- 博客(36)
- 资源 (16)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 【市场形态探索】根据分位数进行形态划分
我选择了两个指标，一个是全市场上涨币的比例，一个是振幅，分位数划分20档，两个指标笛卡尔积就是400个组合，即400个轮次，对应我因子探索中的5个因子，一共跑了2000轮回测。选出每个轮次最佳因子，最终用最佳的因子回测，回测效果很不错，接下来看实盘表现了。除了机器学习外，目前通过大量回测，通过分位数这个方法，效果还不错。不过成交率大大降低了，差不多只有八分之一。
2025-12-12 09:35:52
19
原创 【因子探索】不同年份的最强因子
思来想去，我打算按年份寻找因子，2021年用什么参数，找到最强因子，2023、2024、2025依次如此，2022年我放弃了，发现怎么改，2022年都不行，估计2022年是市场行情不适合动量做多。目前因子研究一直卡壳中，我想要不同市场形态能使用最佳的因子，那首先需要不同效果的因子，另外这些因子，最好是同一个原生因子演化而来的，如不同的周期参数。
2025-12-05 17:08:51
15
原创 【因子探索】动量因子dongliang2021
因子在 2021 年展现出极强的收益能力，但年度间表现波动显著，且存在明显的月度效应 ——3 月、5 月、10 月等月份表现突出，而 6 月、12 月则普遍表现不佳。整体而言，因子具备高收益特征，但同时伴随较高的收益波动率。这个因子在2021年表现比较好，我就命名为dongliang2021。
2025-12-03 10:56:18
25
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：综合与应用
核心价值： 第十二章教你的是系统工程的思维，而不是单个模型。它强调流程化、系统化、持续监控的重要性。终极目标： 构建一个稳健的、能自我适应的交易系统。这个系统不依赖任何一个神奇的因子，而是依靠：分散化：多资产、多策略、多时间周期。风险优先：严格的风控和资金管理是生存的保障。持续进化：不断研究新的因子，淘汰失效的旧因子，适应新的市场环境。
2025-12-01 13:52:47
613
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：高频数据分析与市场微观结构
高频数据分析摘要：高频数据具有不等间隔性、离散性和市场微观结构噪声等特征，与日频数据存在本质差异。本章重点探讨高频数据分析的核心模型与方法，包括已实现波动率估计、持续期模型和超高频数据建模等。这些方法可用于构建高频交易策略，如波动率因子、订单不平衡因子、价格跳跃检测等。高频交易对数据质量、处理能力和执行速度要求极高，需要深入理解市场微观结构。该领域为量化交易提供了捕捉瞬时市场机会的能力，但同时也面临技术实现和模型复杂度的挑战。
2025-12-01 12:17:04
1082
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：预测理论与应用
核心价值： 第十章将所有模型统一到了“预测”这个最终目标下，提供了一套科学、系统的预测工作流，包括模型选择、预测生成、评估和比较。关键认知：预测波动率远比预测收益率容易且可靠。因此，基于风险预测的仓位管理策略往往比基于方向预测的策略更稳定。所有预测都有误差，必须重视预测区间（不确定性）的估计，而不是只看点预测。多步预测能力非常有限，专注于下一期的预测（l=1）是最现实的。数字货币应用：动态风控： 波动率预测是设置动态止损、止盈和目标位的核心依据。
2025-11-30 11:49:51
995
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：极值理论、厚尾分布与风险度量
本文探讨了极端值研究在金融领域的重要性，指出传统正态分布假设与市场实际"尖峰厚尾"特征的差异。重点介绍了极值理论(EVT)的两种核心方法：分块最大值法(BMM)和峰值超过阈值法(POT)，以及它们在风险度量(VaR与ES)中的应用。文章特别强调数字货币市场的高波动特性，提出通过EVT模型实现精准风险预警、动态仓位调整和厚尾状态识别。最后指出，管理尾部风险是实现长期投资生存的关键，EVT工具能有效应对"黑天鹅"事件，为量化交易筑牢安全防线。
2025-11-30 11:36:16
771
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：非线性时间序列模型
核心价值： 第七章的模型承认市场是复杂、多变、且存在结构性断点的。它们提供了应对这种复杂性的工具。主要信息： 没有一招鲜吃遍天的策略。策略的有效性依赖于市场的“模式”或“状态”。数字货币应用：策略择时： 在低波状态使用趋势策略，在高波状态使用反转或观望。动态参数： 根据识别出的市场状态，动态调整策略参数（如止损幅度、仓位大小）。预警信号： 机制切换因子本身就可以作为预警信号，提示市场可能即将发生重大变化。
2025-11-30 08:23:11
777
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：多元波动率模型
本文探讨了多元波动率模型的核心内容及其在量化交易中的应用。首先分析了单变量GARCH模型的局限性，指出其无法捕捉资产间的协同风险。重点介绍了多元GARCH模型中的DCC（动态条件相关）模型，该模型通过两步估计法有效解决了维度灾难问题，能同时捕捉资产方差和相关系数的时变性。在应用方面，详细阐述了DCC模型在动态风险平价配置、动态对冲比率计算和系统性风险预警三大场景中的实现方法，并提供了相应的Python代码示例。文章特别强调DCC模型在数字货币领域的重要价值，能有效应对该市场高波动性和相关性突变的特点，为多资
2025-11-30 08:23:07
659
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：多元时间序列分析
在数字货币市场中，单一资产的价格波动并非孤立事件——BTC的暴涨可能带动ETH跟涨，主流币的恐慌抛售也会引发山寨币的连锁下跌。这种多资产间的联动关系，正是多元时间序列分析的研究核心。本章将聚焦三大核心工具，带你从“单资产择时”升级到“多资产套利与对冲”的进阶维度，为构建统计套利、跨市场策略提供理论与实战支撑。
2025-11-29 09:41:20
642
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：条件异方差模型
跳出“预测价格方向”的传统思维，转向“预测风险（波动率）”这一更核心的命题。对数字货币合约交易者而言，风险控制直接决定生存能力，因此本章内容堪称全书实战价值的巅峰。动态仓位管理：利用预期波动率因子，实现“高波动降仓、低波动加仓”——波动率σ越高，单位风险对应的仓位应越小，避免极端行情下的大额亏损；自适应止损设置：基于预测波动率设置动态止损线（如“当前价格 ± 2×σ”），既避免“被小幅波动止损出局”，又能在趋势反转时及时离场；策略切换信号。
2025-11-29 09:32:53
841
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：移动平均模型与ARMA模型
在上一章我们掌握了AR模型的核心逻辑——用历史数据预测当前趋势，而第三章则进一步拓展了线性时间序列的工具箱：MA（移动平均）模型聚焦“随机冲击的持续影响”，ARMA模型则融合AR与MA的优势，成为更强大的建模工具。它的核心是追踪“不可预测的随机误差”对市场的持续影响，这是量化分析中极易混淆的关键点，必须首先厘清。AR模型擅长捕捉序列的“自相关趋势”（动量/反转），MA模型擅长捕捉“随机冲击的持续影响”，而ARMA模型将两者结合，用更简约的参数描述更复杂的时间序列规律，是线性时间序列分析的“中坚力量”。
2025-11-28 12:54:00
626
原创 Ruey S. Tsay《时间序列分析》Python实现笔记：从AR模型到综合AR特征因子
本文介绍了将金融时间序列经典教材《Analysis of Financial Time Series》中的R语言案例用Python重写的实践，重点聚焦第二章的线性时间序列分析。文章提供了三个核心因子的Python实现代码：AR模型因子（捕捉动量/反转效应）、PACF因子（衡量直接相关性）和综合AR特征因子（结合多特征）。同时分享了实战注意事项，包括数据平稳性处理、窗口大小选择、NaN处理等关键细节，并解析了因子的市场含义和交易逻辑。作者计划后续继续实现书中的GARCH、VAR等核心模型，将经典理论转化为可落
2025-11-28 12:45:29
678
原创 【因子探索】BiasEma
本文研究了加密货币量化交易中的BiasEma因子，该因子通过指数移动平均(EWM)对传统乖离率进行平滑优化。研究对比了参数n=12和18的回测表现：小周期(12)在牛市中收益爆发力强(最高162倍)，但熊市回撤大(2025年11月回撤99.89%)；大周期(18)收益更平稳(最高48倍)，在震荡市中表现更好。研究发现该因子更适合多头策略，建议根据市场环境动态调整参数，并配合严格止损(回撤60%清仓)。优化方向包括参数动态调整、多因子融合等，强调加密货币量化交易需注重风险控制与策略组合。
2025-11-25 13:51:59
38
原创 【市场行态探索】用传统GMM算法捕捉加密货币市场状态
这套基于GMM的市场状态识别系统，核心价值在于“用数据驱动的方式量化市场特性”——它摆脱了主观判断市场是“震荡”还是“趋势”的局限，通过多维度特征和无监督学习，让市场状态的定义更客观、更稳定。无论是回测中验证策略在不同状态下的表现，还是实盘中动态调整交易逻辑，这套系统都能提供可靠的决策依据。对于量化交易者而言，掌握这类“市场感知”能力，是从“被动跟随行情”到“主动适应市场”的关键一步。import osimport sys# 主流币列表。
2025-11-25 11:39:03
290
原创 【市场形态探索】开篇
摘要：本文探讨了利用机器学习模型识别市场形态并匹配选币因子的量化交易策略。作者对比了Kmeans聚类和高斯混合模型(GMM)的效果，最终选择GMM作为核心算法，并发现振幅类指标对形态分类效果显著。研究重点从形态识别转向因子匹配，通过构建"市场形态-选币因子"配置表实现动态策略调整。未来计划引入贝叶斯GMM等更复杂算法优化分类效果，并在后续文章中详细分享因子回测数据。该研究仍处于验证阶段，实盘效果有待进一步检验。
2025-11-24 15:25:17
275
原创 【因子探索】BIAS 乖离率因子详解
摘要：BIAS（乖离率）是衡量股价与移动平均线偏离程度的技术指标，反映市场超买超卖状态。标准计算公式为(收盘价-N日均价)/N日均价×100%。测试显示，参数18（16161.94USDT）比参数12（9832.25USDT）表现更好，但需结合其他因子优化。优点包括计算简单、趋势判断有效，适用于多周期；缺点是在震荡市效果差、有滞后性，需配合其他指标使用且参数影响大。2021-2025年回测表明该因子需进一步打磨以提高稳定性。
2025-11-24 14:22:30
96
原创 【因子探索】 ADX
ADX（平均趋向指数）是衡量市场趋势强度的技术指标，由+DI、-DI和ADX三条线组成。ADX值高于25表示趋势强劲，低于20则表明市场震荡。结合+DI和-DI交叉可判断买卖信号，但需注意ADX在震荡市中可能产生假信号。实际应用中，ADX常作为趋势过滤器，帮助交易者识别有效趋势。测试显示，ADX结合动量因子在数字货币合约交易中效果不稳定，需配合其他指标优化参数。不同周期参数适用于不同市场环境，需持续调整策略以适应市场变化。ADX作为滞后指标，需结合其他工具使用，无法单独保证交易成功率。
2025-11-23 12:15:31
97
原创 【市场指标】趋势强度
趋势强度” 指标的核心作用是，通过 “涨跌幅” 与 “振幅” 的比值，判断价格波动是 “有明确方向的趋势” 还是 “无序的震荡”。
2025-11-23 08:48:58
446
原创 量化杂记-到底如何区分市场形态2
背景：通过全市场数字货币合约的交易情况预测未来市场，并能有效分类以便选择不同的选币因子。之前耗了几天用Kmeans聚类来分区，但回测效果不太好，可能是我选择的指标不合适，从今天开始尝试用GMM分类，并且优化了下选择指标，首次测试回测结果就有3倍涨幅，给我小小惊喜。
2025-11-21 10:05:30
524
原创 量化杂记-到底如何区分市场形态1
这里先明确两个核心前提：一是我已经备好一套动量选币因子，作用是从500多个币种里筛选涨势领先的龙头币，这套因子的"性格"很鲜明——只适用于明确的上升趋势，震荡和下跌市就是它的"雷区"；毕竟在合约市场里，"一把尺子量到底"的策略从来行不通，比如我常用的动量选币因子，在趋势行情里能精准揪出涨势龙头，但遇上震荡或下跌趋势，简直是"精准踩坑"，收益曲线能直接给你画个"俯冲坡"。后续会持续更新模型训练的进展，比如单一指标的聚类效果、不同指标的对比分析，以及最关键的——状态分类结果和动量因子收益的匹配度验证。
2025-11-20 11:36:38
399
原创 币安合约市场指标说明（评分机制补充）
评分机制的最终输出分类，是将 “抽象分数” 转化为 “具体操作” 的关键环节。它不仅看 “总分高低”，还结合 “维度一致性” 和 “风险等级”，最终输出 “信号类型 + 操作参数” 的组合结果，既保证了量化分析的严谨性，又满足了实际交易的可执行性。这种分类方式让系统从 “分析工具” 升级为 “决策辅助工具”，直接对接交易动作。
2025-10-14 08:00:00
1011
原创 合约交易指标系统优化LOG（高波动占比错误修正及优化）
高波动占比 =（24 小时内高波动币种数量 ÷ 参与波动统计的有效币种总数）× 100%分子：24 小时振幅超过「高波动阈值」（当前设为 20%）的币种数量；分母：成功获取 24 小时波动数据的币种总数（排除数据异常或无效的币种）。
2025-10-13 17:58:06
1034
原创 币安合约市场指标说明（评分机制）
评分机制是把 “模糊的市场感觉” 转化为 “精确数字决策” 的桥梁。它的核心价值是 **“量化分散的市场特征，通过权重体现策略对不同维度的重视程度，最终输出可执行的交易信号”**。理解各维度的打分逻辑和权重设计，就能清晰把握系统的决策依据，也为后续优化（如调整权重、新增维度）奠定基础。
2025-10-13 08:00:00
1075
原创 我的数字货币量化之路（一）
走上量化这条路，我花了大量精力研发选币因子，但回测表现很好的策略一到实盘就出问题——滑点、止盈止损设置不合理等各种因素导致效果不佳。直到最近国庆假期，我决定换个思路：尝试研究市场整体形态，看能否提前判断下一个小时的市场走势，再决定是否开仓，验证这条路径的可行性。），我设计了一套评分机制，用来判断开仓时机。因为我主要做合约交易，风险较高，所以策略设置比较谨慎，开仓条件也相对严格，导致日常建仓机会不多。从那以后，我彻底认清自己不是手动交易的料，下定决心只走程序化交易的路子，坚决不碰手动操作。
2025-10-12 17:57:04
941
原创 币安合约市场指标—文章汇总
数字货币量化交易：我的实战经验总结币安合约市场指标说明（成交额相关）币安合约市场指标说明（资金流向指标）币安合约市场指标说明（资金费率）币安合约市场指标说明（波动率指标）币安合约市场指标说明（评分机制）
2025-10-12 17:34:15
214
原创 币安合约市场指标说明（波动率指标）
所有波动率指标均基于币安永续合约的 K 线数据计算，核心周期覆盖 1 小时、4 小时、24 小时（部分指标跨周期联动），数据样本为全市场有效币种（排除数据缺失或流动性过低的币种）。涨跌幅 =（当前价 - 前收盘价）/ 前收盘价 × 100%振幅 =（最高价 - 最低价）/ 前收盘价 × 100%（反映单周期内价格波动的最大范围）
2025-10-12 08:00:00
2052
原创 币安合约市场指标说明（资金费率）
所有字段均基于币安永续合约的实时资金费率数据计算（需先通过接口获取全市场有效币种的最新资金费率，排除数据缺失或无效的币种）。核心概念：资金费率为正，代表多头向空头支付费用（市场偏向多头，多头占优）；资金费率为负，代表空头向多头支付费用（市场偏向空头，空头占优）。
2025-10-11 08:30:00
2445
原创 币安合约市场指标说明（成交额相关）
前两日分享了《》后，有小伙伴私信询问核心指标的计算逻辑。接下来我会陆续拆解这些指标的具体算法，也盼着行业里的大佬能多提优化建议，一起完善这套体系。其实做这套指标评分机制，最终是想落地到实盘策略里的。之前花了不少精力研究 “选币因子”，但试下来发现投入产出比越来越低，索性换个方向 —— 把，和我正在优化的结合起来，为实盘框架提供更精准的信号支持。不过数字货币的波动实在太极端了，一分钟内暴涨暴跌是常事，有时候也会琢磨：花这么多精力在指标打磨上，到底值不值？
2025-10-10 12:21:42
1195
原创 数字货币量化交易：我的实战经验总结
最近这段时间，我彻底沉浸在了数字货币合约的量化交易探索里。坦白说，初期走了不少弯路，也经历过亏损，但正是这些实战经历，让我慢慢摸透了市场的一些特性，积累了属于自己的经验。我选择聚焦数字货币合约，核心原因在于它 “7×24 小时不间断交易” 的特性 —— 改完代码就能立刻上线验证，策略效果几分钟内就能看到反馈，这种 “即时生效” 的快感特别过瘾。但反过来，合约的高波动也给量化带来了极大挑战，常常让我怀疑是不是自己的技术还不够扎实，毕竟动辄 10%+ 的振幅，对策略的风控和适应性要求远超传统市场。
2025-10-08 10:37:08
964
1原创 WSGIRequest‘ object has no attribute ‘data‘
解决：WSGIRequest' object has no attribute 'data' 的问题
2023-03-01 19:33:40
924
原创 win7 shell命令
<br /> 您可以用"Shell:"命令调用一切可以用资源管理器打开的项目甚至是一次完成。需要很多步骤才能完成的任务。<br /> Windows 7 Only<br /> shell:Libraries<br /> shell:MusicLibrary<br /> shell:VideosLibrary<br /> shell:OtherUsersFolder<br /> shell:Device Metadata Store<br /> shell:PublicSuggestedLoca
2010-05-31 14:32:00
554
iBATIS SQL Maps开发指南
2009-04-14
汇编语言实例教学——不错
2010-08-20
TA创建的收藏夹 TA关注的收藏夹
TA关注的人