交易记录中平均每笔收益率算法

平均每笔收益率 - 快速参考卡片

🎯 核心公式

单笔收益率 = closedPnL / (|sz| × px)
平均每笔收益率 = Σ(单笔收益率) / 交易笔数

📊 参数说明

参数 含义 单位 示例
closedPnL 已实现盈亏 USD $500
sz 交易数量 10 或 -10
px 交易价格 USD $2,000
` sz × px` 持仓价值

✅ 核心特点

  • ✅ 完全独立,不依赖本金
  • ✅ 相对持仓价值计算
  • ✅ 不受杠杆影响
  • ✅ 可跨策略对比

📈 评级标准

数值 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,可接受
0-2% 🟡 偏低 盈利能力弱
< 0% 🔴 负期望 长期亏损

🔍 快速示例

例1: 基础计算

sz = 10, px = $2,000, closedPnL = $500
持仓价值 = |10| × $2,000 = $20,000
收益率 = $500 / $20,000 = 2.5%

例2: 做空交易

sz = -8, px = $2,500, closedPnL = $400
持仓价值 = |-8| × $2,500 = $20,000
收益率 = $400 / $20,000 = 2.0%

例3: 多笔平均

Trade 1: 3.0%
Trade 2: -1.5%
Trade 3: 4.5%
Trade 4: 2.0%
平均 = (3.0 - 1.5 + 4.5 + 2.0) / 4 = 2.0%

⚡ 常见误区

误区 1: 用总盈亏除以交易次数

错误: 平均 = $1,000 / 10 = $100/笔
正确: 平均 = (收益率求和) / 10 = 2.5%

误区 2: 杠杆会影响收益率

错误: 10倍杠杆 → 收益率 × 10
正确: 杠杆不影响(使用持仓价值)

误区 3: 需要知道本金

错误: 需要账本数据计算本金
正确: 每笔交易独立,不需要本金

🔗 与其他指标关系

平均每笔收益率 ─┬─→ Sharpe Ratio
                ├─→ 累计收益率
                └─→ 策略评估

Sharpe Ratio

Sharpe = (mean_return - rf) / std_return

累计收益率

累计 = ∏(1 + 单笔收益率) - 1

💡 优化方向

提高收益率

  • 优化止盈策略
  • 改进入场时机
  • 增加持仓时间

降低波动

  • 严格止损纪律
  • 分散交易品种
  • 控制仓位大小

📱 代码位置

函数: calculate_sharpe_ratio_on_trades()
文件: apex_fork.py
行号: 1138-1192

📚 详细文档

  • 平均每笔收益率算法详解.md - 完整算法说明
  • 平均每笔收益率_可视化示例.md - 图表和示例
  • 夏普比率算法详解.md - Sharpe Ratio 计算

版本: v1.0 | 更新: 2026-02-04

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