lab): + if m.sum() < 20: + return {"分组": lab, "笔数": int(m.sum()), "备注": "样本不足"} + nn, rr, gg, tt = net[m], R[m], gR[m], tn[m] + w, o = nn[nn > 0].sum(), -nn[nn <= 0].sum() + return {"分组": lab, "笔数": int(m.sum()), "占比": f"{m.mean()*100:.0f}%", + "胜率": f"{(nn > 0).mean()*100:.1f}%", "毛R": round(gg.mean(), 3), + "净均R": round(rr.mean(), 3), + "R夏普": round(rr.mean() / rr.std(ddof=1), 3), + "PF": round(w / o, 2) if o > 0 else np.inf, + "余量bp": round(nn.mean() / tt.mean() * 1e4, 2)} + + print("\n扎堆的交易赚不赚钱") + print(pd.DataFrame([ + row((n0 == 1) & (n5 == 1), "真孤立（±5 分钟内无同伴）"), + row((n0 == 1) & (n5 > 1), "错开：5 分钟内有同伴但不同分钟"), + row(n0 > 1, "同一分钟撞在一起"), + ]).to_string(index=False)) + + # 簇级：同一波行情里的几笔高度相关，逐笔统计会把有效样本算多 + clu = (d.date.diff().dt.total_seconds().fillna(9e9) > 300).cumsum() + c = pd.DataFrame({"clu": clu, "R": R, "gR": gR, "net": net}).groupby("clu") + agg = c.agg(n=("R", "size"), R=("R", "mean"), gR=("gR", "mean")) + print(f"\n簇级（±5 分钟合为一簇，避免重复计数）：单笔簇 {(agg.n==1).sum()}、" + f"多笔簇 {(agg.n>1).sum()}") + for lab, m in (("单笔簇", agg.n == 1), ("多笔簇", agg.n > 1)): + g = agg[m] + if len(g) < 10: + continue + print(f" {lab:<5} {len(g):>4} 簇 簇均毛R {g.gR.mean():.3f} " + f"簇均净R {g.R.mean():.3f} 簇级R夏普 {g.R.mean()/g.R.std(ddof=1):.3f}") + win = c["net"].apply(lambda s: (s > 0).all()) + lose = c["net"].apply(lambda s: (s <= 0).all()) + multi_idx = agg.index[agg.n > 1] + if len(multi_idx): + aw, al = win[multi_idx].mean(), lose[multi_idx].mean() + print(f" 多笔簇内：全赢 {aw*100:.1f}%、全输 {al*100:.1f}%、" + f"有赢有输 {(1-aw-al)*100:.1f}% —— 簇内风险不可分散，但偏度有利") + def main() -> None: ap = argparse.ArgumentParser()