文章裡的每個數字，以及它從哪裡來
方法寫到足以讓你自己把帳算一遍，或用相同的公開與授權資料重建一份等價的研究。
資料與標的池
兩個面板，都是 15 分鐘與一小時 K 線，期間從 2021 年 1 月到 2026 年 7 月。加密貨幣是幣安 USDT 保證金永續合約的 OHLCV，附上逐合約逐月實測的報價價差，以及每一筆資金費率事件在其結算時間戳上的紀錄。股票是經分割調整的合併 K 線，只納入正規交易時段內符合 NBBO 資格的成交，排除零股與場外成交回報，以永久證券識別碼而不是股票代號作為鍵值，並帶有每根 K 線實測的時間加權 NBBO 價差。
標的池在 2022 年 12 月 31 日固定，只依 2022 年 10 月到 12 月的流動性決定，每個市場取流動性最高的十檔。MATIC 在 2024 年 9 月停止交易，之後就讓它缺席，而不是找替代品，因為事後挑選的替代品會用到「哪些合約活了下來」的資訊。
| 市場 | 標的 |
|---|---|
| 加密貨幣 | BTCUSDT, ETHUSDT, DOGEUSDT, XRPUSDT, BNBUSDT, SOLUSDT, MATICUSDT, LTCUSDT, CHZUSDT, ETCUSDT |
| 股票 | TSLA, AAPL, NVDA, AMZN, MSFT, AMD, META, GOOGL, NFLX, XOM |
規則庫
十四個家族，每個三十組參數，共 420 條規則。對每個家族，生成器先列舉下表的網格，丟掉無效與重複的設定，再以種子 20260804 取出 30 組空間填充的設定。規則庫以標準形式序列化並計算雜湊，只要雜湊不同，每一個 runner 都會拒絕啟動。
| 家族 | 第 t 根 K 線收盤時的訊號 | 網格 |
|---|---|---|
| 趨勢追蹤 | 站在移動趨勢的那一側，前提是趨勢強度越過門檻 | 回看 12, 24, 48, 96；強度 0, 0.5, 1 個波動單位；持有 1, 2, 4, 8, 16 |
| 均值回歸 | 反向操作相對於滾動均值的標準化偏離 | 回看 12, 24, 48, 96；進場 z 0.5, 1, 1.5, 2；持有 1, 2, 4, 8 |
| 突破 | 收盤價突破先前滾動收盤價的極值 | 回看 6 到 96；緩衝 0, 5, 10 bp；持有 1, 2, 4, 8 |
| 動能 | 落後累積報酬的正負號，強度須高於門檻 | 回看 3 到 96；強度 0, 0.25, 0.5, 1 個波動單位；持有 1, 2, 4, 8 |
| 波動擴張 | 短期波動超過長期波動時，跟隨短期方向 | 短期 6, 12；長期 24, 48, 96；比值 1.25, 1.5, 2；方向 1, 3；持有 1, 2, 4 |
| 波動收縮 | 壓縮期間跟隨短期方向 | 短期 6, 12；長期 24, 48, 96；比值 0.4, 0.6, 0.8；方向 1, 3；持有 1, 2, 4 |
| 均線交叉 | 已完成 K 線上的快/慢 EMA 交叉 | 快線 3 到 24；慢線 12 到 96，快線短於慢線；持有 1 到 16 |
| 通道突破 | 收盤價突破均值加減 ATR 通道 | 回看 12 到 96；寬度 0.5, 1, 1.5, 2 ATR；持有 1, 2, 4, 8 |
| RSI 反轉 | 超賣買進，超買賣出 | RSI 6, 14, 28；界線 20/80, 30/70, 40/60；持有 1, 2, 4, 8 |
| Bollinger 反轉 | 反向操作收在通道外的收盤價 | 回看 12, 20, 48, 96；寬度 1 到 2.5 個標準差；持有 1, 2, 4, 8 |
| Donchian 突破 | 收盤價突破先前的高低點通道 | 回看 12 到 96；持有 1 到 16；可選一根 K 線的確認 |
| 成交量確認 | 只有在標準化成交量越過比值時才做動能 | 動能 3 到 24；成交量回看 12 到 96；比值 1, 1.5, 2；持有 1, 2, 4, 8 |
| 開盤區間突破 | 突破交易日最初幾根 K 線的區間 | 區間 1, 2, 4 根 K 線；緩衝 0, 5, 10 bp；最晚進場為當日的 0.5, 0.75；持有 1, 2, 4 |
| 時間型 | 固定的時段區塊與方向 | 時段比例 0, 0.25, 0.5, 0.75；做多或做空；星期遮罩；持有 1, 2, 4, 8 |
訊號是一次進場轉換：規則第一次進入做多或做空狀態時觸發，停留在同一狀態的後續 K 線不算新訊號。在每個 24 個月的訓練視窗內，一條規則只有在完成的交易少於 120 筆、交易的標的少於 5 個，或產生的訊號集合與一條編號較小的規則完全相同時，才會被剔除，從來不會用任何獲利統計量來剔除規則。
有七組波動擴張設定從未交易，因為在那些視窗長度下，它們要求的短期對長期波動比值根本達不到；而重複檢查在比較訊號時不看持有期，所以只差在持有多久的規則，會併成編號最小的那一條。平均而言，420 條規則中每個視窗有 392 到 396 條符合資格。
執行
決策在第 t 根 K 線完成之後做出。部位在第 t+1 根 K 線的開盤價進場，在持有的第 h 根 K 線收盤時出場，h 是規則以觀察到的 K 線根數計的持有期。沒有停損也沒有目標價，因此一根 K 線高點與低點的先後順序永遠不會決定出場。
每一組「規則-標的」最多持有一個候選部位，在部位未平倉期間到來的訊號會被忽略；模型跳過一筆交易，也不會因此產生替補交易。
entry = signal_idx + 1 exit = signal_idx + hold # close of the hold-th held bar gross_bps = direction * log(close[exit] / open[entry]) * 1e4 net_bps = gross_bps - spread_bps - fee_bps - slippage_bps + funding_bps
特徵
六十二個價格與成交量特徵，在第 t 根 K 線上、只用各標的自己的歷史計算：1 到 24 根 K 線的落後報酬與動能、高低區間、K 線實體與影線的比例、收盤到開盤的跳空、波動、與均線的距離、在區間中的位置，以及 6 到 96 根 K 線的高低點距離，加上標準化成交量。另外再加七個：趨勢強度（24 根 K 線均線距離的絕對值除以 24 根 K 線的波動）、以正弦與餘弦成對表示的時段位置與星期、交易日剩餘的 K 線根數，以及第 t 根 K 線收盤價的對數。
規則本身提供：以 one-hot 向量表示的家族、依網格位置縮放的參數與缺漏參數旗標、訊號的方向與強度、預定持有期，以及距離上一個訊號的 K 線根數。近期表現是這條規則在該標的上最近 20 筆已完成交易的平均、總和、勝場與敗場，以及它跨標的最近 100 筆已完成交易的平均、勝場與敗場，只計入在決策 K 線當下或之前已經出場的交易。
# strategy-level trailing 100: only trades that have already exited count
for p in trades_sorted_by_entry:
while exits[cursor].exit_ts <= p.signal_ts:
ring.push(exits[cursor].net_bps); cursor += 1
p.recent_100_mean = ring.mean()執行資料（下一根 K 線的開盤價、每一個成本欄位與資金費率）存放在每一列上，並從模型矩陣中移除。時段位置與剩餘 K 線根數使用當日的 K 線數量，因此在有缺漏 K 線的日子裡會反映出缺口；依格子不同，這些日子承載了 0.002% 到 0.33% 的交易，把它們剔除後，最好的帳戶從 +0.748% 變成 +0.761%。
在訓練視窗內進場、卻在視窗之後才出場的交易，會同時從訓練集與樣本外集合中排除，所以它也不會進入那 20 筆交易的歷史，這讓該歷史稍微過時一點，但永遠不會超前於決策。
模型與搜尋
三個家族，每個都分別針對淨報酬目標與獲利目標擬合，各有 30 組固定設定。迴歸目標在訓練資料的 0.5% 與 99.5% 分位數處截斷並標準化。失敗、輸出為常數與未收斂的設定都計入那 30 組，且不能被選中。
| 家族 | 實作 | 30 組設定的網格範圍 |
|---|---|---|
| 線性 | 純 L2 用 Ridge，其餘用 elastic net；獲利目標用 logistic elastic net | alpha 0.0001 到 0.03；L1 比例 0 到 1 |
| 提升樹 | LightGBM，150 棵樹，不做列或欄抽樣 | 深度 2 到 6；葉節點 4 到 31；學習率 0.0054 到 0.091；最小子節點 104 到 4,645；L2 0.0014 到 68 |
| 神經網路 | GELU MLP，6 個 epoch，批次 8,192 | 深度 1 到 3；寬度 16 到 128；學習率 0.0001 到 0.0028；權重衰減 1.5e-7 到 0.0094 |
在每個視窗內，訓練列依時間順序以 80/20 切成內層訓練與驗證，切分點之前移除 16 根 K 線的時鐘時間。淨報酬模型依驗證集上的 Spearman rank IC 選擇，獲利模型依驗證集上的 ROC AUC 選擇，平手時取設定編號較小者。勝出的設定用完整 24 個月重新擬合，其前處理也只在這些資料列上擬合。
Walk-forward
四十三個每月樣本外視窗，從 2023 年 1 月到 2026 年 7 月，四個「市場-時間框架」格子各一套，共 172 個視窗。每個視窗恰好以前 24 個日曆月訓練，只使用進場與出場都落在其中的交易，然後對下一個日曆月進場的每一筆合格交易預測一次。每個市場、時間框架、家族與目標各一個模型，合併所有規則與標的。
for cell in ["equity_1h", "equity_15m", "crypto_1h", "crypto_15m"]:
for month in months("2023-01", "2026-07"):
is_rows = trades(entry >= month - 24M, exit < month, eligible_rules(month))
oos_rows = trades(month <= entry < month + 1M, eligible_rules(month))
for family in ("linear", "gbt", "mlp"):
for target in ("net_return", "profit"):
best = select(family, target, is_rows, n_configs=30) # 80/20 inner split
model = refit(best, is_rows)
oos_rows[f"pred_{family}_{target}"] = model.predict(oos_rows)總計從 30,960 組嘗試過的設定中選出 1,032 個模型，其中 30,394 組擬合成功，並在 39,908,684 筆候選交易上產生 239,452,104 個樣本外預測。
交易策略
每一組「規則-標的」都拿到相同的基礎權重 w0 = 1 / (S × 10)，其中 S 是該視窗內合格規則的數量，因此每個訊號都做永遠不會超過 100% 的總曝險。
baseline w = w0
simple filter w = w0 if at least 2 of { vol_24, trend_strength_24, vol_norm_24 }
exceed the instrument's median over the 24 training months
ML filter w = w0 if prediction > 0 bp (net return) or > 0.5 (profit)
ML sizing q = rank of prediction in the window's sorted validation predictions
w = w0 * (0.25 + 1.5 * q)
ML ranking at each signal timestamp keep ceil(20%) of the new signals, at least one,
by prediction; w = w0 * min(5, n_candidates / n_kept)簡單過濾條件的中位數取自訓練視窗中不重複的市場 K 線，而不是交易列，所以一根帶有許多訊號的 K 線不會被重複計算。一個過濾在某個月一筆交易都沒做，那個月就持有現金。
成本
| 市場 | 價差 | 每次成交手續費 | 每次成交滑價 | 資金費率 |
|---|---|---|---|---|
| 加密貨幣 | 進場付實測價差的一半，出場再付一半 | 5 bp | 2 bp | 從進場 K 線到出場 K 線之間的每一筆實際事件，帶正負號 |
| 股票 | 進場付每根 K 線實測價差的一半，出場再付一半 | 0.5 bp | 0 | 無 |
資金費率為正時多單被扣款、空單收款，而資金費率事件歸屬於包含它的那根 K 線，所以在結算 K 線開盤進場的交易要付那次結算。與手續費相比，資金費率一直很小：每個加密貨幣一小時訊號都做，整段期間資金費率淨額是資本的 -0.28%，手續費則付了 174.59%。每一種策略的成本都相同，這就是為什麼文章裡每筆交易的成本柱幾乎不動，而毛利柱會動。
統計推論與結論門檻
經濟數字來自串接起來的樣本外帳本，以及一條不重疊的每日報酬序列，損益在每筆交易出場時入帳。文章報告的是每日報酬的加總，因為複利會讓每一個加密貨幣帳戶都卡在 -100% 附近；登記的淨報酬門檻則使用複利序列。
每個對照都是一種策略在每日序列上減去其比較對象。不確定性用配對 bootstrap 估計，以整週為單位重新抽樣，10,000 次複製，種子 20260804；Benjamini-Hochberg 校正施加在全部 144 個對照上：4 個格子、18 種模型策略與 2 個比較對象，不通過的也包括在內。
weeks = daily_delta.groupby(week) # week-clustered resampling
boot = [weeks.sample(n_weeks, replace=True).sum() for _ in range(10_000)]
p = two_sided(boot)
q = benjamini_hochberg(p_all_144)
# rotation null: same timestamps, same instrument, same count, same exposure budget
for r in range(1_000):
shifted = circular_shift(scores, offset=nonzero, within=(cell, month, instrument))
null[r] = net_of_policy(select(shifted))
passes_rotation = policy_net > quantile(null, 0.95)一個對照在七道門檻全部成立時才獲得認定：淨報酬高於比較對象、每單位平均總曝險的淨報酬高於比較對象、q 低於 0.05、43 個月中贏下超過一半、月報酬風險比大於 1、刪掉最好的那個月之後仍保有正的領先，以及結果高於輪轉虛無對照的第 95 百分位。當一個策略每個月都贏時，報酬風險比沒有定義，這道門檻就不通過；有十二個對照處於這種情況，六個在股票 15 分鐘 K 線，六個在加密貨幣一小時 K 線。
一般性結論需要在兩個市場、兩種時間框架，以及三個模型家族中至少兩個，都有獲認定的結果。文章中針對單一帳戶引用的絕對週數字，來自另一次以週為叢集、對各帳戶自身週損益做的 bootstrap。
檢核
在任何樣本外數字出現之前，面板層級的測試組就確認了：截斷未來之後，先前的每個特徵、訊號與交易都不變（最大差異 0.0）；刻意植入的目標洩漏會把驗證 IC 從 0.017 拉到 0.9999；沒有任何成本或資金費率欄位進入模型矩陣；資金費率按事件時間計算，費率為正時多單被扣款；已知的股票分割都有調整；下一根 K 線的目標對齊誤差在 1.7e-6 bp 以內。一個 Python 參考實作在 50,000 根真實 BTCUSDT K 線上，以每個家族各一組設定，與編譯後的訊號引擎在 57,648 筆交易上完全一致。
執行之後，39,908,684 列樣本外候選資料每一列都和來源面板核對過：進場在訊號後一根 K 線、恰好在持有期後出場、進場價等於面板開盤價且出場價等於面板收盤價、毛報酬、價差、手續費、滑價與資金費率都從原始輸入重新計算、淨額恆等式成立、進場落在評分月份內，以及價格特徵等於訊號 K 線收盤價的對數。每一個過濾、部位大小、排序與簡單過濾條件的權重，都從儲存的預測值與訓練期中位數重建，而全部 92 個策略帳戶的合併總額，重建後的誤差在 5.3e-15 以內。
股票價差是隨研究一起凍結的逐 K 線數值。用之後重新抓取的同一批價差為每一筆股票交易重新計價，沒有任何策略的變動超過資本的 0.0024，也沒有任何正負號改變。bootstrap p 值、BH q 值與輪轉虛無對照的超越次數，也都能從每日序列完全重現。
雜湊值
| 產出物 | SHA-256 |
|---|---|
| 規則庫 | 501f04df5537f881709027e8755eade85d7ca667acb0051d1fcd4b9dc18bb14a |
| 模型網格 | 6c6d89b6cfd435ce875876820443405f5d383956a5673ea38f5d2d410b490e47 |
| 交易策略 | df469ad083dde73c7be52ed5d33ad4d434faa684a74e7777c200b6d5b988bf1d |
| 特徵 | eedebd594bfa8aa9c56fb282e7d065eef06c99b63a0d07f974668a526862cc02 |
| 合併設定 | 6fc808d41d71d9930b17eb81a0b6b0d2189ba9b7e084896e70c61a3020c94f0f |
| 分析設定 | 1e3af923775cf8fca30f2c28da0ecab7803320454cfafd15e9101a33d53b5735 |
| 分析實作 | 86f433e42fe14560425f6da690754e5b603509b4b9581bba56d6bd1bd447fb3b |
文章圖表畫出的每一個數字，都在 一個 JSON 檔裡。完整的流程，從訊號產生、walk-forward 擬合到稽核腳本，可來信索取： daniel@daru.finance。