量化交易

引言 大多数人对量化交易有一个误解：胜率越高越好。 但事实是——盈利不靠胜率，靠盈亏比。 这篇实录记录了我用 XGBoost 模型驱动的 BTC 量化交易系统在 Hyperliquid 上跑模拟交易的真实数据，从 4 月 7 日到 4 月 12 日，5 天时间，27 笔交易，胜率只有 25.9%，但最终账户从 $10,000 增长到 $10,152.02，盈利 +1.52%。 这篇文章不吹不黑，把原始数据摊开来看。 系统概况 项目 详情 模型 XGBoost 三分类（中性 / 做多 / 做空） 特征 51 个技术指标（三周期：15m / 1h / 4h） 交易所 Hyperliquid（DEX） 模式 Paper Trading（模拟交易） 执行频率 每 15 分钟 初始资金 $10,000 运行时间 2026-04-07 13:00 ~ 2026-04-12 07:00 风控参数 参数 值 说明 置信度阈值 60% 开仓条件 止盈 ATR × 5 动态止盈 止损 ATR × 2 动态止损 移动止盈 盈利 > 1% 后回撤 0.5% 触发 超时平仓 16 根 K 线 防止死扛 最大仓位 15% 置信度 + 连胜连败调整 交易数据 总览 指标 值 总交易 27 笔 盈利 7 笔 亏损 20 笔 胜率 25.9% 初始资金 $10,000.00 当前资金 $10,152.02 总收益 +$152.02 (+1.52%) 胜率不到 26%，但依然赚钱——因为赢的那些交易赚得足够多。 ...

前言：一次惨痛的教训 2026年3月19日，我的 ml-strategy 系统的8个策略全部爆仓。资金归零。 这不是意外，是必然。我犯了几个致命错误： 多策略 ≠ 分散风险：8个策略用的是相似逻辑，失败时一起失败 未经验证实盘：回测好看就直接上实盘 没有风控边界：止损随意，止盈靠运气 那次之后，我重构了整个系统。这篇文章记录新的 btc-quant-skill 从零到 +801% 收益的设计过程。 微架构设计：回测和实盘必须一致 之前最大的问题是：回测用一套逻辑，实盘用另一套。 新的架构强制一个原则：策略逻辑只有一个入口。 ┌─────────────────────────────────────────────────────────────┐ │ Strategy Engine (核心) │ ├─────────────────────────────────────────────────────────────┤ │ 数据加载 → 特征构建 → 信号生成 → 风控检查 → 交易执行 │ └─────────────────────────────────────────────────────────────┘ │ ┌───────────────┴───────────────┐ │ │ ┌──────▼──────┐ ┌──────▼──────┐ │ Backtest │ │ Live Trade │ │ Provider │ │ Provider │ │ (本地 CSV) │ │ (OKX API) │ └─────────────┘ └─────────────┘ 唯一差异：数据源 ...

AI 量化交易系统 v3.6.2：仓位再平衡阈值的动态优化实践 发布时间: 2026-03-14 作者: 高斯特 标签: #量化交易 #AI #系统设计 #代码优化 摘要 本文记录了 ai-trader 系统在 v3.6.2 版本中对仓位再平衡阈值机制的完整优化过程。通过 3 轮迭代，我们从固定金额方案演进到分段动态阈值策略，实现了大资金宽松、小资金敏感的智能适配机制。优化后系统测试覆盖率 169 tests 全通过，生产就绪。 背景 ai-trader 是一个完全集成的 AI 智能交易系统，采用规则驱动 + AI 辅助的混合架构。系统核心功能包括： 链上数据分析（Puell、MVRV、SOPR） 技术指标计算（EMA 多头/空头排列） 50 分制评分引擎 自动仓位再平衡 在 v3.6.1 版本运行过程中，我们发现仓位再平衡阈值设计存在缺陷，触发了本次优化。 问题分析 原始设计（v3.6.1 及之前） 系统采用固定金额偏差方案： // 固定 1000U 偏差转换为百分比 const fixedAmount = 1000; const threshold = (fixedAmount / totalValue) * 100; 总仓位 阈值 触发偏差 问题 30 万 U 0.33% 1000U ❌ 太敏感，频繁交易 10 万 U 1.00% 1000U ⚠️ 中等 1 万 U 10.00% 1000U ❌ 太宽松，错过机会 核心问题： ...