一般为了减少影响和滑点，可以用maker冰山单或者twap慢慢走。做市商通常会保护散户，除了熔断不轻易用taker。周末的流动性和深度我们在尽力维护了，可惜现在还是能力有限，以后会继续努力加油提供流动性！

我认为，量化交易在技术上绝对是先进的，但是在结构上它是落后的。 可以这么讲，从纳秒级时间戳、FPGA、微波链路、在信噪比 0.01 量级上跑大规模 ML，量化是工程强度最高的几个领域之一。 所以说，量化落后的是目标函数：在一个近乎零和、且信号会因为你使用它而自我毁灭的系统里，做纯预测、不做干预。 天花板是结构决定的。 市场是反身的，你的预测一旦下注就开始消灭自己；alpha 有容量上限；边际收益持续被套利掉。 不存在“一种更先进的量化”能突破量化交易本身，要突破只能换轴。 据我观察，量化现在的做法就是试图通过对价格、成交量、因子等历史数据进行统计拟合，用归纳法推导出一个未来规律。 矛盾点在于，顶尖量化机构其实已经非常清楚市场是非平稳的。 Jane Street、Renaissance、Citadel、Two Sigma 等机构不会天真地认为： “历史规律永远存在。” 恰恰相反，他们大量处理 regime change、distribution shift、alpha decay、adversarial behavior、market impact 等问题。 核心问题是，即使这些机构知道市场是动态系统，他们仍然主要通过观测轨迹来反演系统。这是最糟糕的。 下面让我谈谈我关于这件事的想法。 我大脑里涉及的点和直觉在于进化方向的涌现性：市场是一个由博弈者自主决策组成的复杂自适应系统，其中的价格是由主体的认知模型重构决定的。 很多人想用AI做量化，这并非创新。 我的想法是，把金融市场从一个 time series prediction problem，重新定义成一个 multi-agent generative world model problem。 例如建立一个数字市场 其中： A_i：不同类型的参与者 B：行为与信念更新机制 I：信息结构 N：网络结构 R：规则与制度 T：交易机制 然后让这些要素在里面交互。 “明天 NVDA 会涨多少？”这种问题在这里是没意义的。 “如果信息传播速度提高 100 倍，会出现什么新的市场结构？” “如果市场参与者全部拥有某种 AI，会发生什么？” 甚至： “如果交易规则发生变化，新的 equilibrium 会不会自然涌现？” 这些才是有意义的。 当然，这已经不是传统 quant research 了。 这是computational economics + agent-based modeling + game theory + causal inference + world models的交叉领域。 也就是说，现在的量化是在修补过去，而先进方式是生成未来，甚至是搜索可能的未来。这才可能真正形成新的范式。 假设我们拥有一个足够好的市场模拟器，那么我们就可以，像 AlphaZero 在棋盘上搜索一样，在经济世界里搜索。 如果说，传统 quant是给我历史，我预测下一步。那么World Model就是给我当前世界，我模拟未来。 我想到的是更进一步，给我一个目标，我搜索哪些行动序列能够把世界推向那个状态。 这就从prediction、simulation走向planning再走向intervention。 如果我们能从底层博弈逻辑、参与者心理网络模型、甚至是信息传播的介质变迁去仿真一个市场，而非单纯去拟合它，预测维度就会高出一个维度。 根据Jane Street的情况可以看出，量化本质是黑箱神经网络的暴力计算。只要数据量足够大，我就能得出模型。 但如果我有足够资源的话，我会尝试通过仿真技术，构建出比真实市场更懂博弈机制的数字孪生市场，然后在里面演化出新的经济博弈逻辑，这样就不再是市场的跟随者，而是市场的规则定义者。 这就是比量化交易更强的范式，以因果推理和世界模型为基础的智能。 于是，我确定量化的终极升级根本不是更好的 alpha。 从prediction，simulation，再到planning，intervention。 其实现在的量化处在第一层和第二层，我说的新范式已经在第三、第四层。 这时候你已经超越了市场参与者，你是市场环境的设计者。就是所谓的“换轴”。 当然，这里我要提到一个更残酷的问题：数字孪生市场可能无法成为真实市场。 因为存在 Goodhart’s Law + Lucas Critique + Reflexivity 的组合。 比如你建立一个模拟器，然后在里面发现一个规律，现实世界里的 agent 也可能发现这个规律，但模拟器本身会不会因为被使用而改变它所模拟的对象呢？ 其实这已经非常接近复杂适应系统的核心难题。 如果沿着我的思想继续往下推，我会把方向定义成Computational Market Intelligence。 其理论基础同时来自： Game Theory Agent-Based Modeling Causal Inference Complex Systems Statistical Physics Information Theory Mechanism Design Reinforcement Learning Multi-Agent Systems World Models Computational Economics 这超越了预测市场范畴，去建立一个能够解释、模拟、干预和设计市场的计算世界。 这和传统 quant 的区别，可能就类似于天气预报 vs 气候模型。 或者棋谱统计 vs AlphaGo。 我认为，量化交易是在一个先进的技术栈上运行着相对传统的认识论。 它把人类的计算能力、统计能力、工程能力发挥到了极高水平。 但问的问题是受限制的。 下一代的问题是： “如果我们理解构成这个世界的主体、规则、信息与反馈机制，我们能否在计算机中生成它、解释它、并搜索它可能演化出的未来？

我所有的@行为，都只是回复大家的问题。整个账号里唯一我方真实账号，只有@fxu_starr 。其余任何账号，如果自称与我、与@fxu_starr 或者团队相熟，以此名义私信推销策略、社群、项目，均和我们没有任何关系。我们目前没有售卖策略、付费社群等业务，请大家多加留意甄别。感谢各位关注。

你焦虑往往来自：想要得太多，能力又暂时配不上，还急着马上得到结果。所以，解决焦虑未必是控制情绪，而是调整三个变量：降低欲望、提高能力、增加耐心。

上一篇有人问：机器学习跑出来的信号，不算因子的话，怎么判断？是一个很棒的问题！ 可以不把它当成一个“关系”来看，而是拆成两层分开测。 因子问的是这个关系还在不在。ML 信号得问两个问题：输入分布变了吗，以及输入没变的情况下，预测和实现的校准还准不准。前者是特征分布的滚动监控，后者是 calibration curve。 分开测之后，诊断其实比想象中清楚。输入漂了但校准还稳，说明环境变了、模型还能用。输入稳而校准恶化，说明被抹平了，通常意味着有人在做同一件事。所谓黑盒失效无法归因，很多时候只是因为盯着净值曲线，没把这两层拆开。 特征层面也不是完全说不出话。模型整体讲不了逻辑，但把权重最大的十几个特征拎出来，参与者结构、规则、同类资金那三个问题照样可以问，只是对象从因子换成了特征。 还有一点跟周期有关。月频的股票因子要跑几年才能统计显著，所以逻辑在那里是拿来抢时间的。做市和短周期预测的样本量不一样，edge per trade 的滚动分布在天级就能给出挺窄的区间，本身就是一个 monitor。上一篇说的“没有逻辑就不知道自己怎么死的”，在这个周期上其实要弱不少。 另外一个容易混的地方：做市里的短周期预测不是独立 alpha，是报价的一部分。它的价值应该在 PnL 归因里看，adverse selection 降了多少、fill quality 好了多少，而不是单独算 IC 或 Sharpe。这两个口径经常给出相反的结论。 真正替代不了逻辑的，是判断敢不敢外推。碰到训练集里没有的状态，市场结构变了、波动到了没见过的水平、规则调整，统计监控是滞后的。这种时候要不要让模型继续跑，只能靠对机制的理解。

如果接受“所有公开逻辑最终都会走向拥挤”，那找因子的方向就得变，不是找永远有效的逻辑，而是找那些别人明明知道逻辑、却跨不过去的摩擦。 看下来大概有三类： 资金体量的摩擦。 逻辑在小市值或高波动的标的上很显著，但大资金即便完全知道这个逻辑，滑点和冲击成本也让它下不了场。 负债端的摩擦。 有些因子长期有效，但短期回撤能到两位数。机构的月度、季度考核决定了很多人熬不过那一段。 工程与数据的摩擦。 上下游联动有逻辑这件事人人都懂，但能把非结构化文本、高频行情和基本面数据以足够低的延迟拼起来的团队不多。公共逻辑变成私有 alpha，卡在这一步。 放弃「永生因子」这个执念之后，做的事更像是给每个因子装监控探头。挖逻辑不是为了写一份好看的报告，也不是为了给投资人讲故事，而是为了风向变的时候，能比对手早一点按下减仓键。赚得清楚，退得明白。

既然逻辑不能续命，那我们为什么还要花时间挖逻辑？因为它不延长因子的寿命，但能在因子开始衰减的时候，告诉你去哪里看。 纯统计挖出来的因子（比如深度学习跑出来的高维特征），衰减往往没有征兆。IC 曲线掉头向下的时候，你手上只有一条净值曲线，分不清是真失效了还是暂时休眠，能做的只有硬性的统计止损线。失效之后这段代码基本就废了。 有机制支撑的因子不一样。它的衰减更像慢性病，底层指标先恶化，你可以交叉验证。清单大致是三问： 参与者结构变了没有？ 规则变了没有？ 做同一件事的钱多了没有？ 这三个问题能不能提前给出答案，是逻辑在实战里比较实在的价值。还有一层：旧逻辑失效之后，你至少知道是哪个环节的摩擦被抹平了，可以顺着往下找新的。

“一个好因子，得先有经济学或行为金融上的解释，不然就是数据挖掘出来的噪音”。但把这些因子放到真实盘口上，我们自己的体会是另一回事，从拥挤度和生命周期来看，逻辑清晰的因子不见得比说不清的黑盒因子活得久，很多时候反而被磨平得更快。 原因不复杂，有经济逻辑，意味着这个逻辑别人也想得到。文献里写过的行为偏误、公开可查的制度约束，全都是公共信息。一个逻辑越符合直觉，它变成共识的速度就越快，同质化的资金也来得越快。等一百个团队都在用同一套解释构建信号，原本能吃几年的超额，可能几个月就被抢跑和冲击成本填平了。 所以稀缺的从来不是对市场现象的解释，而是把这个解释变成可执行、有容量的仓位。解释是廉价的，仓位是昂贵的。

量化心得五为什么做量化绝不用黑盒AI 很多人以为自己在用AI写策略，其实是在被AI训练。丢一堆数据给模型，跑出一个看起来很对的参数或因子，然后直接扔进回测。慢慢地，你不再去推导微观结构，不再验证盘口逻辑，甚至不再怀疑这个结果是怎么算出来的。 你的交易直觉没有变强，你的判断力被悄悄外包了。如果你本来对盘口就有经验，反而更容易被误导。因为AI最擅长的，不是绝对正确，是看起来毫无破绽。很容易让你觉得它是对的。 当团队开始依赖黑盒AI，决策路径就发生改变：从“基于理解盘口到得出定价判断”变成了“获取黑盒结果到决定是否相信”。这两者根本不是一回事。 AI并不真的“懂”什么是流动性，什么是风险暴露。它本质上是在海量历史切片里做信息重组，然后生成一个对它来说最符合统计学特征的 Quote。 它不会管你的库存是不是已经严重单边倾斜，也不会看你此刻是不是正暴露在Toxic flow的枪口下。它只会让这笔报价的数学期望看起来成立。 所以你的策略吐出来的，从来不是一个被确认过的最优报价，而是一个最像最优报价的结果。在文字生成里，这叫“AI幻觉”。在实盘里，这叫主动送钱。 很多人实盘崩了，把问题归结于模型遇到了极端行情，产生了“幻觉”，觉得这是个 bug。但“幻觉”本身根本不能简单当成 bug。它是这个黑盒系统的结构性结果，一种特性，而不是例外。 AI不具备判断对错的能力，它只是在已有信息上做延展。就像一个背下了全市场 tick 数据但毫无风控常识的小孩。他能给出一组逻辑完整的定价参数，但他不知道这组参数会不会在下一个毫秒，让你的 P&L 出现断崖式回撤。 问题从来不在于模型“会不会出错”，而在于你是否意识到——它可能是错的。 面对极端的错价风险，你可以选择抱怨模型，我们要更重要的事，建立约束。 你可以用AI去洗海量的脏数据、写底层的解析脚本、生成边缘测试用例。你去引导它、限制它、验证它，让它的能力朝着你的工程目标收敛。 但你绝对不能把定价权和风控的 Kill Switch 交给它。不要把生杀大权交出去，然后在吃满逆向选择、利润被一波带走之后，反过来去责怪AI。