Strategie

Hyperliquid Daily Joint Allocation–Volatility Learning: portfel MTL NumPy dla sześciu aktywów

Wynik: Porzucona

HlDailyJointAllocationVolatility

Podsumowanie wyniku

Po dwóch iteracjach HlDailyJointAllocationVolatility przetestował zamrożoną adaptację NumPy feedforward, łączącą alokację i uczenie zmienności, na sześciu dziennych aktywach Hyperliquid. Backtest przyniósł stopę zwrotu -35.841%, wskaźnik Sharpe’a -1.230 i 1,520 zamkniętych pozycji, przy obsunięciu kapitału przekraczającym zarejestrowany limit. Analiza backtestu odrzuciła wariant bazowy z powodu ujemnej wartości oczekiwanej przed optymalizacją; nie stwierdzono błędu rozliczeń ani danych. Wynik ten odrzuca testowaną operacjonalizację, ale strategia LSTM z artykułu i przyrostowy wkład zadań dodatkowych pozostają nieprzetestowane.

Raport strategii

Hipoteza

Opracowane przez Research Lead na podstawie pracy Joela Onga i Dorien Herremans, Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning: sprawdzenie, czy dodatkowe uczenie przyszłej zmienności poprawia uwzględniające koszty alokacje long/short. Ta operacjonalizacja zachowuje wspólne uczenie reprezentacji, bezpośredni trening alokacji ujemnego wskaźnika Sharpe’a i pięć dodatkowych zadań zmienności. Nie odtwarza uniwersum kontraktów futures ciągłych ani wyników podanych w artykule. Użyj zsynchronizowanych świec Hyperliquid 1-DAY. Zastąp LSTM wspólną siecią NumPy feedforward, ponieważ PyTorch nie znajduje się na liście dozwolonych importów sandboxu strategii; jawnie oznacz tę zmianę architektury. Trenuj raz na początkowym, przyczynowym bloku historycznym, a następnie zamrażaj współczynniki w każdym oknie oceny i podczas wdrożenia. Ścieżka kontroli ryzyka (b): korekta alokacji na podstawie sygnału, maksymalna ekspozycja brutto 100% kapitału MTM, maksymalna ekspozycja pojedynczej pozycji 25%, dźwignia 1. Celuj w zmienność ex ante 10% w ujęciu rocznym, wyłącznie zmniejszając ekspozycję. Nie dodawaj ochronnego stopu.

Dostarczony corpus_concentration jest pusty, więc nie można ustalić udziałów instrumentów i interwałów z ostatniego okresu. Kontrole snapshotów wykazały niewielkie wykorzystanie instrumentu bazowego dla XLM, TRX i ADA oraz brak ukończonej implementacji tego mechanizmu łączącego alokację z pięcioma głowicami zmienności. Istniejący wpis artykułu jest obecnym ziarnem. Różni się to od nieudanego portfela z atencją analogiczną do kernela na Hyperliquid: wspólnie trenowane zadania zmienności i bezpośrednia alokacja Sharpe’a uwzględniająca koszty zastępują prognozy zwrotów oparte na najbliższym analogu. Dodaje ekspozycję long/short na wielu aktywach, na słabo reprezentowanym Hyperliquid, i odpowiada na największą nierównowagę kierunkową: 77.4% long-only. Opcje również są słabo reprezentowane, ale struktura opcyjna zmieniłaby mechanizm źródłowy. Hipoteza sprawdza uczenie łączne, a nie kolejne przecięcie dziennych wskaźników.

negative_expectancy: Odrzuć tę operacjonalizację Research Lead — zamrożoną sieć NumPy feedforward łączącą alokację i pięć głowic zmienności na sześciu dziennych aktywach Hyperliquid — a nie strategię Ong i Herremans LSTM opartą na kontraktach futures ciągłych. Wiarygodna próba 1,520 pozycji przynosi straty po kosztach, ze średnią stopą zwrotu netto z transakcji -0.183% wobec progu przeglądu +0.15%. Straty pozostają po dodaniu z powrotem prowizji i wpływu na cenę oraz usunięciu przychodu z finansowania. Transakcje realizują opisany mechanizm, ale ten wariant bazowy nie jest wart optymalizacji. Nie stwierdzono błędu rozliczeń ani danych; nie uznaje się za obalone nieprzetestowanych wyborów parametrów ani kontroli bez zadań dodatkowych.

Implementacja

Dzienny portfel long/short sześciu aktywów Hyperliquid ze wspólną reprezentacją NumPy feedforward, bezpośrednim treningiem alokacji ujemnego wskaźnika Sharpe’a uwzględniającej koszty oraz pięcioma dodatkowymi zadaniami prognozowania przyszłej zmienności. Dopasowanie odbywa się przyczynowo jeden raz, po czym współczynniki zostają zamrożone. Dzienna korekta alokacji na podstawie sygnału ogranicza ekspozycję brutto do 100%, a każdą pozycję do 25% kapitału MTM; ekspozycja jest zmniejszana wyłącznie w dół, by dążyć do zmienności annualizowanej 10%; nie ma ochronnego stopu. Zlecenia rynkowe są wykonywane przy zamknięciu świecy sygnałowej, jako odpowiednik wykonania przy otwarciu następnej świecy na rynku ciągłym.

Iteracja 2 zmienia wyłącznie klucze dwóch dodatkowych odwołań do świec: z ciągów znaków na klucze InstrumentId, zgodnie z szablonem bazowym, naprawiając zgłoszony błąd typu Layer-2. Konfiguracja oraz wszystkie reguły handlu i uczenia pozostają bez zmian. Wspólna sieć feedforward NumPy jawnie zastępuje LSTM z artykułu, ponieważ PyTorch nie znajduje się na liście dozwolonej w sandboxie.

Wyniki weryfikacji

Zaokrąglaj docelowe ilości w dół i konserwatywnie sprawdzaj cały wynikowy portfel względem kapitału MTM, z rezerwą na koszty wykonania. Gdy bieżący portfel przekracza limit, priorytetowo traktuj korekty zmniejszające ryzyko.

Mapa alokacji ogranicza wagi docelowe, ale execute_weights nie sprawdza ponownie rzeczywistej ekspozycji po normalizacji ilości, pominięciu korekt poniżej $10 i uwzględnieniu kosztów wykonania. Sandbox odnotowuje szczytową dźwignię MTM równą 1.000223, czyli niewielkie przekroczenie numeryczne i wykonawcze celu 1.0. Nie dowodzi to istotnej wady w ustalaniu wielkości pozycji, ale deklarowany limit nie jest egzekwowany dokładnie dla zrealizowanego portfela.

Niezoptymalizowany test dymny podaje średnią stopę zwrotu netto z transakcji -0.1922%, łączną stopę zwrotu -36.61% i obsunięcie kapitału 42.26%. Są to doradcze obserwacje wyników, a nie błędy poprawności. Pełny przegląd historii powinien zbadać dzienny obrót i to, czy uczenie dodatkowe poprawia alokacje w porównaniu z kontrolą auxiliary_weight=0. W dostarczonym raporcie nie modelowano finansowania (zero dostępnych zdarzeń).

Przegląd backtestu

Sharpe: -1,23
Łączna stopa zwrotu: -35,84%
Maksymalne obsunięcie: 41,39%
Łączna liczba transakcji: 1520
Trafność: 50,2%
Współczynnik zysku: 0,81

Rejestry transakcji pokazują handel wszystkimi sześcioma aktywami w obu kierunkach i zmiennych wielkościach, zgodnie z opisanym mechanizmem alokacji. Rozliczenia są spójne; nie pozostał niezrealizowany zysk końcowy.

W 1,520 zamkniętych pozycjach średnia stopa zwrotu netto z transakcji wynosi -0.183% wobec progu przeglądu Hyperliquid +0.15%; PF wynosi 0.813, wskaźnik Sharpe’a -1.230, a łączna stopa zwrotu -35.841%.

Dodanie z powrotem $19,495 prowizji i wpływu na cenę oraz usunięcie zaksięgowanego finansowania nadal pozostawia około $17,228 strat. Same koszty nie wyjaśniają ujemnej wartości oczekiwanej.

Obsunięcie kapitału wynosi 41.392% wobec zarejestrowanego limitu 20%; wszystkie trzy reżimy zmienności przynoszą straty.

Obawa dotycząca ekonomiki QA została potwierdzona. Finansowanie jest teraz uwzględnione jako przychód, co zastępuje zastrzeżenie z testu dymnego. Przyrostowy wkład uczenia dodatkowego pozostaje nieprzetestowany; diagnostyka prognozy z 25 obserwacjami ma zbyt małą moc.

Porównanie z kupnem i trzymaniem pojedynczej pozycji nie ma znaczenia dla tego portfela long/short.

Historia iteracji

Weryfikacja nie powiodła się (warstwa 2 — scenariusze syntetyczne): Użyte parametry: ['seed', 'epsilon', 'leverage', 'adam_beta1', 'adam_beta2', 'max_epochs', 'bar_interval', 'hidden_units', 'min_notional', 'learning_rate', 'training_days', 'rebalance_bars', 'auxiliary_tasks', 'covariance_days', 'feature_rv_bars', 'patience_epochs', 'vol_of_vol_days', 'auxiliary_weight', 'max_leg_fraction', 'gradient_norm_cap', 'target_annual_vol', '_optimization_plan', 'annualization_days', 'max_gross_fraction', 'feature_return_bars', 'training_taker_rate', 'validation_fraction', 'standardization_days', 'training_impact_rate', 'auxiliary_horizon_days'] Sprawdź, czy __init__ ustawia wszystkie atrybuty na podstawie self.parameters.get(). - steady_uptrend: TypeError: Argument 'other' has incorrect type (expected nautilus_trader.model.identifiers.InstrumentId, got str) (bar timestamp: 1737331200000) - steady_downtrend: TypeError: Argument 'other' has incorrect type (expected nautilus_trader.model.identifiers.InstrumentId, got str) (bar timestamp: 1737331200000) - flat_ranging: TypeError: Argument 'other' has incorrect type (expected nautilus_trader.model.identifiers.InstrumentId, got str) (bar timestamp: 1737331200000) - volatility_spike: TypeError: Argument 'other' has incorrect type (expected nautilus_trader.model.identifiers.InstrumentId, got str) (bar timestamp: 1737331200000) - zero_volume: TypeError: Argument 'other' has incorrect type (expected nautilus_trader.model.identifiers.InstrumentId, got str) (bar timestamp: 1737331200000) - price_gap: TypeError: Argument 'other' has incorrect type (expected nautilus_trader.model.identifiers.InstrumentId, got str) (bar timestamp: 1737331200000)

Podsumowanie wyniku

W przyszłej iteracji należy przetestować zadania dodatkowe względem kontroli bez nich, ponieważ ich przyrostowy wkład pozostaje nieprzetestowany, a same koszty nie wyjaśniają strat wariantu bazowego.

Werdykt z przeglądu backtestu: porzucić z powodu ujemnej wartości oczekiwanej. Straty utrzymały się nawet po dodaniu z powrotem prowizji i wpływu na cenę oraz usunięciu przychodu z finansowania. Nie przeprowadzono optymalizacji, analizy po optymalizacji ani przeglądu ryzyka.

Sprawdzono, czy pięć dodatkowych zadań prognozowania przyszłej zmienności może poprawić uwzględniające koszty dzienne alokacje long/short w sześciu aktywach Hyperliquid, z użyciem zamrożonej sieci feedforward NumPy zamiast LSTM z artykułu.

Backtest przyniósł -35.841% przy wskaźniku Sharpe’a -1.230 w 1,520 zamkniętych pozycjach; średnia stopa zwrotu netto z transakcji wyniosła -0.183%. Maksymalne obsunięcie kapitału wyniosło 41.392%, przekraczając zarejestrowany limit 20%, a wszystkie trzy reżimy zmienności przyniosły straty.

Analiza

Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning

Stratmill to narzędzie do badań i handlu na papierze (paper trading), a nie doradztwo finansowe ani broker. Wyniki backtestów i paper tradingu mają charakter hipotetyczny. Handel wiąże się z ryzykiem straty.