SK

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

[SK @StepOneAi]

@Yuye_1998 让claude写的ui

[SK @StepOneAi]

量化心得七：执行层优化

因为对薄 edge策略，执行层不是"帮策略赚钱的辅助"，是"决定赚不赚钱本身"。

这是我刚开始做量化的时候做的一套做多策略，��测里表现一直不错。但是用L2数据，把成交假设从"价格碰到触发线就算成交"，换成"按真实排队、加上实测滑点和延迟"，重跑了一遍回测。收益直接腰斩。有几个参数段，从赚变成亏。策略逻辑一行没改。光是把成交假设往真实方向挪了一步，利润就被吃掉一大半。

拆开看，被吃掉的地方很具体。滑点、排队位置、下单到成交的延迟、限流时的等待，回测里用一个理想价格带过去，但实盘里每一项都是成本。一笔单子加起来，几十个bp 就没了。而这套策略每笔的预期利润，本来就只有这个量级。

回测里看到的利润，和执行里被吃掉的摩擦，是同一个数量级。这不是执行没做好，是结构。这件事让我重新理解了一些东西。比如做市和高频为什么一直拿钱去堆基建、压延迟、抢服务器位置，在 edge 很薄的地方，工程能力本身就是alpha，不是配套。以前觉得是烧钱，现在看是在守住那点薄 edge。

后来我验策略，多加了一步：换苛刻的成交假设重跑。真实排队加滑点加延迟之后，如果收益基本没掉，说明 edge 够厚，能扛摩擦。如果像这次一样直接腰斩甚至翻负，说明大部分利润住在"理想成交"那个假设里，上实盘会被一点点磨掉。这样就得开始优化执行层。

薄 edge 策略每笔预期利润就几十个bp，执行摩擦（滑点+延迟+费用）也是几十个bp。厚 edge 策略每笔赚几个百分点，执行差一点也能赚，edge 远大于摩擦，有缓冲。薄edge 策略没有这个缓冲，执行差一点就是白干或者亏。

[SK @StepOneAi]

@0xLUKE777crypt 期待一起建设高频社区。

[SK @StepOneAi]

有人在后台问，怎么确信我们要开源的 Rust 基建不是个拼凑的玩具。

其实不想自证，想想还是需要。适当的证明一下实力也是建立信任的一种方式。我们要放出的，不是为了开源而写的 Demo，而是 Starr Quant Lab 每天在实盘里跑的生产代码。

高频圈最不缺的就是回测框架，最缺的是回测与实盘逻辑原生对齐的执行栈。

我们只开源用真金白银验证过的东西。
实盘业绩是最好的信任背书。我们不是空谈理论的开源项目。我们想做自己的开发者高频社区，并真正意义上为这个社区持续发展做出贡献。

[SK @StepOneAi]

@cryptoagentmake 我喜欢看你的推文，很自在的发表自己的观点。

[SK @StepOneAi]

@dominolu 哈哈哈哈你这种方式很有意思啊

[SK @StepOneAi]

@taitan_pascal 做策略不容易啊

[SK @StepOneAi]

量化心得八：用交易的视角来拆解 AI

我平时做量化交易，在这个领域里，我认为任何模型的输出，都绝对不能直接相信。 你必须清楚地知道它的结果是怎么算出来的，它在什么极端行情下会失效，以及你该如何去控制随之而来的风险。

现在大多数人使用 AI 的状态是把AI 的输出当成了标准答案。其实，问题从来都不在于 AI 会不会出错，而在于你手里有没有一套机制去控制它的错。

用量化交易的思维来拆解，AI 的运转逻辑其实极其清晰，它就是一个标准的流程。输入等于“信号”，AI 本身等于“模型”，输出等于“预测”，而验证环节就是“风控”。

但大多数人的日常操作，粗暴地把这四步砍成了两步：给一个输入，拿一个输出，然后直接照搬。在交易的世界里，这等同于不看信号质量、不设任何风控，直接满仓下单。你或许能靠运气做对一次，但长期运行下去，系统性的崩盘是迟早的事。

一、输入决定信号质量
在系统里，信号的质量决定了最终的一切。你抛出模糊的问题，必然只能得到模糊的结果。你给出了错误的前提，AI 就会顺着进行���误的推理。如果你提供的信息不全，输出自然会产生严重的偏差。必须认清一个现实：AI 不会主动替你修正底层问题，它只会成倍地放大你的问题。

二、模型只负责预测，不负责兜底
AI 的本质是一个概率生成模型。它只负责给出预测，但绝不对最终的结果负责。它并不具备真正意义上的对错判断力，只会根据你的提示，生成在概率上最“合理”、最连贯的表达。所以，你可以尽情地使用它，但绝对不能盲目地信任它。

三、输出只是参考，不是指令
无论 AI 给出的结果看起来多么完美，那也从来不是最终答案，而仅仅是一个“看起来很像答案”的参考结果。它可以作为你下一步行动的依据，但绝对不能未经审视就直接执行。

四、没有验证，就等于放弃风控
这也是最关键、却最容易被忽略的一环。如果你对 AI 的结果不验证、不交叉对比、甚至连简单的反问测试都不做，本质上，你就是在主动放弃自己的判断权。在交易中，没有风控的策略是废纸。在 AI 使用中，没有验证的输出就是隐患。

所以你并不是在简单地“使用”一个 AI 工具，你是在管理并运行一个完整的决策系统。在这个系统里，边界必须极其清晰。AI 负责生成，你负责判断。一旦这个边界消失，你就从一个决策的掌控者，降级成了一个只会机械执行 AI 指令的工具人。

[SK @StepOneAi]

其实对于做交易我也有很多看法心得，虽然现在不做主观交易了。我感觉交易做到后面都会走向一种极端的实用主义：向内挥刀。

不怪市场，不怪周期，不怪对手盘。
就残忍地优化自己，残忍地执行风控，残忍地过滤噪音��

这是做交易最节省算力的运行模式。
任何针对外部环境的归因，产出永���是零，是纯粹的负 EV。

[SK @StepOneAi]

@q_is_trading @fxu_starr 招人。可以来面试

[SK @StepOneAi]

我们正在做代码剥离，准备把实盘跑着的一部分底层基建开源。

在这行，Alpha 的保质期极短，但工程基建的壁垒是算复利的。 我们把基础设施放出来，是@fxu_starr 想暴力拉升一下整个圈子的工程下限。

高频做市真正的壁垒，是微观层面的定价逻辑和极致的执行速度，绝不是靠捂着一段收行情的破代码当传家宝。把代码扔到开源社区，本质也是让系统去更庞大的真实复杂性里淬火。

不过我们毕竟是个小团队，提前交个底。团队人手紧。要把业务逻辑和底层架构彻底切开、脱敏清洗，是个极其繁琐的活儿。所以这事儿急不得，放出代码的速度大概率快不起来，各位多包涵。

你们对这套基建里的哪块实现最感兴趣？或者实盘里踩过什么工程上的坑？

可以直接在评论区聊。

[SK @StepOneAi]

大多数人的努力程度，根本还没到需要拼天赋���地步，全是无效震荡。生活和交易一样，少做低胜率的纠结，多做高期望的执行。行动才是唯一的真实。

人生也是一场充满噪音的Time Series。与其每天在小周期里因为别人的看法而内耗，不如把周期拉长，坚定执行你的主策略。不要过度拟合别人的期待，做你自己。

[SK @StepOneAi]

留给一件事的时间越多，它就越容易烂尾。对抗内耗最狠的招数就是想到，就立刻去做。没有稍后，只有现在。

[SK @StepOneAi]

@Wu288168 邪恶老豆包

[SK @StepOneAi]

量化心得六：怎么用 AI

用 AI 这件事，我一开始也是把它当聊天框用的。想到什么问什么，觉得答得不好，就换个说法���问一遍。但后来我意识到，真正需要改变的不是提示词，而是认知。必须把 AI 当成一个需要去设计的系统来对待。

在量化实盘里，模型从来不是第一步。我们总是先定环境和边界。做什么行情、什么条件下能开、最大敞口多少、什么情况必须直接停。把这些底层规则定死，模型才有跑的意义。用 AI，其实也是一样的顺序。

一、所有的约束，必须写在前面
在提任何具体要求之前，有三件事我会先写死。它们其实是同一份系统说明的三个切面，落地就是一段固定的 System Prompt（系统提示词），每次调用都必须带着。

首先是它在什么环境里干活。是重构一段代码，是清洗数据，还是推演一段逻辑？场景不同，同一句话的合理输出完全不同。这一步如果省掉，后面所有的“模糊”都是从这里滋生的。

其次是它绝对不能做什么。遇到不确定的地方，它必须停下来说“不知道”，绝不许自己脑补假设。如果需要推导，就必须给出中间步骤。输出的格式也要严格锁死。这三条里最要紧的是第一条，因为模型不会主动告诉你它替你做了决定，它填上的那个空，看上去往往和其他部分一样自然。

最后是它按什么标准思考。给 AI 设定角色不是为了让它“演戏”，而是决定它遇到歧义时往哪边走。一个对延迟极度敏感的架构师，和一个专挑毛病的审计员，看同一段代码给出的修改方向是完全不一样的。

二、提示词只是那一次单次调用
把前面的约束全部铺好，这才轮到具体的指令登场。
这句具体的指令，相当于量化里的 ⁠execute_trade()⁠，它只是一个执行动作，而不是系统本身。如果在前面没有把约束写好，提示词写得再细致，也只是让“这一次”的输出���看一点，下一次还得从头再来。这就跟没有完整的交易框架、每次全靠手感下单是一回事，单次的结果好坏，说明不了任何问题。

三、验证机制必须前置
这一条我改得最晚，但也尤为深刻。
做策略的时候，没人会先写完代码再想怎么回测，回测和对账的框架是在写策略之前就搭好的。但用 AI 的时候，我们往往习惯跑完结果才去看“对不对”。现在我们的流程反过来了：先想清楚这次输出拿什么来校验。

能不能反向再问一遍？能不能换个方案对照？能不能故意塞个错让它认出来？想不出校验方式的任务，我们绝不交给它。顺带纠正一个我以前的混淆：格式约束不是熔断。格式约束只是“事前检查”；而熔断是运行时的那条生死线，只要输出过不了校验，这次结果直接作废，重跑或者转人工，绝不把错误带进下游。我们以前把这两件事当成一回事，吃过亏才���得分开。

四、最致命的漏洞是“它没报错”
如果整套经验里只能留一条，我会留这条。AI 出错的地方，通常不是它“算错了”，而是它在你没说清楚的地方，悄无声息地替你做了一个决定，然后不吭声地继续往下走。你往往要在下游发现结果对不上，回头苦苦排查，才知道数据是从哪里断掉的。

所以，我们现在的原则是：宁可让它频繁地停下来报错、提问，也不要一份从头到尾都很“顺”却经不起推敲的输出。

[SK @StepOneAi]

@leifuchen 这篇内容我有细看，很有感悟。

[SK @StepOneAi]

@ImLonky 可以先在git上搜索一下，不过有时候搜索了看了一下感觉也做得一般，自己再做一个也可以的。

[SK @StepOneAi]

@0xKISS 那超级棒！有空多交流，优化迭代。

[SK @StepOneAi]

高频做市基建二下单和风控

聊完服务器层面，说下单。
下单层踩过最大的坑是以为下单就是发请���。其实不是的。下单是一个完整的链路，从策略决定报价到交易所确认成交，中间每一环都有延迟，每一环都可能出事。

我们现在的架构底线：
第一，核心报价走 WS，不用 REST。REST 是给你查余额用的，不是给你抢单的。哪怕是批量下单，也必须走 WS。利用本地 buffer 把这一次需要下单和撤单的指令打包存好，然后一次性 flush 出去，速度比走 REST 快得多。
第二，API 限流（Rate Limit）的硬隔离。不做市可能不知道，交易所的限流分两种情况：锁 API Key 和锁 IP。这两者的解决方案完全不一样。如果交易所是锁 API Key，用基础的令牌桶（Token Bucket）就可以了，给每个服务分配额度，防止一个策略抽风把 token 跑满导致全家卡死。但如果是锁 IP，光靠基础令牌桶就不管用了，你必须在底层建一个 IP 桶（IP Pool），一旦触及阈值立刻做动态切换。
第三，执行 p50 控制在 30us 以内。什么概念？从策略发出指令到网卡把包推出去，中间不超过30微秒。超过这个数，你的单子在盘面上就是慢的。
第四，网络分离。策略的发单绑定 EIP 发送订单组，这跟接收行情的 ENI 必须分开。不然遇到极端大行情，海量数据瞬间把带宽打满，你的撤单指令根本挤不出去，只能看着单子被吃。

再说风控。
风控和策略一定要分开。
我们的做法：行情延迟超过阈值（比如 500 毫秒），直接熔断不下单，并且立刻撤单。
为什么？不仅是因为“信息过期”500ms 的延迟意味着交易所服务器本身丢包或者通道严重卡顿。这个时候，交易所内部大概率已经发生了撮合，只是数据包还没推给你。如果你继续按手里的残影去强行定价，算出来的价格必然是错的，挂出去就是坏价。所以这种时候不仅不能挂单，还要立刻撤单防守。这不是策略问题，是底线风控问题。
Kill switch 单独管理最大回撤，和策略层完全解耦。策略层管赚钱，风控管别亏死。两个不能混在一起写，因为策略出 bug 的时候，你得能一键拔掉，而不是去策略代码里找开关。

[SK @StepOneAi]

@0xIanic 感谢支持。会持续更新内容。

[SK @StepOneAi]

其实我没想到，短短三四天我就在x上有了五百个关注，真的非常感谢大家的支持。我感觉X没有亏待内容创作者。

用专注的行动替代无休止的内心戏，禁止���耗。之前也犹豫过很久，发什么、怎么发、有没有人看、会不会丢人。这种内心戏特别耗精力，耗到最后什么都没做。

如果你的目的是希望在X上建立影响力、甚至得到一份收入。那么你的每一次发布都必须是一次有效的输出。不是随手转个帖子，不是发一句情绪，是把你在做的事、你知道的东西，变成别人看了有用的内容。

如果你只想找一个地方发泄情绪，我觉得这里也是个好地方。

不管那种方式，希望大家可以和我多多互动，我们互关。
我觉得互不了解、互不欣赏、只刷关注量其实并不是交朋友的行为。