Pembelajaran Alokasi Gabungan–Volatilitas Harian Hyperliquid: Portofolio MTL NumPy Enam Aset

Hipotesis

corpus_concentration yang diberikan kosong, sehingga pangsa instrumen dan kerangka waktu terkini tidak dapat disimpulkan. Pemeriksaan snapshot menemukan sedikit penggunaan instrumen utama untuk XLM, TRX dan ADA, serta tidak menemukan implementasi selesai dari mekanisme alokasi gabungan ini dengan lima tugas volatilitas. Entri makalah yang sudah ada menjadi benih saat ini. Ini berbeda dari portofolio perhatian analog-kernel Hyperliquid yang gagal: tugas volatilitas yang dilatih bersama dan alokasi Sharpe langsung yang memperhitungkan biaya menggantikan prakiraan imbal hasil dari analog terdekat. Pendekatan ini menambahkan eksposur long/short multi-aset pada Hyperliquid yang kurang terwakili dan menangani ketidakseimbangan arah terbesar, 77.4% long-only. Opsi juga kurang terwakili, tetapi struktur opsi akan mengubah mekanisme sumber. Hipotesis ini menguji pembelajaran bersama, bukan persilangan indikator harian lainnya.

negative_expectancy: Tolak operasionalisasi Research Lead ini—jaringan NumPy feedforward yang dibekukan untuk alokasi bersama dengan lima kepala volatilitas pada enam aset harian Hyperliquid—bukan strategi futures kontinu LSTM dari Ong dan Herremans. Sampel andal sebanyak 1,520 posisi merugi setelah biaya, dengan rata-rata imbal hasil bersih per perdagangan -0.183% dibandingkan ambang tinjauan +0.15%. Kerugian tetap ada setelah komisi dan dampak harga ditambahkan kembali serta pendapatan pendanaan dihapus. Perdagangan menerapkan mekanisme yang dinyatakan, tetapi baseline ini tidak layak dioptimalkan. Tidak ditemukan cacat akuntansi atau data; pilihan parameter yang belum diuji dan kontrol tanpa tugas tambahan tidak dinyatakan terbantahkan.

Implementasi

Portofolio long/short harian enam aset Hyperliquid dengan representasi feedforward NumPy bersama, pelatihan alokasi negatif-Sharpe langsung yang memperhitungkan biaya, dan lima tugas tambahan volatilitas maju. Model dipasang sekali secara kausal, lalu koefisiennya dibekukan. Penyeimbangan ulang sinyal harian membatasi eksposur bruto pada 100% dan setiap posisi pada 25% dari ekuitas MTM, dengan penskalaan hanya ke bawah menuju volatilitas tahunan 10% dan tanpa stop protektif. Order pasar dieksekusi pada penutupan sinyal sebagai padanan pasar kontinu dari eksekusi pada pembukaan bar berikutnya.

Iterasi 2 hanya mengubah dua pencarian bar tambahan dari kunci string menjadi kunci InstrumentId, sesuai dengan templat dasar dan memperbaiki galat tipe Layer-2 yang dilaporkan. Konfigurasi serta semua aturan perdagangan dan pembelajaran tetap dipertahankan. Jaringan feedforward NumPy bersama secara eksplisit menggantikan LSTM dalam makalah karena PyTorch tidak termasuk dalam daftar izin sandbox.

Hasil Verifikasi

Bulatkan kuantitas target ke bawah dan periksa secara konservatif seluruh portofolio yang dihasilkan terhadap ekuitas MTM, dengan menyisihkan biaya eksekusi. Prioritaskan penyesuaian yang mengurangi risiko saat portofolio saat ini melampaui batas.

Peta alokasi membatasi bobot target, tetapi execute_weights tidak memeriksa kembali eksposur aktual setelah normalisasi kuantitas, penyesuaian di bawah $10 yang dilewati, dan biaya eksekusi. Sandbox mencatat leverage puncak MTM sebesar 1.000223, sedikit melampaui target 1.0 akibat perhitungan numerik dan eksekusi. Ini tidak membuktikan adanya cacat material dalam penentuan ukuran, tetapi batas yang dinyatakan tidak diberlakukan secara tepat pada portofolio yang dieksekusi.

Uji singkat tanpa optimisasi melaporkan rata-rata imbal hasil bersih per perdagangan -0.1922%, imbal hasil total -36.61%, dan drawdown 42.26%. Ini adalah pengamatan kinerja sebagai bahan pertimbangan, bukan kegagalan kebenaran. Tinjauan riwayat lengkap sebaiknya memeriksa turnover harian dan apakah pembelajaran tambahan meningkatkan alokasi dibandingkan kontrol auxiliary_weight=0. Pendanaan tidak dimodelkan dalam laporan yang diberikan (tidak ada peristiwa yang tersedia).

Tinjauan Backtest

Sharpe

-1.23

Total Return

-35.84%

Max Drawdown

41.39%

Total Trade

1520

Rasio Menang

50.2%

Faktor Profit

0.81

Catatan perdagangan menunjukkan keenam aset diperdagangkan ke kedua arah dengan ukuran yang bervariasi, sesuai dengan mekanisme alokasi yang dinyatakan. Akuntansi cocok; tidak ada keuntungan belum terealisasi yang tersisa pada akhir periode.

Dari 1,520 posisi tertutup, rata-rata imbal hasil bersih per perdagangan adalah -0.183% dibandingkan ambang tinjauan Hyperliquid +0.15%; PF adalah 0.813, Sharpe -1.230, dan imbal hasil total -35.841%.

Menambahkan kembali $19,495 komisi dan dampak harga serta menghapus pendanaan yang dikreditkan masih menyisakan kerugian sekitar $17,228. Biaya saja tidak menjelaskan ekspektasi negatif.

Drawdown sebesar 41.392%, dibandingkan batas terdaftar 20%; ketiga rezim volatilitas merugi.

Kekhawatiran ekonomis QA terkonfirmasi. Pendanaan kini dikreditkan, menggantikan catatan kehati-hatian uji singkatnya. Kontribusi tambahan dari pembelajaran tambahan masih belum diuji; diagnostik prakiraan 25 observasi belum memadai.

Perbandingan beli-dan-tahan satu posisi tidak bermakna untuk portofolio long/short ini.

Riwayat Iterasi

Ringkasan Hasil

Iterasi mendatang sebaiknya menguji tugas tambahan terhadap kontrol tanpa tugas tambahan, karena kontribusi tambahannya masih belum diuji dan kerugian baseline ini tidak semata-mata dijelaskan oleh biaya.

Putusan tinjauan backtest adalah hentikan karena ekspektasi negatif: kerugian tetap ada bahkan setelah komisi dan dampak harga ditambahkan kembali serta pendapatan pendanaan dihapus. Optimisasi, analisis pascaoptimisasi, dan tinjauan risiko belum dilakukan.

Pengujian menguji apakah lima tugas volatilitas maju tambahan dapat meningkatkan alokasi long/short harian yang memperhitungkan biaya pada enam aset Hyperliquid, dengan menggunakan jaringan feedforward NumPy yang dibekukan sebagai pengganti LSTM dalam makalah.

Backtest menghasilkan -35.841% dengan Sharpe -1.230 dari 1,520 posisi tertutup dan rata-rata imbal hasil bersih per perdagangan sebesar -0.183%. Drawdown maksimum sebesar 41.392%, melampaui batas terdaftar 20%, dan ketiga rezim volatilitas mengalami kerugian.

Analisis

Membangun Portofolio Momentum Deret Waktu dengan Pembelajaran Multi-Tugas Mendalam