Quant Snake
#量化交易
币圈机器学习的风格
在币圈,机器学习策略的风格,很大程度上取决于你的选币数量和资金分配方式。
我们都知道,币圈市场的成熟度远低于传统市场,
所以在这里,肥尾效应会更加明显。
无论是正向的黑天鹅,还是反向的黑天鹅,
它们出现的频率都比传统市场要高很多。
当你选币数量多的时候,
机器学习模型更关注的是肥尾分布下的“整体平均情况”。
在这种全市场环境中,由于注意力有限,
市场往往难以持续拉升,
因此反转效应会更加明显,风格也会更接近反转因子。
换句话说,选多币的机器学习策略,
在日常市场中往往表现稳定,
但如果遇到少数波动特别大的币(比如MYX、ALPACA),
模型可能会出现明显亏损。
而当你选币数量少时,
机器学习模型会更加专注于少量标的的强烈行情,
聚焦于捕捉那些持续上涨、注意力高度集中的币种,
这类策略更偏向于动量效应,
能够在一定程度上对冲“选多币策略”在大幅波动行情下的风险。
那么,如何减少选多币策略在波动剧烈行情中出现的亏损呢?
通常有两种方法:
1.混合策略:
融合一部分“选少币”的机器学习策略,
让模型在均值回归和持续趋势之间找到平衡点;
2.梯度权重训练:
通过不同的选币权重,让模型在日常行情中学习均值回归的反转风格,
同时在大幅波动行情中,也能捕捉动量风格。
这样一来,你既能在日常市场中保持稳健表现,
又能在行情突然变化时,减少被突发事件“重击”的风险
币圈机器学习的风格
在币圈,机器学习策略的风格,很大程度上取决于你的选币数量和资金分配方式。
我们都知道,币圈市场的成熟度远低于传统市场,
所以在这里,肥尾效应会更加明显。
无论是正向的黑天鹅,还是反向的黑天鹅,
它们出现的频率都比传统市场要高很多。
当你选币数量多的时候,
机器学习模型更关注的是肥尾分布下的“整体平均情况”。
在这种全市场环境中,由于注意力有限,
市场往往难以持续拉升,
因此反转效应会更加明显,风格也会更接近反转因子。
换句话说,选多币的机器学习策略,
在日常市场中往往表现稳定,
但如果遇到少数波动特别大的币(比如MYX、ALPACA),
模型可能会出现明显亏损。
而当你选币数量少时,
机器学习模型会更加专注于少量标的的强烈行情,
聚焦于捕捉那些持续上涨、注意力高度集中的币种,
这类策略更偏向于动量效应,
能够在一定程度上对冲“选多币策略”在大幅波动行情下的风险。
那么,如何减少选多币策略在波动剧烈行情中出现的亏损呢?
通常有两种方法:
1.混合策略:
融合一部分“选少币”的机器学习策略,
让模型在均值回归和持续趋势之间找到平衡点;
2.梯度权重训练:
通过不同的选币权重,让模型在日常行情中学习均值回归的反转风格,
同时在大幅波动行情中,也能捕捉动量风格。
这样一来,你既能在日常市场中保持稳健表现,
又能在行情突然变化时,减少被突发事件“重击”的风险


