事件合约量化研究纪实：四条被否掉的路，和一个 56% 的边际

一、先看规则：难度写在合约条款里

这里要交易的是数字货币交易所的事件合约：一种超短周期的二元期权。

以 ETH 10 分钟档为例，规则简单到可以用一行说清：

t 时刻按当前价入场 → t+10 分钟按结算价结算
结算价 > 入场价：赢，得 +0.8 × 本金
结算价 < 入场价：输，亏 −1.0 × 本金

先算一个数。设胜率为 p，期望为 0.8p − 1.0(1−p) = 1.8p − 1。要期望为正：

p > 1 / 1.8 = 55.56%

55.56%，就是全部故事的分母。

这意味着：一个”胜率 54%“的策略在这里是稳定亏损的；一个”看起来有 56% 胜率”的策略，扣掉一点执行成本就可能归零。市面上大多数”我找到了 60% 胜率的指标”的说法，都死在这个数字上。

规则里还埋着三颗钉子

做这件事的过程里，我最深的体会是：先把合约条款读透，比急着写策略重要得多。 这三颗钉子是后来所有坑的根源。

第一颗：结算价不是现货价。

合约按交易所的指数价（多家交易所合成的价格）结算，而绝大多数人的数据和直觉都建立在现货 K 线上。同一批信号，用现货回测和用指数回测，胜率差大约 2 个百分点——正好是 55.56% 之上那点薄边的量级。

也就是说：一个用现货数据回测出来 56% 的策略，按真实结算口径可能只有 54%，是亏的。

第二颗：账户有并发上限。

这类平台的合约是”一单到期后再开下一单”的槽位制，可同时持有的仓位通常在个位数（我用的口径是 5）。所有”一天几百单”的回测，如果不复刻并发约束，都在骗自己。我为这个坑专门付过一次学费，后面会讲。

第三颗：入场时刻是能观测到什么的边界。

入场发生在某根 1 分钟 K 线的开盘时刻。那么在按下按钮的那一秒，你已经能看到这根 bar 的开盘价，但看不到它的最高、最低、收盘和成交量——那些要等 60 秒之后才存在。

这三颗钉子决定了后面所有方法的形状。我把它压缩成一句话写在研究守则第一页：

先保证这个数是真的会赢，再去想它能不能赢更多。

二、方法论：我最后留下的十条军规

研究时间越长，越会发现：真正值钱的不是某个因子，而是那套能持续否掉自己的流程。 下面这十条是踩坑踩出来的，每一条背后都有一次具体的翻车。

1. 因果性：把”事后才知道”翻译成”当下能知道”

这是最容易被忽略、杀伤力最大的一类错误。它不表现为”用了未来的收盘价”这种低级形态，而是藏在计数和序列里：

说法	能不能在入场那一刻确认？
“连续第 3 根触发”	✅ 能，第 3 次触发的那一刻就知道
“恰好有 2 个条件满足”	❌ 不能，得等所有条件都走完才知道
“这一段波动结束了”	❌ 不能，需要等后面不再发生
“取最后一个触发点进场”	❌ 不能，得知道后面没有新的触发

我用过一个 10 分钟就能做完的判别测试，非常有效：

这条测试后来帮我避免了一次几乎要上线的灾难（见第五节）。

2. 只允许用决策时刻已存在的数据

具体到 1 分钟事件合约：特征只能用 t−1 及更早的已收盘 bar，或者入场时确实能观测到的开盘价。所有滚动窗口、分位数、标准化参数都必须只依赖历史。

这条听起来是常识，但它的边界比想象的细： 滚动 z-score 的分母、分位数的阈值、regime 的分类边界，每一项都可能是泄漏源。

3. 滚动标准化，不用固定绝对阈值

加密市场的波动率、流动性和微观结构在几年里变化极大。 2021 年的”极端跌幅”和 2026 年的”极端跌幅”完全不是一个数值。

所以新因子一律默认先做因果滚动标准化（滚动 z-score、滚动分位）再设阈值，用”相对近期市场有多极端”替代”是否越过某个历史绝对数值”。

4. Walk-forward：训练、选阈值、评估，三段严格分离

我的标准做法：

用 ≤ 某年 的数据训练模型
用紧邻的下一段数据选阈值
再往后逐年滚动，评估完全没参与过选择的数据

任何”全样本选参数、再全样本评估”的结果，我直接当无效处理。

5. 密封 holdout 只看一次

留出一段完全隔离的数据，在开发阶段一次都不碰。整个系统组装完成、所有层都冻结之后， 端到端跑一次，无论结果好坏都记录在案。

这条规则的价值在于：它把”我可以再调一次”这个诱惑物理地移除掉了。

6. 参数平台 > 参数尖峰

如果一个因子的最优窗口是”恰好 15 分钟”，把窗口改成 12 或 18 就失效，那这个结果大概率是过拟合。我要求参数邻域内连续一片都能过线，孤立尖峰一律丢弃。

同理，阈值敏感度也要查：阈值在 0.60–0.70 全为正，和”只有 0.645 为正”，是两种完全不同性质的结果。

7. 方向分离：做多和做空是两个问题

这一点反直觉但非常重要。我一度把 UP 和 DOWN 混在一个组合里挖，结果一个亏损的方向被另一个方向的成交量掩盖了。

后来改成硬性规定：

UP 单独挖、单独评估、单独过门槛
DOWN 单独挖、单独评估、单独过门槛
只允许在最后的组合层合并
同一分钟两个方向冲突 → 默认跳过

而且接受”某一侧就是没有可用的策略”。不要为了对称而强行凑出一条空头线。

8. 回测必须复刻实盘约束

并发上限、同分钟同向去重、冲突跳过、真实结算价——这些不是”实盘细节”，它们会直接改变结论的量级。

我曾经算出一版非常漂亮的收益曲线，后来发现忽略了并发槽位；补上真实约束之后，结论完全改变。 回测跑的是策略，不是理想世界。

9. 多重比较要认账

如果你试了 100 个因子，其中最好的那个表现优异，这个”优异”里有多少是运气？

我的做法是：

报告同一族参数的整体表现，而不是只报最好的那个点
用随机零假设对照（把标签打乱重跑同样的流程），看真实结果比随机好多少
明确写出”这个结果我看了几次”。同一个边际被反复观察 11 次，不等于 11 个独立证据

10. 每次研究都必须留下可复现的报告

每条研究线落地时，必须写清：

精确规则 / 决策时点 / 结算时点 / 数据范围 /
选择期 / 未触碰的评估期 / 赔付假设 / 样本数 / 胜率 / EV / 最大回撤

没有这份记录的研究，等于没做——因为三个月后你不会记得当时到底测了什么。

三、研究历程：四次换方向

回头看，整个过程不是”一条路走到底”，而是四次被迫换方向。每次换向都来自一次证伪。

阶段一：写规则，然后发现自己用了未来（早期）

最早的做法很朴素：写一批技术指标规则，回测，挑胜率高的。

很快撞上第一颗钉子——我发现自己一直在用未来信息。修正因果性之后，一批原本”胜率 60%+“的规则全部回落到 50% 出头。

这一阶段的产出不是策略，是那套因果性检查清单（军规 1）。

阶段二：规模化因子挖掘（V13–V18 一线）

接受”手工写规则没用”之后，转向规模化：把几百个候选特征系统性扫一遍，用逐年样本外验证筛选。

这一阶段最重要的产出是一个否定的结论（见 4.1）：直接模型预测 10 分钟涨跌，准确率上限约 54%。而且这个 54% 不是噪声——所有实验的置信度十分位都单调上升，说明特征里确实含方向信息，只是信息量不够跨过 55.56% 的门槛。

阶段三：换框架——先分类市场，再找机会

既然”单一模型预测方向”有天花板，就换思路：先把市场状态分类，在不同类别里用不同的规则。

这个阶段发现了边际的形态（见 4.2）：反转类持续为正，动量类系统性亏损。 也第一次撞到了那个反复出现的”62% 天花板”（见 4.5）。

阶段四：换思路——从”找更强信号”到”只在高把握时下注”

最后一个转变是最关键的：不再试图提高模型的预测准确率，而是让它回答一个更窄的问题——“这一注该不该下”。

这就是”元标注”（meta-labeling）的思路，也是唯一一条通过了全套检验的线（见 4.3）。

延伸：把方法搬到别的地方

这套流程（因果检查 / walk-forward / 密封 holdout / 随机对照）与具体市场无关。

我试过把它搬到其他标的上，结论是：方法可以搬，边际不能搬。 每个市场需要重新找它自己的边际。

四、结果：诚实的版本

4.1 宽口径的硬天花板

在把几百个候选特征系统性扫过、并用逐年样本外验证之后，我得到的最稳定的结论是：

用直接模型预测 10 分钟涨跌，准确率上限约 54%。

而且这个 54% 不是噪声——所有实验的置信度十分位都单调上升，说明特征里确实含方向信息，只是信息量不够跨过 55.56% 的门槛。

4.2 边际的形态：均值回归，且住在极尾里

两类主信号的对比极其干净：

类型	表现
反转 / 极值衰竭 / 跨品种价差回归	持续为正，逐年一致
动量 / 趋势跟随 / 领先滞后	系统性亏损

结论是：这个尺度上的边际，本质是短周期均值回归。 顺势追单在这里是负期望。

更关键的一个发现是它的分布形态：

真正的边际不是均匀铺在所有时点上，而是高度浓缩在极端尾部。

把模型输出的”赢的概率”分十分位看，实际胜率从 50.5% 单调升到 55.3%；只有最高的 5% 才勉强过平衡线，而实际部署用的阈值落在 top 0.1–0.3% 的位置。

这解释了一个长期困惑：为什么”精简”比”放量”更赚钱。 放松阈值不是”多赚一点、少赚一点”，而是在沿着一条单调曲线往下走，一直走到平衡线以下。

4.3 通过全套检验的那条线

最经得起检验的一条是”短周期反转 + 元标注过滤”：

检验项	结果
样本外逐年	三年均高于平衡线（56.0% / 58.4% / 62.2%）
独立前向窗口	三个不同窗口期的主信号全部为正，未出现崩塌
随机零假设对照	57.87% vs 随机 52.17% ± 0.94% → +5.71 个百分点
阈值稳健性	阈值 0.60→0.70 全区间为正且单调
月度一致性	18/29 个月过线，中位 58.0%
参数族整体性	11 个反转窗口里 10 个为正，不是单一参数走运

配合校准检验（模型输出的概率与实际胜率的单调性相关系数 0.92–0.96，校准误差约 1 个百分点），可以说：

这条线是项目里第一个通过了整套严格检验的边际。

4.4 但真实前瞻给出的数字要冷静得多

上面的结果都来自历史数据。真正干净的前向样本（固定规则跑在从未参与过选择的数据上）给出的数字是：

真实并发约束下    约 56%–57.5% 胜率
日均单量          18–28 单

薄，正，但统计上还不显著。 这就是诚实的现状。

这里需要区分两个口径：

口径	胜率
选择过的样本外（参与过筛选流程的数据）	约 58%–61%
完全干净的前向（固定规则跑在从未参与选择的数据上）	约 56%–57.5%

把两者放在一起看，得到的判断是：

这套东西的真实边际落在 56%–60% 这个区间，方向上确实高于 55.56% 的平衡线，但边际很薄，且对执行成本和数据口径高度敏感。

4.5 一个反复出现的”天花板”

在多个独立分支上，我都撞到了同一个量级的上限：约 62%。

它的表现方式很一致：无论走因子挖掘、走组合、走分类框架还是走元标注，最好的那些切片的胜率最终都收敛到 60% 出头，再往上推不动。

我试过大量被寄予厚望的正交数据源：跨品种广度、订单流失衡、爆仓数据、跨市场散度、第二个账户体系、宽网搜索……

结果高度一致：它们能增加成交量，但抬不动胜率。

这说明边际的来源非常集中——就是分钟级的价格 / 成交流 / 基差结构里的均值回归。在这个尺度上，它已经被挖得比较透了。

五、失败档案

如果这篇纪实只有一句话值得看，应该是这句：

我用大部分时间做的事，是证明某些想法是错的。

下面这些都是真实发生过、并且被明确否掉的。它们比成功的部分更有信息量。

5.1 用了未来函数，胜率从 80% 掉到 54%

假设：价格创新高/新低，但主动成交流没有跟上（背离），说明这段走势”衰竭”了，之后会反转。

结果：初版回测胜率 79.9%，期望值 +0.438，多段数据一致，看起来是项目里最强的发现。

问题：策略在”一波触发结束之后的第一根”进场。而”这一波什么时候结束”需要知道 后面 15 分钟内不会再有新触发——这在入场那一刻是不可能知道的。

改成因果版本（每个触发点都取，不挑”最后一个”）之后：

版本	单量	胜率	期望值
前视版（不可交易）	25,881	79.9%	+0.438
因果版（可执行）	72,928	53.7%	−0.034

因果版里包含了近 4.9 万笔”以为跌完了、结果继续跌”的提前进场，胜率只有 42%。

5.2 一个单位换算错误，让错误结论活了很久

我在回测里模拟并发槽位：持有期是 10 分钟，最多同时持 5 单。

实际代码里，时间戳的单位是微秒（1 分钟 = 60,000,000），而持仓时长用了纳秒（10 分钟 = 600,000,000,000）。把纳秒当成微秒加上去之后——

600,000,000,000 / 60,000,000 = 10,000 分钟 ≈ 6.94 天

每一次开仓都把槽位锁了将近 7 天。 于是所有受并发约束回测的吞吐量都被压成了约 0.7 单/天。

这个 bug 造成的后果不是数字难看，而是一个错误的战略结论被反复确认： “并发槽位是吞吐的墙，高频根本不可能。”

发现它的线索很朴素：不管原始信号有多少（300 单/天还是 2 单/天），加上约束后吞吐都变成同一个数字。这在数学上不可能——5 个槽位、10 分钟持有期，理论容量是每天 720 单。

修正并交叉验证（修正后的回测与真实模拟盘记录吻合）之后的真相：

线路	修正后真实吞吐	真实胜率
高频因子线 A	18.0 单/天	57.7%
高频因子线 B	19.0 单/天	59.1%
组合策略	27.8 单/天	56.9%
元标注反转线	28 单/天	56.2%

吞吐量从来不是问题。 真正的问题从一开始就是另一个，只是被这个 bug 掩盖了很久：

在每天 20 单的量上，胜率能不能干净、稳定地站在 55.56% 之上？

5.3 用现货结算，高估了 2 个百分点

在薄边世界里，2 个百分点就是生与死的差别。

我用逐笔数据重建了真实的指数价序列，把同一批信号在两种结算口径下对比：

现货价结算    58.41%
真实指数价    56.51%

差距全部来自现货与指数之间的基差。 结论：此后所有用现货回测的结果，默认都要打约 2 个百分点的折扣。

顺带还发现了一个免费的小改进：入场不要卡在整点那一秒。 整点时刻的指数价经常处于跳动或滞后的状态；等 5–10 秒再入场，各年份表现都更好，且这是一个平台（不是孤立尖峰）。在最难的那一年，它把 54.12% 提升到 55.94%——正好从线下推到线上。

5.4 一个”看起来很强”的区域被证明是挑选出来的

在分类框架下重挖之后，我找到了一个全新的做空候选：高位 + 主动买入效率过高（多头过热）→ 做空。

它的数字非常漂亮：胜率 63.3%，样本内外一致，冷却后不衰减，与现有策略重叠不到 8%。

问题在敏感性检验里暴露了：

把极值分位从最极端的 5% 放松到 40%，期望值从 0.139 崩到 0.033，并且当年转负
边际严重依赖单一年份（一年 0.045，另一年 0.406）

更关键的是，在唯一一段没有参与过任何选择的干净前瞻数据上，它是所有模块里回归最狠的一个（选择期最强，前向 46.7%）。

5.5 复现别人的策略：三种不同的结局

我花了不少时间复现外部提供的策略包。结果分成三类，每一类都有价值：

第一类：真实的。 一套基于基差偏离 + 超买超卖 + 趋势状态门的组合，在多段数据上复现出 61% 左右的胜率、日均约 14 单，逐年为正，置换检验 18.6 个标准差。 外部的说法可以被独立复现。

第二类：抬不动。 一套”宽池 + 打分模型、一天上百单”的方案。复现后确认：原始宽池确实”宽而弱”（52.6%），打分确实能把胜率抬升约 2.5 个百分点—— 但抬不到 55.56%。 三个分位档全部不达标，网格细化后依然如此。 打分有真实但极弱的信号，只是不够赚钱。

第三类：复现不出来。 一套宣称全期 65.35% 胜率、累计正收益、零亏损月的策略。按文档规则忠实复现后得到的是 55.37%、期望值约等于零、亏损月 23 个。差异量级约 56 个标准差。

我进一步做了成交假设的敏感性测试，找到了差异的来源：

成交假设	胜率
诚实口径（按文档描述的下一分钟开盘价成交）	55.4%
用”信号收盘价与下一开盘价里更好的那个”	57.7%
用”下一根 K 线的最有利极值”	63.0%

只有引入前视性质的成交假设，那个宣称的数字才会出现。

5.6 把思路搬到更细的时间尺度：不行

我认真测过”把同样的配方搬到秒级”这件事，而且分两条路分别测：

作为信号：同样的反转配方，预测未来 600 秒。

1 分钟 bar 上    55.15%
10 秒 bar 上     44.66%

作为执行：同一套信号，用更细的 bar 去挑更好的入场点。结果同样是 null—— 更细的粒度只带来噪声。

结论：这个边际锁死在”分钟级 bar + 10 分钟预测窗”这个尺度上，平移会消失。 秒级框架不是没用，但它需要找的是另一个、独立的边际，不是这一条的加速版。

5.7 被否掉的其他假设（简表）

假设	结论
动量 / 趋势跟随在这个尺度有效	否，系统性亏损
资金费率 / 溢价 / 持仓量 / 爆仓数据是新边际	否，作为触发和叠加层都不稳健
越多的正交数据源能提高胜率	否，只提高成交量
对称地做”超买做空”	否，结构性不对称：底部是事件，顶部是过程
直接用模型预测方向 + 置信度过滤	否，置信度是假自信
用凯利公式复利放大	否，在薄边上会让回撤达到本金的 3–6 倍
更细粒度的订单流能提升方向判断	否，相关性全部 ≤ 0.04
某个指标（RSI、MACD、%B）在秒级有效	否，数据量增加后效应归零

5.8 从样本外到实盘，还有一道折扣

这是最容易被忽略、也最贵的一课：“样本外表现”和”上线后的真实表现”之间，还有一段距离。

我跟踪过一条线的完整衰减过程：

离线样本外      58.7%
真实前向（同期） 54.6%
面板实际记录    48.0%   ← 但这一段样本量很小，含噪声

把差距拆解开之后，大致是三块：

约 4 个百分点是真实的前向衰减（市场结构本身在变化）
约 2 个百分点是口径差异（用现货价检验、实际按指数价结算）
剩下的主要是小样本噪声（面板那一段的样本量还不足以区分 48% 和 53%）

关键结论不是”这个数字是多少”，而是：回测里的样本外数字，本身还需要再打一次折。

所以我的收益评估流程里有一条固定动作：新策略先跑纸面/模拟观察，用真实成交口径累积够样本之后，才用它决定是否放大仓位。而且监控要看三件事——胜率是否低于样本外预期、成交量是否异常、单条线是否出现了超出历史范围的连亏——而不是只看总盈亏。

六、几个反直觉的发现

6.1 边际住在尾巴里

不是”这个策略有 58% 的胜率”，而是”这个策略在最极端的 0.1%–0.3% 时点上才有 58% 的胜率”。

这个形态决定了所有事：它意味着边际天然是低频的，意味着”放量”和”提高胜率”在这个边际上是同一个旋钮的两端，也意味着任何”我又多下了一倍的注”的想法，实际是在稀释自己。

6.2 模型需要先验，不然它的自信是噪声

直接让模型预测涨跌，它给出高置信度的那些点，实际胜率反而最差（51%）。而让模型在”已经由规则定好方向”的前提下判断”这一注该不该下”，它的高置信度就变成真信息。

一个没有先验聚焦的模型，它的”自信”只是把概率撒在噪声上。

6.3 吞吐量不是问题，边际厚度才是

我花了很长时间（还因为一个 bug 走了弯路）纠结”能不能做到一天 20 单”。最后发现：一天 20 单很容易，难的是在这个量上仍然是正的期望值。

6.4 选择偏差会精确地惩罚你

在选择期表现最好的模块，前向表现最差。这不是巧合，是选择偏差的定义。这意味着”在我反复看过的数据上最好的那个”恰恰是最不该相信的那个。

6.5 分类框架本身是防过拟合手段

第一反应可能是”层数越多越容易过拟合”。实际上：层数增加的是结构，不是拟合参数。

一个主要由规则构成的多层流水线，其可调参数可能远少于一个全模型的两层方案，而”把方向判断和风险取舍拆开”本身就是一种防过拟合的设计。

真正决定过拟合的是三件事：总拟合参数数量、同一段样本外数据被看了几次、最窄那一层的样本量。

七、这件事教会我的

第一，规则比策略重要。 合约条款里的三个数字（55.56%、2 个百分点、5 个槽位）决定了整个研究的形状。不先把它们算清楚，后面所有工作都建立在错误的假设上。

第二，能被证伪的方法才是最贵的资产。 我最满意的一批成果其实不是某条策略，而是那套能持续打掉自己乐观结论的流程：因果性检查、随机零假设、密封 holdout、参数平台、选择偏差审计。它们在这一路上至少拦下了三次会真金白银亏钱的部署。

第三，薄边世界里，2 个百分点就是全部。 结算价用现货还是指数、入场卡整点还是等 5 秒、并发约束复刻得对不对——这些在别的领域里是”工程细节”，在这里是策略生死。

第四，要接受”没有结论”。 到目前为止，我真实的、干净的前向记录只支持一个结论：这套方法找到了一个薄弱但真实的正期望边际，约为 56%–60%，且它还不稳定到可以作为定论。 这个结论不性感，但它是真的。

附：这套方法的可迁移部分

如果你在做类似的事，下面这些是可以直接拿走的，与具体市场无关：

先算平衡点，再谈策略。 赔率决定了你需要多高的胜率，这个数字应该在写下第一行回测代码之前就贴在墙上。
给”未来函数”建一份检查清单，并且把”恰好 k 个 / 最后一个 / 序列结束 / 峰值之后”这些词当作红色警报。
参数邻域必须成片。 孤立的最优点等于过拟合。
方向分离。 别让一个方向的成交量掩盖另一个方向的亏损。
回测复刻真实约束。 并发、去重、结算价、入场延迟，一项都不能省。
留一段数据一次都不碰，最后端到端跑一次。
用随机对照检验你的模型，而不是只看它自己的准确率。
记录每一次失败。 失败档案是你未来最省时间的文档。