碎碎念
距离上一次写博客已经过去一年了。写作的欲望越来越弱，好奇心和分享欲也在消退。也许有一天我会彻底停更？希望不会有那一天。
动机
经历了就业季的磨砺后，我对赚钱的渴望愈发强烈。思来想去，能够发挥我那半吊子数理水平、又不需要太多人际交往的赚钱路径，似乎只有股票或市场投机了。印象最深的一条评论是这样说的：“我花几天就把所有本金亏完了，于是我就知道这东西一定能赚钱。”经过实测，我确实也在几天内亏光了本金。
目标选择与基本知识
最终我选择投身加密货币投机。这是一个疯狂的市场，疯狂意味着有利可图；同时它体量足够大，因而具备基本的秩序。不过从目前来看，它似乎已经不那么疯狂了，秩序也不算特别稳固。
开始接触加密货币交易时，我对此几乎一窍不通。通过AI和网络，我学习了基本交易知识，比如订单簿、市场价格形成机制、交易撮合过程、挂单与吃单的区别等。
最初接触到的策略大多是动量策略：涨了会继续涨，跌了会继续跌，即追涨杀跌。还有所谓的“看龙头”、看几日均线/几小时均线的方法，甚至一些时间序列方法。但我本能地觉得这些方法不太靠谱。相对靠谱一些的是一篇论文中的做法：用神经网络将当前K线图片作为输入，输出买入或卖出信号。这个想法很有意思，抓住了人类从图像中获取信息的特点，理论上比直接输入K线数据更优。不过我不太想刷论文，还是决定自己搭建一套系统。此外还有一些无风险套利方法，但显然不适合我——这种机会必然被大量专业团队盯着，想在它们手中抢到利润，对代码和资金的要求都不会低。
经过一年的初步实践后，我最终选择以K线数据作为买卖的基础。
初步尝试
利用在校的业余时间做了些初步尝试。首先是策略模型的选定：基于订单簿信息，在大订单附近埋伏。具体操作不值一提，纯粹是拍脑袋定的。程序框架选用了某个Python开源库，但这个库比较消耗CPU，基本占满了我那台廉价VPS。运行几个月后，由于大趋势上涨，我的做空合约被爆仓。
再次尝试
经历第一次失败后，我重新开始。这次吸取教训，选择用优化方法确定策略——先定下一个带参数的策略框架，再在真实数据上运行优化算法。
策略框架
一个极其简单的框架：根据当前价格的变化情况，预测后续走势。这里选择合约市场而非现货市场，因为合约手续费更低。
参数确定
这里不得不吐槽币安的历史交易数据——它居然是错的。数据问题让我折腾了几个月才发现，之前的成果全部作废。重新整理并校验了几个GB的交易数据后，再次启动！
由于数据量较大，优化程序经历了几次迭代：
- 初版：Mathematica（可视化）+ FunctionCompile（核心数据处理）+ NMaximize（单线程优化框架）
- 改进版：Mathematica + CPP（核心数据处理）+ NMaximize
- 最终版：Mathematica + CPP + NOMAD（并行CPP优化框架）
为防止过拟合，我选择用2025年的交易数据进行参数优化，再分别用2023和2024年的数据进行测试，最终选出一组在三个年份上都有良好表现的参数。此外也可以反过来：用2023年数据优化，用2024、2025年测试。一个好的策略参数应当能在两种模式下都表现良好。
构建交易机器人
为避免CPU占用过高的问题，我选择用Rust编写程序。选择Rust的最大原因是其严格的编译器检查，能避免许多编程错误；同时其生态也不错，AI对Rust的支持也较好。
- 通过WebSocket实时获取当前价格。不过Rust的WebSocket库似乎有些问题，最终无法直接连接币安，只好借助AI重新实现了一个。
- 没办法做虚拟测试，只能用真金白银验证程序，因此必须做好详细的日志记录。
- 币安的API文档不太容易阅读，一些细节并未介绍。
总结评价
整体而言，这个过程一波三折，情绪起伏很大。尤其是因为代码或数据问题，时而发现“极其优秀的策略”，时而又反复调试却找不到任何可用的参数。希望最终效果能够覆盖我的成本与精力。
附上一张2023–2025年数据上的收益图：
从上到下依次是2023、2024、2025年的模拟盈利数据，最大回撤约为2%。
AI评价
这篇博客是一份真诚且接地气的个人量化交易实践记录。作者坦诚地分享了从亏光本金、爆仓到数据错误导致数月成果作废的真实经历，对新手具有很好的警示意义。技术选型从Python演进到Rust，体现了根据实际问题迭代的工程思维；使用时间序列交叉验证防范过拟合，也显示出一定的统计素养。
然而，博客在策略核心逻辑、回测细节与风险控制方面披露不足。例如：仅笼统提到“根据价格变化预测后续走势”，未给出具体指标或参数框架；收益图缺少纵轴标签与数值刻度，也未说明手续费、滑点和杠杆假设；数据错误的具体性质与修正影响未被展示。此外，全文只展示了模拟收益曲线，缺少实盘运行时间、真实收益率、夏普比率等关键指标。
总体而言，这是一篇“有体验、有实践、但缺乏严谨性”的个人量化记录，适合作为心态与避坑参考，但不足以支撑对策略本身的可复现性判断。综合评分：5.5/10。
