从一张差点爆仓的网格，到一次与 AI 共同完成的策略重写
一张跑在韩国股指上的网格，在真实行情里露出四根刺。追着这四根刺往下挖，最后挖到的不是参数，而是一整套推翻重来的数学。而全程真正稀缺的，不是"会解题"，是"提对问题"。
图 1：左侧的固定网格在趋势中不断积累风险，右侧则是由递归估计与风控闸门支撑的自适应结构。
故事从一个主观判断开始。我看好韩国市场的一段趋势，于是把一张通用网格挂上了 EWY——区间内低买高卖，价格突破就往有利方向平移跟随。逻辑很干净，回测也好看。
但真金白银跑起来，四个问题一根根扎出来。下面这四段，是我在盘面前实实在在的感受：
刺一 · 低效。 格距和每格下单金额都是写死的固定值。可股票不是 7×24 均匀波动的——亚盘收盘到美盘开盘那一段，价格几乎不动，波动率低得可怜。这时候网格还用着和剧烈时段一样的大区间、一样的下单额，格子稀稀拉拉挂在那儿半天不成交，钱就那么躺着。当然，一旦有突发事件，它又会突然大幅波动。问题就在于：低波动的时候，还在用固定的大区间下单，效率低得刺眼。
刺二 · 爆仓。 这是最要命的。一旦行情进入持续下跌，做多的网格会不停地在更低的格子接多单——越跌越买、越买越多，而且没有任何止损。10 倍杠杆之下，这就是典型的"接飞刀"，仓位越堆越重，迟早爆仓。策略里虽然能显示清算价，但它只是显示，从不干预。
刺三 · 收益回吐，还干等浪费时间。 网格在震荡里一点点攒出来的收益，看着挺美。可只要来一波像样的下跌，账户收益几乎全部吐回去。更难受的是接下来——我抱着一堆套牢的多单，只能死等价格回归，才能把它们各自止盈。这一等就是大段时间，资金卡在里面动弹不得，机会成本白白流失。
刺四 · 高位死库存。 那些在高位开的单子，其实是靠底部反复的震荡收益，一点一点把它们的亏损"磨平"的。这个过程又慢又被动。我想要的是：网格的最高点能够灵活下调，别一直死扛着那堆高位的货。
这四根刺，看起来是四个毛病。但往下挖，它们是同一根。
图 2：震荡阶段的小额收益不断积累；一旦进入单边下跌，逆势库存的风险会以更快速度放大。
用希腊字母说最清楚。网格的本质是做空波动率（short gamma）：它靠价格来回震荡吃钱，赌的是均值回归。而做多网格在下跌里不断接飞刀，净持仓（delta）越堆越大——它对趋势毫无防御。
把盈亏拆开看，结构是这样的：
网格盈亏 ≈ ( 震荡收割 ∝ σ²/d ) − ( 库存 × 趋势漂移 μ )
└── 永远为正，吃波动 ──┘ └── 下跌时对多头是纯亏损 ──┘
d 越频繁、波动 σ 越大，收割越多，永远为正。库存 × μ。在下跌里 μ 长期为负，而库存又在不断变大，这一项会发散，最终吞掉一切。真正的病根：这是一个"做空波动"的策略，却没有任何风险控制。
更糟的是，传统网格"只往有利方向移动"的设计，其实和网格初衷是相反的：价格涨破上沿时它上移、在更高的价位挂新多单（追高买入）；价格跌破下沿时它不动、不撤单、无止损（死扛接飞刀）。这等于在放大那个趋势项。
回头看那四根刺——低效、爆仓、回吐、死库存——全是同一个 库存 × μ 在不同阶段的表情。承认这一点，方向就清楚了：不能只调参数，得给这张裸奔的短 gamma 网格，补上一套会思考的骨架。
先解最直观的刺一。区间宽度不该是价格的固定百分比，而应该跟着波动结构走：低波动时自动收窄、密集收割小波动；剧烈时自动张开、不被一根长针扫穿。像肺一样一呼一吸。
图 3：左侧波动较低，格距与区间同步收紧；右侧波动放大，网格随均衡幅度向外扩张。
刺二、刺三的核心，是方向判断。
资本市场毫秒级的跳动看着吓人，但那恰恰是网格要收割的噪声——你不需要预测它，也预测不了。真正要估的，是那个藏在噪声底下的慢变量：漂移 μ。它的时间尺度是分钟到小时，不是毫秒。
把高频跳动当成方向信号去频繁止损，是所有网格翻车的认知根源——用噪声做决策，必然一边浪费收益（频繁止损的手续费和错杀），一边还是躲不过真正的趋势。
于是问题变成：怎么在不频繁止损、也不硬扛的前提下，连续地感知 μ？这需要一只"第二只眼睛"。
EWY 是韩国股指，它有成分股——三星、SK 海力士。关键的转念是：不去赌"谁领先谁"（那种领先关系并不稳定，会被地缘、美联储、消息面不断打乱），而是用成分股来确认一个下跌是不是"真的"。这只需要同步性，不需要领先性。
数学上，把 EWY 的每一步收益，拆成两块：
r_EWY = β · r_参考 + ε
└─系统性─┘ └特质性┘
广泛的/基本面的 EWY 自己的
→ 真趋势 → 会回归
判断规则一下子清晰了：
价格自己看不出这个区别，一根阴线长得都一样。加上成分股这只眼睛，就能把趋势和噪声分开——这正是我一直想要的"短期偏离 vs 长期转换"的分水岭。
图 4：左侧三条价格流同步走弱，系统判为广泛趋势并关闭逆势开仓；右侧只有目标短期偏离，均值回归通道仍然保留。
还有一个更深的不满：区间该多宽、该等多久回归——凭什么由我拍脑袋定？
如果价差是均值回归的，它就服从 OU 过程，那么它的时间尺度是可以从数据里估出来的，不是我输入的参数。核心是回归半衰期：
H = ln2 / θ （θ 是回归速度）
k·H 还不回归 = 回归关系变质 = 趋势转换确认 → 退出，而不是死等。"等多久算太久"，从一种主观焦虑，变成了一个数字。刺三里那个"干等回归浪费时间"，第一次有了精确的闸门。
所有诉求，最后收敛成一个原则——递归、在线、无固定窗口。每来一根 K 线更新一次，记忆随信噪比与回归速度自适应，而不是回看固定的 N 根。三个估计器扛起全部判断。
图 5：Kalman 跟踪局部水平与斜率，RLS-OU 估计回归尺度，跨资产 β 分解系统性漂移；三路结果最后共同决定区间与风控闸门。
用一个二维卡尔曼滤波（状态 = 水平 + 斜率）在线跟踪价格。它没有回看窗口：卡尔曼增益随信噪比自适应，市场稳则记忆长、突变则快速遗忘。观测噪声 R（也就是波动率）用 Robbins-Monro 递归在线估计——软记忆，不是固定窗口。
def kf_step(st, y):
"""Kalman 局部水平+趋势，逐点更新一个状态字典。观测噪声 R 在线自适应，无窗口。"""
st["price"] = y
if not st["init"]:
st["l"] = y
st["s"] = 0.0
st["R"] = max((y * 0.0005) ** 2, 1e-12) # 初始波动先验≈5bp
st["init"] = True
return
R = st["R"] if st["R"] > 0 else 1e-12
q_s = KF_Q_RATIO * R # 斜率过程噪声（响应性，唯一软先验）
q_l = KF_Q_RATIO * R * 0.25
# 预测: F=[[1,1],[0,1]]
l_pred = st["l"] + st["s"]
s_pred = st["s"]
pp00 = st["p00"] + st["p01"] + st["p10"] + st["p11"] + q_l
pp01 = st["p01"] + st["p11"]
pp10 = st["p10"] + st["p11"]
pp11 = st["p11"] + q_s
# 更新: H=[1,0]
e = y - l_pred # 创新（本次预测误差）
S = pp00 + R
k0 = pp00 / S
k1 = pp10 / S
st["l"] = l_pred + k0 * e
st["s"] = s_pred + k1 * e
st["p00"] = (1 - k0) * pp00
st["p01"] = (1 - k0) * pp01
st["p10"] = pp10 - k1 * pp00
st["p11"] = pp11 - k1 * pp01
# 观测噪声自适应（Robbins-Monro，软记忆，非固定窗口）
st["R"] = st["R"] + KF_ADAPT * (e * e - st["R"])
st["sigma"] = math.sqrt(st["R"]) # 瞬时波动
st["z"] = st["s"] / (st["sigma"] + 1e-12) # 趋势强度=斜率/波动，带符号
输出的 st["z"]（斜率/波动，一个带符号的"每根信噪比"）就是我们的趋势强度信号。注意这个状态是一个字典 st——同一套数学，目标和每个参考标的复用。
用带遗忘因子的递归最小二乘，在线拟合 price_t = a + b·price_{t-1}。由回归系数 b 反推 OU 半衰期 H 和均衡幅度 σ_eq。
精髓在于遗忘因子由估出的半衰期反过来决定（记忆≈OU_MEMORY 个半衰期）——记忆长度是数据自己收敛出来的，不是我拍的窗口。
def _rls_update(y_prev, y):
"""RLS-AR(1) 估计均值回归。遗忘因子由估出的半衰期自洽给出，无固定窗口。"""
global _rls_a, _rls_b, _rls_p00, _rls_p01, _rls_p10, _rls_p11
global _rls_resid_var, _rls_init, _ou_half_life, _ou_sigma_eq
# 遗忘因子：记忆 ≈ OU_MEMORY 个半衰期；半衰期未知时用温和默认
if _ou_half_life > 0:
mem = max(OU_MEMORY * _ou_half_life, 5.0)
ff = math.exp(-1.0 / mem)
else:
ff = 0.99
ff = min(max(ff, 0.90), 0.9995)
phi0, phi1 = 1.0, y_prev
pph0 = _rls_p00 * phi0 + _rls_p01 * phi1
pph1 = _rls_p10 * phi0 + _rls_p11 * phi1
denom = ff + phi0 * pph0 + phi1 * pph1
k0 = pph0 / denom
k1 = pph1 / denom
e = y - (_rls_a * phi0 + _rls_b * phi1)
_rls_a += k0 * e
_rls_b += k1 * e
_rls_p00 = (_rls_p00 - k0 * pph0) / ff
_rls_p01 = (_rls_p01 - k0 * pph1) / ff
_rls_p10 = (_rls_p10 - k1 * pph0) / ff
_rls_p11 = (_rls_p11 - k1 * pph1) / ff
_rls_resid_var = _rls_resid_var + KF_ADAPT * (e * e - _rls_resid_var)
b = _rls_b
if 0.0 < b < 1.0:
theta = -math.log(b)
_ou_half_life = math.log(2.0) / theta # 半衰期(根)
if (1 - b * b) > 1e-9 and _rls_resid_var > 0:
_ou_sigma_eq = math.sqrt(_rls_resid_var / (1 - b * b)) # 均衡幅度
else:
_ou_half_life = 0.0 # b≥1：无回归(单位根/趋势)，交给趋势闸门处理
区间宽度直接由 σ_eq 决定，随波动/回归速度自适应，带上下限保护——没有任何固定窗口：
def effective_width_abs(ref_price):
"""区间宽度由 OU 均衡幅度 σ_eq 决定，随波动结构自适应。未热身时回退固定百分比。"""
if estimators_ready() and _ou_sigma_eq > 0:
w = WIDTH_SIGMA_MULT * _ou_sigma_eq
floor_w = pct_to_abs(GRID_WIDTH_PCT, ref_price) * WIDTH_FLOOR_FRAC
cap_w = pct_to_abs(GRID_WIDTH_PCT, ref_price) * WIDTH_CAP_MULT
return min(max(w, floor_w), cap_w)
return pct_to_abs(GRID_WIDTH_PCT, ref_price)
这是把系统性趋势判断的"确认"真正嵌进去。每根新 K 线，在收益空间用 EWMA 递归估计目标对各参考的回归系数 β_j，再把目标漂移拆成系统性与特质性两部分：
# —— update_estimators 内部，逐根更新 β 与系统性趋势 ——
# 递归回归系数 β_j = cov / var （无窗口软记忆）
r_t = (c - prev_close) / prev_close # 目标本根收益
r_j = (rc - _ref_prevc[j]) / _ref_prevc[j] # 参考本根收益
_ref_cov[j] += KF_ADAPT * (r_t * r_j - _ref_cov[j])
_ref_var[j] += KF_ADAPT * (r_j * r_j - _ref_var[j])
_ref_beta[j] = _ref_cov[j] / _ref_var[j]
# 系统性(被参考确认的)漂移： ĝ_sys = Σ β_j · 参考分数漂移
g_sys = 0.0
for j in range(nref):
g_sys += _ref_beta[j] * (_kf_refs[j]["s"] / _kf_refs[j]["price"])
sig_frac = _vol_sigma / pt
_trend_z_sys = g_sys / (sig_frac + 1e-12) # 系统性趋势强度
_sys_share = abs(g_sys) / (abs(g_t) + 1e-12) # 系统性占比
于是趋势闸门只认被参考确认的那部分。启用参考时用系统性 z_sys，否则退回目标自身 z：
def gate_trend_z():
"""
启用参考且数据可用 → 用【系统性】z_sys（被三星/海力士等确认的部分）；否则退回目标自身 z。
目标跌但参考没跟(特质噪声) → z_sys≈0 → 不拦，照收割；
目标跌且参考同步(系统真趋势) → z_sys 显著 → 拦住逆势单。
"""
if ref_n() > 0 and _refs_ok and estimators_ready():
return _trend_z_sys
return _trend_z
而"最高点灵活下调"（刺四），用库存保留价偏移（Avellaneda-Stoikov 保留价的离散版）实现：多头库存越大，有效上沿越往下压，高位自动停开——天花板自己会降。
def effective_ceiling():
"""多头库存越大，有效上沿越往下压——高位不再加仓，天花板自动下调。"""
long_amt = assets[base_currency].get("long_amount", 0)
short_amt = assets[base_currency].get("short_amount", 0)
net_usdt = (long_amt - short_amt) * assets[base_currency]["ctVal"] * get_price()
inv_ratio = min(max(0.0, net_usdt / (Funding * MAX_NET_EXPOSURE_MULT)), 1.0)
drop = INVENTORY_SKEW * inv_ratio * (range_high - range_low)
return range_high - drop
这些闸门统一收束在开仓判断里——趋势、净敞口硬上界、库存天花板、回撤熔断，任何一道不通过就不开新仓，但绝不强平已有的止盈单（既不逆势加仓、也不频繁止损）：
def can_open(side, grid_price):
"""开新仓的多道数学闸门：趋势 / 净敞口 / 库存天花板 / 回撤熔断。"""
if estimators_ready():
gz = gate_trend_z()
if side == "long" and gz <= -TREND_Z_THRESHOLD: return False, "trend"
if side == "short" and gz >= TREND_Z_THRESHOLD: return False, "trend"
# 净敞口硬上界（防无限接飞刀爆仓）
net_usdt = (long_amt - short_amt) * ct_val * price
if side == "long" and net_usdt >= Funding * MAX_NET_EXPOSURE_MULT: return False, "risk"
if side == "short" and -net_usdt >= Funding * MAX_NET_EXPOSURE_MULT: return False, "risk"
# 库存天花板：高位停开
if side == "long" and grid_price > effective_ceiling(): return False, "skew"
if check_drawdown_breaker(): return False, "dd"
return True, ""
重构成 v4.0 后，四根刺各自对上了一个数学机制——不再是打补丁，而是同一套骨架的不同投影：
参考合约只要在参数里填一行 SAMSUNG_USDT, SKHYNIX_USDT（用 GetRecords 直接取数，无需配置附加交易所），其余全自适应。
用合成序列做数值验证。同样是 EWY 在跌，就看成分股确认与否，闸门给出完全相反的动作——这正是"确认而非预测"该有的样子：
目标自己看都是下跌（z ≈ −0.3），但有了第二只眼睛：一个判为真跌该躲，一个判为噪声该赚。价格永远分不出的区别，数学分出来了。
这次优化真正的收获，不是那份代码。是一条路径：
从实盘里那根具体的刺出发，拒绝用过时的、无法自证有效的套路去糊，一路逼问到数学的第一性，让参数自己收敛出来。
四根刺，最后收敛成两个可调旋钮（趋势灵敏度、区间松紧）和一个风险偏好。剩下的，交给数据自己说话——以及，交给回测去检验这套地基到底赚不赚钱。那是下一段故事。
老实说，这篇文章里的数学，我并不都懂。卡尔曼滤波怎么推导、RLS 的遗忘因子为什么要那样自洽、OU 半衰期背后的随机微分方程——真要我从头讲一遍，我讲不清楚。
但这恰恰是这个时代最好的地方。
想做一桌好菜，酱油和醋不需要我们亲手去酿——我们照样能做出美味。在大模型的时代，能力的分工已经悄悄换了位置：重要的，不再是"解决问题"，而是"从实践中发现问题"。
求解的那一段路，工具可以替我们走完——推导、建模、写代码、做验证。但"哪里痛、为什么痛、真正的问题到底是什么"，这一段，只能来自真实的实践。是我在盘面前一天天盯着那四根刺，才知道该往哪问；是我坚持"固定窗口的指标无效"，才逼出了那套递归无窗口的骨架。工具能回答问题，但提不出问题；能走完路，但选不了方向。
知识的阶梯正在越变越低，几乎人人都能借助工具，一步就站到答案跟前。可也正因为如此，真正稀缺的东西变了：是发现真正问题的眼力，是在无数表象里迈向正确那条路的判断力。方向对了，答案自会浮现；方向错了，再强的算力也只是把你更快地带向错误。
所以这篇文章记录的，与其说是一套量化策略，不如说是一次示范——
一个并不精通全部数学的人，只要能从实盘里精准地指出"这四根刺"、并且不肯用似是而非的套路敷衍过去，就能借助这个时代的工具，把问题一根根拔干净。
在人人都能拿到答案的时代，先学会提对的问题。
