如果把你说的 **“水温（Market Temperature）”**放在全球量化金融体系里，其实对应的是一个更正式的研究领域： Market Regime Detection（市场状态识别） 顶级量化机构（如 Two Sigma、Renaissance Technologies、Citadel、AQR Capital Management）几乎都会有自己的 Regime Engine（市场状态引擎）。 核心目标就是： 识别市场什么时候“升温”或“降温” 也就是你说的 水温变化。 下面是目前 全球量化领域最顶尖、最常用的几类算法。 一、最经典：Hidden Markov Model（HMM） 这是目前金融界 最主流的水温识别算法。 原理： 市场存在 隐藏状态（Hidden State）： State 1: Calm
BOCPD 灵敏度优化：诊断先行方案 版本：v1.0 | 日期：2026-03-12 适用：Hyperliquid 量化交易系统（Adaptive Bollinger Z-Score 配对策略） 关联：docs/开仓动量过滤器设计方案_v5.1.md 1. 问题定义 1.1 现象 BOCPD（Layer 0）在价格冲高回落场景中过度拦截，阻止了合理的反转开仓信号。 实际案例：PURR/USDC:USDC，5 分钟 K 线 * 价格经历一波快速上涨后已明显见顶回落 * 此时触发 short 信号（Z-Score 偏离），方向与回落一致 * Layer 0 拦截：P(
动量过滤器全层参数调优：适配分钟级快进快出交易 日期：2026-03-11 涉及文件：src/trading/momentum_filter.py 前置文档：docs/BOCPD参数调优_适配分钟级交易.md（Layer 0 BOCPD 部分） 关联设计文档：docs/开仓动量过滤器设计方案_v5.1.md 1. 背景 在完成 Layer 0 BOCPD 参数调优（hazard_rate / drift_threshold / max_run）后，对四层过滤器的剩余参数进行全面审查，发现多个参数仍然按小时级交易的假设设定，与系统实际的分钟级交易特征不匹配。 系统交易特征 特征 说明 持仓周期 大部分 ≤30 分钟（6
BOCPD 参数调优：适配分钟级快进快出交易 日期：2026-03-11 涉及文件：src/trading/momentum_filter.py 关联设计文档：docs/开仓动量过滤器设计方案_v5.1.md 1. 背景 1.1 问题现象 2026-03-11 00:07:18 出现一条硬拦截日志： 🚫 动量过滤(硬拦截) | KAS/USDC:USDC|XRP/USDC:USDC long | alt腿: Layer0-BOCPD趋势机制: P(trending)=1.194>0.75 从 KAS 5 分钟 K
一、叙事可以降低统治和管理成本 如果一个系统只依靠强制力量（军队、警察、处罚）来维持秩序，成本会非常高。 但如果人们相信某个合理的故事，很多行为就会变成自发的。 举个简单例子： 如果社会普遍接受这样的叙事： “努力工作是一种美德。” 那么大多数人就会主动努力工作，而不需要被逼迫。 同样的，如果叙事是： “遵守法律是文明社会的基础。” 那么人们会更容易接受法律规则。 因此在历史上，无论是国家、宗教还是组织，都会不断构建这样的叙事： * 为什么这个制度是合理的 * 为什么人们应该遵守规则 * 为什么某种价值观是“正确”的 这样整个系统运行会更稳定。 二、叙事可以塑造人们的目标 如果你能影响人们认为什么是值得追求的东西，你实际上就影响了他们的行为。 例如商业领域经常使用叙事： 很多品牌并不仅仅卖产品，而是卖一种故事，比如： * 自由 * 成功 * 年轻 * 个性 * 高端生活方式 当消费者接受这种叙事时，他们购买的不只是商品，而是某种身份认同。 所以营销的核心往往是： 构建叙事
一、人类大脑本身就是“故事机器” 人类的大脑并不是为“真相”设计的，而是为生存设计的。 为了快速理解世界，大脑会自动把零散的信息拼成： 一个连贯的故事。 例如： 你看到一个人皱眉、语气不好，大脑会马上生成一个解释： “他是不是对我不满？” 但真实情况可能只是： * 他没睡好 * 他在想别的事情 大脑不喜欢“未知”，所以会自动填补空白。 这叫： 叙事化认知（Narrative cognition） 也就是说： 人类理解世界的方式，本质上是讲故事。 二、叙事是大规模合作的工具 这是人类和其他动物最关键的区别之一。 很多动物也会合作： * 狼群 * 猴群 * 蚂蚁 但规模都有限。 人类却能形成： * 国家 * 宗教 * 公司 * 军队 这些组织可以达到： 几百万甚至几十亿人。 为什么？ 因为人类可以相信同一个故事。 例如： * “我们属于同一个国家” * “我们信同一个神” * “我们为同一个目标奋斗” 这种共同叙事就像一种：
一、为什么叙事比权力更底层 权力如果没有叙事，其实很难长期存在。 想象一个最简单的情况： 如果一个政府直接告诉人民： “我们统治你们只是因为我们有军队。” 这种统治几乎无法长期维持。 因为人们会问： * 为什么要服从？ * 为什么是你？ * 为什么规则是这样？ 所以几乎所有权力体系都会建立一套合法性叙事。 例如： * “这是神的旨意” * “这是人民的选择” * “这是历史必然” * “这是国家利益” * “这是自由与民主” 这些都是叙事。 叙事的作用是： 让人自愿接受规则。 二、人类社会其实是“想象秩序” 很多社会学家都会指出一个事实： 人类社会的大多数结构其实是： 想象出来的。 例如： * 国家 * 货币 * 公司 * 法律 * 身份 * 地位 这些东西不是自然存在的。 一张纸为什么叫钱？ 因为大家相信它是钱。 一条线为什么是国界？ 因为大家同意这是国界。 如果所有人不再相信： 这些东西就会消失。 所以社会的本质其实是： 集体想象。
一、信息被结构性地分层 社会的信息并不是均匀分布的，而是分层的。 大致可以分为几层： 第一层：大众信息 * 短视频 * 娱乐新闻 * 情绪内容 * 社交八卦 这是给绝大多数人的信息。 目的其实很简单： 占据注意力。 第二层：行业信息 * 商业信息 * 技术信息 * 专业知识 * 产业逻辑 这属于： 职业层面的人。 第三层：决策信息 * 资本流向 * 政策博弈 * 地缘政治 * 产业布局 这层信息： 普通人几乎接触不到。 第四层：真实权力信息 比如： * 谁在控制资源 * 谁在决定规则 * 谁在设计制度 这些东西： 几乎不会公开。 所以问题来了： 如果你的信息输入永远停留在第一层，你怎么可能理解世界的运作？ 这就是： 信息盒子。 二、教育系统本质上是筛选系统 很多人以为教育是： 让人更聪明。 其实从社会结构来看，教育更像是： 一个筛选系统。
一、人的认知本质上是“被环境限制的” 人的思想并不是自由生成的，而是被三个东西塑造： 1️⃣ 群体价值观 你所在群体认为什么是对的、什么是重要的，你大概率也会这么认为。 例如： * 小村子 → 家长里短、人情社会 * 小城市 → 稳定工作、房子、家庭 * 大城市 → 职业发展、阶层跃迁 * 全球精英圈 → 资本、科技、地缘政治 你会发现： 环境不同，人们关心的问题完全不同。 2️⃣ 信息密度 不同环境的信息密度差异巨大。 比如： * 农村：信息密度极低 * 普通城市：区域信息 * 国际城市：全球信息 * 顶级圈层：一手信息 所以很多人并不是愚蠢，而是： 信息输入决定了认知输出。 3️⃣ 知识上限 一个群体的平均认知，会被： * 教育系统 * 文化传统 * 产业结构
系统前期越来越好 → 优化到某个点 → 开始退化。 而且最诡异的是： 代码越来越复杂、过滤越来越多、逻辑越来越精细，但收益反而下降。 这个现象在量化里有几个非常核心的原因。 一、策略信息被“过度压缩” 前面我们提到过一个概念： 信号熵（Signal Entropy） 最原始的策略通常是： 信号多 噪音多 例如： 每天 200 个信号 你开始不断优化： 过滤噪音 加入条件 限制环境 最后可能变成： 每天 5 个信号 问题就在这里。 当过滤器越来越多时，你不仅过滤掉： 假信号 同时也在过滤： 真实 Alpha 很多策略最后死于： Alpha 被过滤掉了。 二、策略逐渐“贴合历史” 优化过程中最危险的一件事就是： 无意识地拟合历史。 例如你发现： 当 ATR <
一、为什么必须“双系统并行” 1 新策略可能有逻辑 Bug 这是最基础的一层。 任何新的过滤器，例如： volatility_filter liquidity_filter trend_filter 都可能出现： * 边界条件错误 * 数据异常处理错误 * API异常 * 状态机错误 例如： ATR = 0 导致： division by zero 或者： NaN信号 这种问题只要跑几天： 一定会暴露出来。 2 新过滤器可能“杀死 Alpha” 这是更重要的一层。 量化策略最常见的错误是： 过滤掉盈利机会。 例如： 原系统： 一天 200 个信号 胜率 52% 加入过滤器后： 一天 20 个信号 胜率
三个核心思想： * 宽进严出（Early-stage permissive design） * 实盘反馈驱动（Real market feedback） * 控制论式迭代（Cybernetic iteration） 一、为什么早期必须“宽进严出” 很多量化新人在开发策略时，最大的错误就是： 一开始就疯狂过滤信号。 例如： * RSI > 70 才允许做空 * 成交量必须 > 过去20天平均 * 波动率必须达到某个阈值 * 多周期共振 * 再加一堆技术指标确认 结果就是： 信号越来越少，回测越来越漂亮。 但这种东西通常是： 典型过拟合策略。 原因很简单： 市场不是 deterministic system，而是： 随机系统 + 非平稳系统 所以你看到的回测盈利，很可能只是： 历史噪音的拟合。 正确做法：早期允许噪音 早期系统应该： 让所有信号出来。 例如： signal