三体动力学信号门控机制与市场状态量分析
量化金融
👤 量化交易研究者、策略开发者、对市场动力学和信号门控机制感兴趣的分析师
本文首先介绍了基于三体动力学的信号门控机制，该机制通过估计市场状态量δ（溢价）、μ（动量）和σ（波动率）来决定策略的投入和撤出时机，以实现策略收益最大化。作者详细阐述了这三个状态量的直觉理解：δ的核心是心理锚定效应，可通过成交量分布分析；μ的核心是价格变动速度，可用对数收益率移动平均衡量；σ的核心是价格变动幅度，可用对数收益率标准差衡量。文章还讨论了估计方式有效性的判断标准，即通过门控效果的好坏来评估，并指出高级信号策略往往已包含对这些状态量的估计，但需要系统化理解。最后，作者认为解耦信号门控后，这些状态量可作为关键因子，而信号策略本身可能只需最朴素的形式。
- ✨ 提出基于三体动力学的信号门控机制，通过估计δ、μ和σ来动态调整策略投入
- ✨ 详细解释市场状态量δ、μ和σ的直觉理解和估计方法，强调心理锚定、价格速度和幅度
- ✨ 讨论估计有效性的判断标准，即门控效果对策略收益的提升
- ✨ 指出高级信号策略已包含对市场状态量的估计，但需要系统化理解
- ✨ 认为解耦门控后，状态量可作为关键因子，简化信号策略设计
📅 2026-02-10 · 2,097 字 · 约 8 分钟阅读
三体门控的市场状态量建模方案
量化金融
👤 金融量化分析师、市场研究人员、对金融市场建模和门控机制感兴趣的技术人员
本文承接三体动力学假说和门控机制设想，系统梳理了市场状态量δ（溢价）、μ（动量）和σ（波动率）的建模方案。核心创新在于δ的定义：通过成交量引力场模型，引入非线性操作（高斯核函数和梯度计算），使其与μ和σ保持独立。μ定义为收益率的指数移动平均，提取趋势信息；σ定义为收益率的标准差，衡量波动幅度；δ则基于成交量在价格轴上的分布，计算价格偏离成交密集区时的回归力。文章详细阐述了从K线序列计算这三个量的具体步骤，包括参数设置和独立性论证，为金融市场分析提供了新的建模框架。
- ✨ δ（溢价）通过成交量引力场模型定义，引入非线性操作确保与μ（动量）独立
- ✨ μ定义为收益率的指数移动平均，σ定义为收益率的标准差
- ✨ 从K线序列计算δ、μ、σ的具体步骤和参数建议
- ✨ 三变量（δ、μ、σ）的独立性论证基于非线性操作和不同信息源
- ✨ 核函数（如高斯核）建模心理锚定效应，带宽可自适应波动率
📅 2026-02-10 · 2,397 字 · 约 9 分钟阅读
预测市场套利项目启动与技术选型
量化金融
👤 对预测市场、高频交易、Rust编程或技术项目开发感兴趣的读者
本文描述了在2026年2月8日启动的预测市场套利项目，该项目属于高频交易（HFT）范畴，对执行效率要求极高。技术选型决定使用Rust语言来构建低延迟的交易执行系统，以应对套利机会迅速被抹平的特点。团队当前技术栈有限，计划通过vibe coding方式推进，并借此机会深入学习Rust生态和工具链，为未来项目做准备。文章还提到团队之前有Solana智能合约的Rust基础，但不够深入，期待通过此项目迎接挑战。
- ✨ 预测市场套利项目启动，属于高频交易（HFT）范畴
- ✨ 技术选型采用Rust语言以实现低延迟交易执行系统
- ✨ 团队技术栈有限，计划通过vibe coding推进项目
- ✨ 借此机会学习Rust生态和工具链，为未来做准备
- ✨ 项目对执行效率要求高，以快速捕捉套利机会
📅 2026-02-08 · 294 字 · 约 2 分钟阅读
资本市场三体动力学 SDE 方程组推导
量化金融
👤 金融建模研究者、量化分析师、对资本市场动力学感兴趣的经济学者
本文基于《资本市场的三体动力学假说》一文，推导了一个完整的随机微分方程（SDE）系统，用于描述资本市场中动量资本（M）、价值资本（V）和流动性资本（L）的相互作用。文章定义了快变量（如对数溢价、动量、波动率）和慢变量（三类资本体量），并提取了12条可形式化的核心约束。通过详细分析SDE方程组，文章逐一验证了这些约束，包括M的正反馈、V的负反馈、L的无方向反馈、正负反馈回路、收益矩阵和拥挤效应等。所有约束均通过验证，表明该SDE系统能够完整实现原文的定性机制，如波动率聚集、肥尾分布和混沌行为。文章还进行了相态分析和统计特性验证，为后续数值模拟、分岔分析和参数校准提供了基础。
- ✨ 推导了描述三类资本相互作用的完整SDE系统
- ✨ 验证了12条核心约束，包括正负反馈和收益矩阵
- ✨ 系统能解释波动率聚集、肥尾分布等市场特征
📅 2026-02-07 · 2,708 字 · 约 11 分钟阅读
EA项目介绍：AI驱动的量化交易优先级基金
量化金融
👤 对区块链投资、量化交易和稳定收益感兴趣的投资者，尤其是寻求低风险、本金保护的优先级基金参与者。
EA（Earnby.AI）是一个部署在BSC链上的优先级基金项目，以USDC结算，通过AI驱动的量化交易策略为投资者提供稳定收益。项目采用优先/劣后级资金结构，优先级资金享有本金保护，劣后级资金由项目方自有资金承担风险。管理团队由量化交易和区块链领域的专业人士组成，包括5位联合创始人。项目提供浮动收益率，目前年化收益率为12%，投资者可随时赎回。策略包括方向性组合策略和Delta中性策略，历史业绩显示累计收益率达39.22%，年化收益率约22%。项目无管理费，锁定期灵活，旨在为投资者提供低风险、可持续的收益。
- ✨ EA是一个BSC链上部署的优先级基金项目，以USDC结算
- ✨ 采用AI驱动的量化交易策略，包括方向性组合和Delta中性策略
- ✨ 资金分为优先级和劣后级，优先级资金享有本金保护
- ✨ 管理团队由5位量化交易和区块链领域的专业人士组成
- ✨ 提供浮动收益率，目前年化收益率为12%，投资者可随时赎回
📅 2025-11-01 · 2,512 字 · 约 9 分钟阅读
全谱分析法：信息的最优变现方法
量化金融
👤 量化交易员、投资策略开发者、金融工程师以及对凯利公式和杠杆优化感兴趣的高级投资者。
本文提出全谱分析法（FSA），一种基于凯利准则优化的投资交易策略框架。文章首先分析了传统凯利公式在投资应用中的局限性，如缺乏杠杆和做空考虑、清算时机问题等。然后，FSA通过定义结局空间、计算最优杠杆和复合收益率，构建了一个系统化的交易决策模型。文章详细阐述了FSA的数学原理，包括期望收益率、复合收益率的计算，以及使用牛顿迭代法求解最优杠杆的算法。此外，还介绍了历史回测方法（如毛利率GPM计算）、实盘交易模块的考虑，以及应对黑天鹅事件的措施。FSA的核心优势在于能够利用不完美的概率信息，通过优化杠杆决策来最大化长期收益，降低了对信息质量的高要求。
- ✨ 全谱分析法（FSA）基于凯利准则，优化投资杠杆以最大化复合增长率
- ✨ 定义结局空间、概率分布和收益率，计算最优杠杆和复合收益率
- ✨ 使用牛顿迭代法求解最优杠杆，处理可行域和收敛问题
- ✨ 引入毛利率（GPM）进行历史回测，评估策略盈利能力和容量
- ✨ 加入对称黑天鹅事件概率，限制杠杆，防止滥用和极端风险
📅 2025-08-10 · 4,537 字 · 约 17 分钟阅读