量化物理：对冲基金如何真正把混沌变成概率

量化物理学：对冲基金究竟如何把混沌变成概率 2026 年 7 月 18 日 · 16 分钟阅读 · 查看原文 ↗ 量化 营销 加密 自动化 大多数人看着一张图，只问一个问题： > 它会涨还是会跌？ 量化基金问的是另一个问题： > 结果的概率分布是什么？如果我们错了，最多会亏多少？预期回报值得我们做这笔交易吗？ 这个差别听起来很小。 其实不然。 一种方法需要一次预测。 另一种方法需要一套即使错很多次也能活下来的系统。 市场是混沌的，因为数百万人、基金、机器人、期权交易台、清算、财报、利率决议和随机头条，都在同一时间撞向同一本订单簿。 但混沌不等于完全随机。 它意味着信号埋在噪声之下。 量化研究，就是在不欺骗自己、承认这些模式有多脆弱的前提下，努力找到那些微小而可重复的模式。 第一条规则：对冲基金不需要预测下一根 K 线 一套量化策略即使在多数单笔交易上都判断错误，也能盈利。 这听起来不可能，直到你不再用预测来思考，而改用期望值来思考。 期望值 = （获胜概率 × 平均盈利） − （亏损概率 × 平均亏损） 设想一套策略只有 45% 的胜率。 听起来很差。 但如果它平均每笔盈利交易是 +3%，而平均每笔亏损交易是 -1%，那么在样本足够大时，这套系统依然可以赚钱。 这就是核心思想。 基金问的不是： > "我能确定比特币这周会涨吗？" 它问的是： > "考虑到波动率、资金费率、流动性、期权仓位、历史行为和当前市场状态，这笔交易的错误定价是否足以证明承担这份风险是合理的？" 量化交易者不需要无所不知。 它需要的是一个在手续费、滑点、糟糕成交以及必然出错的交易之后仍然存在的微小优势。 这就是为什么严肃的基金如此重视风险模型。 一套在平静市场里看起来极其出色的策略，可能会在波动率变化、流动性消失，或许多貌似独立的交易突然变得相关时，瞬间变得危险。 关于对冲基金尾部风险的研究发现，在市场承压时期，策略敏感度可能急剧上升。用大白话说：在正常情况下看起来互不相关的资产和策略，恰恰可能在最要命的时候一起亏钱。 一套策略可以错得比对得更多 一套量化策略不需要 90% 的胜率。 它需要的是扣除亏损、手续费和糟糕执行之后仍为正的期望值。 下面是一个简化示例。 胜率：46% 平均盈利：+1.6R 平均亏损：-1.0R 每笔交易期望： (0.46 × 1.6R) − (0.54 × 1.0R) = 0.736R − 0.540R = +0.196R 如果 1R 是你愿意在一笔交易上承担的亏损额，那么这套策略每笔交易的预期收益为 +0.196R。 100 笔交易： 100 × 0.196R = +19.6R 期望值 这不意味着该策略每周都赚钱。 它意味着，只有样本足够大、执行确实可实现时，这个流程才有优势。 一套胜率更低的系统，可能跑赢一套"一直赢"、但偶尔一次亏掉平时盈利十倍的系统。 市场更像天气，而不是老虎机 最容易犯错的类比是老虎机。 老虎机的规则固定。每次拉动几乎都独立于上一次。 市场不同。 市场有记忆。 不一定是"昨天涨了，所以今天也涨"这种简单形式。 而是以波动率、流动性、仓位、注意力和压力的形式存在。 安静的市场往往会在一段时间里保持相对安静。 剧烈的市场往往会在一段时间里继续剧烈。 这种现象叫做波动率聚集。 大幅价格波动往往在其他大幅波动附近出现。平静期也会聚集。 这是金融市场最成熟的"典型事实"之一。对股票市场和高频数据的研究，一再记录到波动率聚集、肥尾和非线性动力学。 把它想成天气。 一个炎热日子不能保证第二天也热。 但一场热浪会改变明天的概率分布。 量化基金试图尽早识别这些变化。 它们不只问价格是否在动。 它们还问自己当前处于哪一种市场。 低波动状态： 波动更小 点差更窄 均值回归可能更有效 高波动状态： 波动更大 点差更宽 趋势跟随或防御性仓位可能更重要 压力状态： 流动性消失 相关性跃升 常规模型变得不可靠 活下来就是这笔交易 波动率是一种状态，不是一个数字 一个常见错误，是把波动率视为资产的一项固定属性。 它不是。 同样是 2% 的日内波动，如果市场近期每天大约动 0.5%，和近期每天动 5%，意义完全不同。 一个粗略的年化波动率计算是： 年化波动率 = 日波动率 × √365 对于一个每天大约波动 2% 的加密资产： 0.02 × √365 = 0.02 × 19.1 = 38.2% 年化波动率 如果日波动率从 2% 跳到 5%： 0.05 × √365 = 95.5% 年化波动率 价格不只是变得"更波动"了。 每一个仓位的整体风险画像都变了。 这就是为什么在平静状态中使用安全杠杆的策略，可能在压力状态中变得鲁莽。 模型 1：布朗运动是起点，不是答案 在物理学中，布朗运动描述悬浮在流体中的微粒所做的不可预测运动。 在金融学中，它成为描述价格受到无数微小冲击的一种有用方式。 由此诞生了几何布朗运动等基础模型，以及后来的 Black-Scholes 期权框架。 这个想法很优雅： 明天的价格 = 今天的价格 + 随机运动 + 一个微小的方向性漂移 问题在于，真实市场比教科书版本更乱。 真实收益并不服从整齐的钟形曲线。 崩盘发生的频率，比简单高斯模型预测的更高。 波动率会随时间变化。 价格可能跳跃。 流动性可能在几秒内消失。 正态分布告诉你，极端事件应该极其罕见。 市场却经常提醒人们，"极其罕见"并不等于不可能。 所以量化研究者不会止步于布朗运动。 他们加入随机波动率、跳跃过程、状态切换、肥尾和压力测试。 目的不是寻找一个完美模型。 完美模型不存在。 目的是构建一个在现实拒绝按规矩行事时，不至于灾难性失败的模型。 教科书模型与真实市场 价格运动的教科书版本通常写成： $$dS = μSdt + σSdW$$ 你不需要把它背下来。 有用的翻译是： 价格变化 = 预期漂移 + 随机冲击 μ 是预期漂移。 σ 是波动率。 dW 是随机冲击。 问题在于，随机冲击并不总是很小。 简单模型假设极端波动极其罕见。 真实市场却有跳跃、清算、被迫卖出、稀薄的订单簿和恐慌。 这就产生了肥尾。 正态模型： 一个 5σ 事件应该几乎不可能 真实市场： 极端波动发生得远比 整齐钟形曲线所暗示的频繁 所以风险团队会针对跳跃和状态变化测试投资组合，而不是只信任平滑的分布。 模型 2：信号与噪声 图表包含信息。 它也包含多得荒谬的垃圾。 一根一分钟 K 线可能因为以下任何原因而移动： - 一笔大额市价单； - 一次期权对冲； - 一次清算； - 一个做市商重新平衡库存； - 一笔 ETF 资金流； - 一则传闻； - 一笔自动套利交易； - 基本面的真实变化； - 或根本没有任何重要原因。 困难之处在于，当你只盯着 K 线时，它们看起来都一样。 这正是量化研究开始发挥作用的地方。 一家基金收集数据，并询问某个特征在大量观测中是否具有预测价值。 不是一个漂亮案例。 不是一张回测截图。 不是策略疯狂印钞的一周。 而是不同市场条件下的数千次观测。 例如： 假设： 极端资金费率往往先于反转出现。 测试： 跨多个市场周期收集资金费率、未平仓量、价格、清算 和波动率。 问题： 扣除手续费、滑点后，并在不同交易所及样本外测试中， 这个效应还存在吗？ 大多数假设死在这里。 那不是失败。 那是研究流程在正常工作。 危险的交易者看到同一个模式出现三次，就把它叫做优势。 量化研究者看到同一个模式，会问它能否扛过 10,000 次试图证明它错误的尝试。 模型 3：熵与过度交易的成本 熵通常被简化为无序。 对市场来说，这个解释够用了。 对同一条信息作出反应、复制同一笔交易、使用同一套指标、追逐同一个叙事的参与者越多，就越难从价格中提取干净信号。 量化基金不只是试图寻找信息。 它试图寻找这样的信息： - 尚未被完全计入价格； - 交易成本不太高； - 不过度拥挤； - 不依赖数据泄漏； - 不会被手续费摧毁； - 不太可能在公开之后消失。 这就是为什么许多散户策略在真正交易之前看起来很好。 一套策略可能确实存在模式，却依然毫无用处。 也许信号每个月才出现一次。 也许你一进场，交易本身就把市场推向对你不利的方向。 也许交易所费用吃掉了优势。 也许所有人都在同一个 Twitter 帖子里发现了它。 也许它之所以有效，只是因为数据集意外包含了未来信息。 模型不是业务。 完整的执行闭环才是业务。 原始想法 → 数据 → 清洁数据 → 假设 → 回测 → 样本外测试 → 执行模型 → 风险限制 → 实时监控 → 交易后复盘 每一步都会消除一部分幻想。 这恰恰就是目的。 模型 4：相变与市场崩盘 水不会永远渐进地变成冰。 到达某一个点，状态会发生变化。 市场也会做类似的事。 数周之内，一切看起来都很正常： - 波动率很低； - 杠杆增加； - 点差很窄； - 人们感觉安全； - 相关性看起来可控。 然后，一个触发因素到来。 一项意外的宏观数据。 一次脱锚。 一次被迫平仓。 一次大规模清算。 一条地缘政治头条。 触发因素不一定是真正的原因。 有时系统早已脆弱。 这个事件只是把它揭露出来。 所以崩盘感觉突然，即便它背后的条件花了几个月才形成。 这在加密市场尤其明显，因为杠杆、清算、永续期货和公开仓位数据让反馈循环更容易观察。 价格下跌，清算多头仓位。 这些清算变成强制市价卖单。 强制卖出把价格进一步压低。 这又触发更多清算。 市场成为一个自我强化系统。 这不是魔法。 这是市场结构。 近期关于订单流与波动率的研究，明确建模了持续订单流、市场冲击、成交量与波动率之间的联系。 一个简化的清算级联 这不是一个交易所模型。 它只是一个简化示例，解释为什么清算会加速一段行情。 设想一本稀薄的订单簿。 买单深度： 价格每低 0.5%，有 $100k 买单 0.0% → $100k -0.5% → $100k -1.0% → $100k -1.5% → $100k -2.0% → $100k 现在设想一笔 $500k 的强制市价卖单。 它吃掉五档买单。 $500k 强制卖单 ÷ 每档 $100k 买单深度 = 吃掉 5 档订单簿 如果每档相隔 0.5%： 5 档 × 0.5% = 约 2.5% 的即时价格冲击 现在假设这段 2.5% 的波动，又触发了 $1M 的杠杆多头清算。 最初那笔卖单不只移动了价格。 它制造了更多被迫卖家。 初始卖单 → 价格冲击 → 清算 → 强制卖出 → 流动性更薄 → 更大的价格冲击 这就是反馈循环。 真实数字会随资产、交易所和一天中的时间不同。 机制不会。 模型 5：相关性不是常数 金融领域最大的陷阱之一，是假设分散化永远有效。 市场平静时，一个投资组合可以看起来很分散。 接着危机到来，一切都变成同一笔交易。 成长股、加密、风险投资敞口、杠杆科技股、小盘股和"另类"策略，可能突然都对同一股底层力量作出反应：流动性正在离开系统。 相关性不是一个永久不变的数字。 它随市场状态变化。 所以评价一套策略时，不能只看平均回报。 还应看环境变化时它如何表现。 严肃的风险系统会问： 如果波动率翻倍，会怎样？ 如果点差扩大 5 倍，会怎样？ 如果我们无法以回测价格退出，会怎样？ 如果我们的"独立"仓位一起下跌，会怎样？ 如果模型只在牛市上训练过，会怎样？ 工作不是消灭风险。 那不可能。 工作是在市场逼你发现之前，理解你究竟持有哪些风险。 分散化恰恰会在你最需要它时消失 两个资产在正常市场中可能看起来能分散风险。 接着压力到来，它们开始同向移动。 对于两个波动率相同、等权重的资产，组合风险近似为： $$σp = σ × √(0.5 + 0.5ρ)$$ 假设两个资产的年化波动率都是 30%。 平静市场中，相关性为 0.10 σp = 30% × √(0.5 + 0.5 × 0.10) σp = 30% × √0.55 σp ≈ 22.2% 压力市场中，相关性跳升到 0.90 σp = 30% × √(0.5 + 0.5 × 0.90) σp = 30% × √0.95 σp ≈ 29.2% 两个单独资产本身什么都没变。 但分散化收益几乎消失了。 所以"我持有好几种不同的币/股票"不一定是一套风险策略。 问题在于，当流动性离开市场时，它们是否仍然不同。 量化基金真正构建的东西 公众想象中的量化基金，是一个天才、一个方程和一个秘密模型。 现实远没有那么像电影。 一家严肃的量化机构，是一叠系统： - 数据摄取； - 数据清洗； - 研究基础设施； - 投资组合构建； - 执行逻辑； - 交易成本建模； - 风险控制； - 监控； - 人工复核。 "信号"可能只是整台机器很小的一部分。 在一些策略中，执行质量比预测更重要。 如果你的预期优势是 10 个基点，而糟糕成交花掉 15 个基点，你就没有优势。 你有的是一个昂贵的爱好。 这就是为什么量化公司会横跨数学、物理、统计、工程、数据基础设施和市场微观结构招人。 模型可以识别机会。 系统必须在机会消失之前捕捉它。 无需对冲基金也能使用的三种真实量化思维 你不需要博士学位、托管服务器或一家十亿美元基金，也能使用这种思维里有用的部分。 1. 别再要求确定性 把： > "这个资产会涨吗？" 替换为： > "要让这个设定奏效，什么必须为真？什么会让它失效？如果我错了，我的预期下行是多少？" 单是这一项转变，就能消除大量情绪化交易。 2. 先跟踪状态，再看交易设定 同一套策略在不同环境中可能表现不同。 突破系统可能在扩张期有效，却在低波动震荡中失效。 均值回归交易可能在稳定区间内有效，却在真正的趋势中被摧毁。 在进场之前，先定义市场状态： 3. 把风险视为一个仓位，而不是免责声明 大多数人最后才决定仓位大小。 量化交易者首先决定它。 你可以有一个好论点，却依然因为仓位规模不理性而惨亏。 高质量交易的小仓位，可能比一笔你"确信"的交易上的巨额仓位更有用。 市场不在乎你曾经多么坚信。 仓位规模是论点变成风险决策的地方 仓位规模是论点变成风险决策的地方 假设你有一个 $20,000 的投资组合。 你决定单笔交易的最大亏损为资本的 1%。 $20,000 × 1% = $200 最大亏损 如果价格相对你的入场点逆向波动 4%，你的交易想法就失效。 最大仓位规模为： 仓位规模 = 最大亏损 ÷ 止损距离 $200 ÷ 4% = $5,000 仓位 不是 $20,000。 不是"因为这个设定看起来完美，所以梭哈"。 是 $5,000。 如果触发止损，手续费和滑点前的亏损约为 $200。 这不迷人。 但它让一笔坏交易停留在坏交易，而不是变成一场投资组合事故。 没人想听的那一部分 量化模型会失败。 它们失败是因为： - 市场在演变； - 参与者会适应； - 数据不完整； - 回测过拟合； - 相关性变化； - 流动性假设破裂； - 一个模型把过去学得太好了； - 未来以一种不同的形态到来。 即便最好的框架也无法消除不确定性。 所以，量化物理学真正有用的教训不是： > "找到那个能预测市场的公式。" 而是： > "构建一套比普通参与者更尊重不确定性的流程。" 优势很少是某一个魔法指标。 它是测试想法、确定风险规模、跟踪状态，以及接受"一个模型可以有用，却不必永远为真"的纪律。 当市场不再正常，VaR 就只在那之前有用 风险价值（Value at Risk）估算一个选定时间范围内的损失阈值。 一个简单的单日 95% VaR 近似值： VaR(95%) ≈ 1.65 × 投资组合价值 × 日波动率 对于一个价值 $50,000、日波动率为 2% 的投资组合： 1.65 × $50,000 × 0.02 = $1,650 在模型假设下，单日亏损超过约 $1,650 的概率为 5%。 但最后这句话很重要： > 在模型假设下。 如果波动率飙升、相关性趋同，或者价格跳空穿透流动性，真实亏损可能大得多。 所以 VaR 是一块仪表盘，不是一项保证。 当风险模型能告诉你自己看不见什么时，它才有用。 量化物理学行动手册 1. 用分布思考，而不是预测。 2. 在冒险之前，把信号与噪声分开。 3. 假设波动率会随状态变化。 4. 把流动性视为一个变量，而不是保证。 5. 预期市场恐慌时相关性会上升。 6. 测试手续费、滑点和数据泄漏。 7. 调整交易规模，让一次错误不会把你踢出游戏。 8. 市场条件变化之后，重新审视每一套策略。 对冲基金不会把混沌变成确定性。 它把混沌变成一组可衡量的概率，然后决定这些概率是否值得持有。 这远没有"这个指标能预测下一个 100 倍币"那么令人兴奋。 但它更接近真实风险是如何被管理的。 标签：# X # Quant # Marketing # Crypto # Automation # Growth # Thread # Guide 相关文章 How to Make a Living on Perp DEXs Without Being a Trader ETH 涨 20%？你在多头上赚 $2k，在空头上亏 $2k。ETH 跌 20%？反过来也一样。净结果：什么都没有。你是平的。这就是"delta neutral"（德尔塔中性）的意思。Crypto Marketing AI Quant