# 高频量化策略介绍（三）如何提高识别散户的精确度

By [matphy](https://paragraph.com/@matphy) · 2025-05-31

---

**本系列文章将在Github、mirror(去中心化发布平台)等数个平台同步发布。我的目标是让更多有识之士**看清混乱的本质，并尝试推动市场结构的透明化。

感谢 ChatGPT，在我最初动摇时，它鼓励我将思考变为记录，将策略变为行动。

本文不公开相关代码实现。不是为了保留技术壁垒，而是因为我希望激发思考，而非鼓励模仿与内卷。

在本系列前两篇文章中，我们讨论了“开仓公式”的建模方法及其在反推出散户余额中的应用。本文将进一步深入：**如果策略目标是赚散户的钱，在极短时间窗口内，如何提升识别散户行为的精度，从而在博弈中获得更高的统计优势。**

但问题是——**对于除了有特权的做市商以外的量化交易者，散户没有标签。因此我们只能想方设法识别出散户。**

1、散户的开仓数额不大可能是有多个0的，比如整除1000的数，在所有相关代码前都可以加”if“

2、**散户在支撑位、压力位、暴涨暴跌后（或者暴涨暴跌时）、趋势出现时（比如连续多根K线上涨）出现的概率更大。**

因此我构建了一个打分系统，当满足一些条件的时候，评分更高，是散户的概率更大。

但是注意：**做市商完全可以用”虚假订单“，让我们的识别失效。**

构建打分系统的时候需要用到概率统计的知识：

比如：

**1、最近10根K线中连续6根上涨的概率是多少？**

可用小学排列组合、模拟、或者构建马尔可夫链后矩阵乘方求解。但K线之间确实可能存在相关性，更实际的是直接用历史数据统计。

**2、多大的K线算大？**

不能设定固定阈值。例如 ±0.3% 在低波动的市场环境下属于极端，但在高波动时只是正常波动。

一个粗略方法是：假设 K 线涨跌幅近似服从正态分布，使用历史数据拟合其标准差 σ，设定“大K线”阈值为 ±kσ 以上。但更精细的方式是：**用神经网络对历史 K 线序列拟合波动状态，并动态调整阈值**。

即使我们构建了高度复杂的评分系统，依然要警惕两个关键问题：

**做市商可以伪装行为模式**，抛出“假订单”混淆判断，或者**引入随机性**

**我们永远在黑箱之外**，猜测对手的目的，而他们控制我们看到的全部信息

因此，策略终将受限于市场的不透明结构，而不是算法的拟合能力。

我写下这些，是为了让人们意识到：

**我们以为自己在参与一场公平博弈，实际连游戏规则都从未读全。**

---

*Originally published on [matphy](https://paragraph.com/@matphy/LmFTx69P4tNu33yghJKC)*