滚动窗口是必须的吗?一定得需要滚动窗口吗?

这是一个问到“系统有没有灵魂”的问题
我先给你结论级答案,再告诉你什么时候可以不用、什么时候不用一定会出事


一、结论先行(非常清晰)

❌ 滚动窗口不是统计上“必须”的
✅ 但在交易系统里,它几乎是“工程上必须的”

换句话说:

你可以不滚动,但那相当于在假设:
市场结构永远不变。

二、为什么“统计上不必须”?

从纯统计角度:

  • 它并 不要求参数随时间更新
  • 所以:
    • 一次性用 500 根
    • 在数学上完全合法

ADF / 协整检验的定义:

在给定样本区间内,是否存在单位根

👉 所以“不是必须”是对的


三、那为什么“交易上几乎必须”?

因为你不是在写论文,而是在 对抗非平稳市场


1️⃣ 市场结构一定会变(这是事实,不是观点)

在真实市场中:

  • 波动 regime 切换
  • 相关性断裂
  • 对冲关系崩溃
  • β 漂移

而协整假设的是:

长期均衡关系存在

👉 如果你不滚动,相当于:

拿“过去曾经成立”的结构,去交易“现在可能不存在的结构”

2️⃣ 不滚动的最大风险:“僵尸协整”

这是实盘里最致命的一类问题:

  • 回测:稳如老狗
  • 实盘:价差越走越远
  • 你还在不断加仓,以为它会回来

👉 因为你用的是:

  • 1 年前的 β
  • 6 个月前的均值
  • 已经失效的协整关系

3️⃣ 高频 / 多时间尺度下,不滚动更危险

你前面说的是:

  • 4H 协整
  • 5min 交易

这意味着:

  • 你每天用一个“慢变量”
  • 去驱动成百上千次快决策

👉 如果慢变量不更新:

  • 错误会被 指数级放大

四、什么时候“可以不滚动”?(非常少)

我只给你 3 个合法场景


✅ 场景 1:短生命周期策略

  • 只交易几天
  • 明确知道某个事件驱动(ETF 重构、合并套利)

👉 可以固定窗口


✅ 场景 2:结构高度稳定的标的

  • 同一指数的成分
  • 同一交易所的价差
  • 明确制度绑定(如现货 vs 永续)

👉 但即便如此,大资金仍然滚动


✅ 场景 3:你只做研究,不做实盘

  • 写论文
  • 比较方法
  • 做历史解释

👉 OK


五、滚动窗口“并不等于频繁重算”

这是很多人抗拒滚动的误区。

❌ 错误理解

“滚动 = 每根 K 线都重跑 ADF”

不需要,也不合理。


✅ 正确工程做法(推荐)

模块是否滚动频率
协整检验每天 / 每 2 天
β 估计每 4H / 每天
均值 / 波动每 5min
交易信号实时每根 bar

👉 滚动是“慢速更新”,不是“高频重算”


六、如果你真的“不想滚动”,最低防线是什么?

如果你现在阶段不想加复杂度,至少做到:

⚠️ 最低工程底线(不滚动版)

  1. 固定窗口 不要太大(如 150–250 根 4H)
  2. 定期 人工复核协整是否仍成立
  3. 严格止损(防止价差单边发散)
  4. 一旦偏离历史极值,直接废掉 pair

👉 这不是好设计,只是 止血设计


七、一句话“量化老手总结”

滚动窗口不是“统计要求”,
而是“对市场不稳定性的承认”。

你可以不滚动,
但那等于在赌:

“市场不会变”

而历史告诉我们:
它一定会。

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