文章裡的每一個數字，以及它從哪裡來

幣安 USDT 保證金永續合約。選樣日是2022年12月31日，之後的任何資訊都不參與排名。合約要合格，必須以 USDT 報價與計價保證金、到選樣日為止至少有 24 個月真實成交量歷史（以2020年12月31日或之前有第一個成交量為正的日子來衡量）、在2022年10月到12月之間有交易，而且不是對同一標的曝險的重複主張。列舉涵蓋這個交易所歷來上市過的全部 986 檔合約，留下 78 檔合格，並以2022年10月到12月的每日成交名目金額中位數排序。沒有任何合格合約是千單位計價或另一檔合約的第二種報價幣別，所以重複規則沒有剔除任何東西，排名就是原始的名目金額排名。

凍結的交易範圍是第1到第30名。流動性層級與階梯是同一份排名的兩種決定性切法，都在任何東西開跑前就固定了。

階梯是 N 取 {6, 10, 15, 20, 25, 30} 的巢狀前 N 名交易範圍，分別對應36、60、90、120、150與180條策略腿，每一階都投入同樣的固定資金，且每條腿等權重。樣本外期間從2023年1月1日到2026年6月30日，共十四個完整且不重疊的季度。資料只拉到2026年6月30日（不含），所以登記在案的2026年7月部分窗口敏感度不適用。

每檔合約自上市起的 UTC 小時K線、自2021年11月1日起的一分鐘K線（用來重建小時內的價格路徑）、帶有公布結算間隔且時間戳為真實時間的歷史資金費率事件，以及用於資金費率現金流的小時標記價格開盤價。一分鐘K線用完即丟；每小時保留下來的是引擎需要的衍生路徑資訊，也就是該小時最高價與最低價的時間戳、兩者的先後順序、分鐘數，以及修補旗標。

每個市場的面板都建在共同的 UTC 小時網格上，不做前向填補。成交量為正是判斷合約歷史起點與終點的依據。這一點很重要：本地的下市合約面板會在結算之後很久還用零成交量的K線填補，其中一檔補了 11,510 列、另一檔補了 16,527 列，兩檔都一路填到2026-04-30，儘管它們分別在2025年1月與2024年6月就結算了。若照檔案涵蓋範圍而不是成交量來讀，就會讓兩檔已死的合約在樣本外期間以陳舊價格繼續「交易」超過一年。

六個既有市場沿用前一份研究凍結的面板，逐位元組重用，這樣巢狀檢查才能是精確的。本地面板只是對新抓資料的交叉檢查而不是來源，任何K線層級的不一致都在凍結前對照交易所解決。

二十四檔新增合約中有四檔在樣本外期間停止交易。幣安在 UTC 09:00 對這四檔全部強制結算，而最後一個成交量為正的小時，在每一個案例中都與公告的結算時點相符。每則公告連同網址、抓取時間戳與 SHA-256 一起存進資料檢查會讀取的下市清單。

主要規則是不做接續。 合約停止交易時該條腿就結束，任何未平倉部位以最後觀察到的開盤價平倉，從下一根K線起這條腿在研究剩下的時間裡持有現金。存活的腿絕不重新標準化去吸收釋出的資金。這是交易所實際作為的字面描述，而不只是比較保守的選擇：部位被關閉並結算，而且沒有任何後續部位被建立。

登記在案的接續敏感度，以交易所自己的換幣公告中所指名的代幣來認定後繼合約，而且在任何價格比較之前就先認定，因為在這裡照代號相似度去挑會挑錯：這個交易所上有兩個與 Sonic 相似的代號同時在交易，只有其中一個才是 FTM 換成的代幣。只有當後繼合約第一次觀察到的開盤價，與前身最後成交的收盤價在依公告比例調整後相差在 5% 以內時，才會接受接續。

這個容差原本是為了抓出錯誤的換算比例而寫的，在這麼長的空檔下它無法把錯誤比例和真實的市場波動分開。即使如此它仍然維持原樣，因為在注意到這個弱點時，未通過的案例已經看得見了，而在知道某個測試會排除哪一檔合約之後再去調整它，正是預先登記要防止的模式。取而代之的是把後果記錄下來。

六個結構性家族，訊號事件語意完全沿用：EMA 趨勢、Donchian 突破、時間序列動能、RSI 反轉、布林通道反手，以及波動度壓縮突破。每個家族帶著一份 64 組數值參數的標準清單，由離散拉丁超立方生成器以種子 20260809 一次生成，在每個市場、每個窗口重複使用，並以雜湊值鎖定。沒有任何市場享有比別人更寬的搜尋。

每條腿只持有一個部位。同方向的訊號被忽略，反向訊號在下一個觀察到的開盤反手並收取兩次成交成本，停損與停利由進場時已知的 Wilder ATR(14) 決定，最長持有在 H 根完整持有K線之後於開盤出場。同一時間戳的事件順序是資金費率、跳空觸發的障礙、反手、最長持有、新進場，最後才是小時內障礙。小時內執行以一分鐘K線把該小時重建為開盤、第一個紀錄到的極值、第二個紀錄到的極值、收盤；跳空穿過停損以第一個可得的開盤成交，跳空穿過停利成交價不會優於停利價；當極值先後順序無法判定時，停損先執行。

樣本內十二個月，切成九個月的參數區塊與三個月的軸選擇區塊，樣本外三個月，每次前進三個月，共十四個完整窗口。軸選擇區塊在這份研究裡沒有任何挑選功能，因為這裡沒有 picker；保留它但不使用，是為了讓窗口邊界、purge 行為與被評分的區塊，與前一份研究維持逐位元相同，好讓巢狀檢查可以是精確的。

資格條件要求參數區塊裡至少有 24 筆已平倉交易、分布在至少六個不同的日曆週，而且完全在樣本內決定，這樣就沒有任何樣本外資訊會挑選哪些腿是活的。找不到合格參數組的腿窗口以現金計入並被記錄，這一點很重要，因為流動性差的合約更常沒過這道門檻，若因此中止就會把研究變成一個以活躍度為準的存活篩選。整份執行中，2,520 個挑選決策裡有 54 個找不到合格參數組。平手時先比較低周轉，再比較較小的標準索引。

主要模型對每一次成交收取 5 個基點的吃單手續費與 2 個基點的滑價，從第1名到第30名的每個市場都一樣，按成交名目金額的絕對值計算，採用不利成交建構並把滑價分開入帳。維持一律相同，正是讓六市場那一階與前一份研究逐位元相同的原因，也讓排名對比衡量的是訊號品質，而不是這份研究自己發明的成本模型。

這在長尾端偏樂觀，所以有一項強制的不利敏感度按層級收取滑價、手續費不變。它在放大的成本下重新挑選每一組參數，因為每次成交更貴會改變哪一組參數贏得該區塊，而固定挑選結果會高估效果。

規格書為這座階梯登記了兩個分支：一個是用樣本內K線上的 Abdi-Ranaldo 價差估計式來校準，另一個是在驗證失敗時採用上面這條宣告的階梯，並標示為未校準的壓力測試。校準分支因為兩個獨立的理由而失敗，兩者都在讀取任何樣本外數值之前就確立了。在樣本內的小時K線上，這個估計式對全部三十檔合約的平均項都是負的，於是被截在零，回傳一條平坦的階梯，那等於錯誤地宣稱執行成本不隨排名上升；改成日K線也救不回來，而在少數轉正的情況下，它算出來是 62 與 106 個基點，對照真實永續合約遠低於一個基點的價差。另外，庫存裡唯一的驗證資料來源起點是 2023-04-01，落在樣本外期間之內，用它來決定階梯，等於讓樣本外資訊選擇一個成本參數。因此採用登記在案的備援方案，而不是換上一個「看到第一個失敗後才挑的」估計式。

資金費率使用時間戳為真實時間的觀測事件，資金費率為正時扣多單、付空單，依結算時間戳前一刻所持有的部位計算，而且永遠不作為特徵。結算間隔按合約從交易所公布的資金費率歷史讀取，而不是一律假設八小時，因為在這個樣本期間有幾檔山寨幣合約改成四小時結算。應該存在卻缺失的資金費率觀測值算資料失敗，而不是當成零。

在每日序列上做以週分群的配對拔靴法，10,000 次重抽，種子 20260810，取百分位區間。在每個固定的樣本外窗口內，拔靴法以 UTC 週一到週日的日曆週為叢集重抽。季度邊界會把一個日曆週切開，所以邊界兩側的日子形成不同的片段。被抽到的片段裡，每個市場、家族、層級與階梯一起移動，這樣既保留了橫斷面的相依性，又不改變一個窗口的叢集數。

被估計的量是 144 條新增腿減去 36 條既有腿的每腿淨期望值，單位是每個活躍腿日、以腿資金計價的基點。活躍腿日是合約當天有在交易的日子，所以合約下市之後的日子完全離開分母。

每個次要 p 值是拔靴法較小尾端機率的兩倍，並套用有限重抽修正 (count + 1) / (B + 1)，上限為一，然後四個一起進入 5% 的 Benjamini-Hochberg。唯一的主要對比不做校正，而研究裡的其他比較都不能取代主標題。

檢定力在凍結之前就用前一份研究的樣本外面板量過：既有組平均值的以週分群標準誤是每天 1.00 個基點，是獨立日計算的 0.98 倍，因為腿報酬幾乎沒有序列相依，而差值的預估標準誤是 1.21，給出約 2.4 的 95% 半寬。能把 180 條腿的交易組合推到 Sharpe 為零的擺幅，是這個半寬的兩倍以上，所以這個設計能分辨到「真正重要幅度」的一半以下，但無法分辨每天約 2 個基點以下的差異。

在這裡 Sharpe 是被估計的量而不是診斷指標，所以它被濫用的方式都被明文封死。Sharpe 從不挑選參數組、市場、層級或階梯。所有 Sharpe 都在十四個窗口彙總、互不重疊的每日帳上計算；不會把各窗口的 Sharpe 平均，也不會把窗口數乘進策略數。每個 Sharpe 都與同一本帳的累積淨報酬並列呈現，而累積報酬為負的階梯，不能只憑 Sharpe 就被說成變好了。每日帳的一階自相關介於 -0.026 到 +0.006，所以約 0.52 的雜訊底線不需要實質放大。

rho_measured 是該階梯各腿每日淨報酬的實際平均兩兩相關係數。事先固定的登記讀法是：每一階的區間都含零，代表廣度交出的正是量到的相關結構所隱含的乘數、沒有多出任何東西；只要有任何一階的區間不含零，就代表這個模型不完整，並要報告偏離的方向與大小。

這個估計式在碰到真實資料之前就先驗證過，用的是每腿 Sharpe 已知、兩兩相關係數為已知常數的合成資料，rho 取 {0, 0.05, 0.2, 0.5}、腿數取 {36, 180}，24 個案例全部落在容差之內。

有一個在核對過程中發現、選擇接受而不是修正的已聲明偏誤：相關係數是在每日的腿序列上計算的，而其中約四分之三的腿日正好是零，因為一條腿多數時間是空手的。這些零會機械性地壓低相關係數，進而抬高乘數、讓預測的 Sharpe 更負。六個落差的點估計全部為正，所以偏誤的方向與「實現值貼著預測值走」的結論一致。看到結果之後才換估計式，並不是可用的選項。

登記在案的反事實，把每一條新增的腿固定在既有市場的每腿平均與波動度，同時保留實際量到的 180 條腿相關結構，藉此把 Sharpe 差拆成廣度分量與期望值分量，殘差必須在數值容差內為零。實測結果是 -1.1876 與 +0.1221，殘差正好是 0.0000。

評估器。 strategy-evaluator 釘在與前一份研究相同的 commit，執行了完整性、程序與輸入三個階段。成本在 183,842 列上對帳到 5.55e-17，前視檢查發現同一根K線的相關性弱於下一根，而它的「回報值對照重算值」檢查也用自己算出來的數字確認了公布的結果。它的整體判定把這組策略放在經驗虛無之內，觀察到的最大 Sharpe 是 -0.595，對上期望的虛無最大值 1.116，對一個每條手臂都在虧的交易組合來說，這是同意而不是矛盾。它的 no_purge 旗標是沿用來的：參數區塊結束的瞬間就是樣本外區塊開始的時點，而引擎是在交易層級做 purge，而不是靠日曆間隔，這一點已直接驗證並獨立複驗過。

從原始碼重新核對。 實作被從原始程式碼重新核對了一遍，過程中不參照已經寫好的說明。這一輪核對回報了一個阻斷級問題、六個重大與六個次要發現。從保存下來的 parquet 出發，逐位元重現了主要衡量指標、它的拆解、四個層級、六個階梯與四項次要檢定，重算每一個挑選決策且零不一致，驗證了每一組腿-區塊邊界組合，也確認合約下市之後沒有任何交易發生，以及 108 條現金腿貢獻的活躍腿日正好是零。

阻斷級問題是：那項強制的排名加權滑價敏感度其實從來沒有真的跑過，而某一版草稿卻寫得像跑過了。把它跑完之後，該成本模型下登記在案的結論就改變了，這也是文章把兩種讀法並列呈現的原因。另外兩項發現被記錄而不是修掉：合約停止交易時，引擎是丟棄而不是強制平掉仍未平倉的部位，共六筆交易對上 91,277 筆；以及某一版草稿曾把一個未登記的毛損益對比拉上主標題，現已撤回。

規模。 180 條腿、每條 56 個區塊，645,120 個候選的參數-區塊評分，每個成本政策 2,520 個挑選決策。跨越各成本政策，選定的交易明細共 527,013 列，其中 91,277 筆是滾動的樣本外交易，以四個 worker 花 358 秒引擎時間、15 GB 產生。分析在 16 個 worker 上平行化，並驗證與序列路徑逐位元相同。

沒有重跑任何引擎。每一次成交的成本都是從研究保存下來的逐筆交易明細重建的，而這個拆解把儲存的手續費與滑價欄位重建到 4.3e-19 與正好為零，所以重新定價是對既有產物做轉換，而不是一次新的模擬。

重新挑選是必要的而不是可選的，因為參數區塊是以淨報酬評分，而淨報酬取決於成本模型。因此每個模型都跑完整的登記挑選流程，每個家族、每個市場、每個窗口 64 次嘗試，而文章同時報告「重新定價但固定挑選」與「重新挑選」兩個數字，好讓兩者的差距看得見。

重新定價之後毛損益與資金費率逐位元不變，帳務恆等式維持正好為零，而在 156,661 列實質變動的資料中，沒有一列是非停利的出場。真正關鍵的對照組是：在沿用的全吃單模型下重跑挑選，會完全重現這份研究的 2,520 個挑選結果，零不一致。少了這一項，任何差異都可能是成本模型造成的，也可能是程式錯誤，而且無從分辨。

成交是以「觸價即成交」認定的，所以一張只被觸碰到的掛單限價單也算成交。這是對成交機率而言較樂觀的分支，而它只會強化結論。進場全程維持吃單，因為把進場也改成掛單會改變哪些交易會發生，而不只是它們的成本。

補述也事先登記了母研究不得不留著未修正的強制平倉費用。合約停止交易時仍未平倉的部位，應該要付一次完整的吃單出場成交費，而正好有 6 個被選中的樣本外腿窗口帶著這種情況。引擎會標記這筆丟棄但不會輸出該筆交易的價格，所以這筆費用無法事後補收；它的上限是每條腿 0.0023 個百分點。

規格書、交易範圍與每一份參數清單，都在讀取任何樣本外區塊之前就以雜湊值鎖定，而凍結紀錄在執行與分析之間再驗證過一次。在所有登記的雜湊值都相符之前，執行器拒絕讀取任何樣本外K線，也拒絕寫出任何樣本外產物。

這一頁足以讓你用手核對文章裡的每一個數字，或用同樣的公開資料來源重建一份等價的研究。生產用的程式，也就是資料拉取、面板建構、Rust 引擎、實驗執行器與分析，並未在此公開。來信 daniel@daru.finance ，我會寄給你。