SK

Quant · AI · Market Making | Build systematic liquidity & alpha

[SK @StepOneAi]

@Hypeee888 马哥你是会举一反三的

[SK @StepOneAi]

今天和朋友聊天，他说套利的本来就厌恶亏损。这句话真妙。

每种策略亏钱的方式不一样。做趋势的，胜率不高，经常小亏，偶尔一次大赚把前面的都赚回来。做套利的，胜率很高，平时稳定赚小钱，但风险藏在某一次很大的亏损里。这两种分布，对人的心理要求完全相反。损失厌恶决定了你能扛住哪一种。

心理学里有个概念叫损失厌恶：亏一块钱的痛苦，大概是赚一块钱快乐的两倍。而且每个人的程度不一样。损失厌恶强的人，很难忍受趋势策略那种连续的小亏，每一笔止损都是一次折磨，往往在大行情来之前就放弃了。他们会自然被套利中性这些吸引，曲线平滑，天天在赚。

身边还有一些朋友，干什么都要对冲。我觉得他们怕的不只是亏钱，更怕“本来可以避免却没避免"的那种后悔。对冲给的不只是风险控制，还有一种心理上的确定感。

所以，是策略在选人。能长期坚持下来的多是跟自己心理结构匹配的那一种。

[SK @StepOneAi]

@Yuye_1998 你是天才零敞口，亏不了一点钱大师！

[纳米AI @antiAIvo]

老实人太难通过自媒体变现

比如：
各种技术教程，我觉得AI都可以做到
我整理出来然后分享，有人看就挺高兴了
从没想过去卖课赚钱

还有各种收费社群
总觉得都是些认知低的人才会付费
里面也不存在什么价值

有很多人私信我要付费咨询
我都没收钱
我的回复都是：不如去问claude

我真是从小到大善良惯了
可以说，我从来没骗过任何一个人。

[SK @StepOneAi]

@antiAIvo 纳米老师那我和你一样

[SK @StepOneAi]

@rwayne 这你也太牛了吧

[SK @StepOneAi]

@cryptodudu888 对我来说也是。能一直有想学的东西，本身也很幸运。

[SK @StepOneAi]

@Hypeee888 我靠真是服你了马哥哈哈哈哈

[SK @StepOneAi]

以前做研究，基本是自己想、自己试。想到一个因子就去回测，效果好就很兴奋，以为发现了什么。其实很多我"发现"的东西，别人十几年前就研究过了。有的早就被证明有效，有的早就被证明只是数据巧合，还有的已经被用到失效了。闭门造车最大的问题，不是慢，是我不知道自己站在哪。我以为在往前走，其实可能在别人走过的路上绕圈，还会重复踩别人已经写清楚的坑。

论文让我看到一个问题已经被研究到了哪一步，哪些方法是靠得住的，哪些结论只在特定条件下成立。站在这些基础上再往前想，才有可能想出一点真正新的东西。当然论文也不是答案。市场在变。

最开始读得很吃力。从第一页读到最后一页，公式看不懂就跳过，读完觉得好像懂了，过几天什么都不记得，更别说用上。现在我会先让 AI 帮我梳理论文结构、解释看不懂的公式、整理变量定义，这省了很多时间。学的越多，越觉得自己知道的太少。每篇论文背后，都是一个人或者一个团队花了很长时间去证明一件很小的事。

我一直觉得学术的魅力之一是学会怎么严谨地提出一个问题，再把它证明出来。

[SK @StepOneAi]

@Hypeee888 我要读博士🎓

[SK @StepOneAi]

@cyiss 哈哈哈哈

[SK @StepOneAi]

最近在读《股票大作手回忆录》。书里反复出现一个意思，市场永远不会错，错的只有人的观点。主观交易表面上是在跟市场博弈，其实一直在跟自己博弈。市场只是一面镜子。
你急躁，它就让你追高。你贪婪，它就让你不肯止盈。你固执，它就让你一路补仓。
所以我觉得做得好的主观交易员太牛了。反人性而为之。强大。

[SK @StepOneAi]

@lyxfeather 非常好的内容！！❤️❤️

[SK @StepOneAi]

@lyxfeather 感谢补充❤️❤️❤️

[SK @StepOneAi]

@bc1pfomo 谢谢支持

[SK @StepOneAi]

刚开始做因子的时候，我也主要看回测曲线和 IC 均值。后来踩了一些坑，慢慢会多看几件事，记录一下自己现在的理解。

一、预测力：不只看 IC 均值
看 RankIC 而不是 Pearson IC，避免被少数极端值主导。
看 ICIR，均值高但不稳定的因子，实盘体验会很差。
看 IC 衰减曲线和半衰期，它决定了调仓频率，也决定了换手和成本。
看分位数收益是否单调。IC 不错但只有头尾两组有效，说明它可能是非线性的，线性组合会浪费它。

二、纯度：它是不是别的东西换了个名字
加密市场里，大部分"新因子"本质上是 BTC beta、市值、流动性或波动率的变体。
先对这些风格做中性化，再看残差 IC 还剩多少。
再对你已有的因子库做正交化，看边际贡献。一个跟现有因子高度相关的因子，单独再好看，放进组合里也几乎没有增量。

三、显著性：你试了多少次
这是最容易被忽略的一关。
如果你试了一百个因子，挑出最好的一个，它的 t 值是被选择偏差抬高的。有一篇文献说考虑到整个学术界的数据挖掘，新因子的 t 值门槛应该提到 3 左右，而不是传统的 2。
Sharpe 也一样，要用 Deflated Sharpe Ratio，把试验次数、收益的偏度和峰度考虑进去。
回测本身的过拟合概率，可以用组合对称交叉验证（CSCV）估计 PBO。

四、验证方式：时间序列不能随便切
标签有持有期的时候，普通 K 折交叉验证会让训练集和测试集在时间上重叠，等于偷看答案。
要做 purging 和 embargo，把重叠的样本剔掉，再留一段隔离期。

五、可交易性：扣完成本还剩多少
看换手率和成本调整后的 IC，而不是毛收益。
看容量：因子信号集中在小币上的，往往纸面最漂亮，实际最做不进去。
加密市场还有一个特殊问题：幸存者偏差。下架和归零的币如果不在样本里，所有做多弱势币、做空强势币的逻辑都会被高估。

六、寿命：它会怎么死
McLean 和 Pontiff 研究过，因子在论文发表之后，收益会明显下降。公开的逻辑最终都会拥挤。
所以我会持续监控因子收益的滚动表现、和其他因子的相关性变化，以及能观察到的拥挤度。不是找一个永远有效的因子，而是知道它什么时候开始失效。

[SK @StepOneAi]

@antiAIvo 纳米老师伟大

[SK @StepOneAi]

不要回顾过去，不要品味痛苦，不要背叛自己。

[SK @StepOneAi]

@0X_BeBopFaye 对，这两个都要看。不过我过了这两个还会再看扣成本后的表现和样本外能不能复现，很多因子分层很好看，一算换手就没了。

[SK @StepOneAi]

@Ethan_YYG 你也记得多发。