可重現性

筆記中的每一個數字，以及它的來源

足夠讓你手動核對算式，或利用相同的公開與授權資料來源重建一項等價的研究，其中也包括增補研究改動了什麼，以及每一次執行是以哪個雜湊值凍結。

資料與樣本範圍

加密貨幣。十檔以USDT計價保證金的Binance永續合約，於2022年12月31日依2022年10月至12月的每日名目成交金額中位數選出：BTC、ETH、DOGE、XRP、BNB、SOL、MATIC、LTC、CHZ與ETC。K線與完整的資金費率歷史來自Binance公開檔案庫。

股票。十檔美國大型個股，以相同方式選出：TSLA、AAPL、NVDA、AMZN、MSFT、AMD、META、GOOGL、NFLX與XOM。資料來源為符合NBBO資格的一分鐘成交與報價資料，以穩定的證券識別碼為鍵值，並在識別碼變更時串接調整因子，因此股票分割與代號重複使用不會扭曲報酬率。

樣本範圍。兩種K棒頻率，15分鐘與1小時，構成四個格子：crypto:15m、crypto:1h、equity:15m與equity:1h。輸入資料的歷史從2021年1月1日開始，樣本外評分則從2023年1月1日跑到2026年7月31日。

每一個輸入檔案都在資料清單中計算雜湊值，執行程序在觸碰任何一根K棒之前都會先驗證。資金費率、價差、手續費、滑價、最高與最低價的時間戳、路徑順序欄位、未來報酬與交易結果都屬於執行中繼資料，禁止出現在基礎訊號定義與權益狀態的輸入中。

策略庫，以及它是怎麼校準的

八個家族共八十個機械式策略，每一個都是正負號對稱的。策略庫只校準過一次，而且只用2021年1月到2022年12月的資料，目的是讓持有期間接近主觀日內與波段交易員的樣子：多數部位在數小時內平倉，尾部大約延伸到兩週。校準過程讀取候選訊號數量、持有期間與標的覆蓋率，不讀取任何報酬、Sharpe、勝率或回撤。它在三輪之內收斂，共替換五個策略，全部都在RSI反轉家族，每一個都是因為覆蓋率太薄。

只有在策略的方向觀點真正翻轉時，也就是由多轉空或由空轉多，才會產生一個候選訊號。中性的K棒不算訊號，也不會重設觀點：

# The candidate grid: genuine inversions only, never a re-entry from neutral.
view = raw_view.replace(0, method="ffill")        # neutral holds the previous view
signal = view != view.shift(1)                    # a transition, not a level

這件事的影響比看起來大。如果把每一次從中性重新進場都當成新訊號，那麼條件在某個區間邊緣來回跳動的規則，每跳一次就會發出一個候選訊號；只計算真正的翻轉之後，候選訊號的數量大約降到三分之一。

這些訊號轉折同時也是所有政策共用的候選訊號網格。在每一個轉折點上，每一套政策都會把手上的部位平掉，然後往新訊號的方向開倉，因此交易的邊界與交易筆數在設計上就在各政策之間完全相同，唯一不同的是每筆交易怎麼結束、結束在什麼價位。

障礙設定，以及各項處理必須擊敗的基準

障礙寬度與報酬風險比是策略參數，不是普世常數，因此它們依策略與窗口在樣本內以登記好的目標函數調校，並計入與管理疊加相同的搜尋預算。

stop in {3, 6} ATR  x  reward-to-risk in {1.5, 3}   =  4 base configurations

這會得到 (4.5, 3)、(9, 3)、(9, 6) 與 (18, 6) ATR 這四組停利與停損配對。ATR採用Wilder ATR(14)，計算到訊號K棒收盤為止，並在交易存續期間凍結；一個風險單位是在基準部位大小下、進場當時一個ATR的價格移動。用這種方式調校基準會拉高各項處理必須跨過的門檻：誠實的比較對象是經過調校的靜態管理，而不是一個容易改善的普世二比一稻草人。

權益狀態變數

八個有方向性的變數，每一個都定義成數值越大代表近期表現越好：前10筆交易的累計淨損益；同一項但改用50筆；權益減去它的20筆移動平均，再除以前20次增量的標準差；前50筆已完結交易的最大回撤，以非正值儲存；帶正負號的連勝連敗長度；20筆交易的勝率；50筆交易的勝率；以及20筆交易的平均淨損益。

state = {
    "cum_r_10":     net_r.rolling(10).sum(),
    "cum_r_50":     net_r.rolling(50).sum(),
    "equity_vs_ma": (equity - equity.rolling(20).mean()) / net_r.rolling(20).std(),
    "max_dd_50":    (equity - equity.rolling(50).max()).rolling(50).min(),   # <= 0
    "streak":       signed_streak(net_r > 0),
    "win_rate_20":  (net_r > 0).rolling(20).mean(),
    "win_rate_50":  (net_r > 0).rolling(50).mean(),
    "mean_r_20":    net_r.rolling(20).mean(),
}

第九個候選變數，也就是相對於歷史最高權益的當前回撤，在執行前就基於結構性理由被移除。對期望值為負的策略而言，這個變數是無界的，而且會單調地往下漂移，因此樣本內配適出來的門檻在樣本外會永久被突破：在一個實測案例中，整個樣本外的取值範圍都落在樣本內最低的切點之下，濾網一筆交易都沒有執行。這是一個定態性失效，不必參照獲利能力就能觀察到，所以我們改用以窗口計算的50筆交易回撤。

在某個變數的回看期尚未完整之前，管理維持在選定的基準設定，決策軌跡則記錄 insufficient_history。每一組基礎策略、市場、時間框架與政策的組合各有一條權益曲線，一格中的十檔標的共用同一條。

管理規則庫與搜尋預算

管理疊加的動作是套在選定基準上的乘數，因此即使基準會浮動，家族的意義仍然不變。均值回歸的反應方式則把狀態到動作的對應關係反轉過來。

狀態	僅停利	僅停損	停利＋停損	部位規模	交易濾網
1	0.5倍停利	0.5倍停損	兩者0.5倍	0.5R	略過
2	0.75倍停利	0.75倍停損	兩者0.75倍	1R	略過
3	1倍	1倍	1倍	1R	執行
4	1.5倍停利	1.5倍停損	兩者1.5倍	1.5R	執行
5	2倍停利	2倍停損	兩者2倍	2R	執行

八個狀態變數乘以兩個方向，每個家族得到16種管理疊加；16種疊加再乘以4組基準配置，每個家族在每個窗口有64次嘗試。每個家族拿到的預算完全相同，這就是這裡所謂搜尋對等的意思：嘗試過的配置數量相同，而不是可調旋鈕的數量相同。

狀態的來源經過挑選，讓任何家族都無法自己製造自己的狀態。障礙家族讀取自己已實現的淨損益；部位規模家族讀取自己在單位部位大小下的已實現損益，因此槓桿無法灌大驅動它的那個變數；交易濾網家族讀取一份持續更新的基準影子帳本，因此關閉狀態永遠不會變成吸收態。

Walk-forward

從2023Q1到2026Q2共十四個完整的季度樣本外窗口，另加一個事先登記、只涵蓋2026年7月的部分窗口；這個窗口會評分、標記，並在任何納入它的地方揭露。樣本內一律是前24個日曆月，而且日曆邊界在兩個市場之間完全一致。

for window in quarterly_windows(oos_start="2023-01-01", oos_end="2026-08-01"):
    grid = candidate_grid(strategy, window)                    # no equity state, no OOS values
    is_candidates = [c for c in grid if c.entry_ts < window.oos_start
                                     and c.exit_ts < window.oos_start]

    thresholds = state_thresholds(baseline_replay(is_candidates))
    attempts   = [simulate(cfg, is_candidates, thresholds) for cfg in family_grid]  # all 64
    persist(attempts)                                          # including degenerate and inactive

    winner = max(attempts, key=lambda a: (a.net_r_per_common_candidate,
                                          a.executed_trades, -a.canonical_id))
    winner.freeze()                                            # config and thresholds fixed
    score(winner, window.oos_slice)                            # OOS starts flat, state from IS replay

選擇按時間順序進行，每一次嘗試都會落地保存，包括那些什麼也沒做的嘗試，而選中的管理疊加，其樣本外狀態是由它在樣本內完整重播的結果初始化。

K棒內執行

準備好的面板帶有每一根母K棒最終最高價與最低價的時間戳，因此K棒內的路徑會重建為開盤、第一個記錄到的極值、第二個記錄到的極值、收盤，並沿著這些單調線段判斷障礙是否被觸及。

跳空穿過停損時，以第一個可成交的開盤價出場；跳空穿過停利時則在停利價位成交，這正是掛著的限價單會有的行為。如果只有一個障礙可及，就由它成交；如果兩個都可及，就由記錄到的極值順序決定；而如果那個順序未知，就讓停損先成交，同時計算有多少交易依賴這項約定，並揭露它們的經濟貢獻。

成本模型

成交	手續費	滑價	價差
進場，不論原因	taker 5基點	2基點	實測值的一半
出場：停利，或跳空穿過停利	maker 2基點	無	無
出場：停損，或跳空穿過停損	taker 5基點	2基點	實測值的一半
出場：反向訊號翻倉	taker 5基點	2基點	實測值的一半

股票每筆成交支付固定0.5基點的佣金與費用準備，不區分maker或taker。加密貨幣的資金費率在未平倉部位經過的每一個結算時點計入，並採用當時觀察到的正負號。2021到2026年間，資金費率有74.5%的時間為正，平均每八小時 +0.87 基點，對一個永遠做多的帳本而言大約是每年9.5%，這就是為什麼它要依交易方向拆開報告，而不是併成單一的淨值數字。

每一份帳本都把毛價格損益、進場與出場價差、進場與出場手續費、進場與出場滑價、帶正負號的資金費率，以及淨損益分別保留為獨立欄位，而且這個恆等式必須在1e-9個風險單位以內對得起來：

net_r = (gross_price_r
         - entry_spread_r - exit_spread_r
         - entry_fee_r    - exit_fee_r
         - entry_slip_r   - exit_slip_r
         + funding_r)                       # signed: debits longs when funding is positive
assert abs(net_r - ledger.net_r).max() < 1e-9

統計推論

配對bootstrap以週一到週日的整個日曆週為單位重抽樣，一週之內的每一檔標的與每一個策略一起移動，共重抽10,000次，隨機種子固定。逐列重抽樣、對窗口Sharpe取平均，以及把窗口數乘進策略數，這三種做法一律禁止。

weeks  = pd.Grouper(key="ts", freq="W-MON")
blocks = [df for _, df in paired_deltas.groupby(weeks)]      # whole weeks move together

draws = [np.concatenate(rng.choice(blocks, len(blocks))).mean() for _ in range(10_000)]
p = 2 * min((np.array(draws) <= 0).mean(), (np.array(draws) >= 0).mean())
q = benjamini_hochberg(p_values, alpha=0.05)                 # 20 contrasts in the declared family

多重性校正在已宣告的家族內進行，也就是2個市場乘以2種時間框架乘以5個管理家族，共20組對比，未通過的也算在內。

動作輪轉安慰劑拿同一套政策，把它的動作在同一批候選訊號上輪轉，共抽1,000次固定種子的樣本，並以曝險匹配作為阻斷式檢查：輪轉後的虛無版本必須完全重現真實管理疊加的週轉率、成交筆數與名目動作曝險，因此唯一被破壞的，就是權益狀態與交易之間的對應關係。

擾動套件會執行20次1%的候選訊號隨機刪除，以及20次成交衝擊，成本在0.75倍到1.25倍之間縮放，並要求至少80%的抽樣保住效果的正負號、決策一致率的中位數維持在80%以上，權益曲線相關係數的中位數維持在0.9以上。

八項認定條件

彙總後每個共同候選訊號的淨損益高於基準
已成交交易的期望值改善，而期望值無定義時視為未通過
每單位平均名目毛風險的淨損益沒有惡化
配對且以週為叢集的差異，其BH校正後的q值低於0.05
完整窗口的勝率高於50%，且報酬風險比高於1
刪除表現最好的樣本外窗口之後，差異仍然為正
結果擊敗條件匹配的動作輪轉安慰劑的第95百分位
路徑相依性穩定度檢核通過

第4項條件在主研究的全部20組比較與增補研究的全部24組比較中都沒有通過。第2項條件的寫法會讓週轉率為零的政策直接失敗，因為這種政策只要什麼都不做，就能在第1項條件上擊敗一個虧損的基準，而分析套件測試的正是這個情況。

增補研究改動了什麼

樣本範圍、資料、時間框架、walk-forward排程、可在樣本內調校的障礙網格、八個權益狀態變數、64次嘗試的預算、選擇規則、合格條件、bootstrap、安慰劑、擾動套件與八項認定條件，全部原封不動地沿用。有四件事不同。

出場

部位只有在停利或停損成交時才會平倉。如果到該標的歷史資料結束時兩者都沒有成交，這筆交易就會在最後一根觀察到的K棒截斷並加註標記；截斷率是規定必須報告的統計量，因為截斷率若很高，就代表障礙在樣本內無法結清，這套協定也沒有交出它承諾的公平檢定。

障礙寬度

拿掉反向出場會拉長持有期間，因此停損網格在執行前依格重新校準過，只讀取持有期間與資料頻率：

格子	停損（ATR）	四組基準的持有期間中位數	持有兩週以上的比例
crypto:15m	3.0, 6.0	6.2小時至38.5小時	0.0%至4.4%
equity:15m	3.0, 6.0	6.0小時至28.9小時	0.6%至24.3%
crypto:1h	1.5, 3.0	6.5小時至38.0小時	0.0%至3.8%
equity:1h	1.5, 2.25	7.0小時至21.0小時	0.3%至13.7%

十六組格子與基準的組合中，有十五組落在約定的區間內。例外是equity:15m在最寬的基準設定下，我們把它寫進筆記的限制一節，而不是把它移除。

持倉佔用

每個分支都要處理部位開著時進來的訊號，兩者也都以相同的分母評分，也就是該窗口內的每一次訊號轉折，而這個數量由規則與價格序列固定下來：

if branch == "single" and book.holds(instrument):
    decision = "declined_as_occupied"      # earns nothing, still counts in the denominator
else:
    book.open(instrument, side, size, tp, sl)

一套正在忙、因而略過訊號的政策，就是從那個訊號賺不到任何東西。這樣一來各政策之間的交易筆數會不同，但那是一項該報告的結果，不是壞掉的比較，週轉率也會一併報告。

多重性校正

增補研究在自己宣告的家族內校正，也就是3個家族乘以4個格子乘以2個分支，共24組對比。兩個分支放在一起校正，因為兩者都跑了、也都要報告，分開評分會低估搜尋的規模。增補研究的對比絕不與主研究的合併，兩者也都不會重新評分對方。

驗證與凍結的雜湊值

Rust執行引擎與一份獨立撰寫的Python參考實作逐行比對過。在增補研究的引擎上，兩者在362,100列資料的每一個出場K棒、出場價格與淨損益上都完全吻合，容差為1e-9。一致性測試是那裡最重要的一套，因為拿掉反向出場等於改動了執行核心本身，而凍結機制不接受早於它所認證程式碼的判定結果，所以沒有任何判定是從主研究的引擎繼承而來。

套件	主研究	增補研究
執行一致性，Rust引擎對Python參考實作	通過	通過
凍結前校準，僅持有期間	通過	通過
推論基礎元件	通過	通過
分析檢查	通過	通過
狀態、選擇、穩健性與產物一致性	未重跑	未重跑
植入缺陷偵測、因果性與資料洩漏檢核	未重跑	未重跑

兩者都是在任何樣本外數字產生或被打開之前就以書面訂定並凍結，而每一個報告出來的數字都由儲存的產物生成，不是手動打上去的。增補研究帶著自己的管理疊加與實作雜湊值，這正是它之所以是增補而不是重新評分的原因：

產物	SHA-256
strategy_configs.json，兩者共用	d5c1fabbd22fcf20907e24025c6868f739afb11a2a952fc71241630f318cf68e
overlay_configs.json，主研究	c0eaaaedd74800e2e973dda23a23053ee7966a07762803e7b2592cabfed5320f
analysis_config.json，主研究	1afcb713478d37d234268038280d9a83f38dfc535c8b1e3fbb9b6acc649e4fef
data_manifest.json，主研究	93aefeaa5ad78d920fdaf48d36cc61794921eaaaa92cbf52f3b7f5119c855a59
strategy_selection.json，主研究	a37718869d539141b64c492f1d221a7a9ba8395f7e9ca323d2c536028a21df4c
分析實作，主研究	e46041ab30b8f44ad1029a798e1d0bb58aa97959ba88bfb0558bf4468393600f
overlay_configs.json，增補研究	7d575275961bee72f5f6557ae5c253545f69cc352d5b9e35a216643714b7331e
分析實作，增補研究	667f6ab6e65c2421c670179c6a5de8405209e2d8db35347e40fd71acb5fb4105

索取完整流程程式碼

這一頁的內容已足夠讓你手動核對筆記中的每一個數字，或利用相同的公開與授權資料來源重建一項等價的研究。生產環境用的程式碼，也就是資料擷取、面板構建、Rust引擎、實驗執行器與分析，並未附在這裡。請寄信至 daniel@daru.finance，我會把它們寄給你。