Învățarea comună a alocării și volatilității zilnice Hyperliquid: portofoliu NumPy MTL cu șase active

Ipoteza

corpus_concentration furnizat este gol, deci ponderea recentă a instrumentelor și intervalelor de timp nu poate fi dedusă. Verificările instantaneelor au găsit o utilizare redusă a instrumentelor principale pentru XLM, TRX și ADA și nicio implementare completă a acestui mecanism comun de alocare și cinci capete de volatilitate. Intrarea existentă a lucrării este sămânța actuală. Aceasta diferă de portofoliul eșuat cu atenție la analogi de kernel Hyperliquid: sarcinile de volatilitate antrenate în comun și alocarea Sharpe directă, ținând cont de costuri, înlocuiesc prognozele randamentelor pe baza celor mai apropiați analogi. Adaugă expunere long/short pe mai multe active Hyperliquid, subreprezentate, și abordează cel mai mare dezechilibru direcțional, 77.4% long-only. Opțiunile sunt și ele subreprezentate, dar o structură de opțiuni ar schimba mecanismul sursei. Ipoteza testează învățarea comună, nu un alt crossover zilnic de indicatori.

negative_expectancy: Respinge această operaționalizare a Research Lead — o rețea feedforward NumPy cu parametri fixați, alocare comună și cinci capete de volatilitate, pe șase active zilnice Hyperliquid — nu strategia LSTM pe contracte futures continue a lui Ong și Herremans. Eșantionul fiabil de 1,520 poziții pierde după costuri, cu un randament net mediu per tranzacție de -0.183%, față de pragul de evaluare +0.15%. Pierderile persistă după adăugarea înapoi a comisioanelor și impactului și eliminarea veniturilor din finanțare. Tranzacțiile implementează mecanismul descris, dar această bază nu merită optimizată. Nu s-a stabilit nicio problemă de contabilitate sau de date; alegerile de parametri netestate și controlul fără sarcini auxiliare nu sunt declarate infirmate.

Implementare

Portofoliu long/short zilnic Hyperliquid cu șase active, reprezentare feedforward NumPy comună, antrenare directă a alocării cu Sharpe negativ ținând cont de costuri și cinci sarcini auxiliare de prognoză a volatilității viitoare. Se ajustează cauzal o singură dată, apoi coeficienții sunt fixați. Rebalansarea zilnică pe baza semnalului plafonează expunerea brută la 100% și fiecare poziție la 25% din capitalul propriu de MTM, cu scalare doar în jos către volatilitatea anualizată de 10% și fără stop de protecție. Ordinele de piață se execută la închiderea semnalului, echivalentul pe o piață continuă al execuției la deschiderea barei următoare.

Iterația 2 schimbă doar cele două căutări pentru barele suplimentare din chei de tip string în chei InstrumentId, conform șablonului de bază, și remediază eroarea de tip raportată la Layer-2. Configurația și toate regulile de tranzacționare și învățare sunt păstrate. Rețeaua feedforward NumPy partajată înlocuiește explicit modelul LSTM din lucrare, deoarece PyTorch nu este în lista de permisiuni a sandboxului.

Rezultate verificare

Rotunjește în jos cantitățile țintă și verifică prudent portofoliul complet rezultat în raport cu capitalul propriu de MTM, rezervând fonduri pentru costurile de execuție. Prioritizează ajustările de reducere a riscului când portofoliul curent depășește un plafon.

Harta de alocare limitează ponderile țintă, dar execute_weights nu verifică din nou expunerea efectivă după normalizarea cantităților, ajustările omise sub 10 și costurile de execuție. În sandbox, levierul maxim MTM înregistrat este 1.000223, o depășire numerică/de execuție mică a țintei 1.0. Aceasta nu stabilește o problemă materială de dimensionare, dar plafonul declarat nu este aplicat exact portofoliului executat.

Testul smoke neoptimizat raportează un randament net mediu per tranzacție de -0.1922%, randament total de -36.61% și drawdown de 42.26%. Acestea sunt observații orientative privind performanța, nu erori de corectitudine. Evaluarea istoricului complet ar trebui să examineze rulajul zilnic și dacă învățarea auxiliară îmbunătățește alocările față de un control cu auxiliary_weight=0. Finanțarea nu a fost modelată în raportul furnizat (zero evenimente disponibile).

Analiză backtest

Sharpe

-1,23

Randament total

-35,84%

Drawdown maxim

41,39%

Tranzacții totale

1520

Rată de câștig

50,2%

Factor de profit

0,81

Înregistrările tranzacțiilor arată că toate cele șase active au fost tranzacționate în ambele direcții, cu dimensiuni variabile, în concordanță cu mecanismul de alocare descris. Contabilitatea se reconciliază; nu rămâne niciun câștig nerealizat la închidere.

Pentru 1,520 poziții închise, randamentul net mediu per tranzacție este -0.183%, față de pragul de evaluare Hyperliquid de +0.15%; PF este 0.813, Sharpe -1.230 și randamentul total -35.841%.

Reintroducerea comisioanelor și a impactului, în valoare de $19,495, și eliminarea finanțării creditate lasă pierderi de aproximativ $17,228. Costurile, singure, nu explică expectanța negativă.

Drawdown-ul este 41.392% față de limita înregistrată de 20%; toate cele trei regimuri de volatilitate au pierdut.

Îngrijorarea economică a QA este confirmată. Finanțarea este acum creditată, înlocuind observația din testul smoke. Contribuția incrementală a învățării auxiliare rămâne netestată; diagnosticul prognozei pe 25 observații are putere statistică insuficientă.

Comparația buy-and-hold pe o singură poziție nu este relevantă pentru acest portofoliu long/short.

Istoric iterații

Sumar rezultate

O iterație viitoare ar trebui să testeze sarcinile auxiliare față de un control fără sarcini auxiliare, deoarece contribuția lor incrementală rămâne netestată, iar pierderile acestei baze nu au fost explicate doar de costuri.

Verdictul evaluării backtestului a fost abandonarea din cauza speranței matematice negative: pierderile au persistat chiar și după adăugarea înapoi a comisioanelor și impactului și eliminarea veniturilor din finanțare. Nu s-a ajuns la optimizare, analiză post-optimizare sau evaluarea riscului.

A testat dacă cinci sarcini auxiliare de prognoză a volatilității viitoare pot îmbunătăți alocările zilnice long/short, ținând cont de costuri, pe șase active Hyperliquid, folosind o rețea neuronală feedforward NumPy cu parametri fixați în locul modelului LSTM din lucrare.

Backtestul a avut un randament de -35.841%, cu Sharpe -1.230, pentru 1,520 poziții închise și un randament net mediu per tranzacție de -0.183%. Drawdown-ul maxim a fost 41.392%, peste limita înregistrată de 20%, iar toate cele trei regimuri de volatilitate au pierdut bani.

Analiză

Construirea portofoliilor de momentum pe serii temporale cu învățare profundă multi-task