量因子该做成开关不是权重；前序因子不该进仓位
把 step49/50 两个分层结论做成仓位因子做组合层面评估，结果与分层表给人的印象
不一致，两个因子的命运相反。
方法上设了三道约束——分层结论转仓位规则最容易在这三处翻车：
1 阈值取整数（vr60 切 1/2/4）、权重取整数比，一个参数都不搜。观测到的四分位
边界在不同时段并不一致（样本外 0.63/1.26/2.28/5.34、发现期 0.62/1.48/
3.11/7.97），用样本分位数等于在同一批数据上既发现又调参
2 权重归一化到均值 1，各方案投出去的平均资金相同，均R 才可比
3 判据是四项一起看：均R / R夏普 / 最大回撤 / 峰值加权并发。只看均值必然误判
全样本 3941 笔，假定滑点 5bp/taker 腿：
盈亏平衡滑点 R夏普 回撤R 峰值并发 总R/峰值并发
等权（现状） 16.7bp 0.420 17.3 7.00 371.4
仅量因子（加权） 18.2bp 0.442 12.7 7.98 367.4
仅前序因子 17.0bp 0.421 19.2 8.46 312.6
硬砍高量档（vr60≥4） 18.6bp 0.496 11.2 6.00 389.3
硬砍 + 前序权重 19.0bp 0.500 11.0 7.19 332.1
① 前序因子不能做仓位。+6bp 余量在 5bp 滑点假设下只值约 0.011R，而这批信号
按定义 100% 发生在别的币已有仓位时——加权就是在敞口最集中的时刻加杠杆。
盈亏平衡只买到 +0.3bp，峰值并发 7.00→8.46、回撤 17.3→19.2，按峰值保证金归一
后是净负的（371→313）。§3.31 里「可用于加仓位权重」那句作废。出路可能是改用
放宽 ATR 门控兑现（多做几笔而非每笔做大），未测。
② 量因子「不做」优于「少做」。硬砍付笔数 −22%、总R −10%，换回撤 −35% 和峰值
并发 7→6。并发这一项单独就值：§3.31 已把峰值敞口列为扩币的前置约束。
③ 优势的形态是削尾不是抬均值。均R 差在各滑点档几乎恒定（0.085→0.082），但
基数在塌，所以相对优势随成本上升放大：15bp 处总R/回撤 2.57→11.86，靠的是回撤
从 150.5 掉到 60.3。这两个因子买的是尾部风险，不是收益。
可操作口径要用发现期：盈亏平衡滑点样本外 18.2bp、发现期只有 13.5bp（硬砍后
15.6bp），差距就是 2026 的 ATR 压缩。13.5 与 shadow_budget 的 15.19bp 同量级，
互为印证。影子测量要对标 13.5 / 15.6，不是 18.6。
开关先不上：只是 live 信号路径加一行，随时能加。等实测滑点出来再定——远低于
13.5bp 则等权就够，贴着 13.5bp 则这 2.1bp 就是生死线。
Co-authored-by: Cursor <cursoragent@cursor.com>
This commit is contained in:
jackyu66git
+74
-8
@@ -333,9 +333,16 @@ ATR 混淆已排除：`有前序` 的 ATR 确实略高（中位 15.04 vs 13.13bp
|
||||
四分位分层后 **4/4 层同向**，层内余量差 3.29 / 8.39 / 5.16 / 4.14bp，与不分层
|
||||
的 +6.06 同量级。且毛R 本身是 ATR 归一化指标，其 +0.19 不可能是 ATR 假象。
|
||||
|
||||
**可用方式**：这 16% 的信号能多容忍约 6bp 执行成本。可用于加仓位权重，
|
||||
或对这批放宽 ATR 门控——ATR 最低层里 `有前序` 余量仍有 14.92bp（对照 11.63），
|
||||
提示门控对它们可以更松。**但放宽门控尚未回测，先别改。**
|
||||
**可用方式**：这 16% 的信号能多容忍约 6bp 执行成本。
|
||||
|
||||
> ⛔ **「加仓位权重」这条已被 step51 否掉，见 §3.39。** +6bp 余量在 5bp
|
||||
> 滑点假设下只值约 0.011R，而这批信号 100% 发生在别的币已有仓位时——
|
||||
> 加权后峰值并发 7.00 → 8.46、回撤 17.3 → 19.2，按峰值保证金归一是净负的。
|
||||
> 边际收益买不起它带来的集中度。
|
||||
>
|
||||
> 仍未测的出路是**放宽 ATR 门控**（多做几笔，而非每笔做大）：ATR 最低层里
|
||||
> `有前序` 余量仍有 14.92bp（对照 11.63），提示门控对它们可以更松。
|
||||
> **尚未回测，先别改。**
|
||||
|
||||
> ⚠️ **「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
|
||||
@@ -672,6 +679,58 @@ ADA 也才 2.41bp。
|
||||
PF 从 1.59 提到 1.85（§4 step30）。**两个过滤器的相对价值随级别翻转，
|
||||
不要跨级别套用滤网结论。**
|
||||
|
||||
### 3.39 因子化仓位：量因子该做成**开关**不是权重，前序因子根本不该进仓位（step51）
|
||||
|
||||
用户提出把 §3.31 的两个分层结论（`有前序` +6bp 余量、低量根 +14bp 余量）
|
||||
做成仓位/杠杆因子。做了组合层面的评估，结论与分层表给人的印象**不一致**，
|
||||
两个因子的命运完全相反。
|
||||
|
||||
**方法上刻意设的三道约束**（分层结论转仓位规则最容易翻车的地方）：
|
||||
|
||||
1. **阈值取整数、权重取整数比，一个参数都不搜。** vr60 切在 1 / 2 / 4，
|
||||
权重 1.5 / 1.25 / 0.75 / 0.5。观测到的四分位边界在不同时段并不一致
|
||||
（样本外 0.63/1.26/2.28/5.34，发现期 0.62/1.48/3.11/7.97），
|
||||
用样本分位数等于在同一批数据上既发现又调参。
|
||||
2. **权重归一化到均值 1**，各方案投出去的平均资金相同，均R 才可比。
|
||||
3. **判据是四项一起看**：均R / R夏普 / 最大回撤 / **峰值加权并发**。
|
||||
只看均值必然误判——加权一定抬方差，且 `有前序` 按定义就发生在别的币
|
||||
已有仓位时，给它加权就是在敞口最集中的时刻加杠杆。
|
||||
|
||||
全样本 3941 笔，假定滑点 5bp/taker 腿：
|
||||
|
||||
| 方案 | 盈亏平衡滑点 | R夏普 | 最大回撤R | 峰值并发 | 总R/峰值并发 |
|
||||
|---|---|---|---|---|---|
|
||||
| 等权（现状） | 16.7bp | 0.420 | 17.3 | 7.00 | 371.4 |
|
||||
| 仅量因子（加权） | 18.2bp | 0.442 | 12.7 | 7.98 | 367.4 |
|
||||
| **仅前序因子** | 17.0bp | 0.421 | **19.2** | **8.46** | **312.6** |
|
||||
| 两因子相乘 | 18.6bp | 0.446 | 14.3 | 9.48 | 314.6 |
|
||||
| **✅ 硬砍高量档（vr60 ≥ 4 不做）** | **18.6bp** | **0.496** | **11.2** | **6.00** | **389.3** |
|
||||
| 硬砍 + 前序权重 | 19.0bp | 0.500 | 11.0 | 7.19 | 332.1 |
|
||||
|
||||
**① `有前序` 不能做仓位因子——它的边际收益买不起它带来的集中度。**
|
||||
盈亏平衡滑点只 +0.3bp，但峰值并发 7.00 → 8.46、回撤 17.3 → 19.2，
|
||||
**按峰值保证金归一后是净负的（371 → 313）**。原因是量纲：+6bp 余量在
|
||||
5bp 滑点假设下只值约 0.011R，而它 100% 发生在已有并发仓位的时刻。
|
||||
§3.31 说的「可用于加仓位权重」**到此作废**——那条余量优势是真的，
|
||||
但兑现方式不是仓位。（可能的出路是对这批放宽 ATR 门控，即多做几笔而非
|
||||
每笔做大，那条仍未测。）
|
||||
|
||||
**② 量因子「不做」优于「少做」。** 加权版 R夏普 0.442、硬砍版 0.496；
|
||||
回撤 12.7 vs 11.2；峰值并发 7.98 vs **6.00**。硬砍付出笔数 −22%
|
||||
（3941 → 3061）、总R −10%，换来回撤 −35% 和并发 −14%。
|
||||
**并发下降这一点单独就值**：§3.31 已把峰值敞口列为扩币的前置约束，
|
||||
砍掉高量档等于同时松开这个约束。
|
||||
|
||||
**③ 优势的形态是「削尾」不是「抬均值」。** 均R 差在各滑点档上几乎恒定
|
||||
（0.085 → 0.082），但**基数在塌**，所以相对优势随成本上升而放大：
|
||||
15bp 处总R/回撤 2.57 → 11.86（4.6 倍），因为回撤从 150.5 掉到 60.3。
|
||||
**这两个因子买的是尾部风险，不是收益。**
|
||||
|
||||
⚠️ **可操作口径要用发现期的数，不是全样本。** 盈亏平衡滑点样本外 18.2bp、
|
||||
发现期只有 **13.5bp**（硬砍后 15.6bp）——差距就是 2026 的 ATR 压缩（§5.3）。
|
||||
发现期才代表当前波动环境。13.5bp 与 `shadow_budget.BUDGET_PORTFOLIO_2026`
|
||||
的 15.19bp 同量级，互为印证。**影子测量要对标的是 13.5 / 15.6，不是 18.6。**
|
||||
|
||||
### 3.4 alpha 的来源（step32 消融）
|
||||
|
||||
逐条拆掉 `fast_bsp3` 的条件后发现：**alpha 完全来自缠论中枢的上下文定位，
|
||||
@@ -1656,6 +1715,7 @@ API 限流风险隔离三个好处。
|
||||
| 48 | 多币开仓时间分布、并发、簇内顺序（首发是未来信息） |
|
||||
| 49 | **「有前序」样本外验证**（10 币 80 万根）→ 通过，余量 +6bp，6/6 时段同向 |
|
||||
| 50 | **信号根成交量**（用户假设「有资金的趋势才是好趋势」）→ **方向相反**，高量毛R 0.794 vs 低量 1.421，ATR 4/4 + 时段 7/7 同向；根因是在突破根上给别人接盘 |
|
||||
| 51 | **因子化仓位**（把 49/50 做成权重）→ 量因子该做成**开关**不是权重（硬砍 vs 加权：R夏普 0.496/0.442、并发 6.00/7.98）；**前序因子不该进仓位**，边际收益买不起集中度。优势形态是削尾不是抬均值 |
|
||||
|
||||
输出都在 `research/out/`。**2026-08-27 清理过一轮**：step1~20 的输出（早期方法论
|
||||
已被推翻，含未来函数偏差）与旧口径备份一并删除，只留支撑当前结论的证据。
|
||||
@@ -1744,8 +1804,14 @@ API 限流风险隔离三个好处。
|
||||
**这条是扩币的前置条件**——加币不分散，只把峰值敞口推得更高
|
||||
- [ ] 若要扩币：按 3.33 的两条标准筛（ATR 对门控 + 流动性），
|
||||
并留一批筛完不看、直接进实盘验证，以保住样本外的说服力
|
||||
- [ ] **仓位权重现在有两个已验证的输入**（§3.31）：`有前序` +6bp 余量、
|
||||
`低量根` +14bp 余量，且两者独立（低量×有前序 = 31.00bp，最好的一档）。
|
||||
**都还没做成规则**。做之前要想清楚两件事：一是 1m 本来就稀疏
|
||||
（10 币约 2.5 笔/天），砍掉高量四分位要付 25% 笔数；
|
||||
二是权重方案必须整体回测一遍，不能把两个分层结论直接相乘
|
||||
- [x] **因子化仓位已评估完（step51，§3.39）**，结论与分层表给的印象相反：
|
||||
量因子做成**开关**（vr60 ≥ 4 不做），前序因子**不进仓位**。
|
||||
剩下两件事：
|
||||
- [ ] **决定要不要上「vr60 ≥ 4 不做」这个开关。** 收益是发现期盈亏平衡滑点
|
||||
13.5 → 15.6bp、回撤 −35%、峰值并发 7 → 6；代价是笔数 −22%
|
||||
（10 币已只有约 2.5 笔/天，砍完约 2.0）。**建议等影子测量出真实滑点
|
||||
再定**——若实测远低于 13.5bp，等权就够用，没必要付这 22%；
|
||||
若实测贴着 13.5bp，这 2.1bp 的余量就是生死线。**这个开关只在
|
||||
live 信号路径加一行，随时可上，不必现在决定**
|
||||
- [ ] `有前序` 的余量优势改用**放宽 ATR 门控**兑现（多做几笔而非每笔做大）。
|
||||
§3.31 已记，未回测
|
||||
|
||||
@@ -0,0 +1,161 @@
|
||||
"""Step 51：把 §3.31 的两个分层结论做成仓位因子，看组合层面到底有没有变好。
|
||||
|
||||
已知（都用开仓时可知的信息）：
|
||||
step49 `有前序`（过去 5 分钟别的币先发过）→ 滑点余量 +6bp，6/6 时段同向
|
||||
step50 信号根低量（vr60 小）→ 余量 +14bp，ATR 4/4 + 时段 7/7 同向
|
||||
|
||||
但「分层看着好」到「加权之后组合更好」不是一回事，中间有三个坎：
|
||||
|
||||
1. 两个结论是分开切出来的，相乘等于假设正交且效应可乘。没验过。
|
||||
2. 加权必然抬高方差。均R 涨了但 R夏普 可能不涨，那就白做。
|
||||
3. `有前序` 按定义就是「别的币已有仓位时」，给它加权 = 在敞口最集中的
|
||||
时刻再加杠杆。§3.31 已经把峰值并发列为扩币的前置约束，这里直接顶上去。
|
||||
|
||||
所以本步的判据不是均R，是这四项一起看：**均R / R夏普 / 最大回撤 / 峰值加权并发**。
|
||||
|
||||
阈值刻意取整数（vr60 的 1、2、4），权重取整数比，**一个参数都不搜**。
|
||||
观测到的四分位边界在不同时段并不一致（样本外 0.63/1.26/2.28/5.34、
|
||||
发现期 0.62/1.48/3.11/7.97），用样本分位数等于在同一批数据上既发现又调参。
|
||||
|
||||
主检验是滑点敏感性：这两个因子的优势主要在**余量**而非毛R，
|
||||
所以真正该看的是「假定执行成本越高，加权方案是否衰减得越慢」。
|
||||
若只在 slip=0 处好、随成本上升优势消失，那这两个因子就不值得做进仓位。
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import sys
|
||||
import warnings
|
||||
from pathlib import Path
|
||||
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
|
||||
warnings.filterwarnings("ignore")
|
||||
|
||||
HERE = Path(__file__).resolve().parent
|
||||
sys.path.insert(0, str(HERE))
|
||||
sys.path.insert(0, str(HERE.parent))
|
||||
pd.set_option("display.width", 340)
|
||||
|
||||
SL = 2.0
|
||||
GATE_BP = 8.0
|
||||
IS_START = pd.Timestamp("2026-01-30", tz="Asia/Shanghai")
|
||||
SLIPS = (0.0, 5.0, 10.0, 15.0, 20.0) # bp / taker 腿
|
||||
|
||||
|
||||
def w_vol(vr: np.ndarray) -> np.ndarray:
|
||||
"""量比越低给越多。整数阈值 1/2/4，权重 6:5:3:2（均值约 1）。"""
|
||||
w = np.full(len(vr), 1.0)
|
||||
w[vr < 1.0] = 1.5
|
||||
w[(vr >= 1.0) & (vr < 2.0)] = 1.25
|
||||
w[(vr >= 2.0) & (vr < 4.0)] = 0.75
|
||||
w[vr >= 4.0] = 0.5
|
||||
w[~np.isfinite(vr)] = 1.0 # 前 60 根不足时不表态
|
||||
return w
|
||||
|
||||
|
||||
def w_prev(prev: np.ndarray) -> np.ndarray:
|
||||
return np.where(prev >= 1, 1.4, 1.0)
|
||||
|
||||
|
||||
def w_cut(vr: np.ndarray) -> np.ndarray:
|
||||
"""硬砍最高量那一档。用来看「不做」和「少做」差多少。"""
|
||||
w = np.ones(len(vr))
|
||||
w[np.isfinite(vr) & (vr >= 4.0)] = 0.0
|
||||
return w
|
||||
|
||||
|
||||
def peak_concurrent(d: pd.DataFrame, w: np.ndarray) -> float:
|
||||
"""扫描线求峰值同时在场的加权敞口（单位：等权仓位数）。"""
|
||||
t0 = d.date.values.astype("datetime64[m]").astype(np.int64)
|
||||
t1 = t0 + d.hold.values
|
||||
ev = np.concatenate([np.stack([t0, w], 1), np.stack([t1, -w], 1)])
|
||||
ev = ev[np.lexsort((ev[:, 1], ev[:, 0]))]
|
||||
return float(np.max(np.cumsum(ev[:, 1])))
|
||||
|
||||
|
||||
def evaluate(d: pd.DataFrame, w: np.ndarray, slip_bp: float) -> dict:
|
||||
"""slip_bp 只加在 taker 腿上——止盈是限价，不吃滑点。"""
|
||||
from lib.exit_model import fee_of, taker_notional
|
||||
|
||||
tn = taker_notional(d.r.values, d.c.values)
|
||||
net = d.g.values - fee_of(d.r.values, d.c.values) - slip_bp * 1e-4 * tn
|
||||
R = net / (SL * d.atr_pct.values)
|
||||
|
||||
m = w > 0
|
||||
if m.sum() < 50:
|
||||
return {}
|
||||
ww = w[m] / w[m].mean() # 归一化：各方案投出去的平均资金相同
|
||||
wR = ww * R[m]
|
||||
eq = np.cumsum(wR)
|
||||
dd = float(np.max(np.maximum.accumulate(eq) - eq))
|
||||
return {
|
||||
"笔数": int(m.sum()),
|
||||
"均R": round(float(wR.mean()), 3),
|
||||
"R夏普": round(float(wR.mean() / wR.std()), 3),
|
||||
"总R": round(float(eq[-1]), 1),
|
||||
"最大回撤R": round(dd, 1),
|
||||
"总R/回撤": round(eq[-1] / dd, 2) if dd > 0 else np.inf,
|
||||
"余量bp": round(float((ww * net[m]).sum() / (ww * tn[m]).sum() * 1e4), 2),
|
||||
"峰值并发": round(peak_concurrent(d[m], ww), 2),
|
||||
}
|
||||
|
||||
|
||||
def run(d: pd.DataFrame, label: str) -> pd.DataFrame:
|
||||
vr, pv = d.vr60.values, d.prev.values
|
||||
schemes = {
|
||||
"等权（现状）": np.ones(len(d)),
|
||||
"仅量因子": w_vol(vr),
|
||||
"仅前序因子": w_prev(pv),
|
||||
"两因子相乘": w_vol(vr) * w_prev(pv),
|
||||
"硬砍高量档": w_cut(vr),
|
||||
}
|
||||
rows = []
|
||||
for slip in SLIPS:
|
||||
for name, w in schemes.items():
|
||||
r = evaluate(d, w, slip)
|
||||
if r:
|
||||
rows.append({"时段": label, "滑点bp": slip, "方案": name, **r})
|
||||
return pd.DataFrame(rows)
|
||||
|
||||
|
||||
def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--src", default=str(HERE / "out" / "step50_volume.feather"))
|
||||
args = ap.parse_args()
|
||||
|
||||
from step50_volume import prep
|
||||
|
||||
d = pd.read_feather(args.src)
|
||||
d["date"] = pd.to_datetime(d["date"])
|
||||
d = prep(d[(d.htf == 1.0) & d.lad & (d.atr_bp >= GATE_BP)].copy())
|
||||
oos, ins = d[d.date < IS_START], d[d.date >= IS_START]
|
||||
print(f"实盘口径 {len(d)} 笔 | 样本外 {len(oos)} 发现期 {len(ins)}")
|
||||
|
||||
for lab, part in (("样本外", oos), ("发现期", ins), ("全样本", d)):
|
||||
t = run(part, lab)
|
||||
print("\n" + "=" * 118)
|
||||
print(f"########## {lab} ##########")
|
||||
for slip in SLIPS:
|
||||
g = t[t.滑点bp == slip].drop(columns=["时段", "滑点bp"])
|
||||
print(f"\n--- 假定滑点 {slip:.0f}bp / taker 腿 ---")
|
||||
print(g.to_string(index=False))
|
||||
|
||||
print("\n" + "=" * 118)
|
||||
print("########## 判据：优势是否随执行成本上升而扩大 ##########")
|
||||
t = run(d, "全样本")
|
||||
base = t[t.方案 == "等权（现状）"].set_index("滑点bp")
|
||||
rows = []
|
||||
for name in t.方案.unique():
|
||||
if name == "等权（现状）":
|
||||
continue
|
||||
g = t[t.方案 == name].set_index("滑点bp")
|
||||
rows.append({"方案": name, **{
|
||||
f"{int(s)}bp处均R差": round(g.loc[s, "均R"] - base.loc[s, "均R"], 3)
|
||||
for s in SLIPS}})
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
Reference in New Issue
Block a user