BTC 量化交易系统：从爆仓教训到 +607% 收益

Fri, 03 Apr 2026 23:08:00 +0800

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

回测用 CSV 历史数据（BacktestProvider）
实盘用 OKX API（LiveProvider）
策略代码完全相同

这样做的好处：回测能过，实盘大概率也能过。不会出现"回测收益 4548%，实盘爆仓"的情况。

XGBoost 三分类模型

模型很简单：三分类，预测下一根 K 线的方向。

类别	含义
0	中性（不开仓）
1	做多
2	做空

特征工程

用 30 个技术指标，来自 4 个时间框架（5m/15m/1h/4h）：

趋势类：SMA、EMA、MACD
波动类：ATR、布林带宽
量价类：成交量变化、资金流向
动量类：RSI、KDJ

置信度过滤

模型输出三个概率：prob_neutral、prob_long、prob_short。

置信度 = 最大概率。

置信度	动作
≥ 60%	开仓（仓位与置信度成正比）
< 60%	不开仓

置信度 90% 时满仓，60% 时 30% 仓位。这样高置信度信号贡献主要收益，低置信度信号控制风险。

风控系统：ATR 动态止损止盈

固定百分比止损是错的。BTC 波动大时 1% 是正常波动，波动小时 0.5% 就够了。

我用 ATR（平均真实波动范围）动态计算：

参数	公式	示例值
止损距离	ATR × 4	~0.35%
止盈距离	ATR × 9	~0.8%

风险收益比 = 2.25:1

这意味着：每冒 1 单位风险，预期收益 2.25 单位。长期来看，胜率 50% 也能盈利。

移动止盈

盈利超过 1% 后，启动追踪止盈：

做多：追踪最高价，回撤 0.5% 触发平仓
做空：追踪最低价，反弹 0.5% 触发平仓

这能锁定大部分盈利，不会因为"贪心"把盈利变成亏损。

超时平仓

有时候信号质量差，价格长期不动。这时候不应该继续持有。

状态	最长持有	说明
保本（±0.15%）	30 分钟	快速离场
亏损	60 分钟	强制平仓
全部	90 分钟	无论盈亏都平仓

回测结果：+607% 收益

2025年1月 - 2026年3月回测（15个月，BTC-USDT-SWAP 永续，5 分钟 K 线，手续费 0.1%）：

指标	值	说明
收益率	+607.47%	15个月累计收益
夏普比率	28.74	风险调整收益极高
最大回撤	-1.46%	风控有效
胜率	81.1%	信号质量高

验收标准全部达标：

收益率 > 30% ✅
夏普 > 1.5 ✅
回撤 < 20% ✅
胜率 > 70% ✅ 全量回测：4,291 笔交易，胜率 81.1%，收益率 +607%（手续费 0.1%）。

验收标准全部达标：

收益率 > 30% ✅
夏普 > 1.5 ✅
回撤 < 20% ✅
胜率 > 70% ✅

curses 终端看板

实盘监控很重要。我用 curses 做了一个类似 htop 的终端看板：

BTC 模拟交易 v3.2 ─ 23:02:00

📊 实时行情
   价格: $66,493 │ 24h: +0.73% │ 成交量: 7.3M

📈 持仓状态
   无持仓 │ 可用 $10,000

🎯 信号状态
   做多 7% │ 做空 8% │ 置信度 85% │ 无

📉 历史统计
   无交易记录

⚙️ 运行状态
   运行中 │ PID 44731 │ 运行 02:08 │ 内存 132MB

按 q 退出

原地刷新，彩色显示（涨绿跌红），按 q 退出。

教训：ml-strategy 灾难

再强调一次：2026-03-19 的教训必须记住。

问题	结果	教训
8 策略全部爆仓	资金归零	多策略 ≠ 分散风险
未经验证实盘	爆仓	模拟交易是必须步骤
回测盈利因子好看	实际只有一半	必须扣除开仓费
回测用单时间框架	实盘用多时间框架	特征必须一致

新系统的应对

模拟交易 ≥ 7 天，收益率 > 0，才能进入实盘
回测和实盘使用相同特征构建逻辑
所有回测扣除手续费（0.1%，保守估计）

总结

从爆仓到 +801%，我学到了：

微架构设计：策略逻辑只有一个入口，回测实盘完全一致
置信度仓位：高置信度信号贡献收益，低置信度控制风险
ATR 动态风控：适应不同波动环境
移动止盈 + 超时平仓：锁定盈利，避免长期持有垃圾信号
模拟交易验证：必须经过至少 7 天验证

量化交易不是玄学。是数学 + 工程 + 风控。

代码

项目开源在 GitHub。

# 运行回测
python bin/btc-quant.py backtest

# 模拟交易
python bin/btc-quant.py paper

# 看板监控
python bin/btc-quant.py dashboard

最后更新：2026-04-03

风控系统 on My Life is Going On