4 min read

Sharpe 33.88的 model,我发财了?

Source: http://x.com/i/article/2033852968098029568

这篇文章记录我深度学习两位大神 @RohOnChain 与

@MrRyanChi

的实战过程。

https://x.com/MrRyanChi/status/2031292099384008810
https://x.com/RohOnChain/status/2029998336837890193

phase1 目标锚定:寻找可被逆向的“聪明钱”

任务要求学习某钱包(每月PnL要超过3万美元)交易策略并回测

我的筛选标准如下:

系统性与重复性:胜率不一定极高,但交易频率必须稳定且极高,不可单一依赖领域的“不定价信息”盈利。*交易次数多意味着行动模式更加明显

统计显着性:交易间隔差低,分布均匀,排除偶尔暴赚的“运气型”选手。

锁定最终目标:influenz.eth。

phase2 交易逻辑

针对这钱包的交易策略再加上我自己的参数修改缝缝补补最后产出:

Image

phase3 回测(2/1-15

使用目标钱包在交易的市场回测,不做任何压力测试,单纯验证策略

Image

最后产出惊人的sharpe 33.88 ,这数字让我知道铁定出包了,之后开始学习各种大神推文,用claude code做了一个学习机器人帮了我不少,通过深度校准后,我进入了调参地狱:

  • 真实环境模拟:引入延迟下单、流动性深度等摩擦成本后,v3的PnL 瞬间坠落至 -21.2%。
  • 模型重构:在经历 v3 的全面亏损后,我意识到“稳”比“赚”更重要 。 最后做出了这个东西

phase4 还在调整的Alpha v4

进场限制:

  • 价格区间:0.73<Entry Price<0.93 。
  • 严苛类别排除:果断切除 Crypto、Politics、Geopolitics 等高波动或表现极差的类别 。
  • 频率与冷却:每日仅取 Spread 最大的前 3 笔机会;若触发止损,24 小时内禁止重入同一标的 。
  • 时间加权仓位 (Position Sizing):采用时间加权机制 。剩余结算时间越长,不确定性越高,则进场仓位越小 。
Image

自适应出场

  • 自适应获利结算 (NEAR_SETTLED):根据距离结算的时间动态调整。 距结算 <6h:提高至 0.995 持有待涨 。 距结算 <24h:设定为 **0.98** 。 距结算 >24h:设定为 0.97 提前落袋 。
  • 硬性止损:放弃窄幅 Thesis Stop,改为固定的 5% 最大亏损,规避市场噪音 。

从原本追高Pnl ,最后寻求一个稳定且能在市场生存的alpha,做了七种压力测试

Image

即使在加载 +100 bps 滑点 的压力测试下,依然能保持正收益 。

phase5 bad one?

这次研究并没有找到一个惊天动地的独特 Alpha,这类价格收敛模型在社区中已有不少成功案例。但我通过这次学习产出了许多副产品:

多 Agent 协作系统:我成功让 Claude Code

分发任务给 Codex 与 Gemini Pro,三大 Agent 分工协作,生产力大幅质变。

方法论沉淀:建立了完整的量化笔记库与参数最佳化 Skill。

下一步计划:我将尝试引入“整数规划”与“动态规划”来优化资金利用率。