44 min read

预测市场中的天气衍生品定价:多策略混合系统的设计与实证分析

Source: http://x.com/i/article/2032428877675712512

放弃市面上那些关于预测市场长篇大论的废话吧——那些作者不会告诉你,他们的"策略"不过是基于几个数学公式的幻想,压根没自己下场玩过。

这篇不一样。这是我在 Polymarket 天气市场上跑自动化交易系统后写下的完整策略手记——带回测数据、带失败存档、带参数表、带每一次设计决策踩坑后的修复过程。

几个核心发现:

→ 你的模型打不过市场定价,但原因不是你以为的那样。不是市场"更聪明",而是市场的信息集严格包含你的模型快照——这是数学必然,不是能力差距。真正的问题是:模型刚更新的那 1-2 小时窗口内,你有没有 edge?

→ 稳定利润不来自更好的预测,来自做市商的结构缺陷。他们各 bucket 独立定价,缺乏跨 bucket 协调——当覆盖区间价格之和低于阈值时,买入全部覆盖 bucket 就是近似无风险利润。

我不会在这里完整列出所有发现——因为同样的理论框架,每个人、每个 agent 都会根据自己的资金规模、风险偏好和执行能力导向不同的参数选择和策略变体。真正有价值的不是抄一组参数,而是理解每个设计决策背后的逻辑和它失败时的表现。完整文档里有全部推导和参数表,自己判断。

这不是"我赚了多少钱"的故事,也不是又一篇用 Kelly 公式包装的理论幻想。这是一份系统怎么设计、哪里出了错、怎么修的工程记录。

*为了保护我的交易策略,本文删除了具体的实盘数据和第八和第九节的讨论和结论部分。*

Image

摘要 预测市场(Prediction Markets)为天气衍生品提供了一种新的定价与交易机制。本文以每日最高气温合约为研究对象,记录一个自动化多策略混合交易系统的设计过程与回测发现。系统的核心引擎是基于实时地面观测的覆盖套利(Coverage)——利用做市商独立定价导致的 bucket 间价格不一致,构造近似无风险头寸。作为条件性补充,系统包含一个基于数值天气预报(NWP)集成的方向性 Kelly(Directional Kelly, DK)引擎,在模型高度一致且 edge 具有统计显著性时进行机会性投注。本文提出 z-score 信噪比门控——将 edge 估计在模型不确定性下标准化——并记录了从全局常数 $\lambda = 0.3$(实质上关闭了 DK 引擎)到局部 $|\partial p / \partial \mu|$ 校准的完整迭代过程。初始的全局 $\lambda$ 缺乏理论锚定,要求 edge $\geq 0.36$ 才能通过门控,在 Bayesian 混合框架下数学上不可达;改用局部概率灵敏度后,z-score 门控恢复为实用的过滤器,回测表明通过门控的交易子集呈现正期望收益。回测的定性发现表明:(1)覆盖策略的胜率显著高于方向性策略,且历史失败案例全部集中在低置信度级别;(2)城市选择是最大的单一过滤器,约 50% 的潜在交易因城市准入被过滤;(3)系统改进的主要来源是错误规避(移除负 EV 城市、过滤低价 bucket)而非参数优化。

本文还分析了 Brier Score 市场-模型比较中的时间对齐陷阱——市场 BS 优于模型 BS 是信息集包含关系的必然结果,不能解读为"市场预测能力更强"——并据此提出 $\alpha$ 应按模型信息新鲜度分段的框架。本文的核心论点是:在天气预测市场中,更多的 alpha 来自结构套利和错误规避,而非追求更精确的预测模型。

## §1 引言

### §1.1 预测市场背景

预测市场是一类以事件结果为标的物的金融市场,参与者通过交易合约表达对未来事件概率的信念。Arrow-Debreu 证券理论表明,一组覆盖所有互斥结果的完备合约,其均衡价格在理想条件下等价于风险中性概率。近年来,去中心化预测市场(如 Polymarket)的兴起使得高频、自动化的策略成为可能。

### §1.2 天气预测市场的特殊结构

天气预测市场具有若干区别于传统金融衍生品和政治预测市场的特征:

- 离散 bucket 结构:每个合约对应一个温度区间(如"51°F"、"52-54°F"、"≥60°F"),单日单城市通常有 15-25 个互斥 bucket。

- 日结算:每日 UTC 时间结算,基于官方气象站报告的最高温度。

- 丰富的外部信息源:存在多个公开的 NWP 模型和实时观测网络,信息获取成本极低。

- 有限的做市参与:做市商数量有限(通常 1-2 个系统性参与者),各 bucket 独立定价。

这些特征创造了一个独特的研究场景:信息效率与结构效率的分离。单个 bucket 的定价可能准确反映概率(高信息效率),但 bucket 间的价格一致性(price sum = 1)却系统性地偏离理论值(低结构效率)。

### §1.3 研究问题

本文聚焦以下问题:如何设计一个自动化策略组合系统,同时利用天气预测市场中的信息不对称和结构缺陷?

### §1.4 贡献

本文的主要贡献包括:

1. 以覆盖套利为核心引擎,辅以条件性的方向性 Kelly,构建基于独立信息源(地面观测 vs NWP 模型)的混合框架。

2. 提出 z-score 信噪比门控(edge 在模型不确定性下标准化),记录从全局 $\lambda = 0.3$(参数化失败)到局部 $|\partial p / \partial \mu|$(理论校准)的完整迭代路径。

3. 分析 Brier Score 市场-模型比较中的时间对齐陷阱,指出市场 BS 优于模型 BS 是信息集包含关系的必然结果,并提出基于信息新鲜度的 $\alpha(h)$ 分段框架。

4. 设计多层过滤器架构,实证表明"不做已知错误"比"优化参数"带来更大的边际改善。

5. 对路径概率

$P

_\theta$ 与终端概率

$P_T

$ 的分离进行初步建模,为 Sell High 机制提供定量分析框架。

## §2 市场结构 ### §2.1 天气预测市场机制 #### Bucket 定义

天气预测市场将连续的温度值离散化为一组互斥区间。典型的 bucket 结构为:

$$\mathcal{B} = \{B_1: T \leq t_1,\; B_2: T = t_2,\; \ldots,\; B_{N-1}: T = t_{N-1},\; B_N: T \geq t_N\}$$

其中

$B

_1$ 和

$B_N

$ 为开区间边界 bucket,中间 bucket 为单点值(精度 1°F 或 1°C)。温度单位取决于城市所在地区(美国城市使用华氏度,其他地区使用摄氏度)。

#### Arrow-Debreu 证券结构

每个 bucket

$B_k

$ 对应一对 Yes/No 合约。当且仅当观测最高温度落入

$B_k

$ 时,Yes 合约支付 \$1,No 合约支付 \$0。$N$ 个 bucket 构成互斥完备事件空间,理论上满足:

$$\sum_{k=1}^{N} p_k = 1$$

其中

$p_k

$ 为

$B_k

$ 的 Yes 合约市场价格。实际中,由于做市商独立定价和流动性约束,price sum 在 0.85-1.05 之间波动。

#### 结算规则与手续费结构

合约在指定日期 UTC 结算,以官方气象站记录的日最高温度为准。交易手续费包含两部分:买入时的价差(bid-ask spread,通常 1-5¢)和结算时的赢利扣费(通常 2%)。手续费结构意味着理论盈亏平衡胜率随买入价格变化,低价 bucket 需要更高的胜率才能覆盖成本。

### §2.2 信息源 #### 数值天气预报(NWP)模型

系统聚合以下 6 个全球 NWP 模型的预报输出:

| 模型 | 机构 | 时间分辨率 | 水平分辨率 |

|------|------|-----------|-----------|

| GFS | NOAA (USA) | 6h | 0.25° |

| ECMWF IFS | ECMWF (EU) | 6h | 0.1° |

| JMA GSM | JMA (Japan) | 6h | 0.5° |

| GEM | ECCC (Canada) | 6h | 0.25° |

| ICON | DWD (Germany) | 6h | 0.125° |

| Météo-France | MF (France) | 6h | 0.25° |

各模型每 6 小时更新一次,但不同模型的更新时间存在偏移。ECMWF 通常被认为全球范围内精度最高,但在特定地区和季节,区域模型可能更优。

#### 地面气象站实时观测(IEM ASOS) Iowa Environmental Mesonet(IEM)提供全球 ASOS(Automated Surface Observing System)气象站的实时观测数据,包括当前气温和当日最高气温。观测数据每 5-20 分钟更新一次,延迟通常在 10-30 分钟。

#### 两类信息的时间维度差异

NWP 模型提供 预测性信息——在结算前 6-72 小时给出温度预报。地面观测提供 实时确认信息——在结算日当天记录实际温度演变。两者的信息含量随时间推移发生交叉:

- 远期(>24h):NWP 预报是主要信息源,观测数据尚不可用。

- 近期(<6h):当日观测提供的信息含量超过 NWP 预报,尤其在已过日最高温峰值时段后。

这一时间结构自然地将系统分解为两个引擎:远期由 NWP 驱动的方向性引擎、近期由观测驱动的覆盖引擎。

## §3 基础定价模型

### §3.1 正态分布 bucket 概率

假设日最高温度

$T

$ 服从正态分布

$T

\sim \mathcal{N}(\mu, \sigma^2)$,其中 $\mu$ 为预报均值,$\sigma$ 为预报不确定性。对于单点 bucket

$B_k: T = t_k$,将其解释为区间 $[t_k - 0.5, t_k + 0.5)$,则:

$$P(B_k) = \Phi\left(\frac{t_k + 0.5 - \mu}{\sigma}\right) - \Phi\left(\frac{t_k - 0.5 - \mu}{\sigma}\right)$$

其中 $\Phi(\cdot)$ 为标准正态分布的累积分布函数。

#### 边界 bucket 处理

对于下界 bucket "$T \leq t_1$":

$$P(B_1) = \Phi\left(\frac{t_1 + 0.5 - \mu}{\sigma}\right)$$

对于上界 bucket "$T \geq t_N$":

$$P(B_N) = 1 - \Phi\left(\frac{t_N - 0.5 - \mu}{\sigma}\right)$$ #### 正态假设的局限

正态分布的尾部衰减速度为 $\exp(-x^2/2)$,但天气预报误差的实际分布通常呈现厚尾特征。这导致模型系统性高估尾部 bucket 的概率。更合理的选择是 Student-t 分布(自由度 $\nu \approx 5$-$8$),其尾部衰减为

$x

^{-(\nu+1)}$。本文通过价格地板过滤器(§5.4 Layer 2)作为工程化的权宜之计来缓解此问题。

### §3.2 RMSE 反方差加权集成预报 #### 权重定义

对于

$M

$ 个 NWP 模型,基于各模型在目标城市过去 60 天的均方根误差(RMSE)进行反方差加权:

$$w_i = \frac{1}{\text{RMSE}_i^2}$$

RMSE 较低的模型获得更高权重,体现了"历史上更准确的模型应获得更大话语权"的原则。

#### 模型过滤 再分析模型(reanalysis)由于其 RMSE 异常低(通常 < $\delta$,其中 $\delta$ 为过滤阈值),可能产生过拟合权重,需在加权前剔除。系统设定 $\delta = 0.15$°C,低于此阈值的模型不参与集成。

#### 加权预报 $$\hat{\mu} = \frac{\sum_{i=1}^{M} w_i \cdot T_i}{\sum_{i=1}^{M} w_i}$$

其中

$T_i

$ 为模型

$i

$ 的温度预报值。

#### 加权离散度 $$\text{spread}^2 = \frac{\sum_{i=1}^{M} w_i \cdot (T_i - \hat{\mu})^2}{\sum_{i=1}^{M} w_i}$$

spread 衡量模型集合的一致性。spread 越小,模型越一致,预报不确定性越低。

### §3.3 贝叶斯市场-模型混合

将模型概率与市场价格进行线性混合:

$$p_{\text{adj}} = \alpha \cdot p_{\text{model}} + (1 - \alpha) \cdot p_{\text{market}}$$

其中 $\alpha \in [0, 1]$ 为模型权重系数。

#### $\alpha$ 的选择依据与 Brier Score 时间对齐问题 $\alpha$ 的选择反映了对"模型 vs 市场谁更准确"的信念。Brier Score 是衡量概率预测校准度的标准指标:

$$\text{BS} = \frac{1}{N}\sum_{i=1}^{N}(p_i - o_i)^2$$

其中

$p_i

$ 为预测概率,$o_i \in \{0, 1\}$ 为实际结果。实证计算显示市场定价的 BS 约 0.048,模型集成的 BS 约 0.066,差距约 27%。但这一比较存在根本性的方法论缺陷——时间对齐问题——必须在解读前充分分析。 #### 为什么 BS_market < BS_model 是数学必然

市场价格在时间

$t

$ 聚合了所有在

$t

$ 时刻可获得的公开信息,包括:

1. NWP 模型预报输出(公开发布,延迟约 2-4 小时)

2. 其他参与者的私有模型和信息

3. 最新的地面观测数据

4. 模型自身在

$t

$ 之前所有更新周期的输出

模型预报

$p

_{\text{model}}(t)$ 是 NWP 最近一次运行的快照,每 6 小时更新一次。设模型最近更新时间为

$t

_0$,信息新鲜度(staleness)$h = t - t_0 \in [0, 6\text{h}]$。

市场信息集 $\mathcal{I}{\text{market}}(t) \supseteq \mathcal{I}{\text{model}}(t_0)$——市场严格包含模型的信息(因为模型输出是公开的)加上 $[t_0, t]$ 期间的新信息。根据信息论,在信息集更大的条件下做条件期望的 BS 不劣于信息集更小的 BS:

$$\text{BS}[\mathbb{E}[o | \mathcal{I}{\text{market}}]] \leq \text{BS}[\mathbb{E}[o | \mathcal{I}{\text{model}}]]$$

因此,市场 BS 优于模型 BS 不能解读为"市场是更好的预测者",而是"市场拥有更多信息"的必然结果。27% 的差距衡量的是信息新鲜度的差距,而非预测能力的差距。

#### 有意义的比较:按信息新鲜度分层

有意义的问题不是"市场 vs 模型谁更准",而是:在 NWP 模型刚更新的时间窗口内($h \approx 0$),模型是否有市场尚未吸收的信息?

设 $\Delta\text{BS}(h) = \text{BS}{\text{model}}(h) - \text{BS}{\text{market}}(h)$ 为 staleness =

$h

$ 时的 BS 差距。预期行为:

| 时段 |

$h

$ | 预期 $\Delta\text{BS}$ | 含义 |

|------|-----|----------------------|------|

| NWP 刚更新 | 0-1h | 最小(可能 ≤ 0) | 模型有新鲜信息,市场可能尚未完全吸收 |

| 更新中期 | 1-3h | 增大 | 市场逐步吸收模型信息 + 新观测 |

| 接近下次更新 | 3-6h | 最大 | 模型信息已陈旧,市场远超模型 |

如果 $\Delta\text{BS}(0) \leq 0$(即

$h

\approx 0$ 时模型 BS 优于市场),则存在模型尚未被市场吸收的信息窗口——DK 引擎在此窗口内有理论基础。如果 $\Delta\text{BS}(0) > 0$(即使最新鲜的模型也不如市场),则 DK 引擎缺乏信息优势,只能依赖市场的定价噪声来获利——这是一个更弱的前提。

当前系统未进行此分层分析,因此 27% 的整体差距不能作为 $\alpha$ 的可靠锚定。但即使没有分层数据,可以从结构上推断:做市商的调价算法存在已知的时滞(覆盖引擎正是利用了这一时滞),因此 $\Delta\text{BS}(0) \leq 0$ 在短暂窗口内是合理的假设——但这需要数据验证。

#### $\alpha$ 的正确框架:不是常数,而是 **$h** $ 的函数 上述分析表明 $\alpha$ 不应是常数,而应随信息新鲜度

$h

$ 变化:

$$\alpha(h) = \begin{cases} \alpha_{\text{fresh}} & h \leq h_1 \\ \alpha_{\text{stale}} & h > h_1 \end{cases}$$

其中 $\alpha_{\text{fresh}} > \alpha_{\text{stale}}$,反映"模型刚更新时信任模型更多,模型陈旧时信任市场更多"的信息逻辑。$h_1$ 估计为做市商吸收 NWP 更新的典型时滞(可能 1-2 小时)。

#### $\alpha$ 的敏感性

即使在当前常数 $\alpha$ 框架下,其敏感性特征也需要理解:

- $\alpha$ 过高:模型权重大,$p_{\text{adj}}$ 偏离市场价格,产生大量虚假 edge(假阳性)。

- $\alpha$ 过低:$p_{\text{adj}} \approx p_{\text{market}}$,edge $\to 0$,系统丧失交易能力。

当 $\alpha \to 0$ 时,edge $= p_{\text{adj}} - p_{\text{market}} \to 0$,Kelly 仓位自我消解——完全信任市场意味着没有理由与市场对赌。这揭示了 DK 引擎的理论基础约束:DK 引擎只在模型拥有市场尚未吸收的信息时有价值。常数 $\alpha$ 无法区分"模型有新信息"和"模型信息已陈旧"的状态,因此在后者状态下产生虚假 edge。

系统当前使用 $\alpha \in [0.15, 0.30]$ 作为工程折中。需要坦诚承认:这个范围目前缺乏定量锚定。原先的依据——"市场 BS 比模型 BS 好 27%,因此应大幅信任市场"——已被上述时间对齐分析所否定(27% 衡量的是信息新鲜度差距,不能用于校准 $\alpha$)。而替代性的定量依据——$\Delta\text{BS}(h)$ 曲线——尚未从数据中构建。因此,当前的 $\alpha$ 范围实质上是缺乏锚定的经验猜测。

建立定量锚定需要以下数据:(1)记录每笔 DK 交易对应的 NWP 更新时间

$t

_0$;(2)按

$h

= t - t_0$ 分层计算 $\Delta\text{BS}(h)$;(3)在 $\Delta\text{BS}(h) \leq 0$ 的窗口内,将 $\alpha$ 校准为使

$p

_{\text{adj}}$ 的 BS 最优。在此数据可用之前,更稳健的做法是将 $\alpha$ 与其他过滤器(共识门控、z-score)联合使用——即使 $\alpha$ 不精确,后续过滤器可以拦截 $\alpha$ 过高产生的虚假信号(§5.2-§5.4)。这是一种"对冲无知"的策略:承认关键参数缺乏校准,通过多层过滤器降低其误设的影响。

### §3.4 Edge 与 Kelly 仓位 #### Edge 定义 $$\text{edge} = p_{\text{adj}} - p_{\text{market}}$$

正 edge 意味着模型认为该 bucket 的真实概率高于市场定价,存在做多(买入 Yes)的机会。

#### Kelly 分数

经典 Kelly criterion 给出最优投注比例:

$$f^* = \frac{\text{edge}}{1 - p_{\text{market}}}$$

为控制风险,系统使用保守化的分数 Kelly:

$$f = \kappa \cdot f^* \cdot \eta \cdot c$$

其中:

- $\kappa$:Kelly 分数(如 0.20),将理论最优仓位缩小以适应参数估计误差。

- $\eta$:edge 阻尼因子(如 0.70),反映"高 edge 系统性过估"的经验校正。

-

$c

$:模型置信度(定义见 §5.3),反映模型集合的一致性。

考虑假设性数值示例:edge = 0.15,

$p

_{\text{market}}$ = 0.30, $\kappa$ = 0.20, $\eta$ = 0.70,

$c

$ = 0.80,则:

$$f^* = \frac{0.15}{0.70} = 0.214, \quad f = 0.20 \times 0.214 \times 0.70 \times 0.80 = 0.024$$

即投入可用资金的 2.4%。保守化因子的叠加效果将理论最优仓位缩小约 10 倍。

## §4 策略设计

### §4.1 核心引擎:覆盖套利(Coverage) 覆盖引擎是系统的主要 alpha 来源,基于实时气象站观测数据,利用 bucket 间的定价结构缺陷进行近似无风险套利。

#### 覆盖买入 当一组覆盖观测温度范围的相邻 bucket 的价格之和 $\Sigma < \theta_{\text{cov}}$(如 0.80)时,同时买入所有覆盖 bucket。由于至少一个 bucket 将以 \$1 结算,保证正收益:

$$\text{利润率} = \frac{1}{\Sigma} - 1$$

考虑假设性示例:3 个覆盖 bucket 价格分别为 0.25、0.30、0.20,则 $\Sigma = 0.75$,利润率 = $1/0.75 - 1 = 33\%$。

#### 覆盖范围的确定

此策略的关键在于"覆盖范围"的精确界定——需要买入哪些 bucket 才能保证覆盖最终观测值。系统基于当前观测最高温度

$T

_{\text{obs}}$ 和剩余上升空间(upside

$u

$),动态计算需要覆盖的温度区间 $[T_{\text{obs}} - \epsilon, T_{\text{obs}} + u]$:

| 观测阶段 | upside

$u

$ | 覆盖范围 | 置信度 |

|----------|-----------|----------|--------|

| 已过峰值且温度下降 | ~0.5°C | 极窄(1-2 buckets) | HIGH |

| 已过峰值但未下降 | ~1.0°C | 窄(2-3 buckets) | MED |

| 距峰值 ≤1h | ~1.5°C | 中等(2-4 buckets) | MED |

| 距峰值 1-2h | ~2.5°C | 宽(3-5 buckets) | PARTIAL |

| 距峰值 >2h | >4.0°C | 过宽 | EARLY(不交易) |

upside 的估算是覆盖引擎最关键的参数。过小导致覆盖失败(最终温度超出覆盖范围),过大导致 $\Sigma$ 增大、利润率下降甚至条件不满足。当前使用的是基于观测时段的分档估算,更精细的方法是利用当日气温的升温曲线形态进行回归预测。

#### 覆盖机会的存在性条件

覆盖机会的存在要求:

$$\Sigma = \sum_{k \in \mathcal{C}} p_k < 1$$

其中 $\mathcal{C}$ 为覆盖 bucket 集合。由于 $\mathcal{C}$ 是完备事件空间的子集,理论上 $\sum_{k \in \mathcal{C}} p_k < \sum_{k=1}^{N} p_k$。覆盖机会在以下条件下更可能出现:

1.

覆盖范围窄(高置信度观测):需要覆盖的 bucket 少,$\Sigma$ 更可能低于阈值。

2.

整体 price sum 偏低:当 $\sum_{k=1}^{N} p_k < 1$ 时(做市商整体低估),覆盖子集的 $\Sigma$ 也更可能低。

3.

覆盖区间包含被低估的 bucket:做市商尚未吸收最新观测数据时,观测温度附近的 bucket 可能系统性低估。

第三种情况最为常见,解释了为什么覆盖机会集中在两个时段:NWP 预报更新后 1-2 小时(做市商调价滞后)和临近结算前 2-4 小时(实时观测大幅改变概率分布,但部分 bucket 价格滞后)。

#### 狙击模式 当覆盖 bucket 价格之和 $\Sigma \geq \theta_{\text{cov}}$(覆盖买入条件不满足),但单个 bucket 存在高置信度机会时,系统切换为狙击(Snipe)模式——仅在观测温度最接近的单个 bucket 上投注。狙击不具有覆盖买入的无风险性质,其 edge 来自观测信息的时间优势。

#### 置信度分层与交易准入 | 置信度 | 覆盖买入 | 狙击 | 理由 |

|--------|----------|------|------|

| HIGH | 允许 | 允许(全额) | 温度已确定性下降,upside 极小 |

| MED | 允许 | 允许(全额) | 已过峰值或距峰值 ≤1h |

| PARTIAL | 不允许 | 允许(减额) | 覆盖范围过宽,$\Sigma$ 难以 < $\theta_{\text{cov}}$ |

| EARLY | 不允许 | 不允许 | upside 过大,无信息优势 |

PARTIAL 置信度下禁止覆盖买入的原因不仅是 $\Sigma$ 难以达标,更重要的是覆盖失败的概率显著增大——距峰值 1-2 小时的温度上升空间仍有实质性不确定性,覆盖范围可能不足。

#### 覆盖引擎的优势与局限

优势:覆盖策略是系统中唯一不依赖模型预测能力的 alpha 来源。它利用的是市场结构效率的缺失(做市商间缺乏跨 bucket 协调),而非信息效率的缺失。即使完全不建模型,仅监控 price sum 并在 $\Sigma < \theta_{\text{cov}}$ 时买入,也能捕获这部分 alpha。

局限:覆盖机会的频率受限于做市商的效率。随着市场参与者增加或做市商算法改进(例如引入跨 bucket 价格协调),覆盖机会可能减少。此外,覆盖策略的容量有限——单次覆盖买入涉及多个 bucket,每个 bucket 的流动性约束了可投入的资金量。

### §4.2 条件性补充:方向性 Kelly(DK) 方向性 Kelly 引擎基于 NWP 集成预报,在严格条件下进行机会性方向投注。需要强调的是:DK 引擎的理论基础弱于覆盖引擎——§3.3 分析了其信息优势仅存在于 NWP 更新后的短暂窗口内——它在系统中的角色是条件性补充,而非与 Coverage 并列的独立引擎。

#### 核心逻辑 1. 使用 §3.2 的 RMSE 加权集成预报计算 $\hat{\mu}$ 和 $\sigma$。

2. 基于 §3.1 的正态分布模型,计算所有 bucket 的

$p

_{\text{model}}$。

3. 选取

$p

_{\text{model}}$ 最大的 top-1 bucket 作为投注目标。

4. 经过 §5 描述的多层过滤器后,按 §3.4 的 Kelly 公式确定仓位。

聚焦 top-1 bucket 而非多 bucket 分散,原因是 §4.3 所述的伪分散化问题。

#### 准入条件 DK 引擎仅在以下条件全部满足时激活:

- 模型共识 ≥ STRONG 或 S3-OBS(§5.3)

- z-score $\geq z_{\min}$(§5.2,使用局部 $|\partial p / \partial \mu|$ 作为概率灵敏度)

- edge $\geq e_{\min}$

- 价格 $\geq p_{\min}$

这些条件的严格性意味着 DK 引擎在大多数市场状态下保持沉默——这是有意为之的设计选择,反映了 §3.3 的认知:市场在信息聚合上具有结构性优势,DK 引擎只应在模型拥有市场尚未吸收的新鲜信息时才行动。

#### Sell High 机制

当持仓价格升至 $\theta_{\text{sell}}$(如 0.92)时,主动卖出锁定利润。此机制对 DK 引擎尤为重要:它将二元合约的全赢全输结构转化为区间交易(只要路径到达即获利),降低了对模型精度的要求。路径概率的详细分析见 §8.4。

### §4.3 对冲策略的陷阱(反面教材) 一种直觉上合理的策略是:在预测温度附近 ±$N$° 的多个 bucket 上分散投注,以降低"预测偏差 1-2° 导致全额亏损"的风险。

#### 伪分散化问题

在

$N

$ 个相邻 bucket 上分散投注看似降低了风险,但存在根本性缺陷:

1.

不是套利:$N$ 个 bucket 的价格之和通常 >1(因为不要求 sum < 阈值),这本质上仍是方向性交易。

2.

成本叠加:每笔交易支付 bid-ask spread,$N$ 笔对冲的总隐性成本 =

$N

\times \text{spread}/2$。

3.

edge 来源同质:所有

$N

$ 个 bucket 的 edge 估计来自同一个模型预测 $\hat{\mu}$。当 $\hat{\mu}$ 偏差 > bucket 宽度时,所有投注同时失败。

这是经典的伪分散化(pseudo-diversification):看似分散的头寸实际上高度相关,因为它们的 edge 来源是同一个信号的噪声展开。真正的风险分散要求 edge 来源相互独立。

#### 定性结论 回测结果表明,对冲策略在天气预测市场上呈现结构性亏损特征。低价 bucket 的历史胜率极低(价格 <15¢ 的 bucket 胜率趋近于 0%),对冲策略恰好大量买入这些低价 bucket。将对冲替换为 top-1 集中投注可显著减少亏损。

## §5 混合系统设计 ### §5.1 设计哲学

混合系统的核心设计原则为:

> "避免已知错误" > "寻找最优参数"

实证表明,系统收益的最大边际改善来自移除已知负 EV 的交易(如负 EV 城市、低价 bucket、低共识信号),而非精细调优已有策略的参数。这一发现与 Nassim Taleb 的"via negativa"理念一致:系统改进更多地来自删除有害元素,而非增加有益元素。

#### 主次分明的引擎关系

Coverage 引擎是系统的核心,DK 引擎是条件性补充。两者的信息源相互独立:

- Coverage 引擎(核心):输入为 IEM 气象站的实时观测数据(确认性信息),alpha 来自结构缺陷。

- DK 引擎(补充):输入为 NWP 模型的预报输出(预测性信息),alpha 来自信息时滞——即 NWP 更新后做市商尚未完全吸收的短暂窗口(§3.3)。

信息源的独立性意味着两个引擎的 edge 来源不相关,避免了 §4.3 所述的伪分散化问题。但独立性不意味着对等性——Coverage 的 alpha 来源(结构缺陷)比 DK 的(信息时滞)更稳健,因为前者不依赖"模型有市场尚未吸收的信息"这一需验证的假设。

#### 单进程共享状态

两个引擎运行在同一进程中,共享已下单集合和资金池。这确保了:

- 不会对同一 bucket 重复下单(DK 和 Coverage 可能独立发现同一机会)。

- 资金分配在全局预算约束下协调(避免一个引擎耗尽另一个的资金)。

### §5.2 z-score 信噪比门控:从全局常数到局部灵敏度 #### 动机

Edge 估计本身存在不确定性。当 edge = 0.05 而模型不确定性 $\sigma_c = 1.5$°C 时,这个 edge 可能仅仅是 $\sigma_c$ 导致的概率估计噪声,而非真实的市场定价偏差。z-score 门控的思路是将 edge 在模型不确定性下标准化,只保留统计上显著的信号。下文将展示从初始参数化(全局 $\lambda = 0.3$,失败)到局部灵敏度校准(成功)的完整迭代。

#### 定义 $$z = \frac{\text{edge}}{\sigma_c \times \lambda}$$

其中:

- $\text{edge} = p_{\text{adj}} - p_{\text{market}}$,为 §3.4 定义的模型-市场分歧。

- $\sigma_c$:综合不确定性(定义见下文)。

- $\lambda$:概率尺度转换因子,将温度不确定性映射到概率空间。

#### $\sigma_c$ 的构成 $$\sigma_c = \sqrt{\sigma_{\text{emp}}^2 + \text{spread}^2}$$

其中:

- $\sigma_{\text{emp}}$:基于历史预报误差的经验标准差,反映模型在该城市的系统性精度。

- $\text{spread}$:§3.2 定义的模型间加权离散度,反映当前预报周期内模型的一致性。

$\sigma_c$ 综合了"模型历史上有多准"($\sigma_{\text{emp}}$)和"模型当前有多一致"(spread)两个维度的不确定性。若 $\sigma_{\text{emp}}$ 不可用,使用默认值 1.5°C。$\sigma_c$ 的最终值被 clamp 在 $[0.2, 5.0]$°C 内。

$\sigma_c$ 的设计是合理的,但其估算在回测中存在噪声(§6.2),这直接影响 z-score 的可靠性。

#### 从全局常数到局部灵敏度 $\lambda$ 不应该是常数。从正态分布 bucket 概率的定义出发,$p_{\text{model}}$ 对 $\mu$ 的敏感性为:

$$\frac{\partial p_{\text{model}}}{\partial \mu} = \frac{1}{\sigma}\left[\phi\left(\frac{t_k - 0.5 - \mu}{\sigma}\right) - \phi\left(\frac{t_k + 0.5 - \mu}{\sigma}\right)\right]$$

其中 $\phi(\cdot)$ 为标准正态 PDF。这个导数取决于 bucket 位置

$t_k

$ 相对于 $\mu$ 的距离和 $\sigma$ 的值。对于 $\mu$ 附近的 bucket,$|\partial p / \partial \mu|$ 趋近于零(概率在峰值处对预报偏移不敏感);对于距 $\mu$ 约 $1\sigma$ 的 bucket,$|\partial p / \partial \mu|$ 最大(正态 PDF 梯度最陡处);对于远尾部 bucket,$|\partial p / \partial \mu|$ 再次趋近于零。因此,$\lambda$ 在物理上不是常数,而是随 bucket 位置变化的函数。

系统将 $\lambda$ 从全局常数替换为逐笔交易计算的局部灵敏度:

$$\lambda_{\text{local}} = \max\left(|\partial p_{\text{model}} / \partial \mu|,\; \lambda_{\min}\right)$$

$$z = \frac{\text{edge}}{\sigma_c \times \lambda_{\text{local}}}$$

其中 $\lambda_{\min}$(如 0.005)为下限,避免在 $|\partial p / \partial \mu| \to 0$ 时除以近零值。

物理含义:对于峰值附近的 bucket($|\partial p / \partial \mu| \approx 0$),即使预报偏移数度,概率变化也很小——edge 是鲁棒的,z-score 应放行。对于 $1\sigma$ 处的 bucket($|\partial p / \partial \mu|$ 最大),预报偏移会显著改变概率——edge 的可靠性低,z-score 应更严格。这正是局部灵敏度自动实现的行为。

数值对比:典型参数下($\sigma \approx 3$°F),局部 $\lambda$ 的中位数约 0.03——比全局 $\lambda = 0.3$ 小一个数量级。这意味着在 $\sigma_c = 1.5$°C 时,通过

$z

_{\min} = 0.8$ 所需的 edge 从 0.36 降至约 0.036——回到了合理的可达范围内。

#### 阈值选择 系统设定

$z

{\min} = 0.8$。即使解决了 $\lambda$ 的问题,$z{\min}$ 本身也需要从数据中校准——理想的做法是绘制"z-score 阈值 vs 通过交易子集的胜率"曲线,选择胜率开始显著高于盈亏平衡的拐点。

#### 初始参数化的失败:全局 $\lambda = 0.3$(存档) $\lambda$ 的物理含义是"$\sigma_c$ 每增加 1°C,bucket 概率的典型变化量"。初始取值 $\lambda = 0.3$ 是经验性拍定的,没有从数据中校准。$\lambda$ 的取值直接决定了 z-score 的严格程度。考虑 $\sigma_c = 1.5$°C 时,不同 $\lambda$ 下通过

$z

_{\min} = 0.8$ 所需的最小 edge:

| $\lambda$ | 分母 $\sigma_c \times \lambda$ | 通过门控所需 edge |

|-----------|-------------------------------|------------------|

| 0.10 | 0.15 | 0.12 |

| 0.20 | 0.30 | 0.24 |

| 0.30 | 0.45 | 0.36 |

| 0.50 | 0.75 | 0.60 |

$\lambda = 0.3$ 要求 edge ≥ 0.36。但在 $\alpha \in [0.15, 0.30]$ 的 Bayesian 混合下,edge 的理论上限为 $\alpha$(当

$p

_{\text{model}} = 1$,

$p

_{\text{market}} = 0$ 时),即最大约 0.25-0.30——数学上不可达。以 $\alpha = 0.25$ 为例:

$$z = \frac{\text{edge}}{1.5 \times 0.3} = \frac{\text{edge}}{0.45}$$

- edge = 0.03 →

$z

= 0.067$(远低于 0.8)

- edge = 0.10 →

$z

= 0.222$(仍低于 0.8)

- edge = 0.25(理论上限)→

$z

= 0.556$(仍不足)

全局 $\lambda = 0.3$ 将 z-score 门控变成了实质性的关闭开关——不是过滤器过于严格,而是在任何现实参数下都数学上不可通过。

#### 局部灵敏度校准后的效果

替换为 $\lambda_{\text{local}} = |\partial p / \partial \mu|$ 后,同样的参数:

$$z = \frac{\text{edge}}{\sigma_c \times \lambda_{\text{local}}}$$

考虑 $\sigma_c = 1.5$°C, 距 $\mu$ 约 $1\sigma$ 的 bucket($\lambda_{\text{local}} \approx 0.03$):

- edge = 0.03 →

$z

= 0.03 / (1.5 \times 0.03) = 0.67$(接近阈值)

- edge = 0.05 →

$z

= 1.11$(通过门控)

- edge = 0.10 →

$z

= 2.22$(舒适通过)

z-score 门控恢复为有意义的过滤器:低 edge(1-2%)仍被过滤(对应胜率仅 ~8-9%),而中等 edge(≥5%)在模型一致时可通过——这正是理论预期的行为。

### §5.3 共识门控 #### 共识等级定义

基于模型集合的预报一致性,将共识分为离散等级:

| 等级 | 条件 | 含义 |

|------|------|------|

| STRONG | ≥4 个模型预报一致(范围 ≤2°C) | 模型高度一致 |

| S3-OBS | 有实时观测验证的强共识 | 模型一致且有观测支持 |

| MODERATE | 3 个模型一致 | 模型中等一致 |

| WEAK | <3 个模型一致或范围 >4°C | 模型不一致 | #### 动态放宽规则

MODERATE 共识在 confidence > 0.7 时允许交易。confidence 定义为模型一致性的连续度量:

$$\text{confidence} = \frac{1}{1 + \text{spread} / 2}$$

其中 spread 为 §3.2 的加权离散度。当 spread = 0 时 confidence = 1(完全一致),spread = 2°C 时 confidence = 0.5。

#### 与 z-score 的互补性 z-score 过滤单笔交易的虚假 edge,共识门控过滤模型集合层面的系统性矛盾。两者互补:

- z-score 低 + 共识高:模型一致但 edge 不够显著 → 不交易。

- z-score 高 + 共识低:单个 bucket 的 edge 显著但模型间矛盾 → 不交易。

- z-score 高 + 共识高:edge 显著且模型一致 → 允许交易。

### §5.4 多层过滤器架构

系统采用六层串联过滤器,每笔潜在交易必须依次通过所有层:

Layer 1: 城市准入

基于城市的历史预测精度(accuracy)进行准入过滤。accuracy 低于阈值

$a

_{\min}$ 的城市被排除。此外,存在系统性负 EV 的城市被人工列入黑名单(如存在持续冷偏差或模型-观测站不匹配的城市)。

Layer 2: 价格地板

$p

{\text{market}} \geq p{\min}$(如

$p

_{\min} = 0.15$)。低价 bucket 的历史胜率趋近于 0%,模型在此区间存在系统性高估(§3.1 正态假设的尾部缺陷)。

Layer 3: 共识门控

$\text{consensus} \in \{\text{STRONG}, \text{S3-OBS}\}$,或 $\text{consensus} = \text{MODERATE}$ 且 $\text{confidence} > 0.7$。

Layer 4: Edge 门控

$\text{edge} \geq e_{\min}$(如

$e

_{\min} = 0.03$)。排除微小 edge,减少交易频率和手续费消耗。

Layer 5: z-score 门控

$z

= \text{edge} / (\sigma_c \times \lambda_{\text{local}}) \geq z_{\min}$(如

$z

{\min} = 0.8$),其中 $\lambda{\text{local}} = \max(|\partial p / \partial \mu|, \lambda_{\min})$。确保 edge 在模型不确定性下具有统计显著性。

Layer 6: Kelly 仓位 + 预算约束

Kelly 公式计算仓位大小,并受城市预算上限、日总预算和 bankroll 约束。

每一层独立降低通过率,六层串联后整体通过率极低——这正是系统的设计意图:宁可错过好机会(降低召回率),也不做坏交易(提高精确率)。

### §5.5 风控机制 #### MDD 熔断 $$\text{drawdown} = \frac{\text{peak} - \text{current}}{\text{peak}}$$

当 drawdown 超过阈值

$d

_{\max}$(如 0.15)时,系统停止所有新交易,仅允许 Sell High 和赎回操作。当 drawdown 恢复至阈值以下时,自动恢复交易。

#### 日预算分层 $$\text{daily\_spend\cov} \leq B{\text{cov}}, \quad \text{daily\_spend\total} \leq B{\text{total}}$$

Coverage 引擎和总支出分别受独立预算约束。这防止单一引擎在高机会密度日耗尽系统资金。

#### 城市预算上限

每个城市有独立的投注上限

$C

_{\text{city}}$,避免对单一城市过度集中。对于历史表现优异的城市,可设定更高的上限。

### §5.6 调度设计

混合系统采用双频率调度:

| 周期 | 频率 | 执行内容 |

|------|------|----------|

| 高频 | 每 5 分钟 | IEM 观测扫描 + Sell High 检查 + 到期赎回 |

| 低频 | 每 15 分钟 | NWP 模型扫描(DK 引擎) |

高频周期的理由:观测数据每 5-20 分钟更新,覆盖机会窗口短暂(价格异常通常在 30-120 分钟内被套利消除),Sell High 需要及时捕捉价格峰值。

低频周期的理由:NWP 模型每 6 小时更新一次,中间时段的预报值不变,过于频繁的扫描只增加 API 负载而不增加信息量。

## §6 回测方法论 ### §6.1 历史订单重放法 #### 方法描述

由于无法重建每个时刻的完整市场状态(价格、流动性、order book 深度),传统的 tick-by-tick 回测不可行。系统采用历史订单重放法:将已执行订单的参数(城市、温度、买入价格、edge、共识等级等)作为输入,通过新系统的过滤器链检验每笔订单是否仍会被执行。

#### 适用场景 此方法适用于验证过滤器的选择性(rejection rate):新过滤器是否能在保留高质量订单的同时过滤低质量订单。

#### 不适用场景

此方法不能验证系统的发现能力(discovery rate):新系统可能发现旧系统错过的机会,这些机会不存在于历史订单集中。

### §6.2 $\sigma$ 估算

回测中需要为每笔历史订单重建 $\sigma_c$ 以计算 z-score。根据订单记录的丰富度分两种情况:

有 confidence 记录的订单:从 confidence 反推 spread:

$$\text{confidence} = \frac{1}{1 + \text{spread}/2} \implies \text{spread} = 2 \times \left(\frac{1}{\text{confidence}} - 1\right)$$

再结合城市的 $\sigma_{\text{emp}}$ 计算 $\sigma_c$。

无 confidence 记录的订单:从共识等级标签估算 confidence:

| 共识等级 | 估算 confidence |

|----------|----------------|

| STRONG / S3-OBS | 0.80 |

| MODERATE | 0.60 |

| WEAK | 0.40 |

此估算引入额外噪声,回测结果应对此进行敏感性分析。

### §6.3 方法局限性 1.

选择偏差:只能重放已下单的订单。被旧系统过滤的机会不在重放集中,因此无法评估新过滤器是否过于保守。

2.

$\sigma$ 估算噪声:从共识标签到 confidence 的映射是粗糙的近似,可能导致 z-score 计算偏差。

3.

无法模拟市场影响:重放假设订单执行不影响市场价格。在流动性有限的天气市场中,大额订单可能推动价格,改变后续机会的 edge。

4.

参数联动:新系统可能改变了多个参数,重放只能评估它们的联合效果,难以分离单个参数的边际贡献。

## §7 回测定性发现 ### §7.1 覆盖引擎

回测表明覆盖引擎的过滤器行为符合预期:

1.

城市准入是最大单一过滤器:约 50% 的潜在交易因城市准入被过滤。这反映了一个重要事实——模型在不同城市的预测精度差异极大,负 EV 城市的亏损会系统性地侵蚀正 EV 城市的利润。

2.

覆盖策略参数稳定:在新旧系统间,覆盖策略的核心参数($\theta_{\text{cov}}$、置信度分层阈值)变化极小,表明该策略在结构上是稳健的。

3.

覆盖失败案例的集中性:回测中观察到的覆盖失败案例(最终温度超出覆盖范围)全部集中在 PARTIAL 置信度级别——即距峰值 1-2 小时的早期介入。在 HIGH 和 MED 置信度下未观察到覆盖失败。这为 §4.1 中"PARTIAL 置信度下禁止覆盖买入"的设计决策提供了直接的实证支持。

4.

狙击模式是核心 alpha 来源:在覆盖引擎中,狙击模式(单 bucket 高置信度投注)的正 EV 贡献显著高于覆盖买入模式。这一发现略显反直觉——覆盖买入具有近似无风险的理论保证,但受限于覆盖条件($\Sigma < \theta_{\text{cov}}$)的达成频率;狙击模式虽有方向风险,但在 HIGH/MED 置信度下胜率足够高,且交易频率更高。

5.

正 EV 城市的样本缩减:移除负 EV 城市后,剩余样本量大幅减少。这引发了一个权衡:更少但更高质量的交易 vs 更多但包含负 EV 交易的样本——前者在期望值上更优,但增大了方差。

### §7.2 DK 引擎

回测分两阶段进行:首先确认全局 $\lambda = 0.3$ 的失败,再验证局部灵敏度校准的效果。

1.

全局 $\lambda = 0.3$ 的过滤率接近 100%:在历史 DK 交易中,z-score 门控($\lambda = 0.3$,

$z

_{\min} = 0.8$)几乎没有交易能通过。如 §5.2 推导所示,这是数学必然——全局 $\lambda = 0.3$ 要求 edge ≥ 0.36,超过了 Bayesian 混合的理论上限。

2.

移除门控后存在正 EV:将

$z

_{\min}$ 降至 0.0 时(相当于移除 z-score 门控),通过订单可获正收益。这确认了被过滤的交易中包含有利可图的信号——问题在于参数化,而非 DK 引擎本身缺乏 alpha。

3.

$\sigma_c$ 估算的敏感性:回测中 $\sigma_c$ 的估算方法影响 z-score 的可靠性。下表展示不同 $\sigma_c$ 估算下的过滤率变化:

| $\sigma_c$ 估算方法 | 典型 $\sigma_c$ 值 | $\lambda = 0.3$ 下通过率 | $\lambda = 0.1$ 下通过率 |

|---------------------|-------------------|-------------------------|-------------------------|

| 从 confidence 反推(§6.2) | 1.2-1.8°C | ~0% | ~15-25% |

| 使用默认值 1.5°C | 1.5°C | ~0% | ~20% |

| 从共识标签粗糙映射 | 1.0-2.5°C | ~0-2% | ~10-35% |

第三种方法(从共识标签映射)引入的噪声最大,导致通过率的方差也最大。$\sigma_c$ 的估算质量直接影响 z-score 的可靠性——即使使用局部 $\lambda$,$\sigma_c$ 估算偏差仍可能导致 ±5% 的过滤率变化。

4.

局部 $\lambda$ 校准后的回测验证:将全局 $\lambda = 0.3$ 替换为局部 $|\partial p / \partial \mu|$ 后(§5.2),z-score 门控从实质关闭状态恢复为实用的过滤器。回测表明:

- 在

$z

_{\min} = 0.8$ 下,通过门控的交易数量从接近零提升至有限但非零的水平。

- 通过门控的交易子集呈现正期望收益,ROI 显著为正。

-

$z

_{\min}$ 的最优区间约在 $[0.8, 1.0]$——低于 0.8 时噪声信号增多,高于 1.0 时过滤过度。

- 局部 $\lambda$ 的中位值约 0.03,与理论预期一致($\sigma \approx 3$°F 时 $1\sigma$ 处的正态 PDF 梯度差)。

这一结果完成了 §5.2 的理论-实证闭环:z-score 门控的思路(edge 在不确定性下标准化)得到了验证,参数化的问题(全局 $\lambda$ 过大)已通过局部灵敏度替代得到解决。

5.

DK 引擎的角色确认:回测结果支持 §4.2 将 DK 定位为"条件性补充"的决策。DK 引擎的价值不在于高频交易,而在于捕捉少数模型信号异常强烈的机会。局部 $\lambda$ 校准后,DK 引擎从接近沉默状态转变为选择性地允许高质量交易通过。

### §7.3 过滤器经济价值排序

综合覆盖和 DK 两个引擎的回测结果,各过滤器按经济价值排序为:

$$\text{城市选择} > \text{价格地板} > \text{z-score} > \text{共识门控}$$

最大的改善来自"不做"(移除负 EV 城市、过滤低价 bucket)而非"做得更好"(优化 Kelly 分数、调整 $\alpha$)。这一发现对系统设计有深刻的指导意义:在参数优化之前,应首先确保系统不在已知负 EV 的维度上浪费资源。

## 附录 ### A. 符号表 | 符号 | 含义 | 定义位置 |

|------|------|----------|

|

$T

$ | 日最高温度随机变量 | §3.1 |

| $\mu, \sigma$ | 正态分布参数(均值、标准差) | §3.1 |

| $\Phi(\cdot)$ | 标准正态 CDF | §3.1 |

|

$B_k

$ | 第

$k

$ 个温度 bucket | §2.1 |

|

$p

_{\text{model}}$ | 模型预测的 bucket 概率 | §3.1 |

|

$p

_{\text{market}}$ | 市场价格(隐含概率) | §3.3 |

|

$p

_{\text{adj}}$ | 贝叶斯调整后概率 | §3.3 |

| $\alpha$ | 模型权重系数(应为

$h

$ 的函数) | §3.3 |

| $\Delta\text{BS}(h)$ | 模型 vs 市场 Brier Score 差距(按信息新鲜度) | §3.3 |

|

$h

_{\text{model}}$ | 距最近 NWP 更新的时间(信息新鲜度) | §3.3 |

|

$w_i

$ | 第

$i

$ 个 NWP 模型的 RMSE 反方差权重 | §3.2 |

| $\hat{\mu}$ | RMSE 加权集成预报值 | §3.2 |

| spread | 模型间加权离散度 | §3.2 |

| $\sigma_{\text{emp}}$ | 经验标准差(历史预报误差) | §5.2 |

| $\sigma_c$ | 综合不确定性 | §5.2 |

|

$z

$ | z-score 信噪比 | §5.2 |

| $\lambda$ | 概率尺度转换因子(全局常数,已弃用) | §5.2 |

| $\lambda_{\text{local}}$ | 局部概率灵敏度 $|\partial p / \partial \mu|$ | §5.2 |

| $\lambda_{\min}$ | $\lambda_{\text{local}}$ 的下限 | §5.2 |

|

$z

_{\min}$ | z-score 门控阈值 | §5.2 |

| edge | 模型-市场概率差 | §3.4 |

|

$f

^*$ | Kelly 最优投注比例 | §3.4 |

| $\kappa$ | Kelly 分数(保守化因子) | §3.4 |

| $\eta$ | Edge 阻尼因子 | §3.4 |

|

$c

$ | 模型置信度 | §5.3 |

| $\Sigma$ | 覆盖 bucket 价格之和 | §4.1 |

| $\theta_{\text{cov}}$ | 覆盖买入价格和阈值 | §4.1 |

| $\theta_{\text{sell}}$ | Sell High 触发价格 | §4.2 |

|

$P_T

$ | 终端概率 | §8.4 |

|

$P

_{\theta}$ | 路径概率 | §8.4 |

|

$d

_{\max}$ | MDD 熔断阈值 | §5.5 |

|

$a

_{\min}$ | 城市准入精度阈值 | §5.4 |

|

$p

_{\min}$ | 价格地板 | §5.4 |

|

$e

_{\min}$ | 最小 edge 阈值 | §5.4 | ### B. 完整参数表 | 参数 | 符号 | 推荐范围 | 理论依据 |

|------|------|----------|----------|

| 模型权重 | $\alpha$ | [0.15, 0.30] | 工程折中;理论上应为

$h

_{\text{model}}$ 的函数(§3.3, §8.2) |

| Kelly 分数 | $\kappa$ | [0.15, 0.25] | Quarter-Kelly 平衡增长与风险 |

| Edge 阻尼 | $\eta$ | [0.60, 0.80] | 高 edge 系统性过估的经验校正 |

| z-score 阈值 |

$z

_{\min}$ | [0.6, 1.0] | 过滤低 edge 区间(胜率 ~8-9%) |

| 概率灵敏度下限 | $\lambda_{\min}$ | ~0.005 | 避免 $|\partial p / \partial \mu| \to 0$ 时除以近零值 |

| 覆盖价格和阈值 | $\theta_{\text{cov}}$ | [0.75, 0.85] | 保证正利润率($1/\Sigma - 1$) |

| Sell High 阈值 | $\theta_{\text{sell}}$ | [0.90, 0.95] | 路径概率 > 终端概率的区间 |

| MDD 熔断 |

$d

_{\max}$ | [0.10, 0.20] | 尾部风险控制 |

| 价格地板 |

$p

_{\min}$ | [0.10, 0.20] | 低价 bucket 历史胜率 ~0% |

| 最小 edge |

$e

_{\min}$ | [0.03, 0.05] | 覆盖交易手续费 |

| $\sigma$ 下限 | $\sigma_{\min}$ | 0.2°C | 避免过拟合 |

| $\sigma$ 上限 | $\sigma_{\max}$ | 5.0°C | 避免信号完全消失 |

| RMSE 过滤阈值 | $\delta$ | ~0.15°C | 排除再分析模型 |

| 城市精度阈值 |

$a

_{\min}$ | [0.40, 0.50] | 排除系统性负 EV 城市 |

| 高频周期 | — | 5 min | 观测更新频率 |

| 低频周期 | — | 15 min | NWP 更新间隔 ÷ 信息衰减率 |

---

*本文为系统设计与实证分析记录,所有数值示例均为假设性参数,不反映任何具体交易系统的实盘表现。文中的定性发现基于有限样本的回测分析,结论可能受样本量、市场时期和 $\sigma$ 估算方法的影响。特别是 z-score 门控的过滤率数字依赖于 $\sigma_c$ 的估算质量(§6.2),应视为数量级估计而非精确值。*