你的成交价格比当时图表上的市场价格更好（对你更有利）。 👍 简单说就是： 你卖得更高 / 买得更低。 在你的这个例子里： * 你在 97.400 平空 * 系统提示 Price Improved * 表示当时市场成交价其实对你 更不利一点 * 但你最终成交到了 更好的价格 为什么会出现 Price Improved？ 在 Hyperliquid 这种 订单簿交易所，如果你的订单： 提供了流动性（maker） 而不是吃单（taker） 就可能出现这种情况。 系统提示的完整解释其实就在 tooltip 里： This fill price was more favorable to you than the price chart at that time, because your
Kalman Beta 双用途设计方案（v3 — IMM 架构版） 1. 问题背景 当前系统在 Beta 值的使用上存在多个结构性缺陷： 缺陷 1：Beta 估计滞后 OLS BETA_WINDOW=100 固定窗口（≈17天@4h），β 结构性变化后系统需要一周以上才能感知： T+0h BTC 回暖，β 从 0.5 开始上升 T+12h β 实际 2.0，OLS β̂ 仍 ≈ 0.6 → 误判为均值回归机会 T+24h β 实际 4.
Kalman Beta 双用途设计方案（v3 — IMM 架构版） 1. 问题背景 当前系统在 Beta 值的使用上存在多个结构性缺陷： 缺陷 1：Beta 估计滞后 OLS BETA_WINDOW=100 固定窗口（≈17天@4h），β 结构性变化后系统需要一周以上才能感知： T+0h BTC 回暖，β 从 0.5 开始上升 T+12h β 实际 2.0，OLS β̂ 仍 ≈ 0.6 → 误判为均值回归机会 T+24h β 实际 4.
Kalman Beta 双用途设计方案（v2 — 算法优化版） 1. 问题背景 当前系统在 Beta 值的使用上存在两个结构性缺陷： 缺陷 1：Beta 估计滞后 OLS BETA_WINDOW=100 固定窗口（≈17天@4h），β 结构性变化后系统需要一周以上才能感知： T+0h BTC 回暖，β 从 0.5 开始上升 T+12h β 实际 2.0，OLS β̂ 仍 ≈ 0.6 → 误判为均值回归机会 T+24h β 实际 4.0，
Kalman Beta 双用途设计方案 1. 问题背景 当前系统在 Beta 值的使用上存在两个结构性缺陷： 缺陷 1：Beta 估计滞后 OLS BETA_WINDOW=100 固定窗口（≈17天@4h），β 结构性变化后系统需要一周以上才能感知： T+0h BTC 回暖，β 从 0.5 开始上升 T+12h β 实际 2.0，OLS β̂ 仍 ≈ 0.6 → 误判为均值回归机会 T+24h β 实际 4.0，OLS β̂
P(trending) 算法原理说明 1. 概述 P(trending) 是 BOCPD（贝叶斯在线变点检测）的核心输出，表示"当前市场处于趋势状态"的概率。当 P(trending) > 0.8 时，动量过滤器在 Layer0 硬拦截开仓信号。 总公式： P(trending) = Σ P(r) × P(trending | r) 含义：对每个可能的 run length r，分别计算"该 regime 是否有趋势"的概率，然后按 r 自身的概率加权求和。
BOCPD 贝叶斯后验概率加权估计算法说明 1. 算法背景 BOCPD（Bayesian Online Changepoint Detection，贝叶斯在线变点检测）是 Adams & MacKay (2007) 提出的在线算法，用于实时检测时间序列中的"机制切换"（regime change）。 在交易系统中，它被用于检测价格是否进入了趋势状态。如果检测到强趋势，动量过滤器会在 Layer0 硬拦截开仓信号，避免在剧烈单边行情中逆势交易。 核心问题：给定一段不断增长的 K 线数据，如何实时判断"当前价格是在随机波动，还是在持续朝某个方向移动"？ 2. 核心概念 2.1 Run Length（当前 regime 持续长度） BOCPD 的核心变量是 run
协整检验单周期优化方案 日期：2026-03-13 范围：剔除 5m/1h 周期，仅保留 4h 进行协整检验 背景 原方案使用 3 个周期（5m/7d、1h/30d、4h/60d）× 2 种方法（Old/New）= 6 个协整结果，Gate1 要求 ≥3 个通过。实际运行中 5m 和 1h 的协整检验几乎全部失败（p-value 远高于 0.05），对信号筛选无正向贡献，反而增加了计算开销和 API 调用量。 优化前后对比 维度 优化前 优化后 协整周期 5m/
市场水温算法设计方案：多因子热力累积模型 Market Temperature — Heat Accumulation Index (HAI) 一、背景与动机 在加密市场中存在一个"水温"现象： * 当锚定资产（BTC）价格持续运行在高位时，ALT 资产的 Beta 系数、相关性、跟随性会发生相变 * 高温持续 → ALT 暴躁：Beta 跳变、跟随性增强、波动幅度夸张 * 低温持续 → ALT 迟钝：Beta 低迷、跟随性差 关键特征：不是瞬时温度决定行为，而是温度在高位维持足够长时间后，行情才发生质变。 本方案利用已有的 BTC OHLCV 实时流 + ALT 收益率数据，新建因子计算模块，聚合为市场级温度指标，影响所有配对的入场/
Beta 体制自适应过滤器设计方案 1. 问题背景 当锚定物（BTC）回暖后，Alt 资产的 Beta 值会持续飙升： 正常态: β ≈ 0.3 ~ 0.5 （BTC 涨 1%，Alt 涨 0.3~0.5%） 扩张态: β ≈ 4 ~ 10 （BTC 涨 1%，Alt 涨 4~10%） 这不是价格的普通上涨，而是价差的持续过大 — 协整关系的阶段性破裂。 当前系统弱点 组件 问题 影响 analysis_core.py BETA_WINDOW=100
Beta 体制自适应过滤器设计方案 v2 1. 问题背景 1.1 市场现象 当锚定物（BTC）回暖后，Alt 资产的 Beta 值会持续飙升： 正常态: β ≈ 0.3 ~ 0.5 （BTC 涨 1%，Alt 涨 0.3~0.5%） 扩张态: β ≈ 4 ~ 10 （BTC 涨 1%，Alt 涨 4~10%） 这不是价格的普通上涨，而是价差的持续过大 — 协整关系的阶段性破裂。 1.2 当前系统弱点 组件 问题 影响
市场水温算法设计方案：多因子热力累积模型 v2 Market Temperature — Heat Accumulation Index (HAI) 一、背景与动机 1.1 核心观察 在加密市场中存在一个"水温"现象： * 当锚定资产（BTC）价格持续运行在高位时，ALT 资产的 Beta 系数、相关性、跟随性会发生相变 * 高温持续 → ALT 表现暴躁：Beta 跳变、跟随性增强、波动幅度夸张 * 低温持续 → ALT 表现迟钝：Beta 低迷、跟随性差、情绪摆烂 关键特征：不是瞬时温度决定行为，而是温度在高位维持足够长时间后，行情才发生质变。 1.2 在量化金融中的对应 这个现象在学术界对应