phi 值的含义 phi 是 AR(1) 模型中的一阶自回归系数，用于衡量价差的均值回归强度。 1. 模型背景 在 _halflife_score 方法中（第180-183行），拟合了以下模型： spread_lag = spread.shift(1).iloc[1:] delta = spread.diff().iloc[1:] model = sm.OLS(delta, sm.add_constant(spread_lag)).fit() 模型形式为： Δspread_t = α + φ × spread_{t-1} + ε_t 其中： * delta = Δspread_
有必要添加自相关性检测，但应作为辅助过滤条件，而非必需条件。 当前逻辑分析 从代码看，当前套利机会检测流程是： if is_anomaly: zscore_result_list = self.zscore_analysis(coin, price_data_cache) if not zscore_result_list: logger.info(f"❌ Z-score 计算不满足告警条件 | 币种: {coin}") return False # 找到绝对值最大的元素（保留原符号） zscore_result = zscore_result_list[np.argmax(np.abs(zscore_result_list))] self.
在时间序列分析和量化交易中，$AR(1)$ 是最基础也最核心的数学模型，而 $\phi$ (Phi) 则是这个模型的“灵魂系数”。它决定了整个系统的记忆力、稳定性以及回归速度。 1. 数学定义 $AR(1)$ 全称是 一阶自回归模型 (First-order Autoregressive Model)。其数学表达式为： $$X_t = c + \phi X_{t-1} + \epsilon_t$$ * $X_t$：当前时刻的值（如价差 Spread）。 * $c$：常数项（截距）。 * $\phi$ (Phi)：自回归系数，即当前值对前一时刻值的依赖程度。 * $\epsilon_t$：白噪声（随机扰动）。 2. $\phi$ 的物理意义：系统的“性格”
1. Python 量化代码实现 Python import yfinance as yf import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.stattools import acf from statsmodels.graphics.tsaplots import plot_acf # 1. 获取过去 5 年的 BTC 周线数据 ticker = "BTC-USD" data = yf.download(ticker, period="5y", interval="
1. 核心逻辑：从“反转记忆”到“价格拉力” 在统计学上，**负自相关性（Negative Autocorrelation）**意味着： 如果 $t-1$ 时刻的变化量是正的，那么 $t$ 时刻的变化量大概率是负的。 这种现象在物理学上类似于弹簧（Hooke's Law）。当价格偏离其“平衡位置”（均值）时，系统产生了一个反向的拉力。 * 正自相关性（趋势）： 像一个滚下坡的球，越滚越快，具有动量。 * 负自相关性（回归）： 像一个被弹簧拉住的球，跑得越远，被拉回来的力量就越强。 2. 为什么说“负自相关性”是底色？ 任何一个均值回归策略（如布林带、RSI、配对交易），其底层假设都是序列在某个特定时间尺度上存在负自相关性。 A. 统计表现：均值回归的指纹 如果我们观察一个适合做均值回归的资产（
phi 的含义 phi 是 AR(1) 模型的系数，表示价差序列的一阶自相关系数： * phi < 0：均值回归（负相关，价差会反向调整） * phi 越接近 -1：回归倾向越强 * phi >= 0：无均值回归特性 具体使用场景 1. 动态调整 Z-score 阈值 当前代码使用固定阈值： ZSCORE_THRESHOLD_LONG = 0.2 ZSCORE_THRESHOLD_MIDDLE = 1.5 ZSCORE_THRESHOLD_SHORT = 1.8 使用 phi 动态调整： def get_dynamic_zscore_
BTC 的周线 K 线不仅存在自相关结构，而且这种结构是理解 BTC 市场周期性（Cycles）和趋势惯性的核心。 我们可以从**收益率（Returns）和波动率（Volatility）**两个层面来剖析 BTC 周线的自相关指纹。 1. 收益率层面的“弱自相关”：趋势惯性 在金融统计中，价格本身的自相关通常极强（因为今天价格受昨天影响），所以我们研究的是周收益率（Weekly Returns）。 * 短期正相关（Momentum）： 统计显示，BTC 的周线收益率在 Lag 1（滞后一阶） 往往存在微弱但显著的正自相关。这意味着：如果这周大涨，下周继续收阳的概率在统计上略高于 50%。这就是技术分析中“周线突破”往往能带动后续几周行情的原因。 * 长滞后项的“均值回归”： 当滞后阶数达到 150-200 周（约 4
简单来说，自相关性（Autocorrelation） 就是一个序列的**“今天”和它的“昨天”有多像**。 在统计学上，它描述的是一个随机变量在不同时间点上的取值之间的相关程度。如果说普通的相关性（Correlation）是研究“身高和体重的关系”，那么自相关性就是研究“你今天的体重和昨天体重的关系”。 1. 直观理解：记忆力与惯性 我们可以把自相关性看作是系统的**“记忆力”或“惯性”**： * 正自相关（Positive Autocorrelation）： 具有“惯性”。如果刚才在涨，现在大概率还在涨；如果刚才在跌，现在大概率还在跌。 * 例子： 气温。如果下午 2 点很热，下午 3 点通常也很热。 * 负自相关（Negative Autocorrelation）： 具有“反转性”。如果刚才在涨，现在大概率要跌。 * 例子： 均值回归的价差（Spread）
在时间序列分析中，自相关结构（Autocorrelation Structure） 指的是数据与其自身过去值之间相互关联的规律性组织方式。 简单来说，如果“自相关”是描述今天和昨天有多像，那么“自相关结构”就是描述这种“相像”是如何随着时间回溯而演变的整体模式。 1. 直观理解：记忆的形状 自相关结构就像是一个系统的“记忆模式”。不同的系统，记忆的持久度和方式不同： * 线性消散结构（AR 模型）： 记忆像回声一样逐渐减弱。今天的价格受昨天影响最大，受前天影响小一些，依此类推。 * 季节性结构（Seasonal）： 记忆具有周期性。比如今天（周五）的交通状况可能跟昨天关系不大，但跟上周五极其相似。 * 白噪声结构（White Noise）： 系统没有记忆。每一个数据点都是完全独立的，不存在任何结构。 2. 核心度量工具 要“看到”自相关结构，通常使用以下两个函数： * ACF (自相关函数): 测量
在加密货币市场中，“均值回归”并非简单的“涨多了必跌”，它是一个受流动性、市场情绪和结构性治理共同驱动的动力学过程。 要深度研究这一周期，我们需要从数学度量、频率选择逻辑以及失效风险控制三个维度拆解。 一、 核心数学度量：Ornstein-Uhlenbeck (OU) 过程与半衰期 在量化实战中，我们通常假设价差（Spread）遵循 OU 过程，其微分方程表示为： $$dx_t = \theta (\mu - x_t) dt + \sigma dW_t$$ * $\mu$ (Long-term Mean): 长期均值。 * $\theta$ (Speed of Reversion): 回归速度。这是研究的核心——$\theta$ 越大，价格回到均值的力量越强。 * 半衰期 (Half-life): 定义为价格偏离均值后，回复到偏离值一半所需的时间：$$Half\
对比老版本（含 α）和新版本（不含 α）的 Z-score 计算差异。查看相关代码： [3 tools called] 检查老版本代码，确认老版本的实现： [1 tool called] 问题根源：窗口不匹配导致的参数偏移效应 核心差异 老版本（总是含α）： spread = log_alt - (alpha + beta_ols * log_base) 新版本（条件选择，可能不含α）： spread = log_alt - beta_ols * log_base # 当 use_alpha=False 时 为什么Z-score差异巨大？ 1.
研究对象：出发点善意、叙事正义、短期稳定 研究结论：在国家级复杂系统中，这类政策在长期几乎必然降低演化效率 研究方法：机制 → 激励 → 行为 → 出清 → 演化 一、先给一个总判断（避免误读） 善意政策的问题不在“善”，而在“把善意当成系统目标”。 国家级系统不是伦理系统，而是： * 亿级参与者 * 强自利动机 * 长时间尺度 * 强非线性反馈 在这个尺度下，善意如果不被工程化约束，一定被博弈化利用。 二、判定一项善意政策是否“长期有毒”的四个硬条件 只要满足其中任意两条，长期必然摧毁演化效率。 1️⃣ 是否削弱失败的真实性 * 是否兜底 * 是否延缓破产 * 是否模糊责任 2️⃣ 是否阻断资源出清 * 资本是否被锁死 * 人力是否被冻结 * 技术路线是否被保护 3️⃣ 是否扭曲激励方向 * 风险是否被奖励 * 保守是否更安全 * 投机是否更优