量化交易

研究循环

这个循环说起来很短，做好却很长。写下一个可检验假设。收集一份可复现的数据集，并核对它的覆盖情况：缺失的区间、重复的事件、时区、合约换月和单位。用明确的执行模型和成本去跑这条规则。在一段事先选好、且完全没有参与挑选参数的时期上评估结果。把结果连同失败一起记录下来，再决定下一步改什么。然后，只改一件事。

零售交易者完全可以从一个品种、一个假设开始。写代码是后面的事；第一项任务是决定什么样的证据会让你放弃这个想法。

证据通常在哪里塌掉

• 成本：一个举例用的、几个跳动点的毛期望值，在扣掉手续费以及入场和出场的滑点之后可能就没了。换算手续费时要用品种真实的每跳价值。
• 信息泄漏：用第二天的分布去标注价位，或者用今天的伽马敞口替代历史快照，都会让未来的信息渗进过去。
• 选择偏差：试了很多配置再留下赢家，如果评估期没有事先隔离，量到的其实是运气。
• 覆盖：今天能加载出一张图，并不能说明历史深度如何，也不能说明老成交是否带方向分类。
• 执行：基于 K 线的模型不会重建排队，而限价被触及并不等于成交。

量化与订单流结合起来

订单流的观察一旦被归约成数据里真实存在的字段，就能成为量化输入：每个价位的 delta 等于主动买量减主动卖量、按写明比率界定的对角线失衡、各价位成交量、已收线 K 线的收益率。一个疑似吸收的现象——在事先标好的价位上出现大量抛压却几乎推不下去——可以催生一个假设；但它不能替代「在作出决定的那一刻，究竟已知什么」的记录。基于深度的想法需要盘口历史，而成交数据本身并不提供。

在 Senzoukria 里

脚本编辑器用 TypeScript、Python 或 C++ 保存规则，自动回测面板则在交易者自己缓存的历史数据上逐根 K 线运行它，运行前先测量覆盖情况，并把成本计入结果。面板提供向前滚动选项、参数搜索，以及一整套稳健性核查组成的 Gauntlet：账户是否存活、向前滚动窗口是否足够、置换检验、考虑试验次数的收缩夏普比率、回测过拟合概率、最大回撤是否在账户限额之内、在不利时期上的压力测试，以及自营公司周期核查。图表上还可以调用量化窗格指标，例如 Autocorrelation、Hurst Exponent (R/S)、Shannon Entropy 和各个 z 分数。一次回测运行只在最近三次里保留交易明细，重新加载就会丢失，这也是另一个应当留下书面研究记录的理由。

常见错误

• 把图上一个赚钱的例子当成一条策略。
• 把所有指标一股脑堆在一起，而不是做一个记录完备的实验。
• 把一个漂亮的 Gauntlet 标签读成对未来优势的认证，而它只是对所提供数据上一套流程的概括。
• 在考虑接入真实账户之前，跳过「回测 → 回放 → 模拟账户」这几步。