MoonTheFYN

[套利豪仔🗽 @pritipatelfgoo]

市场的运作逻辑会随着时间而改变，策略参数亦会在未来失效。本文想谈谈如何用Chow检定来检测策略参数是否存在结构性断裂，在绩效明显衰退之前，提前发现参数失效的警讯

什么是结构性断裂

结构性断裂指的是时间序列中，变数之间的关系在某个时间点发生了根本性的改变。在量化交易的语境中，这通常意味着我们用来预测报酬的因子权重或系数，在断裂点前后呈现出截然不同的数值

举例来说，假设我们用一个简单的线性模型来预测股票的超额报酬，其中包含价值因子与动能因子两个变数。模型估计出来的系数代表了这两个因子对未来报酬的影响力。在某一年的某个事件之前，价值因子的系数为正的 0.5，代表价值股的溢酬稳定存在；但该事件发生之后，价值因子的系数可能转变为负的 0.2，代表价值因子在此之后不但无效，甚至变成了负向的讯号

如果我们没有检测到这个断裂点，就会继续用旧的系数来生成交易讯号，结果自然是持续亏损。结构性断裂的检测，本质上就是在问一个问题：在我们所使用的历史数据中，是否存在某个时间点，使得前后的统计关系出现了显著的差异？

Chow检定的基本原理
Chow检定的核心逻辑非常直观，将数据在一个假定的断裂点处切分为两个子样本，分别对这两个子样本进行回归估计，然后比较分开估计与合在一起估计的结果是否有显著差异

首先，假设一个可能的断裂点 τ。将数据切分为断裂点之前与之后两个部分。分别对这两个子样本进行回归估计，得到各自的回归系数与残差平方和。同时，对整个样本进行一次回归估计，得到整体的残差平方和

Chow检定的统计量计算公式为：

F = [ RSS_pooled - (RSS_1 + RSS_2) ] / k 除以 [ (RSS_1 + RSS_2) / (N_1 + N_2 - 2k) ]

其中 RSS_pooled 是整体样本的残差平方和，RSS_1 与 RSS_2 分别是两个子样本的残差平方和，k 是回归模型中参数的数量包含截距项，N_1 与 N_2 分别是两个子样本的样本数

这个统计量服从 F 分配，自由度为 (k, N_1 + N_2 - 2k)。若计算出的 F 值大于临界值，我们就可以拒绝没有结构性断裂的虚无假设，判定该时间点确实存在显著的结构性变化

如何选择断裂点
Chow检定的一个关键问题是，如果我们不知道断裂点在哪里，该怎么办？

如果我们已经有一个明确的候选时间点，例如某项重大政策发布的日期、金融危机的爆发时刻、或策略开始出现绩效衰退的转折点，可以直接将该时间点设为断裂点进行检定。这种做法被称为已知断裂点的Chow检定

然而，在许多情况下，我们并不知道结构性断裂具体发生在什么时候。这时候可以采用未知断裂点的Chow检定，亦称为Quandt Likelihood Ratio检定。这种方法会在每个可能的时间点，分别执行一次Chow检定，然后找出 F 统计量最大的那个时间点，作为最可能的断裂点

值得注意的是，当对多个时间点进行检定时，会面临多重比较的问题，即使没有任何真实的断裂点，纯粹因为随机波动，也可能有某个时间点的 F 值特别大。因此，QLR检定使用不同的临界值来调整显著水平，而非直接套用标准的 F 分配临界值

[Aleiah @AleiahLock]

Wow, I didn't expect that.
@williamlegate must have been genuinely offended by my comments about his affiliates and his personal marketing work.

Result = first a ban in the DUB system, now he's blocking me from my @PolymarketTrade account.

Reason? Slop+disinformation.
Every person with a badge writes to me about this slop as well.

You know what's wrong? I didn't slop for a long time before for 4-5 months, I was doing market analysis, cool posts, and EDITs.

Am I the only one who created unique content for Polymarket? Did anyone appreciate it? - No.

But you give badges to people who post other people's predicts or even fake slop - which you don't always see.

> Slop or Fake content = lots of referrals for the project and the account.

> When I created content without slop, I got zero referrals and no support from Polymarket marketing.

But as soon as I expressed my opinion about Polymarket affiliates - like Car, ZSC Dao contractors, and Sport Badges

I'M GETTING A BANNED BANNED BANNED, so what should I do? Should I have continued to tolerate and woo all the affiliates?

Here I'm attaching my work. Anyone who knows how long it takes will understand that I invested a lot in this, and all I got was "fuck you, slopper."

Meanwhile, affiliates are becoming friends, scammers, and more than half of them are creating content from other people's predicts or fake screenshots of their own.

Why did I give up? I became disillusioned with @Polymarket. No one cares about good content, seeing how they give affiliates to people who write about PolyMarket once every two weeks with a fake post and get a badge in 1-2 months.

Do you think this is fair?

[WeZZard @realWeZZard]

我觉得以后面试都可以在面试前先邮寄一个这个玩意儿过去要求候选人在面试时戴上。

[MoonTheFYN @KotKen1]

@AirdropAlchemis 請問一下數據源是那家？

[套利豪仔🗽 @pritipatelfgoo]

同一组参数的策略，可能在牛市时 Sharpe 能到 1.8，震荡市直接掉到 0.3，解决这个问题的常用做法是加入状态过滤器（Regime Filter），但怎么定义「状态」？用波动率？趋势强度？还是什么别的东西？

今日天介绍一下GMM高斯混合模型（Gaussian Mixture Model）。这东西在机器学习领域不算新，但真正用在交易策略设计上，它解决的其实是一个很根本的问题：市场是多个状态的混合体
为什么线性假设不全面？

大部分量化策略在设计时，隐含了一个危险的假设：市场服从单一分布。你算历史波动率、设定止损位、估计预期报酬，背后都默认了资料来自同一个生成过程（Data Generating Process）。但实际交易时你会发现，这个假设根本站不住脚

市场至少有几种明显不同的状态：低波动率的盘整期、高波动率的趋势期、流动性枯竭的尾部事件期。每个状态下，价格的行为模式、订单流的特征、甚至做市商的报价策略都完全不同。如果你用全样本的统计特征去做决策，就等于把三种不同的游戏规则混在一起算平均值，这在数学上也许可行,但在回测上就是不完整的

GMM 的核心逻辑是：与其假设市场是一个高斯分布,不如假设它是多个高斯分布的加权组合。每个分布代表一种市场状态,模型会自动学习这些状态的特征参数（均值、方差）以及它们出现的概率。更重要的是,它能告诉你当下这个时间点,市场处于哪个状态的概率有多高

GMM 的因子建构逻辑

实际应用时,通常会这样设计：先选定一组特征变数（Feature Variables），可能包括日内报酬率、实现波动率（Realized Volatility）、买卖价差（Bid-Ask Spread）、成交量异常度等等。这些变数不是随便选的,而是要能捕捉市场微结构（Market Microstructure）的变化

然后让 GMM 去拟合这些特征的联合分布。假设我们设定三个状态（Component），模型会输出三组参数：每个状态的多维高斯分布参数,以及每个状态的先验概率（Prior Probability）。训练完成后,对于任何新的观察值,模型都能计算它属于各个状态的后验概率（Posterior Probability）

这里有个关键点：状态数量的选择。理论上你可以设定任意多个状态,但实务上我发现 2 到 3个通常最有效。太少会欠拟合（Underfitting），抓不到市场的多样性；太多则容易过拟合（Overfitting），而且状态之间的界线会变得模糊,失去可解释性。我的经验是,先用 BIC（Bayesian Information Criterion）或 AIC（Akaike Information Criterion）做初步筛选,然后结合交易直觉去调整

状态条件下的讯号生成

有了状态分类之后,策略设计的逻辑就变得清晰很多。最直接的做法是为每个状态设计不同的交易规则。比如在低波动状态下,我会倾向于均值回归（Mean Reversion）策略,因为价格偏离均值后回归的概率较高；在高波动趋势状态下,则切换到动量（Momentum）策略,顺着趋势方向建仓

更精细的做法是动态调整仓位权重（Position Sizing）。假设模型判断当前处于高波动状态的概率是 0.7,那我可能会降低杠杆倍数,或者收紧止损距离。这不是简单的风险管理,而是基于状态概率的贝叶斯决策（Bayesian Decision Making），你在用模型的不确定性来调整你的暴露度（Exposure）

还有一种用法是作为过滤器（Filter）。有些策略在特定状态下表现很好,但在其他状态下会亏钱。与其让策略一直运行,不如只在模型判断为有利状态时才开仓。我曾经测试过一个统计套利（Statistical Arbitrage）策略,加入 GMM 状态过滤后,胜率（Win Rate）从 52% 提升到 61%,虽然交易次数减少了三成,但整体 Sharpe Ratio 反而提高了

失效模式

任何模型都有失效的时候,GMM 也不例外。第一个风险是状态切换的滞后性（Lag）。GMM 是基于历史数据训练的,它判断当前状态时,用的是过去一段时间的特征。如果市场突然剧烈变化，比如突发新闻、流动性冲击，模型可能还停留在上一个状态的判断里。这时候你的策略会用错误的规则去交易,亏损会来得又快又猛

第二个问题是状态的非平稳性（Non-Stationarity）。市场的状态本身会随时间演化。2020 年疫情期间的高波动状态,和 2015 年股灾的高波动状态,特征可能完全不同。如果你用太旧的数据训练模型,它学到的状态定义可能已经过时。常用做法是设定一个滚动窗口（Rolling Window），定期重新训练模型,但窗口长度的选择又是另一个需要权衡的参数

第三个陷阱是过度依赖模型输出。GMM 给你的是概率,不是确定性。当模型说当前处于状态 A 的概率是 0.6,那还有 0.4 的概率是其他状态。如果你把 0.6 当作 1.0 来执行策略,就等于忽略了模型的不确定性。更稳健的做法是用概率加权的方式混合不同状态的策略,而不是硬切换

执行层面考量

理论上 GMM 能帮你识别市场状态,但实际交易时还有一堆执行层面的问题。首先是计算延迟（Latency）。如果你在高频环境下交易,每次状态判断都需要重新计算后验概率,这个计算时间可能就会吃掉你的 alpha。我见过有人为了降低延迟,把 GMM 的推断过程用 C++ 重写,或者直接在 FPGA 上实现

然后是滑点（Slippage）。状态切换时,如果策略需要大幅调整仓位,你可能会在短时间内产生大量订单。这在流动性充足的市场还好,但如果是小型股票或者冷门商品期货,你的订单本身就会影响价格,实际成交价和理论价格的偏离会直接侵蚀利润

还有一个容易被忽略的点：状态判断的频率。你是每分钟更新一次状态,还是每小时、每天？频率越高,策略对市场变化的反应越快,但也越容易产生虚假讯号（False Signal）。我的经验是,这个频率要和你的策略持仓周期（Holding Period）匹配。如果你是日内交易,可能需要分钟级的状态更新；如果是多日持仓,日级更新就够了

从单资产到多资产

GMM 的一个天然优势是它能处理多维数据。理论上你可以把多个资产的特征放在一起,让模型学习它们的联合状态。比如同时考虑股票指数、债券殖利率、波动率指数（VIX）的组合状态,这样能捕捉到跨资产的关联性（Cross-Asset Correlation）

但这里会碰到维度诅咒（Curse of Dimensionality）。假设你有 10 个资产,每个资产提取 5 个特征,那就是 50 维的特征空间。GMM 需要估计的参数数量会随维度指数增长,样本量不够的话,模型根本学不出有意义的结构

实务上通常会先做降维（Dimensionality Reduction）。可以用 PCA（Principal Component Analysis）提取主成分,或者直接手工选择最有资讯量的特征。另一个技巧是分层建模：先用 GMM 对单一资产做状态分类,然后在更高层级用另一个模型去整合多个资产的状态讯号。这样既保留了多资产的资讯,又避免了维度爆炸

从静态到动态

标准的 GMM 是静态模型,它假设状态之间的转换是独立的。但市场状态其实有很强的时间依赖性（Temporal Dependency），如果昨天是高波动状态,今天继续高波动的概率通常比较高。这时候可以考虑用隐马可夫模型（Hidden Markov Model, HMM）或者动态 GMM,它们能建模状态之间的转移概率（Transition Probability）

可以尝试用 GMM 定义状态的特征分布,用 HMM 建模状态转移。这样做的好处是,模型不仅能告诉你当前状态,还能预测下一个时间点最可能进入哪个状态。对于需要提前布局的策略来说,这种前瞻性的资讯可能有价

另一个方向是引入外部资讯（Exogenous Information）。纯粹基于价格和成交量的 GMM,只能捕捉市场内生的状态变化。但很多时候状态切换是由外部事件驱动的，央行政策、财报季、地缘政治。如果能把这些资讯编码成特征,或者作为状态转移的条件变数,模型的预测能力会更强。当然,这也意味着更复杂的数据处理和更高的过拟合风险

[MoonTheFYN @KotKen1]

@Boywus 清算流是指當清算發生才觸發進場，還是預測有清算去提前掛單？

[MoonTheFYN @KotKen1]

@StepOneAi 非常認同，特別是第四步，必須做得徹底👍

[MoonTheFYN @KotKen1]

@StepOneAi 期待👍

[MoonTheFYN @KotKen1]

@pritipatelfgoo 干貨👍，不過用風險平價不會比一和二更好？三我還沒試過，待會試試👀

[MoonTheFYN @KotKen1]

@pritipatelfgoo 干貨👍

[MoonTheFYN @KotKen1]

@HelloLydia13 乾貨

[HelloLydia¹³ 🥷 @HelloLydia13]

《喂饭帖：年化 60% 的 bstock 套利策略》

- 这个策略是什么：本质是一个简单的 funding carry，持有 bstock 现货做空对应的股票合约。特殊之处在于利用平台对 btock 作为保证金的支持 (Aster 的抵押率 90%，非常高了），不需要额外准备一份USDT 保证金，从而大幅提高资本效率

- 这套策略适合谁：持有 bstock 现货，希望赚点 funding，或者做市场中性 carry 的

废话少说，以 Aster 上的 $SPCXB 为例，我自己跑了一遍全流程并且收到了第一笔 funding，实操如下：

1. 买入或者转入 $SPCXB。已经持有 $SPCXB 现货的充值到 Aster，没有现货的可以在 Aster Spot 买 （https://t.co/lMTPUPoRL9），或者在币安买好转进 Aster。

2.把持有的 $SPCXB 从 Spot 划转到 Perpetual，点钱包地址-transfer。这一步必须要做，只有这样 $SPCXB 才会按 90% 抵押率计入合约保证金。

3. 在 Aster 建 SPCXUSDT 合约空单(https://t.co/JNAZGPRw1Y)，联合保证金 1 倍做空和你买的现货数量一致的 SPCXUSDT 合约。注意：90% 的抵押率只影响保证金价值，不影响对冲比例，如果要做中性策略，空单数量还是应该尽量与现货数量一致。

只要 Aster 上的 SPCXUSDT 合约资金费率为正，我作为空头会持续收到 funding。要退出的时候平掉空单，把持有的 $SPCXB 转出到 Aster Spot 卖出。

[MoonTheFYN @KotKen1]

@runes_leo 還是看不透什麼因子對meme coin 解釋力最強🤮

[danny @agintender]

哎… 有点那味儿了～ 这种数据科普型长文的流量真的是每况愈下了

这里面这么多好玩的信息居然连x的算法都不推了，可惜了啊

小伙伴建议我，以后这种内容就不在x上分享了，发在substack更合适一些

[MoonTheFYN @KotKen1]

@agintender 別，這些好東西我最喜歡了🥹

[MoonTheFYN @KotKen1]

@runes_leo 同事/老闆期望是一方面啦，另一方面是市場現在都拼速度，又要快又要好，一個人真的做不了🫠

[比特币橙子Trader @oragnes]

🚨 Anthropic 一位资深工程师刚刚放出了一份 11页PDF ——《Loop Engineering》（循环工程），专门讲 agentic 系统！

核心转变来了：

你不用再自己去提示 agent，而是构建一个能自动提示它的系统。

循环结构：
Schedule → Discover → Build → Verify → Repeat

每个循环跑一轮，包含这5个关键动作：

Discovery（发现）：agent 自己去寻找工作——失败的 CI、开放的 issue、最近的提交——而不是等着别人扔任务列表。

Handoff（交接）：每个任务分配一个独立的 git worktree，并行 agents 也不会互相冲突。

Verification（验证）：第二个 agent 被要求「假设代码是坏的」来审查第一个 agent 的成果。这就是那个「能说不」的东西。

Persistence（持久化）：结果直接写入磁盘，而不是留在随时可能被清空的上下文窗口里。

Scheduling（调度）：自动化定时唤醒循环。这才是让它真正成为「循环」的原因！

PDF链接评论区，想要的同学留言👇👇👇

[MoonTheFYN @KotKen1]

@oragnes 來一份，感謝🙏

[MoonTheFYN @KotKen1]

@runes_leo 有公司有家用的，想不學也不行🤣總比不同地方的agent有不同skill 和memory好🥲