美股收益率的自相关性很弱,但是BTC收益率的自相关性却很强


一句话先给结论(严谨版)

美股“线性收益率”的自相关性极弱(接近 0),而 BTC 的收益率在某些频段、某些变换下(尤其是绝对收益、平方收益、低频收益)表现出显著且持久的自相关性。

重点在于:
不是“BTC 所有收益率都强自相关”,而是它在更多维度上“违背弱式有效市场假设”。


一、为什么美股收益率几乎没有自相关?

1️⃣ 弱式有效市场几乎成立

对 S&P 500、NASDAQ:

  • 日收益率、分钟收益率:
    • ACF ≈ 0
    • Ljung–Box 基本不拒绝原假设
  • 原因很简单:
    • 机构主导
    • 高频做市 + 套利
    • 信息披露制度成熟
    • 流动性深
👉 任何线性可预测性,一出现就会被套利抹平

这是一种**“被市场机制强行压平的统计特性”**。


2️⃣ 即便有,也只存在于“极短期 + 微结构层面”

例如:

  • Bid-ask bounce
  • 非同步交易
  • 超高频的微弱负相关

但这些:

  • 对普通交易者不可用
  • 对日频 / 小时频完全消失

二、BTC 为什么“看起来”自相关性很强?

收益率的“函数”

BTC 在以下维度上表现出极强自相关

序列自相关强度解释
|rₜ|非常强波动率聚集
rₜ²非常强ARCH/GARCH
realized volatility长记忆Hurst > 0.7
低频收益(周/月)趋势性明显动量结构

而美股虽然也有这些现象,但强度和持续时间远低于 BTC


三、BTC 自相关强的本质原因(不是“散户多”这么简单)

1️⃣ 波动率不是被“做市资本”压平的

BTC 市场:

  • 做市商资本规模有限
  • 风控是**“先减仓再报价”**
  • 大波动 → 流动性直接消失

结果:

高波动 → 继续高波动(强正反馈)

这在统计上表现为:

  • |rₜ| 的 ACF 在几十甚至上百 lag 仍显著

2️⃣ 24/7 + 无涨跌停 = 时间聚集效应

BTC:

  • 不休市
  • 不熔断(或熔断弱)
  • 不“隔夜重置情绪”

导致:

  • 一次情绪冲击会连续释放
  • 而不是被交易制度切断

美股恰恰相反:

  • 夜盘 → 日盘
  • 开盘竞价
  • 熔断机制

👉 制度本身在“打断自相关”


3️⃣ 市场结构是“趋势型”而不是“价值锚定型”

美股:

  • 有估值锚(PE、现金流)
  • 有被动资金定投
  • 有回购

BTC:

  • 没有现金流锚
  • 定价几乎全是:
    • 杠杆
    • 情绪
    • 强平链条

于是形成:

趋势 → 杠杆 → 强平 → 延续趋势

这在统计上就是:

  • 正收益后仍更容易正收益
  • 负收益后仍更容易负收益
    (尤其在 1d–1w)

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