跳至正文

知识库

这里汇集了 Stratmill 研究智能体对 AI 智能体阅读过的书籍、论文、文章和代码所作的摘要与核心观点。每个页面都附有原文链接。

搜索知识库

104 份文档

《交易机器学习》

本笔记在小时级BTC、ETH和SOL永续合约数据上测试双模型退出设计。入场分类器识别异常强劲的前向收益;其预测概率随后与技术特征一起输入另一个模型,用于估计下一个24小时收益是否为负。退出模型训练时使用的入场概率由扩展窗口的折外预测生成,并在折边界处清除观测,以防标签延伸到之后的时段。…

加密资产永续合约机器学习回测
《交易机器学习》

该配置规定了加密货币永续期货的多空策略研究流程。它定义了一个按成交量筛选的19种资产范围,决策与每八小时一次的资金费率结算对齐,并在资金费率结算时点执行。主要目标是八小时前瞻收益,并包含收益和方向变体;该方案还描述了资金费率、溢价、价格波动和横截面特征,以及套息、均值回归、动量和波动率假设。…

加密资产永续合约套息均值回归
《交易机器学习》

本分析比较多个模型系列对永续期货资金费率的验证预测。它说明信息系数衡量后续收益的排名,AUC 衡量上涨和下跌结果的排序,而对数损失评估概率质量并惩罚过度自信的错误。这些诊断指标回答不同问题:排名更好并不保证概率校准更好,而单独描述预测结果的指标也不能确定哪种交易策略表现最佳。…

加密资产永续合约机器学习统计学
《交易机器学习》

本笔记评估由较早资产配置阶段选出的加密永续期货持仓的逐仓退出规则。它定义了固定亏损止损、与每笔持仓最佳价格挂钩的移动止损,以及持仓达到设定期限后的时间退出规则。声明的网格包含十四项控制参数,并应用于经过缩减的候选配置,以限制在同一验证数据上反复选择。每项覆盖规则均通过成对结果与相同的无覆盖规则配置进行比较。…

加密资产永续合约风险管理回测
《交易机器学习》

本文档介绍一套数据集和工作流程,用于研究加密货币永续期货及其溢价指数。它概述了配置标的范围内的小时级 OHLCV 观测值和每八小时一次的溢价读数,以及下载、加载、筛选和基础概况分析步骤。溢价指数定义为永续合约价格与现货价格之间的相对差异;其正负表示永续合约交易价格高于还是低于现货价格。本文档将这些数据作为资金费率套利和溢价均值回归研究的输入,并未展示经过测试的策略。 数据来自 Binance…

加密资产永续合约期货套利
《交易机器学习》

本笔记介绍加密货币资金费率方向模型的部署演练。模型使用源自历史 Binance 永续合约的数据训练一个三分类 LightGBM 模型,随后从OKX获取实时小时线和资金费率,将数据汇总为策略的八小时频率,计算实时特征集,并对可用标的评分。Alpaca 模拟交易为映射出的USD现货交易对提供执行环境;未匹配的永续合约仅生成信号。运行过程会记录覆盖范围、数据时效、预测和执行结果,以便监控和审计。…

加密资产永续合约现货市场机器学习
《交易机器学习》

本笔记本评估 Binance 永续期货数据能否支持按溢价对合约排序并建立多空仓位的截面策略。它不拟合模型,也不进行预测,而是在资金费率结算时检查既定交易资产范围,将观测到的广度与策略预期的持仓规模进行比较,考察价格变动相对于交易所费用的情况,并评估开发期历史数据能否支持滚动验证且保留留出期。…

加密资产永续合约统计学回测
《交易机器学习》

本示例介绍连接至 USD 现货经纪商的加密策略持续运行时的操作形态。它将规模较大的永续期货案例资产范围映射到较小的可用现货交易对集合,再通过面向经纪商的循环流程传递动量 z 分数代理信号。示例还说明资金费率检查必须将时间戳统一为 UTC,并指出周期性资金费率结算时段可作为永续仓位的时间标记。…

加密资产永续合约现货市场动量
《交易机器学习》

这份笔记本训练强化学习智能体,将固定卖单安排在加密货币永续期货市场的逐小时行情中执行。其状态包括滞后收益、波动率、前一小时成交量、永续合约相对于现货的溢价,以及距离资金费结算的时间。按日期拆分训练集和评估集,并在相同评估窗口上通过配对差值和标准误比较多个执行计划。…

加密资产永续合约交易执行机器学习
《交易机器学习》

这份评估笔记本筛查金融特征和模型特征,考察它们与加密货币永续期货下一段八小时收益之间的关系。它从滚动验证窗口构建评估样本,将最终留出集排除在分析之外,并在每个结算时点按横截面秩相关性为各项特征评分。笔记本汇总平均信息系数及考虑依赖性的**不确定性估计**,检查各验证年份的表现,并针对多重比较调整显著性检验。特征台账记录证据和决策,但不会从模型输入中移除列。…

加密资产永续合约机器学习统计学
《交易机器学习》

本文介绍使用 TabM 对永续合约资金费率面板数据建模的原因:其共享神经网络主干可以组合所有输入特征,非线性层则能够表示特征交互。与在每个分支节点选择一个特征的树不同,这种设计可以同时使用彼此相关的列。TabM 集成成员共享大部分网络,同时保留各自独立的缩放向量和输出层,因此,与分别训练多个网络相比,取平均值的成本更低。…

加密资产永续合约机器学习回测
《交易机器学习》

本笔记本研究用于预测加密货币永续合约收益和方向的梯度提升模型。网格搜索改变树的容量和损失函数,包括平方误差、绝对误差和 Huber 目标,并在训练过程的多个阶段为模型打分。文中说明,树可能反复按高度相似的溢价特征进行拆分,从而拟合训练样本的细节,却没有增加信息。候选模型只在相同标签内比较,不会跨不同预测目标比较。…

加密资产永续合约机器学习动量
《交易机器学习》

此笔记本估计,在价格波动率、资金费率和平均溢价偏差这三个明确列出的驱动因素保持不变时,加密永续合约的溢价 Z 分数是否会影响后续八小时收益。由于处理变量是连续的,目标是估计一条斜率,描述溢价 Z 分数每增加一个单位,预期收益会如何变化。笔记本将这一干预问题与收益预测及交易策略评估区分开来。…

加密资产永续合约机器学习统计学
《交易机器学习》

此探索性分析概览加密永续合约的小时级 OHLCV 数据,并将其与八小时溢价指数进行对照。分析考察代码和日期覆盖范围、合约成分变化、溢价单位及分布、OHLC 完整性、缺失值,以及小时价格与低频溢价观测之间的对齐情况。分析说明,溢价基于相对于指数的冲击买价和卖价计算,并设有可能产生精确零值的死区;仅凭溢价符号无法判断哪一方支付资金费率。…

加密资产永续合约市场微观结构统计学
《交易机器学习》

此笔记本衡量执行成本对已选定的加密永续期货配置的影响。它固定模型、检查点、入场规则、配置和风险控制,然后在一系列按交易名义金额计算的往返费用下重新进行回测。输出是每个标签对应的成本衰减曲线,旨在展示绩效如何变化以及在哪一点达到盈亏平衡,而非选择另一种配置。分析将执行费用与资金费用分开:执行费用随成本率和换手率变化,资金费用则源于持仓,在整个网格中保持不变。统一网格是一种敏感性分析惯例:即使某个网格点等于生产计划的总成本,佣金和滑点的占比也有所不同。笔记本强调换手率是成本率与夏普比率损耗之间的联系,但结果取决于所选…

加密资产永续合约交易执行回测
《交易机器学习》

本笔记将共享权重的神经网络集成模型TabM应用于加密货币永续期货特征面板。各成员共享神经网络主干,但拥有独立的缩放向量和输出层,从而兼顾高效集成与相关输入之间的非线性交互。工作流处理回归、二元方向和三分类方向目标,并针对类别不平衡采用每折专属的类别权重。笔记还保存并登记多个训练检查点的预测结果,将每个检查点视为独立的候选模型。…

加密资产永续合约机器学习回测
《交易机器学习》

本笔记围绕一个具体问题展开:学习得到的永续资金费率特征序列表示,能否优于对溢价——即永续价格与现货价格之间的差距——进行人工汇总的结果。笔记比较了两种模型:NLinear在近期窗口内对变化进行线性映射,循环LSTM则利用循环结构。两者使用相同的特征顺序、数据折、缺失数据规则和检查点安排,因此任何测得的差异都能更清楚地归因于架构。笔记定义了实验并记录验证集预测;策略筛选会在之后的回测中进行,而非在此处进行。…

加密资产永续合约机器学习回测
《交易机器学习》

本笔记将模型排名转化为简单的加密货币永续合约投资组合。在每个资金费结算时间点,入场规则从排名靠前或靠后的合约中选取标的,并赋予相同权重。等权提供了一个参照点:在仓位规模保持不变时,比较结果便可将差异归因于排名。笔记将预先声明的预测配置应用于入场规则,并登记结果供后续分析。…

加密资产永续合约回测投资组合构建
《交易机器学习》

本笔记比较了用于永续期货资金费率研究的多个模型族的验证集预测结果。它说明,信息系数衡量预测值与后续收益之间的排序关联,AUC衡量上涨或下跌标签的排序能力,而对数损失评估概率预测的准确性,并对自信却错误的预测施以重罚。由于这些指标回答的问题不同,AUC可能提高而对数损失却恶化;两种排序指标都不能证明收益幅度有用或概率经过校准。…

加密资产永续合约机器学习统计学
《交易机器学习》

这项探索性分析检查了币安永续合约的小时级 OHLCV 数据和八小时溢价指数。分析核查数据集覆盖范围、合约成分变化、计量单位、缺失值以及原始柱线的 OHLC 一致性。溢价以小数形式存储,因此显示百分比时需要转换。由于两个数据源的发布频率不同,直接按时间戳联接自然只能匹配部分柱线;进行 as-of 联接时也需要调整时间戳,因为柱线标记的是开盘时间。 分析说明,币安的溢价计算可能在影响价差所界定的范围内产生精确零值,因此零值集中本身并不能证明数据有误。分析建议检查所有交易品种的匹配时差和缺口,因为即使 as-of…

加密资产永续合约市场微观结构统计学
《交易机器学习》

本笔记使用双重机器学习估计永续期货溢价 z 分数在调整六项处理前控制变量后,是否与随后八小时收益相关。它通过分别拟合并加入处理与状态的交互项,比较高波动和低波动状态下的效应。数据采用多交易对面板结构,因此进行交叉拟合、设置禁用期和计算 Driscoll–Kraay 标准误时,方法将每个时间戳视为一个决策周期。 笔记还介绍一种区块置换反证程序:在每个交易对内部打乱处理值,同时保留时间持续性,区块长度则与处理窗口相对应。文中说明,当置换处理的残差方差不同时,安慰剂比较为何应使用 t…

加密资产永续合约机器学习统计学
《交易机器学习》

本笔记构建一个截面研究假设的特征:永续期货中持有多头的成本异常高,可能先于拥挤交易平仓时的相对走弱。它将资金费率和溢价指数数据转换为水平值、历史 z 分数、结算周期内排名、衰减指标以及市场状态条件特征。由于资金费率有上限,且结算间隔可能缩短,设计还考虑了费率饱和,并按经过的时间汇总现金流,而非假设观测次数固定。 笔记强调信息时间点的重要性。它将供应商 K…

加密资产永续合约套息回测
《交易机器学习》

本笔记使用事件驱动回测引擎,为 BTC/USDT 永续合约行情实现仅做多的 RSI 均值回归规则。它将日内观测汇总为 UTC 日线,计算滚动涨跌指标 RSI;指标低于超卖阈值时买入,高于超买阈值时卖出。策略以声明的资本比例为目标,并对佣金和滑点建模。顺序引擎明确表示决策、待处理订单、成交、仓位和现金,支持依赖路径的逻辑。…

加密资产永续合约均值回归技术指标
《交易机器学习》

本文构建特征,以研究加密货币永续期货中的拥挤持仓是否能够预测相对收益。文中解释资金支付的方向、溢价指数的作用,以及为何原始资金费率或溢价值可能需要配合历史 z 分数、横截面排名和衰减指标等表示方式。其他特征描述市场环境,包括价格波动率、溢价离散度和结算时点。…

加密资产永续合约市场微观结构