hyperliquid交易记录中平均每笔收益率算法详解

SHI XIAOLONG

— 10 min read

平均每笔收益率算法详解

📊 算法概述

平均每笔收益率（Mean Return Per Trade） 是基于单笔交易收益率计算的核心指标，用于衡量交易策略的平均盈利能力，完全不依赖外部本金数据。

核心特点：

  • ✅ 完全独立：每笔交易自给自足
  • ✅ 相对持仓价值：反映资金使用效率
  • ✅ 标准化指标：可跨账户、跨策略对比
  • ✅ 不受出入金影响：与账本记录无关

🎯 核心公式

基础公式

单笔交易收益率 = closedPnL / (|sz| × px)

参数说明：

  • closedPnL: 该笔交易的已实现盈亏（单位：USD）
  • sz: 交易数量（可为正或负）
  • px: 交易价格（单位：USD）
  • |sz| × px: 持仓价值（名义价值，单位：USD）

平均收益率

平均每笔收益率 = Σ(单笔收益率) / 交易笔数

其中，只统计有 PnL 的交易（closedPnL ≠ 0）。

💡 算法原理

1. 为什么使用持仓价值而非本金？

传统方法的问题

基于本金计算：

单笔收益率 = closedPnL / true_capital

❌ 问题：

  1. 需要准确的本金数据（充值-提现+外部转入-外部转出）
  2. 账本记录可能不完整
  3. 本金可能为负（转出 > 转入）
  4. 受出入金操作影响

新方法的优势

基于持仓价值计算：

单笔收益率 = closedPnL / (|sz| × px)

✅ 优势：

  1. 每笔交易独立计算，数据自包含
  2. 不需要外部账本数据
  3. 反映真实的资金使用效率
  4. 符合金融行业标准（收益率 = 盈亏 / 投入资金）

2. 持仓价值的含义

持仓价值（Notional Value）：

持仓价值 = |sz| × px

物理意义：

  • 该笔交易占用的名义资金量
  • 在杠杆交易中，代表仓位大小
  • 是计算收益率的分母基础

示例 1：无杠杆交易

买入 10 个 ETH，价格 $2,000/个
持仓价值 = 10 × $2,000 = $20,000
平仓盈利 $500
收益率 = $500 / $20,000 = 2.5%

示例 2：10倍杠杆交易

用 $2,000 本金，10倍杠杆买入 10 个 ETH @ $2,000
持仓价值 = 10 × $2,000 = $20,000
实际占用本金 = $2,000（10倍杠杆）
平仓盈利 $500
收益率 = $500 / $20,000 = 2.5%

关键理解：

  • 使用持仓价值计算的收益率是标准化的
  • 不受杠杆倍数影响
  • 可以直接对比不同杠杆策略的表现

3. 为什么取绝对值 |sz|？

交易数量 sz 的含义：

  • sz > 0: 多头平仓（Close Long）
  • sz < 0: 空头平仓（Close Short）

使用绝对值的原因：

  • 持仓价值应该是正数（代表资金量大小）
  • 无论做多还是做空，都使用相同的计算逻辑
  • 盈亏的正负已经体现在 closedPnL 中

示例：

# 多头平仓
sz = 10, px = 2000, closedPnL = 500
持仓价值 = |10| × 2000 = 20000
收益率 = 500 / 20000 = 2.5%

# 空头平仓
sz = -10, px = 2000, closedPnL = 500
持仓价值 = |-10| × 2000 = 20000
收益率 = 500 / 20000 = 2.5%

🔬 算法实现

完整代码

def calculate_sharpe_ratio_on_trades(self, fills: List[Dict],
                                     risk_free_rate: float = 0.03) -> Dict[str, float]:
    """
    基于单笔交易收益率计算 Sharpe Ratio（不依赖本金）

    返回：
        - mean_return: 平均每笔收益率 ⭐
        - std_return: 收益率标准差
        - sharpe_ratio: 每笔交易的夏普比率
        - annualized_sharpe: 年化夏普比率
    """
    trade_returns = []
    trade_times = []

    # 步骤1: 遍历所有成交记录，计算单笔收益率
    for fill in fills:
        closed_pnl = float(fill.get('closedPnl', 0))

        # 只统计有PnL的交易
        if closed_pnl == 0:
            continue

        # 获取交易数量和价格
        sz = float(fill.get('sz', 0))
        px = float(fill.get('px', 0))

        # 计算持仓价值（名义价值）
        notional_value = abs(sz) * px

        if notional_value > 0:
            # 计算单笔收益率
            trade_return = closed_pnl / notional_value
            trade_returns.append(trade_return)
            trade_times.append(fill.get('time', 0))

    # 步骤2: 计算平均收益率
    if len(trade_returns) >= 1:
        mean_return = sum(trade_returns) / len(trade_returns)
    else:
        mean_return = 0

    # 步骤3: 计算标准差
    if len(trade_returns) >= 2:
        variance = sum((r - mean_return) ** 2 for r in trade_returns) / (len(trade_returns) - 1)
        std_return = math.sqrt(variance)
    else:
        std_return = 0

    # 步骤4: 计算 Sharpe Ratio（见夏普比率算法详解）
    # ...

    return {
        "mean_return": mean_return,      # ⭐ 平均每笔收益率
        "std_return": std_return,        # 收益率标准差
        "sharpe_ratio": sharpe_per_trade,
        "annualized_sharpe": annualized_sharpe,
        "total_trades": len(trade_returns)
    }

关键步骤详解

步骤1: 计算单笔收益率

for fill in fills:
    closed_pnl = float(fill.get('closedPnl', 0))

    # 过滤开仓交易（只统计平仓）
    if closed_pnl == 0:
        continue

    sz = float(fill.get('sz', 0))
    px = float(fill.get('px', 0))

    # 持仓价值 = |交易数量| × 价格
    notional_value = abs(sz) * px

    if notional_value > 0:
        # 单笔收益率 = 盈亏 / 持仓价值
        trade_return = closed_pnl / notional_value
        trade_returns.append(trade_return)

数据验证：

  • 检查 closedPnl 是否为 0（过滤开仓交易）
  • 检查 notional_value 是否 > 0（避免除零错误）

步骤2: 计算平均值

mean_return = sum(trade_returns) / len(trade_returns)

数学公式：

mean_return = (r₁ + r₂ + ... + rₙ) / n

其中：

  • rᵢ = 第 i 笔交易的收益率
  • n = 交易总笔数

步骤3: 计算标准差

variance = sum((r - mean_return) ** 2 for r in trade_returns) / (len(trade_returns) - 1)
std_return = math.sqrt(variance)

数学公式（样本标准差）：

variance = Σ(rᵢ - mean)² / (n - 1)
std_return = √variance

注意：

  • 使用 n-1 而非 n（贝塞尔校正）
  • 这是样本标准差，更适合有限样本

📈 实际应用案例

案例 1: 完美策略

交易记录：

Trade 1: sz=10,  px=2000, closedPnl=500   → 收益率 = 500/(10×2000)  = 2.5%
Trade 2: sz=5,   px=1800, closedPnl=360   → 收益率 = 360/(5×1800)   = 4.0%
Trade 3: sz=8,   px=2200, closedPnl=440   → 收益率 = 440/(8×2200)   = 2.5%

平均每笔收益率：

mean_return = (2.5% + 4.0% + 2.5%) / 3 = 3.0%

解读：

  • 平均每笔交易盈利 3.0%（相对持仓价值）
  • 策略具有正期望（mean > 0）
  • 表现稳定（标准差较小）

案例 2: 波动策略

交易记录：

Trade 1: sz=10,  px=2000, closedPnl=1000  → 收益率 = 1000/(10×2000) = 5.0%
Trade 2: sz=5,   px=1800, closedPnl=-450  → 收益率 = -450/(5×1800)  = -5.0%
Trade 3: sz=8,   px=2200, closedPnl=880   → 收益率 = 880/(8×2200)   = 5.0%
Trade 4: sz=12,  px=1900, closedPnl=-570  → 收益率 = -570/(12×1900) = -2.5%

平均每笔收益率：

mean_return = (5.0% - 5.0% + 5.0% - 2.5%) / 4 = 0.625%

标准差：

variance = [(5-0.625)² + (-5-0.625)² + (5-0.625)² + (-2.5-0.625)²] / 3
         ≈ 18.23
std_return = √18.23 ≈ 4.27%

解读：

  • 平均每笔盈利 0.625%（正期望）
  • 波动性较大（标准差 4.27%）
  • Sharpe Ratio 较低（收益/风险比不理想）

案例 3: 真实数据（测试地址）

地址: 0x67e4d5c95fdd024d136d520b3432ad0f94ed5081

分析结果：

平均每笔收益率: 15.82%
收益率标准差:   8.89%
交易笔数:       35 笔
胜率:           100.00%

解读：

  • 极优秀的交易策略
  • 平均每笔盈利 15.82%
  • 无亏损交易（100% 胜率）
  • 波动性可控（标准差 < 平均收益率）

📊 指标解读

平均每笔收益率的含义

数值范围 评级 说明
> 10% 🟢 极优秀 非常高的盈利能力
5% - 10% 🟢 优秀 良好的盈利能力
2% - 5% 🟡 中等 正期望策略，可接受
0% - 2% 🟡 偏低 正期望但盈利能力弱
< 0% 🔴 负期望 策略长期亏损

与其他指标的关系

1. 与胜率的关系

高平均收益率 + 高胜率 → 🟢 极优秀策略

示例: mean = 15.82%, win_rate = 100%

高平均收益率 + 低胜率 → 🟡 高风险高回报策略

示例: mean = 10%, win_rate = 30%
说明: 偶尔大赚，经常小亏

低平均收益率 + 高胜率 → 🟡 稳健但盈利能力弱

示例: mean = 1%, win_rate = 80%
说明: 经常小赚，偶尔大亏

2. 与标准差的关系

Sharpe Ratio 公式：

Sharpe = (mean_return - risk_free_rate) / std_return
  • 平均收益率越高 → Sharpe 越高（收益增加）
  • 标准差越小 → Sharpe 越高（风险降低）

理想比例：

mean_return / std_return > 2.0  (优秀)
mean_return / std_return > 1.0  (良好)
mean_return / std_return < 0.5  (偏低)

3. 与盈亏因子的关系

Profit Factor = 总盈利 / 总亏损

  • 平均收益率 > 0 → 不一定 Profit Factor > 1
  • Profit Factor > 1 → 不一定 平均收益率 > 0

示例：

Case 1: mean = 5%, PF = 2.0
- 策略盈利，风险收益比良好

Case 2: mean = -2%, PF = 0.8
- 策略亏损，需要优化

Case 3: mean = 10%, PF = 1.2
- 策略盈利，但波动较大

🎯 优化建议

如何提高平均每笔收益率？

1. 提高盈利交易的收益率

  • 优化止盈策略
  • 增加持仓时间（趋势延续）
  • 提高杠杆倍数（谨慎）

2. 降低亏损交易的损失

  • 严格止损纪律
  • 减少冲动交易
  • 优化入场时机

3. 提高胜率

  • 优化入场信号
  • 避免逆势交易
  • 改进技术指标

4. 降低波动性（提高 Sharpe）

  • 分散交易品种
  • 减少仓位大小
  • 避免过度杠杆

🔍 常见问题

Q1: 为什么不使用账户总盈亏除以交易次数？

答：那样计算的是平均每笔绝对盈亏，单位是美元，无法跨策略对比。

示例：

策略A: 本金 $10,000, 平均每笔盈利 $100
策略B: 本金 $1,000,  平均每笔盈利 $50

哪个更好？无法判断！

但如果看收益率：
策略A: 平均每笔 1%  ($100 / $10,000)
策略B: 平均每笔 5%  ($50 / $1,000)

显然策略B更优秀！

Q2: 杠杆会影响平均每笔收益率吗？

答：不会！这正是使用持仓价值的优势。

示例：

无杠杆: 用 $10,000 买 5 个 ETH @ $2,000
- 盈利 $500
- 收益率 = $500 / (5 × $2,000) = 5%

10倍杠杆: 用 $1,000 买 5 个 ETH @ $2,000
- 盈利 $500
- 收益率 = $500 / (5 × $2,000) = 5%

两者收益率相同！

Q3: 平均每笔收益率能预测未来吗？

答：不能直接预测，但可以作为策略评估的重要参考。

使用建议：

  1. 结合其他指标综合评估（Sharpe、Max Drawdown、胜率）
  2. 关注收益率的稳定性（标准差）
  3. 需要足够的样本量（建议 > 30 笔交易）
  4. 定期回顾和调整策略

Q4: 如何判断平均收益率是否可靠？

可靠性检查清单：

✅ 交易笔数 > 30（统计学最小样本量）
✅ 时间跨度 > 3 个月（避免偶然性）
✅ 市场环境多样（牛市、熊市、震荡）
✅ 标准差/平均值 < 2.0（波动可控）

📚 相关算法

本指标是以下算法的基础：

  1. 夏普比率算法 (夏普比率算法详解.md)

    • 使用 mean_return 和 std_return 计算 Sharpe Ratio

  2. 最大回撤算法 (最大回撤算法详解.md)

    • 使用单笔收益率构建累计收益率曲线

  3. 累计收益率算法 (累计收益率算法详解.md)

    • 使用单笔收益率进行复利计算

🔗 代码位置

函数: ApexCalculator.calculate_sharpe_ratio_on_trades()
文件: apex_fork.py
行数: ~1138-1192

调用链:

main.py
  └─ analyze_user_trading()
      └─ ApexCalculator.analyze_user()
          └─ ApexCalculator.calculate_sharpe_ratio_on_trades()
              └─ mean_return  ⭐

📖 参考资料

  • 数学基础: 统计学中的样本均值和样本标准差
  • 金融理论: 现代投资组合理论（MPT）
  • 行业标准: 收益率 = 盈亏 / 投入资金（名义价值）

算法文档版本: v2.0
创建时间: 2026-02-04
作者: Claude Sonnet 4.5

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