多币种回测过滤gate1,gate2 + corr_4h_60d

多币种回测验证 v2 分析报告(Gate1+Gate2 + 4H 相关系数过滤)

1. 报告元信息

项目 说明
脚本 validate_multicoin_btc_base_v2
运行参数 --min-bars 1000
报告生成 基于 2026-02-17 单次运行终端输出整理
数据范围 94 个币种,4H 级别,与 BTC 配对
过滤链路 4H 相关系数 ≥ TARGET_CORR_THRESHOLD → Gate1 协整 → Gate2 健康监控,三者均通过才纳入回测

2. 执行概要

  • Gate 预计算:94 币 × 时间桶,先做 4H/60d 相关系数过滤(|corr| ≥ 0.5),再执行 Gate1+Gate2;耗时约 597s
  • 有效币种:31 个币种至少有一次通过 Gate(通过率 > 0%);63 个币种 在所有时间桶上均未通过,被完全排除。
  • 策略方案:A 耦合 / B 解耦 / C 仅调 threshold / D 全参数网格;解耦方案 B 的 E24S72(D) 被选为全局最优
  • 全局最优:17 个币种有交易,盈利率 70.6%,中位收益 +0.62%,中位胜率 100%(按币种),平均回撤 1.26%,Gate 过滤 426 次。

3. Gate 与 4H 相关系数过滤

3.1 过滤顺序

  1. 4H 相关系数:对每个时间桶的 4h/60d 窗口计算 BTC vs 币种收益率相关系数;若 |corr| < TARGET_CORR_THRESHOLD(默认 0.5),该桶直接记为未通过,不进入 Gate1/Gate2。
  2. Gate1:币种 vs BTC 的 Johansen 协整检验,6 个时间窗口中有 ≥3 个通过才放行。
  3. Gate2:4H/60D 短期健康监控,UNHEALTHY 时不放行。

3.2 通过率汇总

指标 数值
总币种数 94
有效(通过率>0) 31
完全排除(通过率=0) 63
通过率均值 3.9%
通过率中位数 0.0%

3.3 Gate1+Gate2 协整验证通过率(按币种,通过率>0 的 31 个)

# 币种 时间桶数 通过 失败 无数据 通过率
1 SOL 60 42 18 0 70.0%
2 BSV 60 23 36 1 38.3%
3 SNX 70 20 50 0 28.6%
4 XLM 68 19 49 0 27.9%
5 ARK 59 16 42 1 27.1%
6 REZ 58 15 42 1 25.9%
7 XRP 52 10 42 0 19.2%
8 UNI 54 9 45 0 16.7%
9 BIGTIME 64 9 55 0 14.1%
10 SUSHI 61 7 54 0 11.5%
11 ORDI 59 6 53 0 10.2%
12 COMP 60 5 54 1 8.3%
13 GOAT 63 5 57 1 7.9%
14 CELO 69 5 63 1 7.2%
15 DOT 67 4 62 1 6.0%
16 SCR 56 3 51 2 5.4%
17 AERO 57 3 53 1 5.3%
18 PENGU 65 3 61 1 4.6%
19 EIGEN 58 2 56 0 3.4%
20 ETC 59 2 56 1 3.4%
21 PNUT 63 2 60 1 3.2%
22 ONDO 68 2 64 2 2.9%
23 LINK 69 2 66 1 2.9%
24 CAKE 57 1 56 0 1.8%
25 OP 58 1 57 0 1.7%
26 BRETT 59 1 57 1 1.7%
27 NEAR 59 1 57 1 1.7%
28 ETH 62 1 61 0 1.6%
29 ALT 62 1 60 1 1.6%
30 TRB 62 1 61 0 1.6%
31 PEOPLE 63 1 62 0 1.6%

3.4 完全被 Gate 排除的币种(63 个)

INJ, YGG, WIF, LTC, CRV, APE, POPCAT, VINE, kPEPE, AVAX, BIO, SPX, LDO, AAVE, CFX, DOGE, HBAR, AR, SUI, ADA, ALGO, ATOM, APT, BNB, ARB, ENA, DYDX, KAS, FET, JUP, GMX, BLUR, ETHFI, IMX, GALA, ENS, IO, TAO, VIRTUAL, RSR, DYM, kSHIB, SEI, TON, TRUMP, kBONK, PENDLE, S, STRK, TIA, STX, kFLOKI, PYTH, kNEIRO, W, SUPER, MORPHO, RUNE, SAGA, NEO, TURBO, UMA, MINA.


4. 数据概况(部分代表币种)

币种 bars z4h μ z4h σ z4h 范围 Gate通过率
SOL 2243 +0.546 1.378 [-5.02, 3.45] 70%
SNX 1966 +0.278 1.015 [-3.11, 4.35] 29%
XRP 1947 +0.641 1.631 [-5.44, 4.82] 19%
INJ 1873 +1.001 1.149 [-3.27, 4.21] 0%
LINK 1843 +1.423 0.974 [-4.55, 3.91] 3%
ETH 1771 +0.314 1.706 [-4.72, 3.85] 2%
LTC 1689 +0.904 1.138 [-5.24, 5.28] 0%
ALT 1672 +0.852 0.978 [-2.42, 5.19] 2%

5. 策略方案对比

5.1 方案定义

方案 说明 配置数 币种数 总测试数 耗时
A 耦合 EMA=STD,扫描 span × 持仓时长 12 94 1,128 48.8s
B 解耦 EMA≠STD 12 94 1,128 47.7s
C 仅调 threshold 12 94 1,128 44.1s
D 全参数网格搜索 270 94 25,380 1020.9s

5.2 各方案最优配置对比

方案 最优配置 币数 盈利% 中位PnL 中位WR 均DD 中位Sh 评分
耦合 最优 E72S72(C) Th2.5 SL5% RF0.18 CD15m H120m 21 61.9% +0.38% 50.0% 1.88% 0.01 20.5
解耦 最优 E24S72(D) Th2.5 SL5% RF0.18 CD15m H120m 17 70.6% +0.62% 100.0% 1.26% 0.01 27.8
仅Th 最优 E72S72(C) Th4.0 SL5% RF0.18 CD30m H120m 9 55.6% +0.10% 66.7% 1.11% 0.00 20.5
全网格 最优 E36S72(D) Th3.0 SL3% RF0.30 CD15m H120m 16 68.8% +0.35% 100.0% 0.89% 0.00 27.3

5.3 方案 A 综合排名 TOP 6(耦合)

# 配置 币数 盈利% 交易 Gate过滤 中位PnL 均PnL 中位WR 均DD 评分
1 E72S72(C) Th2.5 SL5% RF0.18 CD15m H120m 21 61.9% 86 890 +0.38% +0.14% 50.0% 1.88% 20.5 ★
2 E72S72(C) Th2.5 SL5% RF0.18 CD15m H72h 21 57.1% 61 827 +0.76% +1.33% 50.0% 3.60% 19.5
3 E96S96(C) Th2.5 SL5% RF0.18 CD15m H30m 22 54.5% 115 1129 +0.52% +0.20% 55.0% 1.38% 19.3
4 E96S96(C) Th2.5 SL5% RF0.18 CD15m H120m 22 54.5% 87 1115 +0.64% +0.59% 50.0% 2.00% 18.8
5 E48S48(C) Th2.5 SL5% RF0.18 CD15m H30m 22 50.0% 107 943 -0.00% -0.30% 55.1% 1.33% 17.9
6 E96S96(C) Th2.5 SL5% RF0.18 CD15m H72h 22 50.0% 60 1058 +0.25% +2.36% 55.0% 3.12% 17.8

5.4 方案 B 综合排名 TOP 6(解耦)

# 配置 币数 盈利% 交易 Gate过滤 中位PnL 均PnL 中位WR 均DD 评分
1 E24S72(D) Th2.5 SL5% RF0.18 CD15m H120m 17 70.6% 42 426 +0.62% +0.23% 100.0% 1.26% 27.8 ★
2 E36S96(D) Th2.5 SL5% RF0.18 CD15m H120m 20 65.0% 51 641 +0.64% +0.27% 58.3% 1.31% 22.4
3 E48S96(D) Th2.5 SL5% RF0.18 CD15m H120m 20 65.0% 61 715 +0.64% +0.39% 50.0% 1.47% 21.6
4 E36S72(D) Th2.5 SL5% RF0.18 CD15m H120m 21 61.9% 62 635 +0.38% +0.14% 60.0% 1.35% 21.6
5 E24S96(D) Th2.5 SL5% RF0.18 CD15m H120m 17 64.7% 41 472 +0.76% +0.19% 50.0% 1.37% 21.5
6 E24S96(D) Th2.5 SL5% RF0.18 CD15m H30m 17 58.8% 44 475 +0.12% +0.11% 60.0% 0.96% 20.7

5.5 方案 D 全网格 TOP 6

# 配置 币数 盈利% 交易 Gate过滤 中位PnL 均PnL 中位WR 均DD 评分
1 E36S72(D) Th3.0 SL3% RF0.30 CD15m H120m 16 68.8% 31 319 +0.35% +0.37% 100.0% 0.89% 27.3 ★
2 E36S72(D) Th3.0 SL3% RF0.10 CD15m H120m 16 68.8% 31 319 +0.35% +0.31% 100.0% 0.95% 27.2
3 E36S72(D) Th3.0 SL3% RF0.18 CD15m H120m 16 68.8% 31 319 +0.35% +0.31% 100.0% 0.95% 27.2
4 E36S72(D) Th3.0 SL5% RF0.30 CD15m H120m 16 68.8% 31 319 +0.35% +0.23% 100.0% 1.03% 27.2
5 E36S72(D) Th3.0 SL5% RF0.10 CD15m H120m 16 68.8% 31 319 +0.35% +0.20% 100.0% 1.07% 27.2
6 E36S72(D) Th3.0 SL5% RF0.18 CD15m H120m 16 68.8% 31 319 +0.35% +0.20% 100.0% 1.07% 27.2

6. 全局最优配置与参数

脚本选取的全局最优为解耦方案 B 的最优配置:

TRADING_STRATEGY_EMA_SPAN = 24
TRADING_STRATEGY_STD_WINDOW = 72   # 解耦
TRADING_STRATEGY_ADAPTIVE_THRESHOLD = 2.5
TRADING_MAX_HOLD_HOURS = 2.0
TRADING_STOP_LOSS_PCT = 0.05
TRADING_STRATEGY_REVERSION_FACTOR = 0.18
TRADING_STRATEGY_COOLDOWN_MINUTES = 15

配置简写:E24S72(D) Th2.5 SL5% RF0.18 CD15m H120m

汇总指标

指标 数值
通用性(有交易币数) 17
盈利率(盈利币比例) 70.6%
中位收益 +0.62%
中位胜率 100.0%(按币种)
中位 Sharpe 0.01
平均回撤 1.26%
Gate 过滤次数 426

7. 全局最优配置下各币种明细(按收益排序)

# 币种 交易 Gate过滤 胜率 收益 盈亏比 回撤 持仓 Sharpe
1 SOL 9 11 44.4% +4.94% 3.99 0.96% 1.4h 0.46
2 BIGTIME 1 27 100.0% +3.25% INF 0.00% 2.0h 0.03
3 GOAT 1 29 100.0% +2.69% INF 0.00% 2.1h 0.03
4 ARK 4 23 75.0% +2.37% 0.90 1.40% 2.0h 0.37
5 EIGEN 1 25 100.0% +1.71% INF 0.00% 2.0h 0.02
6 PENGU 1 30 100.0% +1.25% INF 0.00% 2.0h 0.01
7 SCR 1 28 100.0% +0.89% INF 0.00% 4.0h 0.01
8 UNI 2 27 100.0% +0.76% INF 0.00% 3.0h 1.74
9 REZ 4 23 25.0% +0.62% 4.08 1.07% 2.7h 0.12
10 SNX 1 29 100.0% +0.10% INF 0.00% 5m 0.00
11 PNUT 1 27 100.0% +0.07% INF 0.00% 2.0h 0.00
12 ONDO 1 32 100.0% +0.03% INF 0.00% 2.0h 0.00
13 ALT 1 36 0.0% -0.61% 0.00 0.61% 5m -0.01
14 XRP 4 25 25.0% -0.99% 1.89 1.69% 3.0h -0.21
15 XLM 4 15 50.0% -2.77% 0.21 3.18% 2.5h -0.56
16 ORDI 3 24 0.0% -3.62% 0.00 3.62% 4.0h -1.25
17 BSV 3 15 33.3% -6.85% 0.47 8.95% 2.5h -0.71
  • 盈利 12 币,亏损 5 币;总 Gate 过滤 426 次。
  • SOL 贡献最大;BSV、ORDI、XLM 亏损与回撤突出,实盘可考虑单独禁用或降仓位。

8. Gate 通过率与回测收益关系(最优配置下)

币种 Gate通过率 交易数 Gate过滤 收益 胜率
SOL 70.0% 9 11 +4.94% 44.4%
BSV 38.3% 3 15 -6.85% 33.3%
SNX 28.6% 1 29 +0.10% 100.0%
XLM 27.9% 4 15 -2.77% 50.0%
ARK 27.1% 4 23 +2.37% 75.0%
REZ 25.9% 4 23 +0.62% 25.0%
XRP 19.2% 4 25 -0.99% 25.0%
UNI 16.7% 2 27 +0.76% 100.0%
BIGTIME 14.1% 1 27 +3.25% 100.0%
SUSHI 11.5% 0 32 +0.00% 0.0%
ORDI 10.2% 3 24 -3.62% 0.0%
COMP 8.3% 0 27 +0.00% 0.0%
GOAT 7.9% 1 29 +2.69% 100.0%
CELO 7.2% 0 33 +0.00% 0.0%
DOT 6.0% 0 28 +0.00% 0.0%
SCR 5.4% 1 28 +0.89% 100.0%
AERO 5.3% 0 30 +0.00% 0.0%
PENGU 4.6% 1 30 +1.25% 100.0%
EIGEN 3.4% 1 25 +1.71% 100.0%
ETC 3.4% 0 23 +0.00% 0.0%

结论:Gate 通过率与回测收益无简单正相关。高通过率(如 BSV 38.3%)可能对应大亏(-6.85%),低通过率币种偶尔通过也可能亏损(如 XRP、ORDI)。Gate 仅做「是否适合做均值回归」的过滤,通过后仍需结合策略参数与币种特性评估。


9. 结论与建议

9.1 主要结论

  1. 解耦 (E24S72) 优于耦合,被选为全局最优,适合作为主用配置。
  2. 全网格最优 (E36S72 Th3.0 SL3%) 更保守、回撤更小,若优先考虑稳定性可作备选。
  3. Gate 过滤较严:94 币中仅 31 个有通过、17 个在最优配置下有交易;63 个币被完全排除属预期。
  4. 4H 相关系数前置过滤已启用(|corr_4h_60d| ≥ TARGET_CORR_THRESHOLD),与实盘及 pairwise 回测逻辑一致。
  5. 单币风险:BSV、ORDI、XLM 在最优配置下亏损与回撤明显,实盘可考虑禁用或降仓。

9.2 配置建议

  • 主推:E24S72(D) Th2.5 SL5% RF0.18 CD15m H120m(即报告中的全局最优)。
  • 偏保守:E36S72(D) Th3.0 SL3% RF0.18 CD15m H120m(全网格最优之一)。
  • 实盘:可对 BSV/ORDI/XLM 单独禁用或降低仓位,其余按 Gate 与策略信号执行。

9.3 后续可做

  • 延长样本或外推区间做稳健性检验。
  • 按币种或按时间段做收益分解,识别驱动因子。
  • 若需更多交易频次,可评估适度放宽 Gate 或增加币种池的利弊。

10. 附录:配置符号说明

符号 含义
E24S72(D) EMA span=24, STD window=72,解耦 (Decouple)
E72S72(C) EMA=STD=72,耦合 (Couple)
Th2.5 / Th3.0 自适应阈值
SL5% / SL3% 止损 5% / 3%
RF0.18 回归因子
CD15m / CD30m 冷却 15/30 分钟
H30m / H120m / H72h 最大持仓 0.5h / 2h / 72h
TARGET_CORR_THRESHOLD 4H 相关系数阈值(默认 0.5),低于此值不进入 Gate1/Gate2

Read more

跑步的技巧(滚动落地)

“滚动落地(rolling contact / rolling foot strike)”不是一种教条式的“脚法”,而是一种 让冲击沿着整只脚、整条后链逐级传递的落地机制。 它的核心不是“你先用哪儿着地”,而是: 你的脚落地之后,冲击是不是像轮子一样滚过去,而不是像锤子一样砸下去。 这就是滚动落地的本质。 一、什么叫“滚动落地”? 你可以把它理解成两种完全不同的落地方式: 1. 砸地(撞击式) 脚像锤子一样拍到地上: * 要么后跟先砸 * 要么前掌先戳 * 冲击集中在一个点 * 一个结构瞬间吃掉大部分载荷 结果就是: * 后跟砸 → 膝盖难受 * 前掌戳 → 前脚掌磨烂 * 都不是长跑友好模式 这叫 撞击式着地(impact strike)。 2. 滚地(滚动式) 脚像轮胎一样“滚”过地面: * 不是某一点硬砸 * 而是外侧中足先轻触 * 再向前滚到前掌 * 最后从大脚趾蹬离

By SHI XIAOLONG

AMI的优越性

世界模型(World Models)的具体例子 如下,我按类型分类,便于理解。每类都附带实际实现、演示效果和应用场景。 1. Yann LeCun / Meta 的 JEPA 系列(最直接对应“世界模型”概念) 这些是 LeCun 主张的非生成式抽象预测世界模型代表。 * I-JEPA(Image JEPA,2023) 输入一张图像,模型把不同区域(context 和 target)编码成抽象表示,然后预测 target 的表示(不在像素级别重建)。 例子:给定一张遮挡了部分物体的图片,模型能预测“被遮挡物体的大致位置和属性”,构建对物体持久性和空间关系的理解。 这是一个“原始世界模型”,能学习物理常识(如物体不会凭空消失)。 * V-JEPA / V-JEPA 2(Video JEPA,

By SHI XIAOLONG

什么是:“世界模型(World Models)”

世界模型(World Models) 是人工智能领域的一个核心概念,尤其在 Yann LeCun 等研究者推动的下一代 AI 架构中占据中心位置。它指的是 AI 系统在内部构建的对现实世界的抽象模拟或内部表示,让机器能够像人类或动物一样“理解”物理世界、预测未来、规划行动。 简单比喻 想象你闭上眼睛也能“看到”房间里的物体会如何移动、碰撞或掉落——这就是你大脑里的世界模型。AI 的世界模型就是类似的“数字孪生”(digital twin)或“内部模拟器”:它不是简单记住数据,而是学习世界的动态、因果关系和物理直觉(如重力、物体持久性、遮挡、因果等)。 为什么需要世界模型? 当前主流的大型语言模型(LLM) 擅长处理文本(统计模式预测),但存在根本局限: * 缺乏对物理世界的真正理解 → 容易“幻觉”、无法可靠规划。 * 样本效率低 → 人类/

By SHI XIAOLONG

K线周期可配置化设计方案

K线周期可配置化设计方案 1. 背景与目标 当前 Beta 套利策略的 K 线周期硬编码为 "1h",分散在多个文件中。需要: 1. 将 K 线周期从 1h 改为 2h 2. 提取为环境变量 BETA_ARB_KLINE_INTERVAL,使其可在 .env 中配置 2. 影响范围分析 2.1 需要修改的文件(共 6 个) 文件 硬编码位置 修改内容 src/trading/config.py BetaArbConfig dataclass 新增 kline_interval 字段,

By SHI XIAOLONG