1. 基于volumn的保温杯中性策略，效果比ILLQStd差一些。问了GPT，一般用于中性策略的因子，市值因子，跟流动性差不多，还有波动性因子。 2，不过测试了波动性因子，效果并不明显。 df[factor_name] = df['close'].pct_change().rolling(window=n).std() 流动性因子效果接近，还不错。 下面这个思路也不行。gpt也说波动性对未来趋势没法预测。 3.做多跌的多的，做空跌的少的 df[factor_name] = df['close'].rolling(window=n, min_periods=1).min() / df['close'] 也没有明显的特征。不是说跌的多的就能涨，涨的多的就能跌。币圈还是有很大的动量效应。 4.本想着用RSI来试试看，效果也不行。 df[factor_name] = ta.momentum.RSIIndicator(df['close'], window=n).rsi()。就是说RSI越大，并不一定涨或者跌...

1. 基于volumn的保温杯中性策略，效果比ILLQStd差一些。问了GPT，一般用于中性策略的因子，市值因子，跟流动性差不多，还有波动性因子。 2，不过测试了波动性因子，效果并不明显。 df[factor_name] = df['close'].pct_change().rolling(window=n).std() 流动性因子效果接近，还不错。 下面这个思路也不行。gpt也说波动性对未来趋势没法预测。 3.做多跌的多的，做空跌的少的 df[factor_name] = df['close'].rolling(window=n, min_periods=1).min() / df['close'] 也没有明显的特征。不是说跌的多的就能涨，涨的多的就能跌。币圈还是有很大的动量效应。 4.本想着用RSI来试试看，效果也不行。 df[factor_name] = ta.momentum.RSIIndicator(df['close'], window=n).rsi()。就是说RSI越大，并不一定涨或者跌...

1，pct过滤0.6/0.9的话，净值降低。0.8感觉最优 2，流动性差，喜欢过去跌的多的币，流动性好，喜欢过去涨的多的币。所以对于BWB3来说，都不喜欢涨的多的币，所以用pct过滤掉前20%的币效果很好。也就是说，在币圈，大市值喜欢趋势特征，小市值呈现反转特性。小市值跌多了容易涨，大市值跌多了还是跌。那我就做多小市值且跌多了的币，做空大市值且跌多了的币。那么纯多头的话，我就挑选小市值（低流动性也行）+跌的最多的币种。 看邢大的视频看看怎么得出来的。 一些测试结论： 1， factor_list = [ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。 ('PctChange', True, 7, 0.5), ('LowPrice', True, 7, 1), ] 无过滤 1D 累积净值 12.11 年化收益 152.71% 最大回撤 -14.85% 2， factor_list = [ ('ILLQStd', True, 7, 1),...

1，pct过滤0.6/0.9的话，净值降低。0.8感觉最优 2，流动性差，喜欢过去跌的多的币，流动性好，喜欢过去涨的多的币。所以对于BWB3来说，都不喜欢涨的多的币，所以用pct过滤掉前20%的币效果很好。也就是说，在币圈，大市值喜欢趋势特征，小市值呈现反转特性。小市值跌多了容易涨，大市值跌多了还是跌。那我就做多小市值且跌多了的币，做空大市值且跌多了的币。那么纯多头的话，我就挑选小市值（低流动性也行）+跌的最多的币种。 看邢大的视频看看怎么得出来的。 一些测试结论： 1， factor_list = [ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。 ('PctChange', True, 7, 0.5), ('LowPrice', True, 7, 1), ] 无过滤 1D 累积净值 12.11 年化收益 152.71% 最大回撤 -14.85% 2， factor_list = [ ('ILLQStd', True, 7, 1),...

历来有炒新不炒旧的说法。回测看看。 做空上线时间最长的币种，做多上线时间最短的币种 1，只在合约币种里， [factor_name] = df['close'].count() 没有过滤，结果如下：结果不好。能不能推出结论，币种刚上线合约的适合大概率是跌的？ 在现货币种里试一试，因为老的币应该都在合约里面的。 结果：结论：还是不行。 既然这样不行，那么我做多老币，做空新币又如何呢？ 结论：如下图，还是不行。是不是新币刚上线会跌，那么我先把刚上线N天的币种去掉，不选这些币。 前面所有的都是错误的。factor写错了，应该是下面这样 df[factor_name] = df['close'].expanding().count() 合约加现货的结果：可以在config里设置以下参数 min_kline_num = 720 # 最少上市多久，不满该K线根数的币剔除，即剔除刚刚上市的新币。168：标识168个小时，即：7*24 这个参数剔除了上市少于30天的币种。 从结果看，这个策略不太靠谱。再去看看新币上线的统计结果。

历来有炒新不炒旧的说法。回测看看。 做空上线时间最长的币种，做多上线时间最短的币种 1，只在合约币种里， [factor_name] = df['close'].count() 没有过滤，结果如下：结果不好。能不能推出结论，币种刚上线合约的适合大概率是跌的？ 在现货币种里试一试，因为老的币应该都在合约里面的。 结果：结论：还是不行。 既然这样不行，那么我做多老币，做空新币又如何呢？ 结论：如下图，还是不行。是不是新币刚上线会跌，那么我先把刚上线N天的币种去掉，不选这些币。 前面所有的都是错误的。factor写错了，应该是下面这样 df[factor_name] = df['close'].expanding().count() 合约加现货的结果：可以在config里设置以下参数 min_kline_num = 720 # 最少上市多久，不满该K线根数的币剔除，即剔除刚刚上市的新币。168：标识168个小时，即：7*24 这个参数剔除了上市少于30天的币种。 从结果看，这个策略不太靠谱。再去看看新币上线的统计结果。

现象: MSI主板前面板没有声音 解决： 安装：高清晰音频管理器.zip 里面的setup.exe文件。重启电脑。 然后打开 Rtklegacy-Realtek-6.0.1.8703\WIN64里面的 RtkNGUI64.exe 设置如下:这样设置好后应该前面有声音了。 还更新了Z170-A pro的音频驱动，在msi官网下载安装的。 https://www.msi.cn/Motherboard/Z170-A-PRO/support对了，主板上不要用AC97的，用HDaudio的插线。

现象: MSI主板前面板没有声音 解决： 安装：高清晰音频管理器.zip 里面的setup.exe文件。重启电脑。 然后打开 Rtklegacy-Realtek-6.0.1.8703\WIN64里面的 RtkNGUI64.exe 设置如下:这样设置好后应该前面有声音了。 还更新了Z170-A pro的音频驱动，在msi官网下载安装的。 https://www.msi.cn/Motherboard/Z170-A-PRO/support对了，主板上不要用AC97的，用HDaudio的插线。

默认的回测参数， ('ILLQStd', True, 7, 1) 持仓1D，Pct_change_7过滤，0.8百分比过滤。 默认回测时间 start_date = '2021-01-01' end_date = '2023-09-10' 回测结果[('ILLQStd', True, 14, 1)]持仓1D，Pct_change_7过滤，0.8百分比过滤。 累积净值 18.5 年化收益 195.81% 最大回撤 -12.04% [('ILLQStd', True, 30, 1)]持仓1D，Pct_change_7过滤，0.8百分比过滤。 累积净值 16.54 年化收益 183.73% 最大回撤 -12.17% 对于参数ILLQStd的参数7/14/30，效果差不多。由于预测中，2024年相当于上一个牛市的2020年，回测以下2020年的数据。由于2020年2月9日之前的合约非常少，所以从20200209开始回测。 就回测20200209-20210101 [('ILLQS...

默认的回测参数， ('ILLQStd', True, 7, 1) 持仓1D，Pct_change_7过滤，0.8百分比过滤。 默认回测时间 start_date = '2021-01-01' end_date = '2023-09-10' 回测结果[('ILLQStd', True, 14, 1)]持仓1D，Pct_change_7过滤，0.8百分比过滤。 累积净值 18.5 年化收益 195.81% 最大回撤 -12.04% [('ILLQStd', True, 30, 1)]持仓1D，Pct_change_7过滤，0.8百分比过滤。 累积净值 16.54 年化收益 183.73% 最大回撤 -12.17% 对于参数ILLQStd的参数7/14/30，效果差不多。由于预测中，2024年相当于上一个牛市的2020年，回测以下2020年的数据。由于2020年2月9日之前的合约非常少，所以从20200209开始回测。 就回测20200209-20210101 [('ILLQS...

BWB3可以做过滤，可以做纯多头，也可以纯空头。那么是不是可以设计一个因子，这个因子既包含趋势方向又包含趋势强度，然后做多趋势为1且强度最高的那些币，然后做空趋势为-1，且强度最高的那些币呢。 问了GPT，给了下面一个因子 df['short_ma'] = df['close'].rolling(window=10).mean() df['long_ma'] = df['close'].rolling(window=20).mean() df['trend_direction'] = (df['short_ma'] - df['long_ma']) / df['short_ma'] df['rsi'] = ta.momentum.RSIIndicator(df['close'], window=n).rsi() df['trend_confidence'] = d...

BWB3可以做过滤，可以做纯多头，也可以纯空头。那么是不是可以设计一个因子，这个因子既包含趋势方向又包含趋势强度，然后做多趋势为1且强度最高的那些币，然后做空趋势为-1，且强度最高的那些币呢。 问了GPT，给了下面一个因子 df['short_ma'] = df['close'].rolling(window=10).mean() df['long_ma'] = df['close'].rolling(window=20).mean() df['trend_direction'] = (df['short_ma'] - df['long_ma']) / df['short_ma'] df['rsi'] = ta.momentum.RSIIndicator(df['close'], window=n).rsi() df['trend_confidence'] = d...

来源：郭毅老板的直播 思考：这个因子表征的是知情交易者的占比。 结论： VCV因子，成交量标准差/成交量均值。 越小越好，越大表示知情交易者占比越高，个股未来走势越弱，用于BWB3 实现：成交额的标准差/成交额的平均值，具体为什么这样能表征知情交易者的占比，可以会看郭老板的视频 df[factor_name] = df['quote_volume'].rolling(n).std() / df['quote_volume'].rolling(n).mean() BWB3回测结果： 以1d为持仓周期的话，参数7是最好的，用('PctChange', 7)过滤。看着也是单调上升的，效果比基于流动性的因子差。测试了参数14/30，都更差，而且参数越大，结果越差。所以考虑使用1h来测试。是不是币圈对知情交易者1d显得太长了。 如果('VCV', False, 7, 1)，则是个归零策略。看看小时级别的。 测试了4小时的，结果很差。这个因子在币圈效果不行，是不是哪里弄错了？不知道为什么

来源：郭毅老板的直播 思考：这个因子表征的是知情交易者的占比。 结论： VCV因子，成交量标准差/成交量均值。 越小越好，越大表示知情交易者占比越高，个股未来走势越弱，用于BWB3 实现：成交额的标准差/成交额的平均值，具体为什么这样能表征知情交易者的占比，可以会看郭老板的视频 df[factor_name] = df['quote_volume'].rolling(n).std() / df['quote_volume'].rolling(n).mean() BWB3回测结果： 以1d为持仓周期的话，参数7是最好的，用('PctChange', 7)过滤。看着也是单调上升的，效果比基于流动性的因子差。测试了参数14/30，都更差，而且参数越大，结果越差。所以考虑使用1h来测试。是不是币圈对知情交易者1d显得太长了。 如果('VCV', False, 7, 1)，则是个归零策略。看看小时级别的。 测试了4小时的，结果很差。这个因子在币圈效果不行，是不是哪里弄错了？不知道为什么

有哪些币在比特币大跌的时候，跌的比BTC少，然后分析后面的走势是不是比其他的币种涨的多。大跌的时候做多跌的少的，做空跌的多的。 文件： chose_good_coin_when_btc_drop.py 结论：没有相关性。 BTC在2020-03-12时候跌了39%多，统计这一天个币种的跌幅，比BTC跌的少的就那么几个，然后再统计从 start_date = '2020-03-10' end_date = '2023-12-31' 中各币种的最大值的最小值，取倍数。下面还有好多币种的数据。数据中把好几百倍的都删掉了。可以312看到比BTC跌的少的就8个币种，后面的涨幅都很一般，甚至比涨幅的平均值还低。 下面再看看在BTC一天之内跌去10%或者更多的时候，这一天的close是不是在一定时间内的最低值。从2017年开始，总共发生了上面这些BTC单日跌幅大于10%的事件。确认下当天的close和围绕这一天前15天后15天的close最小值，这两者的比值。写Python太麻烦，肉眼看看。 从上面的时间也可以看出来，好多跌10%以上的时间也挨得很近。所...

有哪些币在比特币大跌的时候，跌的比BTC少，然后分析后面的走势是不是比其他的币种涨的多。大跌的时候做多跌的少的，做空跌的多的。 文件： chose_good_coin_when_btc_drop.py 结论：没有相关性。 BTC在2020-03-12时候跌了39%多，统计这一天个币种的跌幅，比BTC跌的少的就那么几个，然后再统计从 start_date = '2020-03-10' end_date = '2023-12-31' 中各币种的最大值的最小值，取倍数。下面还有好多币种的数据。数据中把好几百倍的都删掉了。可以312看到比BTC跌的少的就8个币种，后面的涨幅都很一般，甚至比涨幅的平均值还低。 下面再看看在BTC一天之内跌去10%或者更多的时候，这一天的close是不是在一定时间内的最低值。从2017年开始，总共发生了上面这些BTC单日跌幅大于10%的事件。确认下当天的close和围绕这一天前15天后15天的close最小值，这两者的比值。写Python太麻烦，肉眼看看。 从上面的时间也可以看出来，好多跌10%以上的时间也挨得很近。所...

山寨指数网站： https://www.blockchaincenter.net/en/altcoin-season-index/ 原来的思路，这个指数是一个山寨跟比特币的涨幅关系，本来想在山寨指数大于75的时候，做多BTC，做空全部山寨的思路。发现收益不高。 试试如下思路： 当山寨指数低于25时，直接全部资金买入全部的的山寨币加比特币，当山寨指数高于75的时候，直接全部做空。这里先只考虑合约。 改进的方向： 1，做多的时候可以买入全部的现货。 2，参数25/75可以改变试试 使用py文件： shanzhaizhishu_bwb.py 参数25/75的时候： 20221207做多，一直持仓到现在，但是现在的山寨指数还没有到75，先算到今天的吧。 从20221707做多一直持有至20231223日， 总投入： 243000.0 总利润： 143584.43418184007 投入产出比： 0.5908824451927575 从20220809做空，持有到20221207平空， 总投入： 152000.0 总利润： 57285.17845722571 投入产出比： 0.376876...

山寨指数网站： https://www.blockchaincenter.net/en/altcoin-season-index/ 原来的思路，这个指数是一个山寨跟比特币的涨幅关系，本来想在山寨指数大于75的时候，做多BTC，做空全部山寨的思路。发现收益不高。 试试如下思路： 当山寨指数低于25时，直接全部资金买入全部的的山寨币加比特币，当山寨指数高于75的时候，直接全部做空。这里先只考虑合约。 改进的方向： 1，做多的时候可以买入全部的现货。 2，参数25/75可以改变试试 使用py文件： shanzhaizhishu_bwb.py 参数25/75的时候： 20221207做多，一直持仓到现在，但是现在的山寨指数还没有到75，先算到今天的吧。 从20221707做多一直持有至20231223日， 总投入： 243000.0 总利润： 143584.43418184007 投入产出比： 0.5908824451927575 从20220809做空，持有到20221207平空， 总投入： 152000.0 总利润： 57285.17845722571 投入产出比： 0.376876...

df.loc[(df.candle_begin_time == timetime) & (df.symbol == 'ETHUSDT'), '因子'] = 2

df.loc[(df.candle_begin_time == timetime) & (df.symbol == 'ETHUSDT'), '因子'] = 2

实盘策略： BWB3， ILLQStd 因子参数128，过滤参数128，0.9Rank过滤，持仓1小时，选币多空都是20个，黑名单 'BTC-USDT', 'ETH-USDT, LUNA-USDT, TRB-USDT, LUNA2, BNB'。 用了尝鲜版得到如下结果，纯多头1200多倍，牛市的时候可以用。这纯多头太牛了，在2022年大熊市行情下，竟然有3倍的利润。纯多头好诱人啊，好想跑一个纯多头。先弄个1000U试试纯多头，为将来的牛市做好准备。BWB3， ILLQStd 因子参数128，过滤参数128，0.9Rank过滤，持仓1小时，选币多空都是10个。今天分析下这次大回撤的原因 从回测看到，最大回撤发生在2022-05-11 12-14点之间，看看当时发生了什么 查看 [('ILLQStd', True, 168, 1)]_选币结果_1H_0.csv可以看到，在20220511 12点的时候，空头选到了LUNA的币，有60%的盈利，但是在13点开始的K线上看，LUNA还是空头，但是一根1小时K线，直接涨了3倍多。从...

实盘策略： BWB3， ILLQStd 因子参数128，过滤参数128，0.9Rank过滤，持仓1小时，选币多空都是20个，黑名单 'BTC-USDT', 'ETH-USDT, LUNA-USDT, TRB-USDT, LUNA2, BNB'。 用了尝鲜版得到如下结果，纯多头1200多倍，牛市的时候可以用。这纯多头太牛了，在2022年大熊市行情下，竟然有3倍的利润。纯多头好诱人啊，好想跑一个纯多头。先弄个1000U试试纯多头，为将来的牛市做好准备。BWB3， ILLQStd 因子参数128，过滤参数128，0.9Rank过滤，持仓1小时，选币多空都是10个。今天分析下这次大回撤的原因 从回测看到，最大回撤发生在2022-05-11 12-14点之间，看看当时发生了什么 查看 [('ILLQStd', True, 168, 1)]_选币结果_1H_0.csv可以看到，在20220511 12点的时候，空头选到了LUNA的币，有60%的盈利，但是在13点开始的K线上看，LUNA还是空头，但是一根1小时K线，直接涨了3倍多。从...

来源，郭毅老板的直播，可以再去听听。 一般来说，都是高风险高收益，但是有一种数据统计的结果却是低波动性未来会有更高的收益。 可以作为bwb3的因子，回测结果如下 df[factor_name] = df['close'].pct_change().rolling(window=n).std() ('Volatility', True, 30, 1) 不过滤 1D 累积净值 0.75 年化收益 -10.01% 最大回撤 -44.21% ('Volatility', False, 30, 1) 不过滤 1D 累积净值 0.56 年化收益 -19.35% 最大回撤 -61.05% ('Volatility', True, 7, 1) 不过滤 1D 累积净值 0.54 年化收益 -20.64% 最大回撤 -58.34% 如果我没弄错的话，如果以上测试数据没错的话，说明低波现象在币圈不存在？那么问题来了，默认策略流动性因子会不会也失效呢？如果低波异象现象是经济学的潜在规律，那么为什么在币圈不适用呢？ GPT的回...

来源，郭毅老板的直播，可以再去听听。 一般来说，都是高风险高收益，但是有一种数据统计的结果却是低波动性未来会有更高的收益。 可以作为bwb3的因子，回测结果如下 df[factor_name] = df['close'].pct_change().rolling(window=n).std() ('Volatility', True, 30, 1) 不过滤 1D 累积净值 0.75 年化收益 -10.01% 最大回撤 -44.21% ('Volatility', False, 30, 1) 不过滤 1D 累积净值 0.56 年化收益 -19.35% 最大回撤 -61.05% ('Volatility', True, 7, 1) 不过滤 1D 累积净值 0.54 年化收益 -20.64% 最大回撤 -58.34% 如果我没弄错的话，如果以上测试数据没错的话，说明低波现象在币圈不存在？那么问题来了，默认策略流动性因子会不会也失效呢？如果低波异象现象是经济学的潜在规律，那么为什么在币圈不适用呢？ GPT的回...