English
Abacus Research

从市场噪音，走向可执行的交易决策系统。

这个研究框架把策略拆成几个清楚的层次：先收集数据，用较高周期的模型判断机会，再把概率转换成仓位，最后用较低周期的入场规则执行交易。

3预测目标
2时间周期层次
1OOS 检验
∞研究循环

项目目标

目标不是做一个孤立模型或单次回测，而是建立一套可以重复使用的策略研究流程。模型负责判断较高周期的交易机会，仓位层把概率转换成风险暴露，执行层则负责较低周期的入场与离场。

策略工作流

1. 数据收集市场、宏观、Google Trends、CryptoQuant 和交易所数据。
2. 特征对齐时间戳，构造滚动变化、趋势、波动率和跨资产信号。
3. 模型预测方向、未来收益率和横截面排名。
4. 概率使用模型信心，而不是只看硬标签。
5. 仓位用固定止盈和止损假设，做 Kelly 风格的仓位控制。
6. 执行用较低周期的均线交叉、突破或均值回归入场。
7. OOS用时间顺序的样本外验证，决定策略是否值得推进。
如果策略失败，重点不是马上加复杂度，而是找出哪一层在说谎：数据、目标、概率、仓位、入场逻辑，还是时间周期选择。

预测目标

方向

预测资产在目标周期内上涨或下跌的概率。

收益率

预测目标周期内的未来收益率。

排名

按机会大小对多个资产做横截面排序。

概率与 Kelly 仓位

概率变成风险暴露

模型最好输出概率或信心分数。固定止盈和固定止损让盈亏比可以被测量，因此 Kelly 比例也更容易估计，再用上限控制风险。

如果模型信心很强，但实际盈亏不支持这个仓位，问题可能在概率校准、TP/SL 结构，或目标本身。

模型概率 -> 预期优势
固定 TP / SL -> 盈亏比
Kelly 比例 -> 封顶后的仓位

多周期设计

较高周期

Daily、H1 或区块级信号用来预测趋势、市场状态或机会。

较低周期

执行层等待具体触发，例如均线交叉、突破、回踩或均值回归。

CryptoQuant 扩展

Daily、H1 和 block 数据可以互相比较，测试哪一种周期真正增加稳定优势。

为什么有趋势还需要入场

趋势告诉我们这笔交易值不值得考虑

预测模型在较高周期工作。它通过三个维度判断市场环境是否适合交易：方向、收益率和排名。

这是机会层。它告诉我们优势可能在哪里，但不负责决定哪一秒要把风险打出去。

入场告诉我们现在是不是好时机

入场层存在，是因为正确的趋势判断也可能被糟糕的时机毁掉。看多模型可能在恐慌、连环清算或强烈逆向动能中太早触发。趋势可能是对的，但入场仍然重要，因为我们不要徒手接飞刀，也不要逆势拦火箭。

入场逻辑是择时层。它降低过早入场、追得太远、或撞上逆向动能的概率。

为什么两层都要保留？

好的入场形态救不了没有预测优势的模型；但好的模型也可能因为执行太早而交易质量很差。所以趋势预测和入场逻辑应该分开测试、分开改进。

如何改善结果

1. 增加数据

扩展市场、宏观、趋势、链上、多周期和市场状态数据，让模型看到更多市场形态。

2. 特征工程

构造更好的滚动变化、价差、交互项、归一化、跨周期特征和状态特征。

3. 入场与盈亏比

优化较低周期的时机、确认条件、TP/SL 结构和 payoff，让优势更好地变成实际收益。

4. 新数据科学方法

升级模型、校准、排名目标、ensemble、状态识别方法和验证纪律。

趋势模型

更多数据、更好特征和新建模方法，主要增强较高周期的预测层。

入场引擎

入场设计和风险收益调整，主要改善执行质量，过滤糟糕时机并重塑 payoff。

评估

OOS 质量、PnL 质量、回撤和稳定性，决定下一轮该改哪一个杠杆。

反馈循环

如果优势不稳定，就回到最弱的一层，而不是所有地方一起加复杂度。

OOS 弱

通常要回到更多数据、更好特征或更稳健的建模假设。

趋势对，交易差

通常要回到入场时机、确认条件和风险收益设计。

回撤形状差

常见原因是 TP/SL 假设、Kelly 上限或市场状态过滤需要调整。

周期不稳定

在信任策略之前，比较 Daily、H1 和 block-level 信号。

趋势 vs 入场

趋势层

趋势层是预测模型真正发挥作用的地方。它尝试通过方向、未来收益率和横截面排名来判断市场环境是否支持交易。

更多数据、特征工程和新的数据科学方法，通常主要改善这一层。

入场层

入场层包含各种执行变体：均线交叉、突破、回踩、趋势延续、确认过滤和均值回归择时。目标不是再发明一个预测模型，而是在尊重动能、结构和 payoff 的情况下入场。

时机、TP/SL 设计和风险收益调整，可以在不改变趋势观点的情况下明显改善实际收益。

一个简单判断：模型错了，就改预测层；模型方向对，但交易质量丑，就改入场层。

OOS 验证

样本外验证是第一道过拟合检查。当前月度 BTC 实验使用时间顺序的 train、test 和 OOS 切分：test 从 2022-12-31 开始，OOS 从 2025-01-01 开始，并在切分边界之间设置 30 天 embargo。

模型先用 train/test 选择，再用 train + test 重新拟合，最后只在未触碰过的 OOS 上评估一次。如果 test 很好但 OOS 崩掉，就应该回到特征工程、目标构造、周期选择或概率校准。

不要开心得太早

漂亮收益也可能是警讯

漂亮的回测不自动等于好策略。它可能是真优势，但也可能是数据泄漏、幸存者偏差、意外使用未来信息、目标污染、时间戳对齐错误，或方法论上的问题让过去看起来可以交易。

看到强结果时，第一反应应该是好奇和审计，不是马上庆祝。

如果找不到哪里错

如果方法论已经检查过，还是找不到明显问题，下一步也不是直接加大仓位。更合理的是做小规模 live test，或者 paper/live shadow run，让真实市场告诉我们这个优势是否能离开研究环境继续存在。

Live test 是把漂亮回测变成可验证假设的步骤。

强结果应该触发 leakage audit、方法论复查，然后在找不到明显缺陷时做小规模 live test。研究可以兴奋，但必须保持怀疑。

失败后的回路