全币种挖掘算法优化,回测方法优化

多币种回测验证 v2 结果分析

脚本:python -m src.scripts.validate_multicoin_btc_base_v2 --min-bars 1000
本文档为回测结果的解读与结论汇总。


1. 整体流程概览

脚本先做 Gate 预计算(协整 Gate1+Gate2),再跑 4 类方案(A/B/C/D),最后给出全局最优配置各币种明细

  • Gate 预计算:约 603s,对 95 个币种做「时间桶 × 协整」预检。
  • 95 个币种中:32 个至少有一个时间桶通过 Gate;63 个完全被 Gate 排除(通过率 0%)。

2. Gate 协整通过率(Gate1+Gate2)

  • 通过率最高:SOL 71.9%,BSV 38.3%,XLM 27.9%,SNX 27.0% 等。
  • 完全排除:INJ、YGG、WIF、LTC、DOGE、AVAX、BNB、ETH(多数桶未过协整)等 63 个。
  • 含义:只有通过 Gate 的时间桶才会产生交易;未过 Gate 的币/时间段不会参与后续策略回测。

3. 四类方案对比

方案 含义 最优配置示例 盈利币占比 中位 PnL 备注
A 耦合 EMA=STD,扫 span×持仓 E72S72, Th2.5, H72h 56.5% (23 币) +0.70% 单笔收益最高,但持仓 72h,回撤大
B 解耦 EMA≠STD E24S96, Th2.5, H30m 52.6% (19 币) +0.04% 更保守,交易少
C 仅调 threshold E72S72, Th4.0, CD30m, H120m 54.5% (11 币) +0.04% 高 Th,信号更少
D 全参数网格 E36S96, Th3.0, SL3%, H120m 58.8% (17 币) +0.04% 盈利率最高,评分 22.4
  • 方案 A:中位收益最高(+0.70%),但覆盖 23 币、持仓长(72h),波动和回撤更大。
  • 方案 D:盈利币比例最高(58.8%)、综合评分最高,被选为全局最优,更偏「多币种通用、稳健」。

4. 全局最优配置(脚本结论)

脚本选出的通用多币种配置为:

TRADING_STRATEGY_EMA_SPAN = 36
TRADING_STRATEGY_STD_WINDOW = 96   # 解耦
TRADING_STRATEGY_ADAPTIVE_THRESHOLD = 3.0
TRADING_MAX_HOLD_HOURS = 2.0
TRADING_STOP_LOSS_PCT = 0.03
TRADING_STRATEGY_REVERSION_FACTOR = 0.1
TRADING_STRATEGY_COOLDOWN_MINUTES = 15
  • 通用性:17 个币种在该配置下有交易且可评估。
  • 盈利率:58.8%(17 币中 10 盈 7 亏)。
  • 中位收益:+0.04%(不高,偏稳健)。
  • 中位胜率:75%。
  • 中位 Sharpe:0.12。
  • 平均回撤:0.91%。

含义:在「多币种、Gate 过滤、控制回撤」的前提下,这是当前网格里综合评分最好的一组参数,而不是追求单币或单笔收益最大。


5. 各币种表现(最优配置下)

类型 币种 收益 交易数 胜率
最佳 SOL +4.31% 4 75.0%
ARK +3.22% 1 100%
REZ +2.21% 3 66.7%
SCR +2.18% 2 100%
最差 XLM -2.57% 3 33.3%
ORDI -2.31% 3 0%
PROVE -2.26% 3 33.3%
  • Gate 通过率与收益不完全一致:如 SCR、PENGU、EIGEN 通过率仅约 4.5%–5.1%,但在该配置下仍盈利,说明 Gate 筛掉的是「坏时间段」,留下的少数桶里策略仍有效。

6. Gate 影响分析

  • 高 Gate 通过率(如 SOL 71.9%)对应更多可交易机会,SOL 在该配置下收益也最高。
  • 部分币 Gate 通过率不高但仍有正收益(如 SCR、GOAT、PENGU、EIGEN),说明协整过滤在减少无效/危险交易上有用,而不是简单「通过率越高一定赚越多」。

7. 小结与使用建议

  • 脚本结论:在 --min-bars 1000 下,全局最优是解耦 E36S96 + Th3.0 + SL3% + 2h 持仓,通用性 17 币、58.8% 盈利率、中位收益 +0.04%、控制回撤约 0.91%。
  • 若更看重单笔收益:可考虑方案 A 的 E72S72 Th2.5 H72h(中位 +0.70%),但需接受更长持仓和更大回撤(如 3.37%)。
  • 若更看重稳健与多币种:沿用脚本给出的全局最优即可;实盘前建议在更多历史区间或不同 --min-bars 下再跑几次验证稳定性。

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