推文

@sera00111 · 2026-10-10 10:10

继续整理 Web3 量化的一些研究心得。相比 A 股，币圈的数据更开放，策略工具更多，个人也能接触资金费率、链上套利和自动化做市。但真正开始回测之后，会发现这里有很多新手容易踩的坑。 1】先想清楚利润是谁支付的，再研究策略 做币圈量化，最容易犯的错误，就是看到一段漂亮的历史收益，然后倒过来解释为什么它能赚钱。 比如发现某个永续合约的资金费率很高，就认为做空永续、买入现货可以长期收钱。但你得先问：为什么有人愿意支付这么高的资金费率？这种需求能持续多久？如果资金费率反转，策略会怎么样？ 链上套利也一样。如果一个资金池长期存在价差，为什么专业套利机器人没有把它消除？是流动性不足、交易成本太高，还是根本无法完成对冲？ 研究之前，先写清楚三个问题：利润从哪里来、为什么别人没有赚走、什么情况出现说明这个机会已经消失。 2】AI 能帮你挖因子，也能让你更快地过拟合 现在用 AI 写策略确实方便。给它一份 BTC 历史数据，让它搜索几十种指标组合，很容易就能找到一条漂亮的收益曲线。 但这里有个问题，叫 Data Snooping（数据窥探）。你尝试的策略越多，越容易偶然找到一套在历史上表现很好的参数。 尤其现在有了 AI Agent（人工智能智能体），一次自动生成几百套策略已经不难。如果没有记录搜索次数，最后选出的高夏普策略可能只是统计巧合。 所以每次实验都应该记录假设、参数、数据区间和实验次数，再使用 Walk-Forward Validation（滚动前向验证）、样本外测试和蒙特卡洛置换，检查收益是否还能成立。 不要给自己定一个固定的夏普折扣比例。尝试次数、策略相关性和样本长度不同，过拟合程度也不同。 3】币圈的幸存者偏差，可能比股票市场更严重 A 股回测需要保留退市股票，Crypto 同样如此，而且情况可能更复杂。 假设你研究过去五年的山寨币轮动，却只下载今天仍在 Binance 交易的币种，那么那些已经下架、流动性枯竭甚至归零的项目，就可能全部消失在样本里。 这样测出来的策略，自然容易显得很优秀。 链上还有另一种问题：项目迁移合约、代币更换地址、流动性池关闭，以及交易所调整交易对。 所以历史回测不能只保存价格，还要保留当时真实存在的交易标的、上线下架时间、流动性和交易规则。 另外，数据必须按当时能够获得的时间重建。比如今天知道某个钱包属于做市商，不代表两年前的策略就能知道这个身份。 4】套利策略最容易高估的，不是收益，而是成交能力 很多跨交易所套利回测，只要看到两个市场出现价差，就假设自己能同时买入和卖出。 但实盘里，两边订单不一定同时成交。可能 A 交易所已经买到了，B 交易所的报价却消失了。 高频做市还要考虑 Queue Position（订单排队位置）、撮合延迟和 Adverse Selection（逆向选择）。你挂出的买单之所以成交，有时恰恰是因为价格即将继续下跌。 链上策略还需要计算 Gas、MEV 竞价、交易失败和区块确认延迟。LP 策略则必须扣除无常损失和重新平衡成本。 所以一个策略不能只报告理论价差，至少应该给出扣除成本后的收益、真实成交率、资金占用，以及最坏情况下的退出成本。 5】币圈量化上线之前，必须设置不止一条退出线 传统量化一般会设置最大回撤和止损额度。但 Crypto 还需要针对交易所、链上协议和资金结算分别设置风控。 比如资金费率突然反转，交易所 API 中断，稳定币脱锚，或者某个永续合约的保证金规则被临时调整。 这些情况未必会立即触发策略亏损，但可能已经改变了策略成立的基础。 特别是跨交易所套利，看起来两边对冲、方向中性，但一边被强平，另一边无法及时调整，就可能留下巨大的单边敞口。 所以真正需要提前写好的，不只是亏多少停机，还包括：什么时候停止开新仓、什么时候降低杠杆、什么时候撤掉全部挂单，以及交易系统失去连接后怎么办。 记住，量化最重要的能力，可能不是发现赚钱的规律，而是尽快识别哪些规律其实不存在。 在币圈，历史数据和开源工具已经足够让个人做大量实验。但策略能不能长期盈利，最终还是取决于研究纪律、数据质量、实际成交和风险管理。 回测能证明的，只是某套规则在特定历史条件下表现如何。真正的优势，需要在不断变化的市场里反复验证。

曝光 712 · 评论 2 · 点赞 10 · 书签 10 · 曝光/时 555.6891630132975