今天和朋友聊天，他说套利的本来就厌恶亏损。这句话真妙。 每种策略亏钱的方式不一样。做趋势的，胜率不高，经常小亏，偶尔一次大赚把前面的都赚回来。做套利的，胜率很高，平时稳定赚小钱，但风险藏在某一次很大的亏损里。这两种分布，对人的心理要求完全相反。损失厌恶决定了你能扛住哪一种。 心理学里有个概念叫损失厌恶：亏一块钱的痛苦，大概是赚一块钱快乐的两倍。而且每个人的程度不一样。损失厌恶强的人，很难忍受趋势策略那种连续的小亏，每一笔止损都是一次折磨，往往在大行情来之前就放弃了。他们会自然被套利中性这些吸引，曲线平滑，天天在赚。 身边还有一些朋友，干什么都要对冲。我觉得他们怕的不只是亏钱，更怕“本来可以避免却没避免"的那种后悔。对冲给的不只是风险控制，还有一种心理上的确定感。 所以，是策略在选人。能长期坚持下来的多是跟自己心理结构匹配的那一种。

以前做研究，基本是自己想、自己试。想到一个因子就去回测，效果好就很兴奋，以为发现了什么。其实很多我"发现"的东西，别人十几年前就研究过了。有的早就被证明有效，有的早就被证明只是数据巧合，还有的已经被用到失效了。闭门造车最大的问题，不是慢，是我不知道自己站在哪。我以为在往前走，其实可能在别人走过的路上绕圈，还会重复踩别人已经写清楚的坑。 论文让我看到一个问题已经被研究到了哪一步，哪些方法是靠得住的，哪些结论只在特定条件下成立。站在这些基础上再往前想，才有可能想出一点真正新的东西。当然论文也不是答案。市场在变。 最开始读得很吃力。从第一页读到最后一页，公式看不懂就跳过，读完觉得好像懂了，过几天什么都不记得，更别说用上。现在我会先让 AI 帮我梳理论文结构、解释看不懂的公式、整理变量定义，这省了很多时间。学的越多，越觉得自己知道的太少。每篇论文背后，都是一个人或者一个团队花了很长时间去证明一件很小的事。 我一直觉得学术的魅力之一是学会怎么严谨地提出一个问题，再把它证明出来。

不要回顾过去，不要品味痛苦，不要背叛自己。

刚开始做因子的时候，我也主要看回测曲线和 IC 均值。后来踩了一些坑，慢慢会多看几件事，记录一下自己现在的理解。 一、预测力：不只看 IC 均值
看 RankIC 而不是 Pearson IC，避免被少数极端值主导。
看 ICIR，均值高但不稳定的因子，实盘体验会很差。
看 IC 衰减曲线和半衰期，它决定了调仓频率，也决定了换手和成本。
看分位数收益是否单调。IC 不错但只有头尾两组有效，说明它可能是非线性的，线性组合会浪费它。 二、纯度：它是不是别的东西换了个名字
加密市场里，大部分"新因子"本质上是 BTC beta、市值、流动性或波动率的变体。
先对这些风格做中性化，再看残差 IC 还剩多少。
再对你已有的因子库做正交化，看边际贡献。一个跟现有因子高度相关的因子，单独再好看，放进组合里也几乎没有增量。 三、显著性：你试了多少次
这是最容易被忽略的一关。
如果你试了一百个因子，挑出最好的一个，它的 t 值是被选择偏差抬高的。有一篇文献说考虑到整个学术界的数据挖掘，新因子的 t 值门槛应该提到 3 左右，而不是传统的 2。
Sharpe 也一样，要用 Deflated Sharpe Ratio，把试验次数、收益的偏度和峰度考虑进去。
回测本身的过拟合概率，可以用组合对称交叉验证（CSCV）估计 PBO。 四、验证方式：时间序列不能随便切
标签有持有期的时候，普通 K 折交叉验证会让训练集和测试集在时间上重叠，等于偷看答案。
要做 purging 和 embargo，把重叠的样本剔掉，再留一段隔离期。 五、可交易性：扣完成本还剩多少
看换手率和成本调整后的 IC，而不是毛收益。
看容量：因子信号集中在小币上的，往往纸面最漂亮，实际最做不进去。
加密市场还有一个特殊问题：幸存者偏差。下架和归零的币如果不在样本里，所有做多弱势币、做空强势币的逻辑都会被高估。 六、寿命：它会怎么死
McLean 和 Pontiff 研究过，因子在论文发表之后，收益会明显下降。公开的逻辑最终都会拥挤。
所以我会持续监控因子收益的滚动表现、和其他因子的相关性变化，以及能观察到的拥挤度。不是找一个永远有效的因子，而是知道它什么时候开始失效。

我从七月下旬开始在推特上发内容。7 月 24 号这个账户有170 个人关注。我没有什么粉丝基础，也没有找人互推。三个月过去，现在5237。很大一部分是运气。赶上 X 现在的算法更看内容本身，白号写的东西也有机会被看到。一开始写做市写高频基建，有人因此关注到我。但后来写得越来越干，自己都不太想看。中间删了不少以前的帖子，回头看有些写得太急，有些理解是错的。写多了才发现，很多事以为自己懂，写出来才知道没想清楚。也有不少朋友在评论区帮我补充和纠正，学到了很多。也认识了新的朋友。我觉得去分享这件事本身就很好。永远学习。永远热爱生活。

最近在读《股票大作手回忆录》。书里反复出现一个意思，市场永远不会错，错的只有人的观点。主观交易表面上是在跟市场博弈，其实一直在跟自己博弈。市场只是一面镜子。 你急躁，它就让你追高。你贪婪，它就让你不肯止盈。你固执，它就让你一路补仓。 所以我觉得做得好的主观交易员太牛了。反人性而为之。强大。

时间在策略里不算一个独立的模块，但它通常以几种身份出现。 1. 状态划分（regime）
最常见的用法。把一天切成几个不同的"市场状态"，比如盘前、盘中、盘后、夜盘、休市，每个状态下流动性和波动都不一样。策略先判断"现在处于哪个状态"，再决定怎么做。这在研究里叫按时段做条件化（session conditioning）。 2. 风控和执行的开关（gating）
比如重大数据公布前缩量。这类用法不预测方向，只决定"现在能不能交易、该用多大仓位"，属于风控层或执行层。给每个时刻打一个时段标签，策略根据标签决定照常报价、停报价，还是平仓。 3. 参数调整
同一个策略，不同时段用不同参数，比如流动性低的时段把价差拉宽、下单量减小。这属于参数随状态变化。 4. 信号本身
时间也可以直接当因子，叫日内季节性（intraday seasonality）或日历效应，比如某些时段波动或方向有规律、月末效应、周一效应。这时它属于alpha 层。 5. 数据和基础设施
交易日历、假日表、夏令时换算、不同市场的时区，属于数据层。这一块不起眼，但错了上面全错。

最近在研究TradFi 永续：美股、韩股、黄金、白银，全都能 7×24 小时交易。 听起来很美好，但这些资产的真价格，是有下班时间的。 美股只在纽约交易时段真正定价。黄金白银跟着 CME 走，每天还有一小时维护。周末，整个传统市场都关了。 但加密不关。 所以在传统市场下班的那些时间里，盘口上的价格到底是谁定的？
没有现货在动，没有期货在动，只有一群人在一个镜像市场里互相猜。 这带来几件很现实的事： 1.同一个标的，一天里是好几个不同的市场
盘前、盘中、盘后、夜盘、休市，流动性和波动完全不一样。用同一套逻辑跑全天，基本等于在某些时段送钱。 2.最危险的是重新开盘那一刻
周末两天，传统市场积累的信息全部压在周一开盘那一下释放。镜像市场的价格可能已经漂了一个周末，开盘瞬间一次性跳回去。 3.日历比想象中复杂
美股按纽交所日历，金银按 CME，韩股按首尔时间，而且只有美国有夏令时。假日也各不相同，比如有的节日美股休市，金银照常开。
把每个标的属于哪个市场、哪天开哪天关全部理清楚，本身就是一项工程。 4.宏观事件是另一套时钟
CPI、FOMC、非农公布的那几分钟，传统资产的波动会集中爆发。 所以时间决定了市场处于什么状态，以及在这个状态下该不该交易。

写了一阵子高频基建，最近注意力更多放在 AI 和链上，尤其是 Hyperliquid。 之前一直在 CEX，自己接触到的只是区块链很小的一部分。最近认识了不少新朋友，每个人的领域和研究都不一样，越聊越觉得不能闭门造车。 很多东西还在学，接下来会多写点这些，学到哪写到哪。

高频基建大致可以分成这几层，从底层硬件一直到上层运维 1. 硬件与网络 机房选址和托管：服务器放在离交易所撮合引擎最近的地方（比如 AWS 东京） 服务器配置：CPU 绑核、关超线程、大页内存、网卡选型 网络：内核旁路（kernel bypass）、多网卡分离行情和下单、专线 2. 时钟与延迟测量 时钟同步（NTP、PTP） 全链路打点：从收到行情到发出订单，每一段花了多少时间 延迟分布统计：看的是 p50、p99，而不是平均值 3. 行情层 连接管理：WS 订阅、断线重连、心跳 解析与归一化：不同交易所格式统一成内部格式 本地订单簿重建：快照加增量、序号断档检测和补数据 数据质量：乱序、重复、丢包、延迟异常的识别 4. 交易接口层（连接层） 交易所适配：每家 API 的差异抽象成统一接口 限频管理：按 API Key 或按 IP 的令牌桶 下单通道：WS 下单、批量下单、撤改单 5. 订单管理（OMS） 订单状态机 成交回报处理与持仓计算 状态对账：本地和交易所的订单、持仓核对 6. 策略引擎 事件驱动框架：行情、成交、定时器事件的调度 低延迟设计：无锁队列、预分配内存、避免 GC 策略和基础设施的接口解耦 7. 风控 事前风控：下单前的仓位、金额、价格偏离检查 实时风控：回撤、库存、敞口监控 熔断与 kill switch：行情异常、延迟超标、交易所故障时停止报价并撤单 8. 数据与研究 行情和成交的全量落盘存储 回放系统：用历史 tick 数据重放 回测与仿真：撮合、队列位置、延迟模型 9. 监控与运维 监控面板：延迟、成交率、PnL、系统资源 告警：分级告警，谁接、多久响应 日志、部署、灰度发布、故障恢复 10. 资金与账户 多交易所、多账户资金调度 费率档位和做市协议管理

回测曲线很漂亮，怎么知道它不是在骗你？ 昨天有人问我一个策略会不会过拟合。这个问题问得很好，因为几乎每个做量化的人都被自己的回测骗过。 过拟合最难的地方在于，它看起来和好策略一模一样。曲线平滑，夏普很高，回撤很小。区别只在于，一个找到了规律，一个只是记住了历史。 我自己会看这几件事： 
没参与优化的数据上，表现是不是还在。样本内样本外差得越多，越可疑
测试集只能看一次。看完回去调参再看，它就不再是测试集了 
参数挪一点，结果塌不塌。好参数是一片高原，过拟合是一根针，参数个数和交易次数的比例。十个参数配五十笔交易，拟合的大概率是噪音 
能不能讲清楚它为什么赚钱。换个品种、换个周期还成不成立。只在一个币、一段行情上有效，要打个问号。 
样本有没有覆盖完整的牛熊和震荡。没经历过单边大跌的策略，只是还没遇到它的坏日子。收益是不是集中在少数几天。 
实盘和同期回测对不对得上。对不上的那部分，就是你的回测在说谎的地方 没有哪一条能单独证明策略没问题。它们只能一条条排除"它在骗你"的可能。 回测不是用来证明策略能赚钱的，是用来找它会在哪里亏钱的。

高频做市基建七：订单状态对账 之前说过行情口径，这次说订单状态。 做市跑久了会发现，最难的不是算价格，是搞清楚自己手里到底挂着什么。 你以为的订单状态，和交易所里的真实状态，存在时间差。下单发出去超时没回 ack，这单到底挂上没有？撤单发了回一个"订单不存在"，是已经成交了，还是压根没挂上？ 这种不一致会养出两种东西。 幽灵单：盘口上挂着，本地不知道。 僵尸单：本地以为还挂着，其实早成交或撤掉了。 两种都会让库存算错。库存错了，后面所有报价都是错的。 第一，显式状态机。每个订单的状态全部建模，只允许合法转移。超时没回的单不当失败处理，标成 unknown，单独追查。把 unknown 当失败重发，就是幽灵单的主要来源。 第二，持仓只认成交回报。用私有流的 fill 算库存，不用订单回报去推算。私有流也会丢包和乱序，按序号或更新时间去重排序。 第三，clientOrderId 自己生成，保证幂等。重发不会重复挂单。断线重连第一件事，按 clientOrderId 把未决单全部查一遍。 第四，定时对账。拿交易所的真实持仓和挂单跟本地比。上次说 REST 是给你查余额用的，就是用在这里。偏差小，以交易所为准修正本地；偏差超阈值，直接停报价、全撤、重建状态。不要在脏状态上继续做市。 做市的盈亏是用库存算的，库存是用状态算的。

说说 beta 策略的好处 beta 策略有很多中性策略给不了的东西： 一、收益结构
收益天花板高：中性赚的是价差和偏差，天花板被市场结构锁死；beta 的上限跟着行情走，一轮趋势可以抵中性跑一整年
右偏分布：好的趋势类策略，大部分时间小亏小赚，少数几次大行情贡献主要收益。
长期正期望：持有风险资产本身就有风险溢价，beta 是这份溢价最直接的载体 二、容量与成本
容量大：不依赖盘口深度和排队位置，资金规模可以做得很大，而中性和做市的容量往往很快碰到天花板
低换手：交易频率低，手续费、滑点和冲击成本对收益的侵蚀小得多
低基建门槛：不拼微秒级延迟，不需要做市协议和费率档位，对交易所资源几乎没有依赖 三、可解释与可扩展
逻辑透明：赚什么钱、亏什么钱，一句话能讲清楚，归因简单
跨市场可迁移：同一套趋势或动量逻辑，在不同资产和市场上通常都成立
可作为 alpha 的载体：在 beta 敞口之上叠加择时、仓位管理和风控，同样能做出超额收益 四、组合层面
与中性策略低相关：放在同一个组合里，中性提供稳定的底仓收益，beta 提供尾部的上行弹性，两者互补 所以 beta 从来不是坏东西。
它只是需要一个能承受方向波动、资金周期足够长、愿意为收益等待的持有者。 说实话，我个人其实很喜欢研究趋势和 beta。看一轮行情怎么启动、怎么加速、怎么衰竭，看资金怎么从一个叙事流到另一个叙事，这些东西本身就很迷人。我做主观交易吃的大部分也是这份钱。