交易

副标题：量化策略体系、风险管理框架与 Alpha 衰减下的生存法则

核心定义与本质

交易（Trading）的本质是一个决策优化问题：在不确定性环境下，基于不完全信息，对资产的买卖时机、方向、仓位进行最优化配置。

从数学角度，一个交易策略可以被抽象为一个映射函数：

其中 \(\mathcal{S}_t\) 是 \(t\) 时刻的状态空间（价格、成交量、订单簿快照、链上数据、宏观指标等），\(\mathcal{A}_t\) 是动作空间（买入/卖出/持有 × 仓位大小 × 标的选择）。策略开发的本质就是找到一个从状态到动作的映射，使得长期风险调整后收益最大化。

加密市场交易的特殊性：

• 无涨跌停限制：单日跌幅 50%+ 并非罕见（LUNA 崩盘），尾部风险管理的优先级远高于传统股票市场。
• 杠杆生态极其发达：125x 最大杠杆（Binance 永续合约）意味着微小的价格波动就能触发大规模连环清算。
• 信息传播路径独特：Twitter/X、Telegram 群组、链上交易——信息的传播不经过 Bloomberg Terminal 或分析师报告，散户和机构几乎同时获取信息（但处理能力天差地别）。

知识架构解构

1. 策略分类学（Strategy Taxonomy）

按信号来源和持仓周期，加密交易策略分为四个层级：

高频策略（HFT, <1 min 持仓）：

• 做市策略（Market Making）：在买卖价差中持续报价，赚取 Spread。核心难点是逆向选择风险（Adverse Selection）——你的限价单被成交时，大概率是知情交易者在吃你的单。
• 延迟套利（Latency Arbitrage）：跨交易所的价差收敛。在加密市场，这涉及 API 延迟、WebSocket 推送速度、甚至物理距离到交易所匹配引擎的延迟。

中频策略（持仓 1 小时 - 数天）：

• 统计套利（Statistical Arbitrage）：基于价差的均值回归。经典方法：Engle-Granger 协整检验、Kalman Filter 动态对冲比率。在加密市场，BTC-ETH spread、同板块代币之间的价差（如 SOL-AVAX）是常见标的。
• 资金费率套利（Funding Rate Arbitrage）：当资金费率偏离均衡时，持有现货多头 + 永续空头（或反向），锁定资金费率收益。需要监控的风险：资金费率反转速度、现货借贷成本、交易所对手方风险。

中低频策略（持仓 数天 - 数周）：

• 动量因子策略（Momentum）：加密市场的动量效应显著强于传统市场。学术研究表明，BTC 1 周和 4 周动量因子的 t 统计量在 3.0 以上。但动量因子在市场反转时的回撤也极其剧烈（Momentum Crash）。
• 链上因子策略：将 MVRV、SOPR、Exchange Flow 等链上指标因子化，构建多因子评分模型。

低频 / 宏观策略（持仓 数周 - 数月）：

• 趋势跟踪（Trend Following）：用移动平均线交叉、Donchian Channel 突破等经典方法捕捉大级别趋势。在 BTC 的长周期中（减半周期 ~4 年），趋势跟踪策略的 Sharpe Ratio 历史上达到 1.0+。
• 宏观轮动：基于稳定币流动性、美国国债利率、DXY 指数等宏观因子在 BTC / ETH / 山寨币 / 稳定币之间轮动配置。

2. 风险管理框架（Risk Management Framework）

"不管理风险的交易者不是交易者，是赌徒。"

• 仓位管理（Position Sizing）：Kelly Criterion 提供了理论最优下注比例 \(f^* = \frac{p \cdot b - q}{b}\)（\(p\) 为胜率，\(b\) 为赔率，\(q = 1-p\)）。但全额 Kelly 在实践中波动过大，通常使用 Half-Kelly 或更保守的比例。
• 止损纪律（Stop-Loss）：固定百分比止损、ATR 止损（基于平均真实波幅）、波动率调整止损。关键原则：止损位必须在开仓前确定，交易中不得移动止损线向不利方向。
• 组合层面风险：相关性矩阵监控。加密市场在极端行情中，所有资产的相关性趋近 1（Risk-On / Risk-Off 效应），分散化在你最需要它时失效。应对方法：尾部对冲（Tail Hedging）、动态降杠杆。
• 最大回撤约束：设定组合级别的最大回撤红线（如 -20%），触发后自动降仓至最小持仓。

3. 回测方法论（Backtesting Methodology）

Marcos López de Prado 在 Advances in Financial Machine Learning 中指出，大部分公开发表的回测结果都是过拟合的产物。本书严格遵循：

• CPCV（组合净化交叉验证）：避免信息泄漏的回测分割方法。
• 策略多重检验校正：如果你测试了 100 个策略参数，最好的那个大概率是噪声拟合。Deflated Sharpe Ratio 用于校正多重比较偏差。
• Walk-Forward Analysis：滚动窗口回测，模拟真实的"历史未知"状态。
• 执行仿真：将真实的订单簿深度、滑点模型、手续费结构纳入回测。一个不包含执行成本的回测结果毫无参考价值。

4. 执行优化（Execution Optimization）

Alpha 在执行层的损耗往往被低估：

• TWAP/VWAP 算法：大额订单的拆分执行，最小化市场冲击。
• 智能订单路由（Smart Order Routing, SOR）：在碎片化市场中，将订单分配到流动性最优的交易所。CCXT 库提供了跨交易所 API 的统一接口。
• 滑点预测模型：基于历史订单簿数据，预测不同仓位规模下的预期滑点。在低流动性山寨币上，100 万美元的市价单可能造成 2-5% 的价格冲击。

Alpha 映射点

• 因子拥挤度监控：当某个因子（如动量）被过多策略追逐时，因子收益衰减甚至反转。监控因子拥挤度（Factor Crowding）是保护 Alpha 的关键。
• 非线性因子交互：链上因子与衍生品因子的交叉信号往往比单一因子更有效。例如：MVRV 低位 + 资金费率极端负值 = 超卖信号的可靠性大幅提升。
• 执行 Alpha：在同一个策略信号下，执行质量的差异可以造成年化 5-15% 的收益差。优化执行路径本身就是一种 Alpha。
• 策略正交化：构建多个低相关性策略的组合，利用分散化降低组合波动率。Grinold 基本定律告诉我们，\(\sqrt{BR}\) 的提升（增加独立下注次数）是可以线性提升 IR 的。
• 波动率状态切换：加密市场在低波动→高波动的状态切换极其突然（regime change）。使用隐马尔可夫模型（HMM）或波动率聚类检测进行自适应策略参数调整，是高阶 Alpha 的来源。

本章导读

学完本章，你将掌握：加密市场主要策略类型的完整分类及各自的收益/风险特征；Kelly Criterion 和组合层面的风险管理框架；López de Prado 级别的回测纪律，能识别并避免过拟合陷阱；执行层优化的核心方法论。你不需要找到一个完美的策略——你需要一个策略开发、测试、部署、监控、迭代的完整闭环系统。策略会衰减，系统不会。