量化研究

逐仓正向永续的强平价,可以写成闭式:

P_liq = P₀ · (1 ∓ IMR ± MMR) / (1 ∓ fee)

其中 P₀ 是开仓价,IMR 是初始保证金率(= 1/杠杆),MMR 是维持保证金率,fee 是平仓手续费率(取 0.0005)。多头取上面一组符号,空头取另一组。

真正的坑在三家交易所的口径差异:

• MMR 挂在哪 — 有的挂杠杆档位,有的挂仓位价值。

• 维持保证金按哪个时刻算 — 开仓时刻 vs 强平时刻。

做了两年 A 股回测,沉淀成五层,任何一个策略都往这个骨架上挂:

1. 环境过滤 — 先判断当前是不是能做的市场状态。实验反复证明,这是唯一的大杠杆,信号层再怎么调都不如它。

2. 结构信号 — 趋势 / 截面因子给出候选。

3. 回踩确认 — 不追高,等回踩再确认入场。

4. 排序组合 — 多标的按分数排序,等权持有(逆波动、复合倾斜都试过,不采纳)。

5. 制度审计 — 用 E2A 执行审计对拍,揭穿过 daily 频率虚高 6.7 倍的假象。

从趋势策略撞到天花板后转做截面多因子:动量在 A 股基本无效,size / 低波 / 换手 / 反转有信号。这是当前的主方向。

「可公度法」声称能靠周期的整数比预测大事件。我搭了一个统一的证伪框架:同一个 Predictor,配三类零模型(锚点随机 / 比例随机 / 全随机)+ walk-forward + 预注册判定,先在合成数据上验证引擎本身(负控不出假阳性、正控有灵敏度,11 个测试全过)。

然后接真实数据。全球 M≥8 地震(USGS)、沪深 300 的顶底(15% ZigZag 标注)——在可公度法下,两者都不超过随机基线。用它做 A 股择时翻仓,入场点落在随机入场分布的第 3 百分位,没有经济价值。

最有意思的发现:可公度公式唯一稳定的不动点是周期 -2,而这个周期极容易被随机公式重现。换句话说,它「看起来有规律」的部分,恰恰是随机也能给出的部分。

先把引擎在合成数据上验干净,再让真实数据判生死——这套纪律比结论本身更值钱。