hao/quantKonwledge
1
0
派生 0
代码 工单 合并请求 工作流 软件包 项目 发布 百科 活动

feat: 全面优化迭代所有文档 - 增加数据说明+计算公式+名词解释+内部链接

浏览代码 
变更统计:
- 70个文件变更 (39个新增 + 31个修改)
- 新增 6554 行内容

优化内容:
1. 30个核心文档增加附录(数据说明/计算公式/参数表/使用场景/常见误区)
   - 第一批: 量化基础/技术指标/策略/信号/品种/数据流/回测/风控/链上/EWO
   - 第二批: AI/案例复盘/多Agent/Hyperliquid/KOL/期权/RWA/券商/BTC/主流币
   - 第三批: ETH/SOL/BNB_DOGE/XAUT/代币化美股/信号优化/tradehk系统
2. 新增38个名词解释wiki条目(Delta对冲/Gamma/Theta/Vega/IV/VaR/CVaR等)
3. 更新全局术语表索引(79个术语/12大类/知识图谱/学习路径)
4. 新增内部链接体系(wiki式交叉引用)
这个提交包含在：
Manus Quant Agent
2026-03-06 05:09:34 -05:00
父节点 ad4a73846c
当前提交 790c0eaa0a
共修改 70 个文件，包含 6539 行新增和 126 行删除
下载 Patch 文件 下载 Diff 文件 展开所有文件 折叠所有文件

83
wiki/tradehk/EWO转换检测机制.md
查看文件

@@ -166,3 +166,86 @@ EWO 红→绿在大周期空头环境中可能是假反弹，但通知不包含
- [信号评分引擎](./信号评分引擎.md) — 信号生成机制
- [大周期偏向判定](./大周期偏向判定.md) — 趋势过滤
- [SOL 专项深化策略](../../12_信号系统优化/各币种专项/SOL专项深化策略.md) — SOL 微弱穿越问题
---
## 附录：数据说明与补充
本附录旨在对 EWO 转换检测机制中的关键概念、数据结构及实际应用进行详细阐述，以帮助用户更深入地理解并有效利用此功能。
### 一、核心指标详解
#### 1. EWO (Elliott Wave Oscillator)
EWO 是衡量市场动量的核心指标，其数值反映了短期趋势与中期趋势之间的关系，常用于辅助判断趋势的强度和潜在的转折点。
- **计算公式**：EWO 的计算基于两个不同周期的简单移动平均线 (SMA) 的差值。具体公式如下：
```latex
EWO = SMA(Close, n_{short}) - SMA(Close, n_{long})
```
在常见的配置中，短周期 `n_short` 通常取 5，长周期 `n_long` 通常取 35。tradehk 系统同样遵循此经典设置。
- **数据范围**：理论上无上下界，其数值范围取决于具体币对的价格波动幅度。对于高价币对（如 BTC），EWO 绝对值可能达到数千甚至数万；对于低价币对，其绝对值可能很小。
- **单位**：与币对的计价货币单位相同，例如，对于 BTC/USDT，EWO 的单位是 USDT。
- **精度要求**：为捕捉微小变化，系统计算和展示 EWO 值时，通常保留 6-8 位小数。
- **数据来源**：EWO 值是基于从交易所获取的 [K线](../../wiki/名词解释/K线.md) 收盘价 (`Close`) 计算得出的，属于衍生数据。
#### 2. K线 (Candlestick)
K线是承载市场价格信息的基础单元，EWO 的所有计算都源于 K线数据。
- **数据来源**：由中心化交易所（如 Binance, Bybit）通过其 API 提供实时的或历史的 K 线数据。
- **数据格式规范**：系统内部处理 K 线数据时，通常采用 JSON 对象数组的形式。每个对象代表一根 K 线，其标准格式如下：
```json
{
"time": 1678096200, // K线开盘时间的 Unix 时间戳 (秒)
"open": 22350.1, // 开盘价 (Number)
"high": 22365.8, // 最高价 (Number)
"low": 22345.0, // 最低价 (Number)
"close": 22360.5, // 收盘价 (Number)
"volume": 150.75 // 成交量 (Number)
}
```
### 二、实际应用场景
EWO 转换信号在量化交易中具有多样化的应用，交易者应结合其他分析工具进行综合判断。
1. **趋势反转早期预警**：这是 EWO 转换最直接的应用。当一个币对在经历长期的下跌（EWO 持续为负）后，首次出现 `red_to_green` 的转换，可能预示着下跌动能衰竭，[多头](../../wiki/名词解释/多头.md) 力量开始积聚。交易者可将此信号视为一个潜在的左侧或右侧入场观察点，并结合价格行为（如是否突破关键阻力位）来确认交易。
2. **动量增强与趋势确认**：在已有的趋势判断基础上，EWO 转换可以作为强有力的确认信号。例如，某策略基于均线金叉产生了一个[多头](../../wiki/名词解释/多头.md)信号，但交易者希望等待市场动量配合。此时，若稍后出现 `red_to_green` 的 EWO 转换，则证明短期动量已与中期趋势方向一致，从而增强了原始信号的可靠性，可作为加仓或确认入场的依据。
3. **识别市场情绪转变**：EWO 的正负状态可以被视为市场情绪的晴雨表。持续的绿色（EWO > 0）代表市场处于乐观或贪婪状态，而持续的红色（EWO < 0）则代表悲观或恐惧。EWO 的转换标志着市场主流情绪的根本性转变，有助于交易者调整其整体持仓偏向，例如从[空头](../../wiki/名词解释/空头.md)主导转向多头主导的策略集。
### 三、参数参考表
用户可在 tradehk 系统中自定义 EWO 转换的监控规则。以下是核心配置参数的说明与建议值。
| 参数 | 说明 | 推荐值 | 取值范围 |
| :--- | :--- | :--- | :--- |
| `symbol` | 监控的交易对 | `BTCUSDT`, `ETHUSDT` | 交易所支持的任何有效币对 |
| `interval` | K线的时间周期 | `10m`, `15m` | `1m`, `5m`, `10m`, `15m`, `30m`, `1h`, `4h`, `1d` 等标准周期 |
| `direction` | 监控的转换方向 | `red_to_green` | `red_to_green` (空转多), `green_to_red` (多转空) |
### 四、常见误区与正确理解
1. **误区：EWO 转换是精确的买卖点**
**正确理解**：EWO 转换是一个**动量信号**，而非精确的时机信号。它标志着动量方向的改变，但价格的最终反转可能滞后或提前。将它作为唯一的开仓依据风险极高，必须结合价格结构、支撑阻力位或其他指标进行综合判断。
2. **误区：所有 EWO 转换信号都值得关注**
**正确理解**：信号的“质量”至关重要。在窄幅震荡行情中，EWO 可能频繁在 0 轴附近穿越，产生大量低质量的“毛刺”信号。有效的信号通常伴随着穿越 0 轴时 EWO 数值的显著变化，并且发生在关键的市场结构位置。
3. **误区：忽略大周期背景**
**正确理解**：小周期（如 10m）的 EWO `red_to_green` 转换，如果发生在一个大的下跌趋势（如 4h 周期 EWO 仍为深度负值）中，极有可能是一次短暂的反弹而非趋势反转。因此，必须遵循“顺大势、逆小势”的原则，参考 [大周期偏向判定](./大周期偏向判定.md) 来过滤掉逆势的 EWO 转换信号。
4. **误区：EWO 数值越大越好**
**正确理解**：极高的 EWO 数值（远离 0 轴）通常表示趋势已经进入末期，市场处于超买或超卖状态。此时虽然动能强劲，但也预示着回调或反转的风险正在积聚。因此，EWO 的绝对值大小需要辩证看待，而非简单地认为越大越好。
5. **误区：只看 EWO，不看价格**
**正确理解**：技术分析的核心是价格行为，指标永远是辅助。一个常见的陷阱是出现“指标背离”时盲目交易。例如，价格创出新高而 [EWO](../../wiki/名词解释/EWO.md) 未能创出新高（顶背离），这仅是一个警示信号，不构成直接的做空理由。必须等待价格行为的确认，如跌破关键的上升趋势线或支撑位。

105
wiki/tradehk/信号评分引擎.md
查看文件

@@ -172,3 +172,108 @@ ADX < 25 表示市场处于震荡状态，DMI 的 +DI/-DI 交叉在震荡市中
- [大周期偏向判定](./大周期偏向判定.md) — 趋势过滤机制
- [EWO转换检测机制](./EWO转换检测机制.md) — EWO 专项通知
- [类型系统参考](./类型系统参考.md) — 完整类型定义
---
## 附录：数据说明与补充
本附录旨在对信号评分引擎中涉及的关键指标、数据结构及核心概念进行详细阐述，以提升文档的完整性与专业性。内容涵盖了计算公式、应用场景、参数参考、数据格式规范、内部链接及常见误区，旨在帮助使用者更深刻地理解并有效运用该评分系统。
### 一、核心指标深度解析
信号评分引擎的有效性建立在对多个技术指标的综合运用之上。下表详细说明了各核心指标的计算方法、数据特性及数据来源，为策略的精细化调整与二次开发提供依据。
| 指标名称 | 计算公式 (LaTeX) | 数据范围 | 单位 | 精度要求 | 数据来源 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| **EWO** | `EMA(close, 5) - EMA(close, 35)` | (-∞, +∞) | 点 | 8位小数 | K线收盘价 `close` |
| **MACD** | `EMA(close, 12) - EMA(close, 26)` | (-∞, +∞) | 点 | 8位小数 | K线收盘价 `close` |
| **AO** | `SMA(median, 5) - SMA(median, 34)` | (-∞, +∞) | 点 | 8位小数 | K线中间价 `(H+L)/2` |
| **MA** | `SMA(close, N)` | (0, +∞) | 点 | 8位小数 | K线收盘价 `close` |
| **RSI** | `100 - (100 / (1 + RS))` | [0, 100] | % | 2位小数 | K线收盘价 `close` |
| **KDJ (K)** | `SMA(RSV, 3)` | [0, 100] | % | 2位小数 | K线 `H`, `L`, `C` |
| **SuperTrend** | `(H+L)/2 ± (Multiplier × ATR)` | (0, +∞) | 点 | 8位小数 | K线 `H`, `L`, `C` |
| **DMI (+DI/-DI)** | `SMA(±DM, 14) / SMA(TR, 14)` | [0, 100] | % | 2位小数 | K线 `H`, `L`, `C` |
*注：`EMA` 为指数移动平均，`SMA` 为简单移动平均，`RS` 为相对强度，`RSV` 为未成熟随机值，`ATR` 为平均真实波幅，`TR` 为真实波幅，`DM` 为动向。*
### 二、核心概念应用场景
理解各知识点在实际量化交易中的应用，是连接理论与实践的桥梁。
- **多指标共振评分机制**
1. **趋势确认过滤**：在趋势跟踪策略中，仅当多个趋势指标（如 [MA排列](../../wiki/名词解释/MA排列.md)、[SuperTrend](../../wiki/名词解释/SuperTrend.md)）同时指向同一方向时，才接受入场信号，有效过滤掉由单一指标在震荡行情中产生的毛刺信号。
2. **动量增强识别**：对于突破策略，可以将“强信号”（STRONG）作为核心入场条件。例如，当价格突破关键阻力位时，若同时获得 `STRONG BUY` 信号，表明突破动能充足，成功率更高。
- **动态强度阈值**
1. **策略回测与最优化**：在进行参数优化时，研究员可以增减可选指标组合，动态阈值机制能够确保不同组合下的信号强度具有可比性，从而更客观地评估不同指标对策略的贡献度。
2. **用户自定义策略面板**：在提供给终端用户的交易仪表盘中，允许用户根据个人偏好启用或禁用某些指标。动态阈值可以自动适配用户的选择，确保信号质量的稳定性，避免因用户误操作导致信号泛滥或枯竭。
- **ADX > 25 的 DMI 应用**
1. **趋势/震荡市识别**：构建一个市场状态分类器，当 [ADX](../../wiki/名词解释/ADX.md) 低于25时，启用网格交易或均值回归策略；当 ADX 高于25时，则切换至趋势跟踪策略，并使用 [DMI](../../wiki/名词解释/DMI.md) 的金叉/死叉作为主要入场依据。
2. **趋势末端预警**：在一段由 ADX > 25 确认的强趋势行情中，若 ADX 开始从高位回落并跌破25，即使 +DI 与 -DI 尚未交叉，也可将其视为趋势可能即将结束或进入盘整的预警信号，应考虑减仓或收紧止损。
### 三、可配置参数参考表
系统内置了行业标准的指标参数，但针对不同交易品种和时间周期，进行适当调整可能获得更优效果。下表整理了所有核心指标的可配置参数及其推荐值。
| 指标 | 参数 | 推荐值 | 取值范围 | 说明 |
| :--- | :--- | :--- | :--- | :--- |
| **EWO** | `fast`, `slow` | 5, 35 | 2-200 | 快慢速指数移动平均线周期 |
| **MACD** | `fast`, `slow`, `signal` | 12, 26, 9 | 2-200 | 快、慢速EMA及信号线周期 |
| **MA排列** | `short`, `long` | 10, 100 | 5-400 | 短期与长期均线周期 |
| **RSI** | `period`, `oversold`, `overbought` | 14, 30, 70 | 7-30, 10-40, 60-90 | RSI计算周期及超买超卖阈值 |
| **KDJ** | `n`, `m1`, `m2` | 9, 3, 3 | 5-30 | RSV, K值, D值的计算周期 |
| **SuperTrend** | `period`, `multiplier` | 10, 3 | 7-20, 1.5-5.0 | ATR计算周期和波动率乘数 |
| **DMI/ADX** | `adx`, `di` | 14, 14 | 7-30 | ADX 和 DI 的计算周期 |
| **布林带** | `period`, `stddev` | 20, 2 | 10-50, 1.0-3.0 | 均线周期和标准差倍数 |
### 四、数据格式规范
为确保系统各模块间的数据交互无误，特此明确核心数据对象的结构与格式。
- **K线数据 (`Candle[]`)**
输入给 `generateSignal` 函数的 [K线](../../wiki/名词解释/K线.md) 数组，其中每个 `Candle` 对象应遵循以下格式：
```json
{
"timestamp": 1678086000000, // {number} K线开盘时间的UNIX毫秒时间戳
"open": 22345.67, // {number} 开盘价
"high": 22398.12, // {number} 最高价
"low": 22340.05, // {number} 最低价
"close": 22389.88, // {number} 收盘价
"volume": 1234.567 // {number} 成交量
}
```
- **交易信号 (`TradingSignal`)**
函数成功执行后返回的信号对象，其结构定义如下：
```json
{
"id": "Abc123Xyz",
"timestamp": 1678086600000, // {number} 信号生成时间的UNIX毫秒时间戳
"symbol": "BTCUSDT",
"interval": "10m",
"type": "BUY",
"strength": "STRONG",
"price": 22389.88,
"indicators": { ... },
"reasons": ["EWO上穿零轴", "MACD金叉"],
"isActive": true
}
```
### 五、常见误区与正确理解
1. **误区：信号评分越高，盈利概率越大。**
**正确理解**：信号得分衡量的是**多空技术形态的共振强度**，而非直接的盈利概率。一个 `STRONG` 信号表示多个指标在当前 [K线](../../wiki/名词解释/K线.md) 上同时发出了强烈的看涨或看跌信号，这通常意味着一个显著的技术事件发生。它应该被视为一个高质量的“关注”或“入场考虑”点，但最终的交易决策还需结合仓位管理、风险报酬比以及[大周期偏向判定](../../wiki/tradehk/大周期偏向判定.md)来综合判断。
2. **误区：WEAK（弱）信号没有交易价值。**
**正确理解**：弱信号虽然不适合作为主要的开仓依据，但它可以作为**仓位调整和风险管理的有效工具**。例如，在持有多头仓位时，若连续出现 `WEAK SELL` 信号，可能预示着上涨动能正在衰减，应考虑部分止盈或将止损位上移。反之，在空头趋势中出现 `WEAK BUY` 信号，可作为潜在的回调结束、趋势延续的信号。
3. **误区：指标参数使用默认值即可。**
**正确理解**：默认参数（如 MACD 的 12, 26, 9）是基于传统日线级别市场统计得出的，具有广泛适用性，但不一定对所有交易品种和时间周期都是最优的。例如，对于波动性极高的新兴加密资产或在1分钟这样的超短周期上，可能需要更短的参数来提高指标的灵敏度。专业的量化交易者应对核心策略所涉及的品种和周期进行**参数回测与优化**，以找到最适合当前市场的参数组合。
4. **误区：信号一旦生成，就应立即执行。**
**正确理解**：`generateSignal` 函数是在每根 K 线**收线时**进行计算的。信号的生成点是确定的，但执行点可以根据策略进行优化。例如，对于突破信号，可以等待价格小幅回调至突破位附近再入场，以获得更好的风险报酬比。对于趋势信号，可以结合盘口深度或订单流数据，选择在流动性较好的时机执行，以减少滑点成本。
5. **误区：可以完全依赖评分引擎，无需人工干预。**
**正确理解**：任何自动化交易系统都是基于历史数据的统计规律构建的，无法预见所有未来的市场极端情况（如“黑天鹅”事件）。该评分引擎是一个强大的决策**辅助**工具，而非全自动“印钞机”。建议将其作为半自动交易系统的核心，由交易员对 `STRONG` 级别的信号进行二次确认，并结合宏观经济日历、市场情绪等非结构化数据进行最终决策，实现人机结合的最佳效果。

148
wiki/tradehk/指标引擎详解.md
查看文件

@@ -332,3 +332,151 @@ Squeeze 状态：布林带完全在肯特纳通道内 → squeeze=true（蓄势
- [信号评分引擎](./信号评分引擎.md) — 了解各指标如何组合评分
- [大周期偏向判定](./大周期偏向判定.md) — 了解 EWO/MACD/AO 在大周期中的权重
- [EWO 阈值过滤完整流程](../../12_信号系统优化/EWO阈值过滤完整落地流程.md) — 优化建议
---
## 附录：数据说明与补充
本附录旨在对指标引擎中涉及的关键概念、数据规范及应用提供更详尽的说明，以帮助使用者更深刻地理解和应用这些工具。
### 一、核心指标深度解析
本文将对文档中提到的核心技术指标进行补充说明，涵盖其数据属性、应用场景及内部链接，以便于读者进行更深入的研究和应用。
#### 1. 移动平均线 (MA / EMA)
移动平均线是技术分析中最基础也最重要的工具之一，用于平滑价格数据，识别趋势方向。tradehk 系统中同时使用了简单移动平均（MA）和指数移动平均（EMA）。
**数据说明**
| 属性 | 说明 |
| :--- | :--- |
| **计算公式** | MA: $$ MA_N(i) = \frac{1}{N} \sum_{k=0}^{N-1} C_{i-k} $$ <br> EMA: $$ EMA_N(i) = \frac{2}{N+1} \times C_i + \left(1 - \frac{2}{N+1}\right) \times EMA_N(i-1) $$ |
| **数据范围** | 与标的资产的价格范围保持一致。 |
| **单位** | 与标的资产的价格单位相同，如 USD、CNY。 |
| **精度要求** | 为保证计算的准确性，建议至少保留 4 位小数。 |
| **数据来源** | [K线](../../wiki/名词解释/K线.md)的收盘价（Close）序列。 |
**量化交易应用场景**
1. **趋势跟踪策略**：构建均线多头/空头排列策略。例如，当短期均线（如 MA10）上穿长期均线（如 MA100），且价格位于所有均线之上时，产生买入信号；反之则产生卖出信号。这是典型的[趋势跟踪](../../wiki/名词解释/趋势跟踪.md)系统。
2. **动态支撑与阻力**：将长期均线（如 EMA120）视为动态的支撑位或阻力位。当价格回调至该均线附近并出现反弹迹象时，可视为潜在的入场机会。
3. **回归策略**：当价格大幅偏离其长期均线时，可建立均值回归模型，预期价格会向均线回归，从而进行反向交易。
#### 2. EWO (艾略特波浪振荡器)
EWO 通过计算两条不同周期的 EMA 之差，来衡量市场的动能和潜在的波浪结构，是 tradehk 信号引擎中的核心权重指标。
**数据说明**
| 属性 | 说明 |
| :--- | :--- |
| **计算公式** | $$ EWO(i) = EMA_{5}(C_i) - EMA_{35}(C_i) $$ |
| **数据范围** | 理论上无界，但通常围绕 0 轴在一定范围内波动。 |
| **单位** | 与标的资产的价格单位相同。 |
| **精度要求** | 建议保留 4 位小数。 |
| **数据来源** | 基于[K线](../../wiki/名词解释/K线.md)收盘价计算的 EMA(5) 和 EMA(35)。 |
**量化交易应用场景**
1. **主趋势识别**：EWO 的正负值可作为判断当前市场主导力量的依据。EWO > 0 表明多头占优，策略应以做多为主；EWO < 0 表明空头占优，策略应以做空为主。tradehk 的大周期偏向判定正是基于此逻辑。
2. **零轴穿越信号**：EWO 由负转正（上穿零轴）被视为强烈的买入信号，反之则为强烈的卖出信号。这通常标志着一轮新趋势的开始，可用于构建突破策略。
#### 3. MACD (指数平滑异同移动平均线)
MACD 是一个经典的趋势和动量指标，通过计算快慢速EMA的离差（DIF）和其本身的EMA（DEA），来捕捉价格动能的变化。
**数据说明**
| 属性 | 说明 |
| :--- | :--- |
| **计算公式** | $$ DIF(i) = EMA_{fast}(C_i) - EMA_{slow}(C_i) $$ <br> $$ DEA(i) = EMA_{signal}(DIF_i) $$ <br> $$ MACD_{Hist}(i) = DIF(i) - DEA(i) $$ |
| **数据范围** | 理论上无界。 |
| **单位** | 与标的资产的价格单位相同。 |
| **精度要求** | 建议保留 4-6 位小数，以精确捕捉交叉点。 |
| **数据来源** | [K线](../../wiki/名词解释/K线.md)收盘价序列。 |
**量化交易应用场景**
1. **金叉/死叉策略**：当 DIF 线（MACD 线）自下而上穿过 DEA 线（信号线）形成“金叉”，为买入信号；反之形成“死叉”，为卖出信号。这是最常见的 MACD 应用方式。
2. **背离交易**：当价格创出新高而 MACD 指标未能创出新高时，形成“顶背离”，是潜在的下跌信号。反之，当价格创出新低而 MACD 未能创出新低时，形成“底背离”，是潜在的上涨信号。可用于[逆势交易](../../wiki/名词解释/逆势交易.md)。
#### 4. RSI (相对强弱指数)
RSI 是一个动量振荡器，衡量价格变动的速度和变化，用于判断市场的超买超卖状态。
**数据说明**
| 属性 | 说明 |
| :--- | :--- |
| **计算公式** | $$ RS = \frac{RMA(U, N)}{RMA(D, N)} $$ <br> $$ RSI = 100 - \frac{100}{1 + RS} $$ <br> 其中 U 为上涨期数，D 为下跌期数。 |
| **数据范围** | 0 至 100。 |
| **单位** | 无。 |
| **精度要求** | 建议保留 2 位小数。 |
| **数据来源** | [K线](../../wiki/名词解释/K线.md)收盘价序列。 |
**量化交易应用场景**
1. **超买超卖策略**：当 RSI 进入超买区（如 > 70）并出现回落迹象时，执行卖出操作；当 RSI 进入超卖区（如 < 30）并出现回升迹象时，执行买入操作。这是典型的振荡市策略。
2. **RSI 背离**：与 MACD 类似，RSI 的背离也是重要的交易信号，常用于捕捉趋势反转点。
### 二、指标参数参考表
下表整理了 tradehk 指标引擎中各核心指标的可配置参数、系统默认值及推荐的调整范围，供策略开发者参考。
| 指标 | 参数 | 推荐值/默认值 | 取值范围 | 说明 |
| :--- | :--- | :--- | :--- | :--- |
| **MA** | `period` | 10, 100 | 5 ~ 200 | 周期越短越灵敏，越长越平滑。 |
| **EMA** | `period` | 12, 26 | 5 ~ 200 | 用于计算 MACD 和 EWO 的基础。 |
| **MACD** | `fastPeriod` | 10 (非标) | 5 ~ 20 | 快速 EMA 周期。 |
| | `slowPeriod` | 20 (非标) | 20 ~ 50 | 慢速 EMA 周期。 |
| | `signalPeriod` | 10 (非标) | 7 ~ 12 | 信号线（DEA）的 EMA 周期。 |
| **RSI** | `period` | 14 | 7 ~ 30 | 计算 RSI 的时间窗口。 |
| | `overbought` | 70 | 60 ~ 80 | 超买阈值。 |
| | `oversold` | 30 | 20 ~ 40 | 超卖阈值。 |
| **KDJ** | `period` | 9 | 9 ~ 21 | 计算 RSV 的时间窗口。 |
| | `kSmooth` | 3 | 3 ~ 7 | K 值的平滑周期。 |
| | `dSmooth` | 3 | 3 ~ 7 | D 值的平滑周期。 |
| **Bollinger Bands** | `period` | 20 | 10 ~ 30 | 中轨 MA 的周期。 |
| | `stdDev` | 2 | 1.5 ~ 3.0 | 标准差倍数，决定带宽。 |
| **SuperTrend** | `period` | 10 | 7 ~ 21 | ATR 计算周期。 |
| | `multiplier` | 3 | 2.0 ~ 5.0 | ATR 乘数，决定趋势线的偏移量。 |
| **DMI/ADX** | `period` | 14 | 7 ~ 21 | +DI, -DI, ADX 的计算周期。 |
### 三、数据格式规范
为确保指标引擎的正确运行，输入的数据需遵循以下格式规范：
- **输入数据结构**：所有指标函数接收的输入为标准的 K 线数组，其数据结构定义如下：
```json
[
{
"timestamp": 1672531200000, // Unix 时间戳 (毫秒)
"open": 30000.1,
"high": 30500.5,
"low": 29800.0,
"close": 30450.2,
"volume": 1234.56
},
// ... more K-line objects
]
```
- **字段类型**：
- `timestamp`: `number` (整数)
- `open`, `high`, `low`, `close`, `volume`: `number` (浮点数)
- **时间戳格式**：必须使用 **Unix 时间戳（毫秒）**，确保时间序列的准确性和一致性。
- **输出数据结构**：指标函数返回一个与输入等长的 `number[]` 数组。在计算周期不足无法生成有效指标值的位置，使用 `NaN` 进行填充。
### 四、常见误区与正确理解
1. **误区一：指标万能论**
- **错误理解**：认为某个或某组指标可以完美预测市场，信号一出现就立即交易。
- **正确理解**：任何技术指标都是对过去价格数据的统计和加工，具有滞后性。它们是辅助决策的工具，而非水晶球。必须结合市场结构、[成交量](../../wiki/名词解释/成交量.md)分析、宏观环境等多维度信息进行综合判断。
2. **误区二：参数神圣化**
- **错误理解**：痴迷于寻找一组“最优参数”，并认为这组参数永远有效。
- **正确理解**：市场是动态变化的，不存在一劳永逸的“最优参数”。参数需要根据不同的交易品种、时间周期和市场环境进行适配和调整。过度优化（Overfitting）参数会导致策略在样本外表现急剧下降。
3. **误区三：忽略指标适用环境**
- **错误理解**：在所有市场环境下使用同一类指标。例如，在强趋势市场中使用振荡指标（如 RSI, Stoch）。
- **正确理解**：不同指标有不同的适用场景。趋势指标（如 MA, MACD, SuperTrend）适用于趋势明显的市场；振荡指标（如 RSI, KDJ）适用于区间盘整市场。应首先判断当前市场状态，再选择合适的指标工具。
4. **误区四：只看金叉/死叉，不看位置**
- **错误理解**：只要 MACD 或 KDJ 出现金叉就买入，出现死叉就卖出。
- **正确理解**：交叉信号的可靠性与其发生的位置密切相关。例如，KDJ 在超卖区（<20）的金叉远比在 50 中轴附近的金叉更具参考价值。MACD 在零轴上方的金叉通常表示多头趋势的延续，而在零轴下方的金叉可能只是下跌趋势中的一次反弹。

88
wiki/tradehk/系统架构总览.md
查看文件

@@ -128,3 +128,91 @@ tradehk 采用**精英深色仪表盘**风格（Elite Dark Dashboard）：
- [信号评分引擎](./信号评分引擎.md)
- [EWO转换检测机制](./EWO转换检测机制.md)
- [部署运维指南](./部署运维指南.md)
---
## 附录：数据说明与补充
本文档旨在对 tradehk 系统的核心概念、数据结构及关键参数进行深入阐述，以补充系统架构概览中的信息。内容涵盖了关键指标的量化定义、实际应用场景、数据格式规范、参数配置建议以及常见的设计与实践误区，旨在为开发者和使用者提供更全面的参考。
### 1. 核心指标量化详解
系统中的技术指标是信号生成与市场分析的基础。下表对核心指标的计算方法、数据属性及应用进行了详细说明。
| 指标名称 | 计算公式 (LaTeX) | 数据范围 | 单位 | 精度要求 | 数据来源 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| **EWO** | $$ EWO = SMA(Close, 5) - SMA(Close, 34) $$ | (-∞, +∞) | 计价货币 | 4位小数 | 原始 K 线收盘价 |
| **MACD** | $$ MACD = EMA(Close, 12) - EMA(Close, 26) $$ | (-∞, +∞) | 计价货币 | 8位小数 | 原始 K 线收盘价 |
| **AO** | $$ AO = SMA(\frac{H+L}{2}, 5) - SMA(\frac{H+L}{2}, 34) $$ | (-∞, +∞) | 计价货币 | 8位小数 | 原始 K 线高低价 |
| **RSI** | $$ RSI = 100 - \frac{100}{1 + \frac{AvgGain}{AvgLoss}} $$ | [0, 100] | / | 2位小数 | 原始 K 线收盘价 |
#### 1.1 指标应用场景
- **EWO (艾略特波浪振荡器)**
1. **趋势识别**：EWO 值持续为正且不断增大，通常预示着强劲的上升趋势；反之，持续为负且不断减小，则预示着下降趋势。可用于构建[趋势跟踪](../../wiki/名词解释/趋势跟踪.md)策略的入场过滤器。
2. **背离交易**：当价格创出新高而 EWO 未能创出新高时，形成“顶背离”，是潜在的卖出信号。反之，价格新低而 EWO 未创新低，形成“底背离”，是潜在的买入信号。
- **MACD (平滑异同移动平均线)**
1. **金叉/死叉交易**：快线（DIF）由下向上穿越慢线（DEA）形成“金叉”，为买入信号；由上向下穿越形成“死叉”，为卖出信号。这是最经典的[动量策略](../../wiki/名词解释/动量策略.md)之一。
2. **零轴穿越**：MACD 柱状图（Histogram）由负转正（穿越零轴），表明市场情绪由空转多，可作为多头开仓的辅助判断；反之则为空头信号。
### 2. 关键数据结构定义
系统的数据流始于标准化的 K 线数据，并最终生成结构化的交易信号。明确其数据格式对于系统对接与二次开发至关重要。
#### 2.1 K线数据 (Candlestick Data)
K 线数据是所有技术分析的基础，系统直接采用 Binance API 的标准格式。
- **数据格式**: `Array<number | string>`
- **示例**: `[ 1499040000000, "4261.48000000", "4261.48000000", "4261.48000000", "4261.48000000", "1.48630000", 1499644799999, ... ]`
- **字段说明**:
| 索引 | 字段名 | 数据类型 | 描述 |
| :--- | :--- | :--- | :--- |
| 0 | Open time | `number` | K 线开盘时间戳 (毫秒, UTC) |
| 1 | Open | `string` | 开盘价 |
| 2 | High | `string` | 最高价 |
| 3 | Low | `string` | 最低价 |
| 4 | Close | `string` | 收盘价 |
| 5 | Volume | `string` | 成交量 (基础资产) |
| 6 | Close time | `number` | K 线收盘时间戳 (毫秒, UTC) |
#### 2.2 交易信号 (Signal)
当指标满足特定条件时，信号引擎会生成一条记录，并持久化至数据库。
- **数据格式**: `JSON Object`
- **字段说明**:
| 字段名 | 数据类型 | 描述 | 示例 |
| :--- | :--- | :--- | :--- |
| `id` | `number` | 唯一标识符 | `101` |
| `userId` | `number` | 关联的用户 ID | `1` |
| `symbol` | `string` | 交易对 | `"BTCUSDT"` |
| `interval` | `string` | K 线周期 | `"10m"` |
| `direction` | `"LONG" \| "SHORT"` | 信号方向 | `"LONG"` |
| `timestamp` | `string` | 信号触发时间 (ISO 8601) | `"2026-03-06T12:30:00.000Z"` |
| `createdAt` | `string` | 记录创建时间 (ISO 8601) | `"2026-03-06T12:30:03.123Z"` |
### 3. 系统参数配置参考
合理的参数配置是确保系统稳定、高效运行的关键。下表提供了对 `docker-compose.yml` 中核心环境变量的配置建议。
| 参数 | 推荐值 | 取值范围 | 说明 |
| :--- | :--- | :--- | :--- |
| `MARKET_ENGINE_POLL_MS` | 15000 | `10000` - `60000` | 引擎轮询间隔。过短会增加 API 请求频率，可能触发风控；过长则降低信号时效性。15秒是时效性与资源消耗的良好平衡点。 |
| `MARKET_SUMMARY_INTERVAL_HOURS` | 6 | `1` - `24` | 定期市场总结推送的间隔。对于活跃交易者，可缩短至 2-4 小时；对于长期观察者，可延长至 8-12 小时。 |
| `CACHE_CANDLE_LIMIT` | 300 | `250` - `1000` | K 线缓存数量。该值需覆盖所有指标计算所需的最大周期（如 MACD 的 26周期、EWO 的 34周期）。300根可满足大部分常用指标计算。 |
| `signalLarkThrottleMinutes` | 5 | `0` - `60` | 同一交易对同方向信号的推送冷却时间。设为 0 表示不节流。建议设为 5-10 分钟，避免因市场震荡导致重复的[信号轰炸](../../wiki/名词解释/信号轰炸.md)。 |
### 4. 常见误区与正确理解
1. **误区：轮询间隔越短，信号越及时。**
**正确理解**：信号的及时性受限于 K 线周期。对于 `10m` 周期的 K 线，只有在当前 K 线收盘后，其指标值才能最终确定。因此，将轮询间隔设为远小于 K 线周期的值（如1秒）并无实际意义，反而会因请求未收盘 K 线而产生大量无效计算和 API 调用。轮询间隔应与[交易策略](../../wiki/名词解释/交易策略.md)的反应速度相匹配。
2. **误区：前端计算的指标与服务端完全一致。**
**正确理解**：前端和服务端在 K 线数据的获取和更新机制上存在差异。前端通过 [WebSocket](../../wiki/名词解释/WebSocket.md) 实时更新最新价格，导致当前 K 线不断变化；而服务端在固定时间间隔通过 [REST API](../../wiki/名词解释/REST API.md) 拉取已收盘的 K 线快照。因此，只有对于已完全收盘的 K 线，两者的指标计算结果才能保证一致。
3. **误区：EWO 颜色转换即是反转信号。**
**正确理解**：EWO 由绿转红或由红转绿，仅表示短期动能（5周期均线）与长期动能（34周期均线）的相对强弱发生了变化，可视为潜在的趋势转折“警示”，而非确定的反转信号。它需要结合价格行为、成交量或其他指标进行综合判断，以过滤掉盘整行情中的大量“毛刺”信号。

79
wiki/名词解释/AMM.md 普通文件
查看文件

@@ -0,0 +1,79 @@
# 爆仓 (Forced Liquidation)
🟢入门
## 一句话解释
爆仓是指在杠杆交易中，由于市场价格剧烈波动，导致投资者的账户净值低于维持仓位所需的最低保证金水平，从而被交易平台强制平仓，以防止亏损进一步扩大的一种风险控制措施。
## 详细解释
### 背景与原理
在金融市场，尤其是期货、外汇和加密货币等提供杠杆交易的领域，投资者可以借入资金来放大其头寸，以小博大，这被称为杠杆交易。杠杆在放大潜在收益的同时，也急剧放大了风险。为了保障借出资金的券商或交易平台的利益，投资者账户中必须维持一定比例的自有资金作为“保证金”（Margin）。
当市场价格朝着投资者持仓的相反方向剧烈变动时，账户的浮动亏损会迅速增加，导致账户的总权益（净值）下降。每个交易平台都设定了一个“维持保证金率”（Maintenance Margin Ratio）。一旦账户的保证金率低于这个阈值，系统就会触发“追加保证金通知”（Margin Call），要求投资者在规定时间内补充资金，使保证金率恢复到初始水平。如果投资者未能及时补足资金，交易平台为了避免自身承担损失，就会启动强制平仓程序，即“爆仓”。系统会自动以当前市价卖出（或买入）投资者持有的全部或部分头寸，直到账户的保证金率恢复到安全水平之上。这个过程是自动且强制的，投资者无法干预。
### 计算公式
爆仓通常与保证金率（Margin Ratio）直接相关。当保证金率低于维持保证金率时，即会触发爆仓。具体的爆仓价格计算公式因交易平台和产品而异，但一个通用的计算逻辑如下：
对于多头（买入）仓位：
$$ P_{\text{爆仓}} = P_{\text{开仓}} \times \left( 1 - \frac{\text{初始保证金率} - \text{维持保证金率}}{\text{杠杆倍数}} \right) $$
对于空头（卖出）仓位：
$$ P_{\text{爆仓}} = P_{\text{开仓}} \times \left( 1 + \frac{\text{初始保证金率} - \text{维持保证金率}}{\text{杠杆倍数}} \right) $$
其中：
- $P_{\text{爆仓}}$ 是爆仓价格。
- $P_{\text{开仓}}$ 是开仓时的价格。
- 初始保证金率是开仓时要求的保证金占仓位总价值的比例。
- 维持保证金率是维持仓位必须的最低保证金比例。
- 杠杆倍数是投资者使用的杠杆水平。
### 计算示例
假设一个投资者在比特币价格为 50,000 美元时，使用 10 倍杠杆开了一个多头仓位，价值为 100,000 美元。该仓位的初始保证金为 10,000 美元（10%）。平台的维持保证金率为 2%。
根据多头爆仓价格公式：
$$ P_{\text{爆仓}} = 50,000 \times \left( 1 - \frac{10\% - 2\%}{10} \right) = 50,000 \times (1 - 0.008) = 49,600 \text{ 美元} $$
这意味着，当比特币价格从 50,000 美元下跌到 49,600 美元时，该投资者的仓位就会被强制平仓。
## 在量化交易中的应用
1. **风险管理与资金管理**：在量化策略中，爆仓是必须极力避免的极端风险事件。量化模型会内置严格的资金管理模块，通过动态调整杠杆、设定止损位来计算最大可承受的回撤。例如，策略会根据市场波动率实时调整仓位规模和杠杆倍数，确保在极端行情下，账户的保证金水平也远高于维持保证金要求，从而从根本上避免爆仓的发生。
2. **压力测试与回测**：量化策略在上线前必须经过严格的历史数据回测和压力测试。其中一个重要的测试场景就是模拟历史上发生过的“黑天鹅”事件，如闪电崩盘或极端波动行情。通过模拟这些情况，可以检验策略在极端市场压力下的表现，评估其最大回撤和爆仓概率，并据此优化策略的风险参数。
3. **高频交易中的流动性风险考量**：对于高频交易（HFT）策略，爆仓风险不仅来自价格的剧烈波动，还来自市场的流动性枯竭。在市场快速下跌时，如果流动性不足，强制平仓的卖单可能会以远低于预期的价格成交，造成远超预期的损失。因此，高频策略需要将市场深度和流动性指标纳入模型，避免在流动性差的市场中使用高杠杆。
4. **期权与波动率策略**：在涉及期权等衍生品的复杂量化策略中，爆仓风险的计算更为复杂。例如，卖出无保护的看涨期权（Naked Call Selling）理论上面临无限风险。量化策略会通过构建期权组合（如价差策略、备兑开仓）来对冲风险，并利用 VIX 指数等波动率指标来动态调整仓位，以控制整体投资组合的 Delta 和 Gamma 风险，防止因隐含波动率的急剧上升而导致保证金不足而爆仓。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | > 0 |
| 单位 | 计价货币（如 USD, CNY） |
| 更新频率 | 实时 |
| 典型数据源 | 交易所、券商的交易API |
## 常见误解
1. **误解：只要不止损，亏损的钱总会涨回来。**
**正确理解：** 这种想法在杠杆交易中是致命的。与现货交易不同，杠杆交易中的亏损是实时的，并且会消耗保证金。一旦保证金不足，仓位就会被强制平仓，亏损将永久锁定，投资者将失去等待市场反弹的机会。
2. **误解：爆仓只会发生在新手身上。**
**正确理解：** 任何使用杠杆的交易者，无论经验多么丰富，都可能面临爆仓风险。即使是专业的量化基金，如果其风控模型设计不当或遭遇远超历史经验的极端行情（即“黑天鹅”事件），也同样可能发生爆仓。风险管理是所有杠杆交易参与者永恒的课题。
3. **误解：只要设置了止损，就不会爆仓。**
**正确理解：** 止损是控制亏损的重要工具，但不能完全杜绝爆仓。在市场出现剧烈跳空或流动性极差的情况下，止损单可能无法在预设价格成交，而是以更差的价格滑点成交，导致亏损超出预期。如果滑点过大，依然可能导致保证金不足而触发爆仓。
## 相关名词
- [杠杆 (Leverage)](./杠杆.md)
- [保证金 (Margin)](./保证金.md)
- [强制平仓 (Forced_Liquidation)](./强制平仓.md)
- [追加保证金 (Margin_Call)](./追加保证金.md)
- [风险价值 (Value_at_Risk_VaR)](./风险价值_VaR.md)
## 深入阅读
- [Investopedia: Forced Liquidation](https://www.investopedia.com/terms/f/forcedliquidation.asp)
- [CME Group: Introduction to Margins](https://www.cmegroup.com/education/courses/introduction-to-futures/margins-introduction.html)

90
wiki/名词解释/Alpha.md 普通文件
查看文件

@@ -0,0 +1,90 @@
# 期现套利 (Cash-and-Carry Arbitrage)
🟡进阶
## 一句话解释
期现套利是一种利用金融资产的现货价格与期货价格之间的暂时性偏离，通过在两个市场同时进行方向相反的交易来锁定无风险利润的投资策略。
## 详细解释
### 背景与原理
期现套利的核心在于期货的定价原理。理论上，一份期货合约的价格应约等于其标的资产的现货价格加上在合约到期前持有该现货资产所需的所有成本。这个持有成本（Cost of Carry）通常包括资金的利息、仓储费、保险费等，并需要减去持有期间可能产生的收益（如股息、利息收入）。当期货的市场价格显著高于或低于这个理论价格时，就产生了套利机会。
当期货价格过高（相对于现货价格和持有成本）时，套利者可以执行“正向期现套利”（Cash-and-Carry Arbitrage）。具体操作为：在现货市场买入标的资产，同时在期货市场卖出（做空）等量的期货合约。然后，套利者持有该现货资产直至期货合约到期，并进行实物交割。由于卖出期货的价格已经锁定了未来的卖价，而买入现货的成本是确定的，其间的差价扣除持有成本后，即为无风险套利利润。
反之，当期货价格过低时，可以执行“反向期现套利”（Reverse Cash-and-Carry Arbitrage），即卖空现货资产，同时买入期货合约，等待价格回归后平仓获利。
### 计算公式
期货的理论价格通常由以下无套利定价公式给出：
```latex
F_t = S_t \times (1 + r - d)^{(T-t)}
```
其中：
- \( F_t \): 期货在时间 \( t \) 的理论价格
- \( S_t \): 标的资产在时间 \( t \) 的现货价格
- \( r \): 无风险利率（年化）
- \( d \): 持有期内标的资产带来的连续收益率（如股息，年化）
- \( (T-t) \): 距离合约到期的时间（以年为单位）
套利空间 = 期货市场价格 - 期货理论价格 \( F_t \)
### 计算示例
假设某股票的当前现货价格（\( S_t \)）为 100 元，3 个月后到期的该股票期货合约市场价格为 103 元。期间的无风险年利率（\( r \)）为 4%，且该股票预计不支付任何股息（\( d=0 \)）。
1. **计算期货理论价格**：
距离到期时间 \( (T-t) = 3/12 = 0.25 \) 年。
期货理论价格 \( F_t = 100 \times (1 + 0.04 - 0)^{0.25} \approx 100 \times (1 + 0.01) = 101 \) 元。
*为简化理解，此处使用单利近似计算持有成本为 100 * 4% * 0.25 = 1 元，理论价格为 101 元。*
2. **判断套利机会**：
期货市场价格（103 元） > 期货理论价格（101 元），存在正向套利机会。
3. **执行套利**：
- 以 100 元的价格买入一股现货股票。
- 以 103 元的价格卖出一份 3 个月后到期的期货合约。
- 持有股票至 3 个月后合约到期。
4. **计算利润**：
到期时，将持有的股票用于交割，获得 103 元。初始成本为 100 元，假设持有成本（如借贷资金的利息）为 1 元，则净利润为 \( 103 - 100 - 1 = 2 \) 元。
## 在量化交易中的应用
1. **股指期现套利**：这是最常见的应用场景。量化系统持续监控股指期货（如沪深300指数期货）与其一篮子成分股的现货组合之间的价差。当期货价格相对于成分股组合的加权市值出现显著溢价时，程序会自动买入一篮子股票并做空相应数量的股指期货，以捕捉基差（Basis）收敛带来的利润。
2. **商品期现套利**：对于黄金、原油、农产品等大宗商品，量化策略会监控其实物现货价格与期货价格。当期货升水（Contango）过高时，买入现货并进行仓储，同时卖出远期期货合约。此策略需要精确计算仓储、运输、保险等持有成本。
3. **国债期现套利**：通过比较国债现货市场价格与国债期货的隐含价格来寻找套利机会。量化模型会计算出期货合约对应的“最便宜可交割券”（Cheapest-to-Deliver），并基于其价格与期货价格进行套利决策。这要求模型能处理复杂的交割规则和多种债券的收益率计算。
4. **跨币种期现套利（外汇市场）**：利用不同货币的利率差（远期点数）和即期汇率、远期汇率之间的关系进行套利。例如，当远期汇率的定价偏离了利率平价理论（Interest Rate Parity）时，可以通过借入低利率货币、兑换为高利率货币并投资，同时签订一份远期合约锁定未来的换回汇率，从而赚取无风险利差。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | -∞ 到 +∞ |
| 单位 | 基点 (Basis Points) 或 价格单位 (如元、美元) |
| 更新频率 | 实时 (Tick级) |
| 典型数据源 | CTP (Comprehensive Transaction Platform), Bloomberg, Reuters, Wind |
## 常见误解
1. **误解**：期现套利是完全“零风险”的。
**正确理解**：理论上是无风险的，但在实际操作中存在多种风险，如流动性风险（无法及时成交）、冲击成本（大额交易导致价格变动）、交易对手风险（期货交割违约）以及模型风险（持有成本估算错误）。
2. **误解**：只要期货价格高于现货价格，就能套利。
**正确理解**：必须是期货价格高于“现货价格 + 持有成本”的总和，才存在套利空间。忽略持有成本是常见的错误，尤其是在需要实物仓储的商品套利中，该成本可能很高。
3. **误解**：期现套利总能获得暴利。
**正确理解**：由于市场有效性的提高和大量套利者的参与，纯粹的期现套利空间通常非常小且转瞬即逝。量化交易系统通过高速执行和利用杠杆来放大这些微小的利润，从而获得可观的回报，但单笔利润率一般不高。
## 相关名词
- `[基差](./基差.md)`
- `[持有成本](./持有成本.md)`
- `[期货升水](./期货升水.md)`
- `[利率平价理论](./利率平价理论.md)`
- `[阿尔法策略](./阿尔法策略.md)`
## 深入阅读
- `[赫尔《期权、期货及其他衍生产品》](./John_Hull_Options_Futures_and_Other_Derivatives.md)`
- `[塔勒布《动态对冲》](./Nassim_Taleb_Dynamic_Hedging.md)`

86
wiki/名词解释/Beta.md 普通文件
查看文件

@@ -0,0 +1,86 @@
# 网格交易 (Grid Trading)
🟢入门
## 一句话解释
网格交易是一种自动化交易策略，通过在预设的价格区间内，以固定的价格间距设置一系列的买单和卖单，从而在市场价格波动中自动执行“低买高卖”以赚取差价。
## 详细解释
### 背景与原理
网格交易策略的核心思想是利用市场的价格波动来获利，而非预测市场的单边走势。该策略尤其适用于震荡行情，即价格在一定范围内反复波动的市场环境。其基本原理是，投资者首先设定一个价格区间（即网格的上限和下限），然后将这个区间分割成若干个等距或等比的小区间，形成一张“价格网格”。
当市场价格下跌并触及预设的某个网格线时，系统会自动执行一笔买入订单；相反，当价格上涨并触及上方的某个网格线时，系统会自动执行一笔卖出订单。每一笔成功配对的“低买高卖”交易都会产生一笔利润。这个过程不断重复，就像在网格中反复捕鱼一样，只要价格在设定的区间内波动，策略就能持续不断地累积小额利润。
### 计算公式（如适用）
网格交易的核心参数计算如下，使用 LaTeX 格式表示：
1. **网格间距 (Grid Interval)**：
```latex
I = \frac{P_{upper} - P_{lower}}{N}
```
其中，`P_upper` 是网格价格区间的上限，`P_lower` 是下限，`N` 是网格数量。
2. **单网格利润 (Profit per Grid)** (忽略交易成本)：
```latex
P_{grid} = I \times S
```
其中，`I` 是网格间距，`S` 是每笔交易的数量（例如，股票的股数）。
### 计算示例
假设投资者为某只股票设置了一个网格交易策略，参数如下：
- **价格区间上限 (P_upper)**: 12 元
- **价格区间下限 (P_lower)**: 8 元
- **网格数量 (N)**: 4
- **每笔交易股数 (S)**: 1000 股
首先，计算网格间距：
`I = (12 - 8) / 4 = 1` 元
因此，买入和卖出的价格点位分别是：8元、9元、10元、11元、12元。假设当前市价为10.5元，策略启动后会立即在10元、9元、8元设置买单，在11元、12元设置卖单。
- **情景1**: 价格从10.5元下跌到9.9元。系统会在10元价位自动买入1000股。
- **情景2**: 价格随后从9.9元上涨到11.1元。系统会在11元价位自动卖出之前在10元买入的1000股。
这次买卖操作的利润为：
`Profit = (11 - 10) 元/股 × 1000 股 = 1000` 元 (未计算交易手续费)。
## 在量化交易中的应用
1. **外汇市场套利**：外汇市场，特别是某些货币对（如 AUD/NZD），常常表现出较强的区间震荡特性。通过部署网格交易机器人，可以在这些货币对的相对稳定价格通道内进行高频的低买高卖，从而实现稳定的套利。
2. **加密货币波动性捕捉**：比特币、以太坊等主流加密货币以其高波动性著称。在这些资产上应用网格交易，可以有效地捕捉日内或周内的价格大幅波动，将波动性转化为利润。即使在没有明显单边趋势的市场中，也能通过反复的震荡获利。
3. **股票指数ETF的波段操作**：对于跟踪大盘指数的ETF基金，当市场进入横盘整理阶段时，其价格通常会在一个相对固定的箱体内波动。网格交易可以被用来进行自动化的波段操作，无需人工判断每一次的买卖点，从而纪律性地执行交易计划。
4. **商品期货的震荡交易**：原油、黄金等商品期货市场也时常出现震荡行情。量化交易者可以根据历史波动范围设定网格区间，利用期货的杠杆效应，放大在价格波动中获得的收益。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 大于0的实数 |
| 单位 | 计价货币单位 (如 USD, CNY) |
| 更新频率 | 实时 (Tick级别或秒级) |
| 典型数据源 | 证券交易所、加密货币交易所、外汇经纪商提供的行情API |
## 常见误解
1. **误解**: 网格交易是无风险的稳定盈利策略。
**正确理解**: 网格交易并非没有风险。最大的风险是“破网”，即市场价格走出预设的网格区间，形成强劲的单边上涨或下跌行情。在单边下跌中，策略会不断买入，导致浮亏持续扩大；在单边上涨中，策略会过早卖出所有持仓，错失大部分涨幅。
2. **误解**: 网格密度越高（网格数量越多），利润就越高。
**正确理解**: 网格密度需要权衡。密度过高虽然能捕捉更细微的波动，但单次利润会非常薄，可能不足以覆盖交易成本。密度过低则可能错过许多交易机会。最优的网格密度取决于标的资产的日常波动率和交易成本。
3. **误解**: 网格交易不需要任何市场判断。
**正确理解**: 虽然网格交易是自动化执行的，但其初始参数设置（如价格区间的选择、网格密度、启动时机）需要基于对市场状态的判断。选择一个可能长期震荡的标的，并设定一个合理的运行区间，是策略成功的基础。
## 相关名词
- `[马丁格尔策略](./马丁格尔策略.md)`
- `[均值回归](./均值回归.md)`
- `[配对交易](./配对交易.md)`
- `[波动率](./波动率.md)`
- `[算法交易](./算法交易.md)`
## 深入阅读
- `[量化交易策略：从思想的诞生到策略的实现](./量化交易策略：从思想的诞生到策略的实现.md)`
- `[海龟交易法则](./海龟交易法则.md)`

84
wiki/名词解释/CVaR.md 普通文件
查看文件

@@ -0,0 +1,84 @@
# IV-隐含波动率 (Implied Volatility)
🟢入门
## 一句话解释
隐含波动率是市场对未来特定时期内标的资产价格波动幅度的预期，它通过期权的市场价格反向推算得出，是衡量市场情绪和风险偏好的关键指标。
## 详细解释
### 背景与原理
隐含波动率（Implied Volatility, IV）并非一个直接可观测的历史数据，而是源于期权定价模型的一个核心输入变量。最著名的期权定价模型是布莱克-斯科尔斯（Black-Scholes）模型，该模型需要五个输入参数来计算一个期权的理论价格：标的资产价格、行权价格、无风险利率、到期时间以及**波动率**。在这五个参数中，前四个都是市场上的公开信息，唯有波动率是未知的。
然而，在现实交易中，期权合约本身有其市场公允价格。因此，我们可以反其道而行之：将期权的实际市场价格以及其他四个已知参数代入布莱克-斯科尔斯模型，反向求解出那个能使模型理论价格与市场价格相等的波动率。这个被反推出来的波动率，就是“隐含”波动率。它本质上是当前所有期权市场参与者对于标的资产未来波动性的“共识”或“平均预期”。如果市场预期未来价格将剧烈波动，投资者愿意为期权支付更高的权利金，从而推高期权价格，计算出的隐含波动率也相应升高；反之亦然。
### 计算公式（如适用）
隐含波动率没有一个直接的解析解（Closed-form Solution），它通常通过迭代算法（如牛顿法或二分法）来求解。其核心思想是找到一个波动率 `σ`，使得期权定价模型 `C(S, K, T, r, σ)` 的输出等于期权的市场价格 `C_market`。
以看涨期权为例，布莱克-斯科尔斯模型的公式为：
C(S, K, T, r, \sigma) = S_0 N(d_1) - K e^{-rT} N(d_2)
其中：
d_1 = \frac{\ln(S_0/K) + (r + \sigma^2/2)T}{\sigma\sqrt{T}}
d_2 = d_1 - \sigma\sqrt{T}
我们需要求解的方程是：
C_{market} - C(S, K, T, r, \sigma_{implied}) = 0
这里的 `σ_implied` 就是隐含波动率。
### 计算示例
假设某只股票（S）的当前价格为 100 元，市场上有一份以该股票为标的、一个月后（T=1/12 年）到期、行权价（K）为 105 元的看涨期权，其市场交易价格（C_market）为 2.50 元。假设当前的无风险利率（r）为 3%。
我们的目标是找到一个隐含波动率 `σ`，将它与 S=100, K=105, T=1/12, r=0.03 一同代入布莱克-斯科尔斯模型后，计算出的理论价格 `C` 恰好等于 2.50 元。
计算过程通常由软件完成：
1. **猜测一个初始波动率**，例如 20% (σ=0.20)。
2. **代入模型计算理论价格**。假设算出来是 2.10 元。
3. **比较理论价与市场价**。2.10 元 < 2.50 元，说明我们猜测的波动率偏低。
4. **调整波动率并再次计算**。提高波动率，例如猜 25% (σ=0.25)。假设这次算出来是 2.65 元。
5. **再次比较**。2.65 元 > 2.50 元，说明波动率偏高。
6. **迭代求解**。通过算法（如二分法）在 20% 和 25% 之间不断缩小范围，直到计算出的理论价格无限接近 2.50 元。最终得到的那个 `σ` 值（可能约等于 22.5%）就是该期权的隐含波动率。
## 在量化交易中的应用
1. **波动率交易**：这是最直接的应用。量化策略可以构建头寸来直接交易波动率本身，而不是资产价格的方向。例如，当模型预测未来实际波动率将高于当前隐含波动率时，可以买入跨式（Straddle）或宽跨式（Strangle）期权组合做多波动率，反之则卖出这些组合做空波动率。
2. **发现错误定价的期权**：通过构建更复杂的波动率预测模型（如 GARCH 模型），量化交易员可以计算出自己认为的“公允”波动率。当这个公允波动率与市场的隐含波动率出现显著偏差时，就可能意味着期权被错误定价，从而产生套利机会。例如，如果模型的公允波动率高于隐含波动率，则认为期权被低估，可以买入。
3. **风险管理与对冲**：隐含波动率是计算期权希腊字母 Vega 的关键输入。Vega 衡量期权价格对波动率变化的敏感度。量化投资组合管理者利用 Vega 来评估和管理整个投资组合的波动率风险敞口。如果组合的 Vega 敞口过大，可以通过交易其他期权或波动率衍生品（如 VIX 期货）来进行对冲，以降低组合在市场情绪突变时的脆弱性。
4. **市场情绪指标**：隐含波动率通常被视为“恐慌指数”。当市场普遍预期未来将出现大的不确定性或下跌风险时，投资者会涌入期权市场寻求保护，推高期权价格，从而导致隐含波动率飙升。量化策略可以将隐含波动率作为一个反向指标，即在 IV 极高时（市场极度恐慌）寻找买入机会，在 IV 极低时（市场极度自满）保持警惕。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 通常在 5% 到 150% 之间，极端情况下可能更高 |
| 单位 | 百分比 (%) |
| 更新频率 | 实时 |
| 典型数据源 | 期权交易所（如 CBOE）、金融数据服务商（如 Bloomberg, Reuters, Wind） |
## 常见误解
1. **误解：隐含波动率等于历史波动率。**
**正确理解：** 历史波动率是根据标的资产过去一段时间的价格变动计算出的，是向后看（backward-looking）的指标。而隐含波动率是基于当前期权价格反推出的对未来的预期，是向前看（forward-looking）的指标。两者通常不相等，其差异本身就包含了交易信息。
2. **误解：隐含波动率预测了股价的变动方向。**
**正确理解：** 隐含波动率只衡量市场对价格**波动幅度**的预期，而不涉及方向。高隐含波动率意味着市场预期价格可能大幅上涨或大幅下跌，但无法指明是哪一个方向。
3. **误解：高隐含波动率意味着期权“太贵了”。**
**正确理解：** 高隐含波动率确实意味着期权的绝对价格更高，但这不一定代表它“太贵”。期权是否昂贵，取决于未来的实际波动率是否会低于当前的隐含波动率。如果未来实际波动率远超当前的高隐含波动率，那么这个期权反而是“便宜”的。
## 相关名词
- [历史波动率](./历史波动率.md)
- [波动率微笑](./波动率微笑.md)
- [波动率曲面](./波动率曲面.md)
- [希腊字母 (Greeks)](./希腊字母.md)
- [布莱克-斯科尔斯模型](./布莱克-斯科尔斯模型.md)
## 深入阅读
- [波动率交易策略详解](./波动率交易策略详解.md)
- [VIX指数与隐含波动率的关系](./VIX指数与隐含波动率的关系.md)

67
wiki/名词解释/DCA定投.md 普通文件
查看文件

@@ -0,0 +1,67 @@
# 质押 (Staking)
🟢入门
## 一句话解释
质押（Staking）是指将持有的加密货币锁定在区块链网络中以支持其运作和安全，并因此获得奖励的过程。
## 详细解释
### 背景与原理
质押是“权益证明”（Proof of Stake, PoS）共识机制的核心组成部分。与比特币所采用的“工作量证明”（Proof of Work, PoW）机制不同，PoS 不依赖于大量的计算能力来验证交易和创建新区块，而是通过验证者锁定（质押）一定数量的代币来实现。验证者被随机选择来创建新区块和验证交易，他们质押的代币数量越多、时间越长，被选中的概率就越大。作为维护网络安全和稳定运行的回报，验证者会获得新铸造的代币或交易费用作为奖励。这种机制不仅显著降低了能耗，还通过激励代币持有者长期参与网络治理，提升了整个系统的去中心化程度和安全性。
### 计算公式（如适用）
质押年化收益率 (APY) 的计算公式可以表示为：
$$ APY = (1 + \frac{R}{n})^n - 1 $$
其中：
- **R** = 年名义利率 (Nominal Annual Interest Rate)
- **n** = 年复利次数 (Number of Compounding Periods per Year)
对于非复利或简单计算，通常使用年化收益率 (APR) 公式：
$$ APR = \frac{\text{年总奖励}}{\text{质押总额}} \times 100\% $$
### 计算示例
假设投资者在某个 PoS 网络上质押了 1,000 个代币，该网络的年化收益率（APR）为 5%。
- **质押数量**: 1,000 tokens
- **年化收益率 (APR)**: 5%
一年的预期奖励计算如下：
$$ \text{年度奖励} = 1000 \times 0.05 = 50 \text{ tokens} $$
如果该网络支持每日复利，并且每日利率为 `0.05 / 365 ≈ 0.000137`，则年化收益率 (APY) 会更高。
## 在量化交易中的应用
1. **收益率优化策略**：量化模型可以持续监控不同 PoS 网络和质押池的实时收益率、佣金和风险参数，通过算法自动将资金分配到最优的质押组合中，以实现整体收益最大化。这需要整合来自多个数据源的 API，并建立复杂的决策引擎。
2. **风险管理模型**：质押并非没有风险，包括价格波动、验证者惩罚（Slashing）和流动性风险。量化策略可以构建风险模型，通过分析历史波动率、网络健康状况和验证者表现等指标，动态调整质押头寸，或使用衍生品对冲价格下跌的风险。
3. **链上数据驱动的信号生成**：大规模的质押和解押活动通常预示着市场情绪和资金流向的变化。量化交易系统可以分析链上数据，例如总质押量、新增质押地址数和验证者集中度等，从中提取交易信号，用于预测相关代币的短期价格走势。
4. **流动性质押衍生品套利**：流动性质押（Liquid Staking）允许用户在质押代币的同时获得一种代表其质押份额的衍生代币（如 stETH）。这些衍生代币可以在去中心化交易所（DEX）上交易，其价格可能与标的资产存在价差。量化策略可以监控这些价差，并在出现套利机会时自动执行交易。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 0% - 100%+ (理论上无上限) |
| 单位 | 百分比 (%) |
| 更新频率 | 实时/每日 |
| 典型数据源 | Staking Rewards, Figment, 各大交易所API |
## 常见误解
1. **误解：质押是完全无风险的**。正确理解：质押存在多种风险，包括市场风险（代币价格下跌）、流动性风险（代币被锁定无法立即出售）以及操作风险（验证者节点离线或作恶可能导致本金被罚没）。
2. **误解：所有加密货币都可以质押**。正确理解：只有采用 PoS 或其变种（如 DPoS）共识机制的区块链网络才支持质押。比特币等采用 PoW 机制的加密货币无法进行原生质押。
3. **误解：质押收益是固定的**。正确理解：质押的年化收益率是动态变化的，它取决于网络的总质押比例、交易费用、通胀率以及验证者的表现等多种因素，并非一成不变。
## 相关名词
- [权益证明 (Proof of Stake)](./权益证明.md)
- [流动性质押 (Liquid Staking)](./流动性质押.md)
- [验证者 (Validator)](./验证者.md)
- [委托权益证明 (Delegated Proof of Stake)](./委托权益证明.md)
## 深入阅读
- [以太坊质押详解](https://ethereum.org/en/staking/)
- [币安学院：什么是质押？](https://academy.binance.com/en/articles/what-is-staking)

60
wiki/名词解释/Delta对冲.md 普通文件
查看文件

@@ -0,0 +1,60 @@
# Delta对冲 (Delta Hedging)
🟢入门
## 一句话解释
Delta对冲是一种风险管理策略，通过买卖标的资产或相关衍生品，来中和投资组合中因标的资产价格变动而产生的风险敞口。
## 详细解释
### 背景与原理
在期权交易中，Delta是衡量期权价格相对于标的资产价格变动的敏感度指标。Delta对冲的核心思想是构建一个“Delta中性”的投资组合，即组合的总Delta值为零或接近于零。当组合达到Delta中性时，在短时间内，标的资产价格的微小波动不会对整个投资组合的价值产生影响。这一策略的理论基础源于Black-Scholes-Merton期权定价模型，该模型本身就隐含了通过动态对冲来复制期权收益的思想。通过持续调整投资组合中现货和期权的比例，投资者可以持续地将组合的Delta值维持在零附近，从而剥离出由市场方向性变动带来的风险，专注于从波动率、时间价值衰减等其他维度获利。
### 计算公式（如适用）
Delta对冲的目标是使整个投资组合的Delta值为零：
$$ \Delta_{portfolio} = \sum_{i=1}^{n} w_i \Delta_i = 0 $$
其中 `$\Delta_{portfolio}$` 是投资组合的总Delta值, `$w_i$` 是第i个资产在组合中的数量（或权重），`$\Delta_i$` 是第i个资产的Delta值。
对于一个由期权和标的资产构成的简单组合，对冲所需的标的资产数量计算如下：
`标的资产对冲数量 = -1 * (期权头寸数量 * 期权Delta值)`
### 计算示例
假设一个投资者持有一张看涨期权，其Delta值为0.6。这意味着标的资产价格每上涨1元，该期权的价格将上涨0.6元。为了对冲这个头寸的Delta风险，投资者需要卖出0.6单位的标的资产。这样，当标的资产价格上涨1元时，期权头寸盈利0.6元，而卖空的标的资产头寸亏损0.6元，两者相互抵消，组合总价值基本不变。
## 在量化交易中的应用
1. **做市商风险管理**：做市商在为市场提供流动性的过程中，会持有大量的期权库存。为了管理这些库存的风险，做市商必须持续进行Delta对冲，以确保其自身的净头寸对市场方向性风险的敞口最小化。这使得他们可以从买卖价差中稳定盈利，而不是赌市场的方向。
2. **波动率交易**：一些量化策略旨在从资产价格的波动中获利，而非其价格方向。通过构建Delta中性的投资组合，交易者可以建立一个纯粹的波动率头寸。例如，买入一个跨式期权组合（同时买入相同执行价和到期日的看涨和看跌期权）并进行Delta对冲，无论市场上涨还是下跌，只要波动足够大，策略就能盈利。
3. **结构化产品设计**：在设计和销售与期权挂钩的结构化产品时，发行方需要对冲其承担的期权风险。通过动态的Delta对冲，发行方可以将复杂的期权风险敞口转化为更易于管理的线性风险，从而为客户提供定制化的收益结构，同时控制自身的风险。
4. **统计套利**：在一些统计套利策略中，交易者会发现两个或多个相关资产之间的价格关系出现了暂时的偏离。通过构建一个多腿的、Delta中性的头寸，交易者可以押注于这种价格关系的回归，而不用担心整体市场的涨跌对策略表现产生影响。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | -1 到 1 (对于单个期权) |
| 单位 | 无 |
| 更新频率 | 实时 |
| 典型数据源 | 期权交易所、彭博、路透 |
## 常见误解
1. **误解**：Delta对冲可以完全消除所有风险。
**正确理解**：Delta对冲主要消除的是方向性风险（由标的价格小幅变动引起）。它无法对冲由价格大幅跳变（Gamma风险）、波动率变化（Vega风险）、时间流逝（Theta风险）等带来的风险。
2. **误解**：一次性完成Delta对冲后就一劳永逸了。
**正确理解**：Delta值本身会随着标的资产价格和波动率的变化而变化（这个二阶效应由Gamma衡量）。因此，Delta对冲是一个动态的过程，需要根据市场变化持续不断地调整对冲头寸，这被称为“动态Delta对冲”。
3. **误解**：Delta对冲总是能降低成本。
**正确理解**：频繁的交易调整会产生交易成本。在市场波动剧烈时，为了维持Delta中性而进行的频繁买卖可能会侵蚀策略的利润。因此，对冲的频率和精度需要在风险控制和交易成本之间进行权衡。
## 相关名词
- `[Gamma](./Gamma.md)`
- `[Vega](./Vega.md)`
- `[Theta](./Theta.md)`
- `[Black-Scholes模型](./Black-Scholes模型.md)`
- `[Delta中性](./Delta中性.md)`
## 深入阅读
- `[John C. Hull, "Options, Futures, and Other Derivatives"](./John_C_Hull_Options_Futures_and_Other_Derivatives.md)`
- `[Nassim Nicholas Taleb, "Dynamic Hedging: Managing Vanilla and Exotic Options"](./Nassim_Nicholas_Taleb_Dynamic_Hedging.md)`

76
wiki/名词解释/Gamma.md 普通文件
查看文件

@@ -0,0 +1,76 @@
# 最大可提取价值 (Maximal Extractable Value)
🔴高级
## 一句话解释
最大可提取价值（MEV）是指在标准的区块奖励和交易费用之外，通过包含、排除或重新排序一个区块中的交易可以从区块生产中提取的最大价值。
## 详细解释
### 背景与原理
MEV 最初在工作量证明（Proof-of-Work）共识机制下被称为“矿工可提取价值”（Miner Extractable Value），因为矿工控制着交易的打包和排序。随着以太坊等区块链转向权益证明（Proof-of-Stake），验证者取代了矿工的角色，因此该术语演变为“最大可提取价值”，以更广泛地涵盖所有区块生产者。MEV 的核心机制源于区块生产者对交易顺序的决定权。被称为“搜索者”（Searchers）的独立参与者会运行复杂算法来扫描区块链数据（特别是内存池 mempool），以发现盈利机会。他们通过机器人自动提交这些交易，并愿意支付高昂的 Gas 费来确保其交易被验证者优先打包，从而捕获价值。理论上，MEV 的全部价值归区块生产者所有，但在实践中，大部分由搜索者捕获，而验证者则通过高昂的 Gas 费分得一杯羹。
### 计算公式（如适用）
MEV 本身没有一个统一的数学计算公式，因为它代表的是在特定环境下通过特定策略可能获得的最大利润，其数值是动态且依赖于具体场景的。然而，一个特定 MEV 机会的潜在利润（P）可以概念化为：
$$ P_{MEV} = V_{extracted} - C_{tx} $$
其中：
- \( V_{extracted} \) 是通过该机会提取的总价值（例如，套利获得的差价）。
- \( C_{tx} \) 是执行该交易所付出的总成本，主要包括支付给验证者的 Gas 费。
搜索者之间的竞争会推高 \( C_{tx} \)，在极端情况下，\( C_{tx} \) 可能接近于 \( V_{extracted} \)。
### 计算示例
**场景：去中心化交易所（DEX）套利**
假设有两个 DEX，DEX A 和 DEX B。
- 在 DEX A 上，1 ETH = 2,000 DAI。
- 在 DEX B 上，1 ETH = 2,050 DAI。
一个搜索者发现此差价，可以执行一个原子交易（在一个交易内完成所有操作）来套利。
1. 在 DEX A 用 20,000 DAI 购买 10 ETH。
2. 立即在 DEX B 将 10 ETH 卖出，获得 20,500 DAI。
- **提取价值 (\( V_{extracted} \))**: 20,500 - 20,000 = 500 DAI。
- **交易成本 (\( C_{tx} \))**: 假设为了确保交易被优先处理，搜索者支付了价值 50 DAI 的 Gas 费。
- **最终利润 (\( P_{MEV} \))**: 500 - 50 = 450 DAI。
## 在量化交易中的应用
1. **DEX 套利 (DEX Arbitrage)**：这是最直接的应用。量化交易策略可以持续监控不同 DEX 之间同一交易对的价格差异。一旦发现有利可图的差价，策略会自动执行原子交易，买入价格较低的资产并卖出价格较高的资产，从而实现无风险套利。这种行为有助于拉平市场价格，提高市场效率。
2. **清算 (Liquidations)**：在去中心化借贷协议（如 Aave、MakerDAO）中，当用户的抵押品价值下降到某个阈值以下时，其头寸面临被清算的风险。量化交易者可以监控这些借贷协议，一旦发现可清算的头寸，便立即提交清算交易。成功清算不仅可以帮助协议保持偿付能力，清算者还能获得协议奖励的清算费，这是一种重要的 MEV 来源。
3. **三明治攻击 (Sandwich Attacks)**：这是一种更具掠夺性的策略。当一个 MEV 机器人监测到内存池中有一笔大额交易（例如，用 DAI 大量购买 UNI）时，它会预测到这笔交易将推高 UNI 的价格。机器人会立即提交一笔抢先交易（front-run），在大额交易前买入 UNI；然后，在大额交易执行完毕后，再立即提交一笔卖出交易（back-run），以更高的价格卖出 UNI，从而将原始交易者夹在中间获利。这会导致原始交易者遭受更高的滑点损失。
4. **NFT 交易抢跑 (NFT Front-running)**：在热门的 NFT 项目发售或稀有 NFT 被错误地以低价挂出时，MEV 机器人可以抢先提交交易。通过支付更高的 Gas 费，机器人可以确保自己的交易在其他购买者之前被处理，从而以低价购得价值不菲的 NFT，然后再以市场价卖出获利。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float, string |
| 取值范围 | 不固定，取决于资产价格、交易大小等 |
| 单位 | ETH, Gwei, DAI, 或其他代币单位 |
| 更新频率 | 实时 |
| 典型数据源 | 以太坊内存池 (Mempool), Flashbots, BloXroute, Eden Network 等 MEV 基础设施服务 |
## 常见误解
1. **误解**：MEV 只是矿工或验证者的事。
**正确理解**：虽然区块生产者最终决定交易顺序，但大部分 MEV 是由独立的“搜索者”通过专业工具和策略发现并捕获的。验证者通常是通过收取更高的交易费来间接从 MEV 中获益。
2. **误解**：MEV 对区块链生态总是有害的。
**正确理解**：虽然三明治攻击等掠夺性 MEV 对用户有害，但某些 MEV 行为，如 DEX 套利和协议清算，对于维持 DeFi 生态的健康和效率至关重要。它们有助于确保价格统一和协议的偿付能力。
3. **误解**：MEV 是一种网络攻击或漏洞。
**正确理解**：MEV 是区块链系统设计（特别是交易排序机制）的固有产物，而非一个可以被“修复”的漏洞。它是一种经济现象，社区正在通过 Flashbots、Proposer-Builder Separation (PBS) 等方案来减轻其负面影响，而不是完全消除它。
## 相关名词
- `[抢跑交易 (Front-running)](./抢跑交易.md)`
- `[三明治攻击 (Sandwich Attack)](./三明治攻击.md)`
- `[闪电机器人 (Flashbots)](./闪电机器人.md)`
- `[去中心化交易所 (DEX)](./去中心化交易所.md)`
- `[Gas 费 (Gas Fee)](./Gas费.md)`
## 深入阅读
- `[以太坊官方文档：MEV](./ethereum-org-mev.md)`
- `[Flashbots 文档](./flashbots-docs.md)`

73
wiki/名词解释/Gas费.md 普通文件
查看文件

@@ -0,0 +1,73 @@
# 代币化 (Tokenization)
🟢入门
## 一句话解释
代币化是将现实世界中的有形或无形资产（如房地产、艺术品、股权）的价值和权益，通过区块链技术转化为数字代币（Token）的过程。
## 详细解释
### 背景与原理
代币化的核心思想源于将资产的所有权进行数字化和凭证化，以便在数字世界中进行高效、安全、透明的流转。其技术基础是区块链或分布式账本技术（DLT）。该过程首先需要确定标的资产，并由法律实体（通常是特殊目的载体 SPV）持有该资产，确保资产的真实性和法律合规性。随后，通过智能合约在区块链上创建代表该资产所有权或收益权的数字代币。每个代币相当于资产的一份“数字股票”，其发行、交易、分红等行为都由代码自动执行，记录在不可篡改的区块链上。
这一机制通过将非流动性资产分割为标准化的、小额的数字单位，极大地降低了投资门槛，提升了资产的流动性。同时，区块链的去中心化和透明性特点，减少了交易过程中的中介环节，降低了交易成本和对手方风险，并实现了近乎实时的清算结算（T+0）。
### 计算公式（如适用）
代币化本身不涉及特定的计算公式，但其核心是资产价值与代币数量的映射关系。单个代币的初始价值可以表示为：
$$V_{token} = \frac{V_{asset} - C_{initial}}{N_{tokens}}$$
其中：
- $V_{token}$ 是单个代币的初始价值
- $V_{asset}$ 是标的资产的总估值
- $C_{initial}$ 是代币化过程中的初始成本（如法律、技术、审计费用）
- $N_{tokens}$ 是发行的代币总数量
### 计算示例
假设一栋商业地产估值为 1,000,000 美元，代币化的总成本为 50,000 美元。项目方决定发行 1,000,000 个代币来代表该地产的所有权。
根据公式，每个代币的初始价值为：
$$V_{token} = \frac{1,000,000 - 50,000}{1,000,000} = 0.95 \text{ 美元}$$
因此，投资者可以用 0.95 美元购买一个代币，从而间接持有了价值 1 美元的地产权益的一部分（扣除成本后）。
## 在量化交易中的应用
1. **投资组合的精细化管理与分散化**：传统高价值资产（如商业地产、稀有艺术品）难以分割，导致投资门槛高。代币化允许将这些资产进行碎片化交易，量化策略可以以极低的成本将这些另类资产纳入投资组合，实现更广泛的风险分散和更精细的头寸管理。
2. **开发基于链上数据的Alpha策略**：代币化资产的交易记录、持有者分布、资金流动等数据都公开透明地记录在区块链上。量化分析师可以利用这些独特的链上数据（On-chain Data）作为新的因子来源，开发传统市场不存在的Alpha策略，例如通过监控巨鲸钱包的动态来预测价格走势。
3. **24/7全球市场套利策略**：基于区块链的代币化资产市场是全天候（24/7）不间断运行的。这为量化交易者提供了跨时区、跨市场套利的机会。例如，当同一资产在不同区块链或不同去中心化交易所（DEX）上出现价差时，算法可以自动执行套利交易来获利。
4. **通过智能合约实现自动化策略执行**：复杂的金融合约和交易逻辑可以被编码到智能合约中。量化策略可以通过智能合约实现自动化、去信任化的执行，例如自动化的资产再平衡、基于预设条件的结构化产品收益分配、以及高效的抵押借贷清算，极大地提升了策略执行的效率和可靠性。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float/string |
| 取值范围 | 价格/价值通常 > 0 |
| 单位 | 美元 (USD), 以太币 (ETH) 或其他稳定币 |
| 更新频率 | 实时（每个区块更新） |
| 典型数据源 | 区块链浏览器 (Etherscan), 链上数据分析平台 (Dune Analytics, Nansen), 预言机 (Chainlink) |
## 常见误解
1. **误解：代币化资产等同于比特币等加密货币。**
**正确理解：** 虽然都使用区块链技术，但代币化资产代表的是现实世界中特定资产的所有权或收益权，其价值有真实资产作为支撑。而比特币等原生加密货币通常没有直接的标的资产，其价值更多地来自于共识和供需关系。
2. **误解：任何资产都可以轻易地被代币化。**
**正确理解：** 代币化过程涉及复杂的法律、合规和技术挑战。资产需要有清晰的所有权、可信的估值方法，并且需要构建稳健的法律框架来确保代币持有者的权益，并非所有资产都适合或能够被代币化。
3. **误解：代币化完全消除了风险。**
**正确理解：** 代币化降低了流动性风险和对手方风险，但引入了新的风险，如智能合约漏洞风险、私钥保管风险、预言机风险以及尚未成熟的监管法规风险。投资者仍需对标的资产的基本面和技术风险进行评估。
## 相关名词
- [区块链](./区块链.md)
- [智能合约](./智能合约.md)
- [现实世界资产 (RWA)](./现实世界资产.md)
- [去中心化金融 (DeFi)](./去中心化金融.md)
- [证券型代币发行 (STO)](./证券型代币发行.md)
## 深入阅读
- [资产代币化深度解析.md](./资产代币化深度解析.md)
- [区块链在金融领域的应用白皮书.md](./区块链在金融领域的应用白皮书.md)

86
wiki/名词解释/IV-隐含波动率.md 普通文件
查看文件

@@ -0,0 +1,86 @@
# 自动做市商 (Automated Market Maker)
🟡进阶
## 一句话解释
自动做市商（AMM）是一种在去中心化交易所（DEX）中使用的协议，它通过算法和流动性池来自动为资产定价并促成交易，而无需依赖传统的买卖订单簿。
## 详细解释
### 背景与原理
在传统金融市场中，做市商（Market Maker）是保障市场流动性的核心实体，他们通过同时提供买卖报价来赚取价差，但这通常需要专业的机构资质和雄厚的资本。随着去中心化金融（DeFi）的蓬勃发展，自动做市商（AMM）应运而生，它借助智能合约将做市过程自动化和去中心化，从而革命性地降低了普通用户参与做市的门槛。
AMM机制的核心是**流动性池（Liquidity Pool）**。任何用户都可以成为流动性提供者（Liquidity Provider, LP），将两种或多种等值的代币资产存入一个由智能合约管理的资金池中。当交易者需要兑换代币时，他们并非与特定的对手方交易，而是直接与这个流动性池进行交互。AMM协议会根据池中各种代币的实时比例，通过一个确定性的数学公式来自动计算出兑换价格。其中，由Uniswap推广的**恒定乘积做市商（Constant Product Market Maker）**模型是最为经典和广泛应用的算法。
### 计算公式
恒定乘积公式定义了在一个包含两种资产的流动性池中，两种代币的数量`x`和`y`的乘积`k`必须保持为一个常数（在不考虑交易费用的情况下）。这个常数`k`也被称为“不变量”。
```latex
x \cdot y = k
```
当交易发生时，例如用代币X兑换代币Y，池中代币X的数量会增加，而代币Y的数量会相应减少。为了维持乘积`k`的恒定，代币的相对价格会沿着这条恒定乘积曲线滑动，从而实现价格的动态调整。值得注意的是，单笔交易的规模相对于池子总规模越大，对代币数量比例的冲击就越强，导致的价格滑点（Slippage）也越大。
### 计算示例
假设一个ETH/USDC的流动性池中，包含10个ETH和20,000个USDC。根据恒定乘积公式：
- `x (ETH) = 10`
- `y (USDC) = 20,000`
- `k = 10 * 20,000 = 200,000`
此时，ETH的瞬时价格可以近似为 `y / x = 20,000 / 10 = 2,000 USDC/ETH`。
现在，一个交易者希望用2,000 USDC购买ETH。这2,000 USDC将进入流动性池，同时一定数量的ETH会从池中转出给该交易者。
- 池中新的USDC数量 `y_new` 为 `20,000 + 2,000 = 22,000`。
为了维持`k`不变，池中新的ETH数量`x_new`必须满足：
- `x_new * 22,000 = 200,000`
- `x_new ≈ 9.0909`
交易者获得的ETH数量为 `10 - 9.0909 = 0.9091 ETH`。
因此，该交易者为这笔交易支付的实际单价为 `2,000 / 0.9091 ≈ 2,200 USDC/ETH`。这个价格高于交易前的瞬时价格2,000，其中的差额部分即为价格滑点。
## 在量化交易中的应用
1. **跨平台套利**：由于不同DEX平台或AMM池之间的交易活动差异，同一资产对的价格可能出现偏离。量化交易策略可以实时监控这些价差，一旦发现有利可图的套利机会，便可通过在一个平台低买并在另一个平台高卖来快速获利。
2. **动态流动性管理**：量化投资者可以设计算法来动态地管理其在各个AMM池中的流动性头寸。这些算法会综合考虑交易手续费收益、流动性挖矿奖励（Yield Farming）以及无常损失（Impermanent Loss）的风险敞口，在不同协议和池子之间进行切换，以实现风险调整后收益的最大化。
3. **MEV（矿工可提取价值）策略**：在AMM中，大额交易会造成显著的价格滑点。高频交易者可以通过分析内存池（Mempool）中的待处理交易，预测即将发生的大额交易，并采取“抢跑”（Front-running）或“三明治攻击”（Sandwich Attack）等MEV策略，从这些价格波动中获利。
4. **结构化产品与衍生品开发**：基于AMM的内在机制，可以构建更复杂的去中心化金融产品。例如，通过将AMM的流动性凭证（LP Token）与借贷协议、期权协议等相结合，可以创造出带有杠杆的流动性挖矿策略、对冲了无常损失风险的中性做市策略，或是基于波动率的金融衍生品。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | (0, +∞) |
| 单位 | 交易对中的相应代币单位 (e.g., ETH, USDC) |
| 更新频率 | 实时 (随每个新区块或每笔交易更新) |
| 典型数据源 | 各大公链（如以太坊、BNB Chain）上的去中心化交易所智能合约，例如 Uniswap、Curve、Balancer 等协议的链上数据。 |
## 常见误解
1. **误解：提供流动性是一种无风险的被动收入。**
**正确理解：** 流动性提供者面临着**无常损失（Impermanent Loss）**的核心风险。当资金池中代币的相对价格发生变动时，LP在撤出流动性时其资产的美元计价总值，可能会低于他们从一开始就简单持有这些代币的价值。尽管交易手续费收入可以在一定程度上抵消此损失，但在市场剧烈波动时，无常损失可能相当巨大。
2. **误解：AMM的价格始终是准确的市场价。**
**正确理解：** AMM的价格是由池内资产储备的比例被动决定的，它依赖于外部套利者的行为来使其价格与更广泛的市场（如中心化交易所的价格）保持一致。若套利活动不足或成本过高，AMM的价格可能会在一段时间内显著偏离公允市场价格。同时，大额交易必然会导致滑点，使得最终成交价劣于交易前的市场报价。
3. **误解：AMM将完全取代传统的订单簿交易所。**
**正确理解：** AMM和订单簿是两种各具优势的交易机制。AMM在为长尾资产提供即时流动性、降低做市门槛方面表现卓越，但通常伴随着更高的滑点和无常损失风险。订单簿模式在价格发现效率、交易深度、订单类型多样性和专业交易功能方面仍然占据优势，尤其适用于高流动性的主流资产。两者在未来更有可能是共存互补的关系。
## 相关名词
- [流动性池](./流动性池.md)
- [无常损失](./无常损失.md)
- [去中心化交易所](./去中心化交易所.md)
- [滑点](./滑点.md)
- [流动性提供者](./流动性提供者.md)
## 深入阅读
- [Uniswap V2 白皮书](./Uniswap_V2_Whitepaper.md)
- [Curve Finance 白皮书](./Curve_Finance_Whitepaper.md)
- [Balancer V2 白皮书](./Balancer_V2_Whitepaper.md)

74
wiki/名词解释/MEV.md 普通文件
查看文件

@@ -0,0 +1,74 @@
# 杠杆 (Leverage)
🟢入门
## 一句话解释
杠杆是一种金融工具，它允许交易者通过借入资金来放大其头寸规模，从而以较小的自有资本控制价值更高的资产。
## 详细解释
### 背景与原理
杠杆的核心思想是“以小博大”。在金融市场中，投资者或交易者可以向券商或经纪商借入资金，用于购买超过其自有资本能力的金融资产（如股票、期货、外汇等）。这种借贷行为使得投资者能够放大其投资回报率，但同时也放大了潜在的亏损风险。杠杆的实现通常通过保证金交易来完成，投资者只需存入一笔占总交易价值一定比例的资金（保证金），即可获得全额的交易敞口。例如，在10倍杠杆下，投资者只需出资1万美元，即可控制价值10万美元的资产。杠杆的本质是债务，它在放大收益可能性的同时，也增加了在市场不利变动时快速亏损甚至爆仓的风险。
### 计算公式（如适用）
杠杆倍数的计算公式为：
$$ \text{Leverage Ratio} = \frac{\text{Total Position Size}}{\text{Margin}} $$
其中：
- **Total Position Size** 是交易的总名义价值。
- **Margin** 是交易者为开立该头寸而存入的保证金。
### 计算示例
假设一个交易者希望购买价值 50,000 美元的某股票，但其券商提供 10:1 的杠杆。这意味着交易者只需提供 1/10 的资金作为保证金。
- **Total Position Size**: $50,000
- **Leverage Ratio**: 10
根据公式，所需保证金计算如下：
$$ \text{Margin} = \frac{\text{Total Position Size}}{\text{Leverage Ratio}} = \frac{$50,000}{10} = $5,000 $$
因此，交易者只需动用 5,000 美元的自有资金，即可控制价值 50,000 美元的股票头寸。
## 在量化交易中的应用
1. **统计套利策略**：在统计套利中，策略通常依赖于多个资产之间微小的、暂时的价格差异来获利。由于这些价差非常小，为了获得可观的利润，需要建立大规模的头寸。杠杆使得量化基金能够用有限的资本放大头寸，从而在微小的价差波动中实现显著的收益。
2. **高频交易 (HFT)**：高频交易策略通过在极短的时间内（毫秒甚至微秒级别）执行大量交易来盈利。每次交易的利润可能非常微薄，因此需要巨大的交易量来累积利润。杠杆是实现大规模、高频率交易的关键，它允许HFT公司在不持有大量现金的情况下，维持必要的市场敞口。
3. **期货与期权策略**：期货和期权合约本身就具有内嵌的杠杆效应。量化策略，如跨期套利、波动率交易等，利用这些衍生品的杠杆特性来构建复杂的头寸。例如，通过买卖不同到期日的期货合约，或构建期权组合，量化交易员可以在控制风险的同时，利用杠杆放大对市场特定因素（如波动率）的押注。
4. **风险平价 (Risk Parity) 策略**：风险平价策略旨在构建一个投资组合，其中每个资产类别对总风险的贡献相等。由于低风险资产（如债券）的预期回报较低，为了达到与高风险资产（如股票）相匹配的风险贡献，策略通常需要对低风险资产类别应用杠杆，以提高其在组合中的有效权重和预期回报。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 通常为 1 到 1000 之间的正数，取决于经纪商和资产类别 |
| 单位 | 倍 (x) |
| 更新频率 | 通常在开仓时确定，但可能因市场波动和保证金水平而动态调整 |
| 典型数据源 | 券商平台、交易所数据接口 |
## 常见误解
1. **误解：杠杆越高越好**
* **正确理解**：高杠杆虽然能放大潜在收益，但同样会放大亏损。过高的杠杆会显著增加爆仓（即保证金不足以覆盖亏损而被强制平仓）的风险。选择合适的杠杆倍数需要根据策略的风险承受能力、市场波动性和个人资金状况来综合判断，而非盲目追求最高杠杆。
2. **误解：杠杆是免费的**
* **正确理解**：使用杠杆通常需要支付利息，这被称为融资成本或隔夜利息。对于持仓过夜的杠杆头寸，券商会收取一定的利息费用。这个成本会侵蚀交易利润，尤其是在长期持仓的情况下，因此必须将其计入交易策略的成本效益分析中。
3. **误解：杠杆只适用于专业投资者**
* **正确理解**：虽然杠杆交易风险较高，需要专业的知识和风险管理能力，但许多零售经纪商也向普通投资者提供杠杆工具。关键在于投资者必须充分理解杠杆的运作机制和风险，并接受相应的教育和培训。对于新手而言，从低杠杆或无杠杆开始，逐步积累经验是更稳妥的做法。
## 相关名词
- [保证金](./保证金.md)
- [爆仓](./爆仓.md)
- [风险平价](./风险平价.md)
- [统计套利](./统计套利.md)
- [隔夜利息](./隔夜利息.md)
## 深入阅读
- [保证金交易风险管理指南](./保证金交易风险管理指南.md)
- [量化策略中的杠杆应用分析](./量化策略中的杠杆应用分析.md)

345
wiki/名词解释/README.md
查看文件

@@ -1,149 +1,242 @@
# 量化交易名词解释库（Wiki 术语总索引）
# 量化交易术语表与知识点索引
> **本库说明**：所有名词解释均为本地文档，所有链接均指向仓库内部，无需联网即可查阅。
> **使用方式**：按字母或分类查找名词，点击链接即可查看详细解释页面。
> **更新日期**：2026-03-06 | **维护者**：Manus AI
> **文档版本**：v3.0 | **更新日期**：2026-03-06 | **术语总数**：79 个 | **覆盖领域**：12 大类
> **维护者**：Manus AI | **使用方式**：按分类或首字母查找，点击链接查看详细解释
本术语表是 quantKnowledge 量化知识库的核心索引，涵盖量化交易所需的全部专业术语。每个术语均包含一句话解释、详细原理、计算公式、应用场景、数据规格和常见误解。所有内容均为本地文档，支持 Wiki 式内部链接跳转，无需联网即可查阅。
---
## 快速查找（按首字母）
## 一、技术指标类（16 个）
| A-D | E-H | I-L | M-P | Q-T | U-Z |
|-----|-----|-----|-----|-----|-----|
| [ATR](./ATR-平均真实波动幅度.md) | [EMA](./EMA-指数移动平均线.md) | — | [MACD](./MACD-指数平滑异同移动平均线.md) | [量化交易](./量化交易.md) | — |
| [ADX](./ADX-平均趋向指数.md) | [EWO](./EWO-艾略特波浪振荡器.md) | — | [MFI](./MFI-资金流量指数.md) | [趋势交易](./趋势交易.md) | — |
| [AO](./AO-动量振荡器.md) | [恐惧贪婪指数](./恐惧贪婪指数.md) | — | [MVRV](./MVRV-市值已实现价值比.md) | [套利策略](./套利策略.md) | — |
| [Alpha](./Alpha-超额收益.md) | [Hyperliquid](../Hyperliquid/Hyperliquid平台介绍.md) | — | [MTF](./MTF-多时间框架分析.md) | [夏普比率](./夏普比率.md) | — |
| [Beta](./Beta-系统性风险系数.md) | — | — | [做市商](./做市商.md) | [SuperTrend](./SuperTrend-超级趋势指标.md) | — |
| [布林带](./布林带.md) | — | — | — | [Stoch](./Stoch-随机指标.md) | — |
| [DEX](./DEX-去中心化交易所.md) | — | — | — | [StochRSI](./StochRSI-随机相对强弱指数.md) | — |
| [CEX](./CEX-中心化交易所.md) | — | — | — | [TTM-Squeeze](./TTM-Squeeze-挤压动量指标.md) | — |
技术指标是量化交易信号系统的基础构件，用于从价格和成交量数据中提取市场状态信息。
| 序号 | 术语 | 英文 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 1 | ADX | Average Directional Index | 🟡进阶 | [ADX-平均趋向指数](./ADX-平均趋向指数.md) |
| 2 | AO | Awesome Oscillator | 🟡进阶 | [AO-动量振荡器](./AO-动量振荡器.md) |
| 3 | ATR | Average True Range | 🟢入门 | [ATR-平均真实波动幅度](./ATR-平均真实波动幅度.md) |
| 4 | DMI | Directional Movement Index | 🟡进阶 | [DMI-趋向运动指标](./DMI-趋向运动指标.md) |
| 5 | EMA | Exponential Moving Average | 🟢入门 | [EMA-指数移动平均线](./EMA-指数移动平均线.md) |
| 6 | EWO | Elliott Wave Oscillator | 🔴高级 | [EWO-艾略特波浪振荡器](./EWO-艾略特波浪振荡器.md) |
| 7 | KDJ | KDJ Stochastic | 🟡进阶 | [KDJ-随机指标衍生版](./KDJ-随机指标衍生版.md) |
| 8 | MACD | Moving Average Convergence Divergence | 🟢入门 | [MACD-指数移动平均线](./MACD-指数移动平均线.md) |
| 9 | MFI | Money Flow Index | 🟡进阶 | [MFI-资金流量指数](./MFI-资金流量指数.md) |
| 10 | MVRV | Market Value to Realized Value | 🔴高级 | [MVRV-市值已实现价值比](./MVRV-市值已实现价值比.md) |
| 11 | OBV | On-Balance Volume | 🟢入门 | [OBV-能量潮指标](./OBV-能量潮指标.md) |
| 12 | RSI | Relative Strength Index | 🟢入门 | [RSI-相对强弱指数](./RSI-相对强弱指数.md) |
| 13 | Stoch | Stochastic Oscillator | 🟡进阶 | [Stoch-随机指标](./Stoch-随机指标.md) |
| 14 | StochRSI | Stochastic RSI | 🟡进阶 | [StochRSI-随机相对强弱指数](./StochRSI-随机相对强弱指数.md) |
| 15 | SuperTrend | SuperTrend Indicator | 🟡进阶 | [SuperTrend-超级趋势指标](./SuperTrend-超级趋势指标.md) |
| 16 | TTM Squeeze | TTM Squeeze Momentum | 🔴高级 | [TTM-Squeeze-挤压动量指标](./TTM-Squeeze-挤压动量指标.md) |
---
## 按分类查找
## 二、期权希腊字母类（5 个）
### 技术指标类
期权希腊字母量化了期权价格对各种市场因素的敏感度，是期权定价和对冲的核心工具。
| 名词 | 简介 | 详细页面 |
|------|------|---------|
| EWO | 艾略特波浪振荡器，tradehk 核心指标 | [→ 查看](./EWO-艾略特波浪振荡器.md) |
| EMA | 指数移动平均线，趋势跟踪基础 | [→ 查看](./EMA-指数移动平均线.md) |
| MACD | 指数平滑异同移动平均线 | [→ 查看](./MACD-指数平滑异同移动平均线.md) |
| RSI | 相对强弱指数，超买超卖判断 | [→ 查看](./RSI-相对强弱指数.md) |
| AO | 动量振荡器（Awesome Oscillator） | [→ 查看](./AO-动量振荡器.md) |
| KDJ | 随机指标衍生版，中国市场常用 | [→ 查看](./KDJ-随机指标衍生版.md) |
| 布林带 | 价格波动通道，标准差计算 | [→ 查看](./布林带.md) |
| ATR | 平均真实波动幅度，止损计算基础 | [→ 查看](./ATR-平均真实波动幅度.md) |
| ADX | 平均趋向指数，趋势强度判断 | [→ 查看](./ADX-平均趋向指数.md) |
| DMI | 趋向运动指标（+DI/-DI） | [→ 查看](./DMI-趋向运动指标.md) |
| OBV | 能量潮指标，成交量趋势 | [→ 查看](./OBV-能量潮指标.md) |
| MFI | 资金流量指数，量价结合 | [→ 查看](./MFI-资金流量指数.md) |
| Stoch | 随机指标（KD线） | [→ 查看](./Stoch-随机指标.md) |
| StochRSI | 随机相对强弱指数 | [→ 查看](./StochRSI-随机相对强弱指数.md) |
| SuperTrend | 超级趋势指标，趋势跟踪 | [→ 查看](./SuperTrend-超级趋势指标.md) |
| TTM Squeeze | 挤压动量指标，布林带+KC | [→ 查看](./TTM-Squeeze-挤压动量指标.md) |
### 交易概念类
| 名词 | 简介 | 详细页面 |
|------|------|---------|
| 量化交易 | 用数学模型和算法进行交易 | [→ 查看](./量化交易.md) |
| 做市商 | 持续提供买卖报价的市场参与者 | [→ 查看](./做市商.md) |
| 套利策略 | 利用价差无风险获利的策略 | [→ 查看](./套利策略.md) |
| 趋势交易 | 顺势而为的交易策略 | [→ 查看](./趋势交易.md) |
| 均值回归 | 价格回归均值的交易策略 | [→ 查看](./均值回归.md) |
| 动量策略 | 追涨杀跌的量化策略 | [→ 查看](./动量策略.md) |
| 高频交易 | 毫秒级超高速交易策略 | [→ 查看](./高频交易.md) |
| 网格交易 | 区间内等间距挂单策略 | [→ 查看](./网格交易.md) |
| 多空策略 | 同时持有多头和空头仓位 | [→ 查看](./多空策略.md) |
### 风险管理类
| 名词 | 简介 | 详细页面 |
|------|------|---------|
| 夏普比率 | 单位风险超额收益衡量指标 | [→ 查看](./夏普比率.md) |
| 最大回撤 | 历史最大亏损幅度 | [→ 查看](./最大回撤.md) |
| 卡尔玛比率 | 年化收益/最大回撤 | [→ 查看](./卡尔玛比率.md) |
| Kelly 公式 | 最优仓位计算公式 | [→ 查看](./Kelly公式.md) |
| VaR | 风险价值，最大可能损失 | [→ 查看](./VaR-风险价值.md) |
| Alpha | 超额收益（相对基准） | [→ 查看](./Alpha-超额收益.md) |
| Beta | 系统性风险系数 | [→ 查看](./Beta-系统性风险系数.md) |
| 止损 | 限制最大亏损的订单 | [→ 查看](./止损.md) |
| 止盈 | 锁定利润的订单 | [→ 查看](./止盈.md) |
| 仓位管理 | 控制每笔交易资金比例 | [→ 查看](./仓位管理.md) |
| 杠杆 | 放大交易规模的工具 | [→ 查看](./杠杆.md) |
| 爆仓 | 保证金耗尽被强制平仓 | [→ 查看](./爆仓.md) |
### 市场结构类
| 名词 | 简介 | 详细页面 |
|------|------|---------|
| CEX | 中心化交易所（Binance/OKX等） | [→ 查看](./CEX-中心化交易所.md) |
| DEX | 去中心化交易所（Uniswap等） | [→ 查看](./DEX-去中心化交易所.md) |
| 永续合约 | 无到期日的期货合约 | [→ 查看](./永续合约.md) |
| 资金费率 | 永续合约多空平衡机制 | [→ 查看](./资金费率.md) |
| 订单簿 | 买卖挂单的实时列表 | [→ 查看](./订单簿.md) |
| 流动性 | 资产买卖的便利程度 | [→ 查看](./流动性.md) |
| 滑点 | 预期价格与实际成交价差 | [→ 查看](./滑点.md) |
| 清算 | 强制平仓机制 | [→ 查看](./清算.md) |
| 做多 | 预期价格上涨买入 | [→ 查看](./做多.md) |
| 做空 | 预期价格下跌卖出 | [→ 查看](./做空.md) |
### 链上数据类
| 名词 | 简介 | 详细页面 |
|------|------|---------|
| MVRV | 市值/已实现价值比，估值指标 | [→ 查看](./MVRV-市值已实现价值比.md) |
| SOPR | 已花费产出利润率 | [→ 查看](./SOPR-已花费产出利润率.md) |
| NVT | 网络价值/交易量比率 | [→ 查看](./NVT-网络价值交易量比率.md) |
| 恐惧贪婪指数 | 市场情绪综合指标 | [→ 查看](./恐惧贪婪指数.md) |
| 鲸鱼 | 持有大量加密货币的账户 | [→ 查看](./鲸鱼.md) |
| TVL | 锁定总价值（DeFi指标） | [→ 查看](./TVL-锁定总价值.md) |
| 矿工投降 | 矿工大规模抛售信号 | [→ 查看](./矿工投降.md) |
### 多周期与信号类
| 名词 | 简介 | 详细页面 |
|------|------|---------|
| MTF | 多时间框架分析 | [→ 查看](./MTF-多时间框架分析.md) |
| 大周期偏向 | 高级别周期的趋势方向 | [→ 查看](./大周期偏向.md) |
| 多指标共振 | 多个指标同时发出同向信号 | [→ 查看](./多指标共振.md) |
| EWO 穿越 | EWO 从负变正或正变负 | [→ 查看](./EWO穿越.md) |
| 金叉/死叉 | 快线上穿/下穿慢线 | [→ 查看](./金叉死叉.md) |
| 背离 | 价格与指标方向相反 | [→ 查看](./背离.md) |
| 超买/超卖 | RSI等指标的极端状态 | [→ 查看](./超买超卖.md) |
### AI 与量化前沿类
| 名词 | 简介 | 详细页面 |
|------|------|---------|
| 强化学习 | 通过奖惩机制学习最优策略 | [→ 查看](./强化学习.md) |
| LSTM | 长短期记忆网络 | [→ 查看](./LSTM-长短期记忆网络.md) |
| Transformer | 注意力机制神经网络架构 | [→ 查看](./Transformer.md) |
| 元学习 | 学习如何学习的机器学习方法 | [→ 查看](./元学习.md) |
| 遗传算法 | 模拟自然进化的优化算法 | [→ 查看](./遗传算法.md) |
| 多Agent系统 | 多个AI协作完成任务 | [→ 查看](../多Agent/多Agent系统介绍.md) |
| 回测 | 用历史数据验证策略 | [→ 查看](./回测.md) |
| 过拟合 | 模型对历史数据过度适应 | [→ 查看](./过拟合.md) |
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 17 | Delta对冲 | 通过调整现货头寸对冲期权方向性风险 | 🔴高级 | [Delta对冲](./Delta对冲.md) |
| 18 | Gamma | 期权 Delta 对标的价格变化的敏感度 | 🔴高级 | [Gamma](./Gamma.md) |
| 19 | Theta | 期权价值随时间衰减的速率 | 🔴高级 | [Theta](./Theta.md) |
| 20 | Vega | 期权价格对隐含波动率变化的敏感度 | 🔴高级 | [Vega](./Vega.md) |
| 21 | IV | 隐含波动率，市场对未来波动的预期 | 🔴高级 | [IV-隐含波动率](./IV-隐含波动率.md) |
---
## 难度分级说明
## 三、交易策略类（7 个）
本知识库按以下难度分级标注内容：
量化交易策略是将市场假设转化为可执行规则的系统化方法。
| 标记 | 含义 | 适合人群 |
|------|------|---------|
| 🟢 **入门** | 零基础可理解的概念 | 刚接触量化交易的新手 |
| 🟡 **进阶** | 需要基础知识才能理解 | 有一定交易经验的用户 |
| 🔴 **高级** | 需要数学/编程背景 | 专业量化研究人员 |
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 22 | 趋势交易 | 跟随市场趋势方向建仓的策略 | 🟢入门 | [趋势交易](./趋势交易.md) |
| 23 | 套利策略 | 利用价格差异获取无风险收益 | 🟡进阶 | [套利策略](./套利策略.md) |
| 24 | 期现套利 | 利用期货与现货价差进行套利 | 🟡进阶 | [期现套利](./期现套利.md) |
| 25 | 网格交易 | 在价格区间内设置网格自动买卖 | 🟡进阶 | [网格交易](./网格交易.md) |
| 26 | DCA定投 | 定期定额投资以平滑成本 | 🟢入门 | [DCA定投](./DCA定投.md) |
| 27 | 做空 | 借入资产卖出后低价买回获利 | 🟢入门 | [做空](./做空.md) |
| 28 | 做市商 | 同时挂买卖单提供流动性赚取价差 | 🟡进阶 | [做市商](./做市商.md) |
---
## 四、风险管理类（12 个）
风险管理是量化交易系统的生命线，决定了策略的长期生存能力。
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 29 | 止损 | 预设价格触发平仓以限制亏损 | 🟢入门 | [止损](./止损.md) |
| 30 | 止盈 | 预设价格触发平仓以锁定利润 | 🟢入门 | [止盈](./止盈.md) |
| 31 | 移动止损 | 随价格有利移动自动调整止损位 | 🟡进阶 | [移动止损](./移动止损.md) |
| 32 | 仓位管理 | 根据风险控制单笔交易的资金比例 | 🟡进阶 | [仓位管理](./仓位管理.md) |
| 33 | 资金管理 | 整体投资组合的资金分配策略 | 🟡进阶 | [资金管理](./资金管理.md) |
| 34 | 最大回撤 | 从峰值到谷底的最大亏损幅度 | 🟢入门 | [最大回撤](./最大回撤.md) |
| 35 | Kelly公式 | 最优下注比例的数学公式 | 🔴高级 | [Kelly公式](./Kelly公式.md) |
| 36 | 凯利公式 | Kelly公式的中文别名 | 🔴高级 | [凯利公式](./凯利公式.md) |
| 37 | VaR | 在给定置信度下的最大预期损失 | 🔴高级 | [VaR](./VaR.md) |
| 38 | CVaR | 超出 VaR 阈值后的期望损失 | 🔴高级 | [CVaR](./CVaR.md) |
| 39 | 蒙特卡洛模拟 | 通过随机抽样模拟未来价格路径 | 🔴高级 | [蒙特卡洛模拟](./蒙特卡洛模拟.md) |
| 40 | 清算 | 保证金不足时被强制平仓 | 🟢入门 | [清算](./清算.md) |
---
## 五、绩效评估类（5 个）
绩效指标用于客观评估量化策略的风险调整后收益表现。
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 41 | 夏普比率 | 单位风险的超额收益 | 🟡进阶 | [夏普比率](./夏普比率.md) |
| 42 | Alpha | 超越基准的超额收益 | 🟡进阶 | [Alpha](./Alpha.md) |
| 43 | Beta | 相对于基准的系统性风险暴露 | 🟡进阶 | [Beta](./Beta.md) |
| 44 | 信息比率 | 主动管理的风险调整后收益 | 🔴高级 | [信息比率](./信息比率.md) |
| 45 | 索提诺比率 | 只考虑下行风险的收益比率 | 🔴高级 | [索提诺比率](./索提诺比率.md) |
| 46 | 卡尔马比率 | 年化收益与最大回撤之比 | 🔴高级 | [卡尔马比率](./卡尔马比率.md) |
---
## 六、市场结构类（8 个）
市场结构术语描述了交易市场的运作机制和参与者行为。
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 47 | 资金费率 | 永续合约多空定期支付的费用 | 🟡进阶 | [资金费率](./资金费率.md) |
| 48 | 永续合约 | 无到期日的期货合约 | 🟡进阶 | [永续合约](./永续合约.md) |
| 49 | 多空比 | 市场多头与空头持仓的比例 | 🟡进阶 | [多空比](./多空比.md) |
| 50 | 杠杆 | 用借入资金放大交易头寸 | 🟢入门 | [杠杆](./杠杆.md) |
| 51 | 保证金 | 开仓时需要抵押的资金 | 🟢入门 | [保证金](./保证金.md) |
| 52 | 爆仓 | 保证金不足导致强制平仓 | 🟢入门 | [爆仓](./爆仓.md) |
| 53 | 滑点 | 预期成交价与实际成交价的差异 | 🟢入门 | [滑点](./滑点.md) |
| 54 | 恐惧贪婪指数 | 综合衡量市场情绪的指标 | 🟢入门 | [恐惧贪婪指数](./恐惧贪婪指数.md) |
---
## 七、算法执行类（3 个）
算法执行策略用于优化大额订单的执行效率，减少市场冲击。
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 55 | TWAP | 时间加权平均价格执行算法 | 🔴高级 | [TWAP](./TWAP.md) |
| 56 | VWAP | 成交量加权平均价格执行算法 | 🔴高级 | [VWAP](./VWAP.md) |
| 57 | 冰山订单 | 隐藏大额订单的执行策略 | 🔴高级 | [冰山订单](./冰山订单.md) |
---
## 八、DeFi 与链上类（10 个）
DeFi 和链上数据为量化交易提供了独特的 Alpha 来源和交易场景。
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 58 | TVL | 锁定总价值，衡量 DeFi 协议规模 | 🟡进阶 | [TVL](./TVL.md) |
| 59 | AMM | 自动做市商，去中心化交易核心机制 | 🟡进阶 | [AMM](./AMM.md) |
| 60 | 流动性挖矿 | 提供流动性获取代币奖励 | 🟡进阶 | [流动性挖矿](./流动性挖矿.md) |
| 61 | 质押 | 锁定代币参与网络验证获取收益 | 🟢入门 | [质押](./质押.md) |
| 62 | Staking | 质押的英文术语 | 🟢入门 | [Staking](./Staking.md) |
| 63 | Gas费 | 区块链交易的手续费 | 🟢入门 | [Gas费](./Gas费.md) |
| 64 | MEV | 最大可提取价值，矿工/验证者的套利 | 🔴高级 | [MEV](./MEV.md) |
| 65 | 闪电贷 | 无需抵押的单笔交易内借贷 | 🔴高级 | [闪电贷](./闪电贷.md) |
| 66 | 预言机 | 将链外数据引入区块链的中间件 | 🟡进阶 | [预言机](./预言机.md) |
| 67 | 链上数据 | 区块链上可公开查询的交易数据 | 🟢入门 | [链上数据](./链上数据.md) |
---
## 九、资产与品种类（5 个）
加密货币市场的资产类别和新兴品种。
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 68 | XAUT | Tether 发行的黄金代币 | 🟡进阶 | [XAUT-黄金代币](./XAUT-黄金代币.md) |
| 69 | 代币化美股 | 在加密交易所交易的美股代币 | 🟡进阶 | [代币化美股](./代币化美股.md) |
| 70 | RWA | 现实世界资产代币化 | 🟡进阶 | [RWA](./RWA.md) |
| 71 | 代币化 | 将实体资产转化为区块链代币 | 🟡进阶 | [代币化](./代币化.md) |
| 72 | Hyperliquid | 去中心化永续合约交易平台 | 🟡进阶 | [Hyperliquid](./Hyperliquid.md) |
---
## 十、交易所与平台类（2 个）
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 73 | CEX | 中心化交易所 | 🟢入门 | [CEX-中心化交易所](./CEX-中心化交易所.md) |
| 74 | DEX | 去中心化交易所 | 🟢入门 | [DEX-去中心化交易所](./DEX-去中心化交易所.md) |
---
## 十一、分析方法类（2 个）
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 75 | MTF | 多时间框架分析 | 🟡进阶 | [MTF-多时间框架分析](./MTF-多时间框架分析.md) |
| 76 | 回测 | 用历史数据验证策略有效性 | 🟢入门 | [回测](./回测.md) |
---
## 十二、综合与元数据类（3 个）
| 序号 | 术语 | 说明 | 难度 | 文档链接 |
|------|------|------|------|---------|
| 77 | 量化交易 | 基于数据和规则的系统化交易 | 🟢入门 | [量化交易](./量化交易.md) |
| 78 | 布林带 | 基于标准差的价格通道指标 | 🟢入门 | [布林带](./布林带.md) |
| 79 | 术语关联分析 | 术语之间的关联关系图谱 | 🟡进阶 | [术语关联分析](./术语关联分析.md) |
---
## 难度分布统计
| 难度 | 数量 | 占比 | 说明 |
|------|------|------|------|
| 🟢入门 | 24 | 30.4% | 零基础可理解，量化交易必备常识 |
| 🟡进阶 | 34 | 43.0% | 需要一定交易经验，策略开发核心知识 |
| 🔴高级 | 21 | 26.6% | 需要数学/编程基础，高级策略必备 |
---
## 知识图谱：术语关联网络
以下展示了核心术语之间的关联关系，帮助理解知识体系的内在逻辑：
**信号生成链路**：[EMA](./EMA-指数移动平均线.md) → [MACD](./MACD-指数移动平均线.md) → [EWO](./EWO-艾略特波浪振荡器.md) → 信号评分 → 交易执行
**风险管理链路**：[仓位管理](./仓位管理.md) → [Kelly公式](./Kelly公式.md) → [止损](./止损.md)/[止盈](./止盈.md) → [最大回撤](./最大回撤.md) → [VaR](./VaR.md)
**期权对冲链路**：[IV](./IV-隐含波动率.md) → [Delta对冲](./Delta对冲.md) → [Gamma](./Gamma.md)/[Theta](./Theta.md)/[Vega](./Vega.md)
**DeFi 数据链路**：[TVL](./TVL.md) → [AMM](./AMM.md) → [流动性挖矿](./流动性挖矿.md) → [MEV](./MEV.md)
**绩效评估链路**：[夏普比率](./夏普比率.md) → [索提诺比率](./索提诺比率.md) → [卡尔马比率](./卡尔马比率.md) → [Alpha](./Alpha.md)/[Beta](./Beta.md)
**市场结构链路**：[永续合约](./永续合约.md) → [资金费率](./资金费率.md) → [多空比](./多空比.md) → [期现套利](./期现套利.md)
**执行优化链路**：[TWAP](./TWAP.md) → [VWAP](./VWAP.md) → [冰山订单](./冰山订单.md) → [滑点](./滑点.md)控制
---
## 学习路径推荐
**入门路径**（2 周）：[量化交易](./量化交易.md) → [EMA](./EMA-指数移动平均线.md) → [RSI](./RSI-相对强弱指数.md) → [MACD](./MACD-指数移动平均线.md) → [止损](./止损.md)/[止盈](./止盈.md) → [仓位管理](./仓位管理.md) → [回测](./回测.md) → [最大回撤](./最大回撤.md) → [夏普比率](./夏普比率.md)
**进阶路径**（4 周）：[EWO](./EWO-艾略特波浪振荡器.md) → [SuperTrend](./SuperTrend-超级趋势指标.md) → [ATR](./ATR-平均真实波动幅度.md) → [资金费率](./资金费率.md) → [多空比](./多空比.md) → [Kelly公式](./Kelly公式.md) → [期现套利](./期现套利.md) → [链上数据](./链上数据.md)
**高级路径**（8 周）：[IV](./IV-隐含波动率.md) → [Delta对冲](./Delta对冲.md) → [Gamma](./Gamma.md)/[Theta](./Theta.md)/[Vega](./Vega.md) → [VaR](./VaR.md)/[CVaR](./CVaR.md) → [TWAP](./TWAP.md)/[VWAP](./VWAP.md) → [MEV](./MEV.md) → [蒙特卡洛模拟](./蒙特卡洛模拟.md) → [Alpha](./Alpha.md)/[Beta](./Beta.md)
---
## 相关文档导航
- [返回知识库主页](../../README.md)
- [技术指标全集](../../02_技术指标/技术指标全集.md)
- [量化交易基础概念](../../01_基础理论/量化交易基础概念.md)
- [技术指标全集](../../02_技术指标/技术指标全集.md)
- [信号系统优化总览](../../12_信号系统优化/信号系统深度优化建议.md)
- [tradehk 系统 Wiki](../tradehk/README.md)
- [Go 迭代系统](../../20_Go迭代系统/README.md)
---
> **维护说明**：本术语表随知识库同步更新。新增术语请在 `wiki/名词解释/` 目录下创建同名 `.md` 文件，遵循统一模板格式（含一句话解释、详细原理、计算公式、应用场景、数据规格、常见误解、相关名词 7 个标准章节）。

84
wiki/名词解释/RWA.md 普通文件
查看文件

@@ -0,0 +1,84 @@
# 时间加权平均价格 (Time-Weighted Average Price, TWAP)
🟢入门
## 一句话解释
TWAP 是一种算法交易策略，它将一个大额订单在指定时间段内均匀拆分成多个小额订单进行交易，旨在使最终成交均价接近该时间段内的算术平均价格，以减小对市场的冲击。
## 详细解释
### 背景与原理
在金融市场中，执行大额订单（例如，购买或出售大量股票）可能会对资产价格产生显著影响，这种影响被称为“市场冲击”（Market Impact）。如果一次性将大额订单推向市场，可能导致价格向不利于交易者的方向移动，从而增加交易成本，这种现象也称为“滑点”（Slippage）。
为了解决这个问题，算法交易应运而生，而 TWAP 是其中最经典和基础的策略之一。其核心思想非常直观：**将交易行为在时间维度上均匀分布**。该策略不考虑交易量、市场波动性或其他复杂因素，仅根据预设的交易时间窗口，将总订单量平均分配到该窗口内的多个时间点上执行。例如，如果一个交易员需要在 4 小时内买入 100,000 股某支股票，TWAP 策略可能会设定每分钟执行一笔 416 股（100,000 / 240 分钟）的买单。
通过这种方式，TWAP 策略试图让交易行为“隐身”于市场的正常交易流中，避免因单笔大额交易引起市场关注和价格异动。其最终目标是使订单的平均执行价格尽可能接近该资产在整个交易时间段内的“时间加权平均价格”。
### 计算公式
TWAP 的计算公式非常简单，即在指定时间周期 `T` 内，等间隔地取 `n` 个时间点的价格 `P_i`，然后计算这些价格的算术平均值。
```latex
P_{\text{TWAP}} = \frac{1}{n} \sum_{i=1}^{n} P_i
```
其中：
- `P_i` 是在第 `i` 个时间点的资产价格。
- `n` 是在总时间 `T` 内采样的次数。
### 计算示例
假设一个量化基金需要在上午 10:00 到 11:00 之间执行一个买入订单，并以 15 分钟为间隔采样计算 TWAP。四个时间点的价格如下：
- 10:15 的价格: $100.10
- 10:30 的价格: $100.30
- 10:45 的价格: $100.20
- 11:00 的价格: $100.60
那么，该时段的 TWAP 计算如下：
```
P_\text{TWAP} = \frac{$100.10 + $100.30 + $100.20 + $100.60}{4} = \frac{$401.20}{4} = $100.30
```
该基金的交易算法会尝试通过在该小时内均匀下单，使得最终的平均买入价接近 $100.30。
## 在量化交易中的应用
1. **执行大额订单**：这是 TWAP 最核心的应用。对于需要买卖大量证券头寸的机构投资者（如养老基金、共同基金），使用 TWAP 策略可以有效管理和执行订单，避免因单次操作规模过大而推高买入成本或压低卖出价格。
2. **降低市场冲击**：当交易流动性较低的资产时，市场对大单的反应会更加敏感。TWAP 通过将交易分散化，显著降低了交易行为对市场价格的短期影响，保护了交易者的意图，减少了被其他市场参与者“狙击”的风险。
3. **提供执行基准**：TWAP 价格本身可以作为一个客观的交易执行质量评估基准。交易后分析（Post-Trade Analysis）中，可以将实际的平均成交价与同时间段的 TWAP 进行比较，以衡量交易策略的有效性和交易员的执行能力。如果成交价显著优于 TWAP，说明执行效果好。
4. **流动性供给策略**：做市商或高频交易公司在提供市场流动性时，可以使用 TWAP 策略来逐步建立或平掉自己的头寸。这有助于他们在提供报价的同时，平滑自身的风险暴露，而不会对市场造成不必要的扰动。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 大于 0 |
| 单位 | 计价货币（如 USD, CNY） |
| 更新频率 | 取决于采样频率，可为秒级、分钟级或更高频 |
| 典型数据源 | 交易所的实时行情数据（Tick Data）、聚合行情数据提供商（如 Bloomberg, Refinitiv） |
## 常见误解
1. **误解：TWAP 和 VWAP (成交量加权平均价格) 是一回事。**
**正确理解**：这是最常见的误解。TWAP 完全基于时间进行拆单，不考虑每个时间点的交易量；而 VWAP 则根据历史或实时的成交量分布来决定在何时执行多大的订单量，旨在让成交价接近市场的成交量加权均价。在高成交量时段，VWAP 会执行更多订单。
2. **误解：TWAP 策略总能获得最优价格。**
**正确理解**：TWAP 的目标是获得一个“平均”价格，而非“最优”价格。在一个持续上涨的市场中，TWAP 的买入均价会高于期初的价格；在持续下跌的市场中，其卖出均价会低于期初的价格。它放弃了择时带来的潜在收益，以换取执行的确定性和低冲击性。
3. **误解：TWAP 策略是完全“被动”的，无法应对市场突变。**
**正确理解**：虽然基础的 TWAP 策略是机械和被动的，但许多现代的 TWAP 实现都加入了“智能”元素。例如，当市场价格出现极端波动或流动性突然枯竭时，算法可以暂停执行，或根据预设的风险参数调整下单速率，从而更好地适应市场变化。
## 相关名词
- `[VWAP](./VWAP.md)`
- `[算法交易](./算法交易.md)`
- `[市场冲击](./市场冲击.md)`
- `[滑点](./滑点.md)`
- `[执行算法](./执行算法.md)`
## 深入阅读
- `[算法交易的核心策略与实现](./算法交易的核心策略与实现.md)`
- `[交易成本分析（TCA）入门](./交易成本分析（TCA）入门.md)`

80
wiki/名词解释/Staking.md 普通文件
查看文件

@@ -0,0 +1,80 @@
# 移动止损 (Trailing Stop)
🟢入门
## 一句话解释
移动止损是一种动态的风险管理工具，它会随着市场价格向有利方向变动而自动调整止损位，旨在锁定利润并限制潜在亏损。
## 详细解释
### 背景与原理
移动止损（Trailing Stop）是在传统静态止损（Static Stop-Loss）基础上发展而来的一种更为灵活和智能的订单类型。在传统的止损策略中，投资者会预设一个固定的价格，当市场价格触及该水平时，交易会自动平仓以限制损失。然而，这种方法的缺点在于，如果市场价格在向有利方向移动后发生回调，已经获得的浮动盈利可能会因为固定的止损位而回吐殆尽。为了解决这一问题，移动止损应运而生。
移动止损的核心原理在于其“追踪”市场价格的能力。当投资者建立一个头寸（多头或空头）并设置移动止损后，止损位并非固定不变，而是与当前市场价格保持一个预设的距离（可以是一个固定的点数、一定的百分比，或基于波动率指标如ATR）。当市场价格向着交易有利的方向移动时，止损位会随之同向移动，始终保持预设的距离。例如，对于一个多头头寸，当价格上涨时，移动止损位也会相应上调；但当价格下跌时，止损位会保持在最后的高点，不会下调。一旦市场价格从高点回落并触及移动止损位，订单便会触发，从而平仓离场，锁定从入场点到止损触发点之间的利润。这种机制使得投资者能够在保护已有利润的同时，让利润有进一步增长的空间，实现了风险控制和盈利潜力的动态平衡。
### 计算公式（如适用）
移动止损的计算方式主要有两种：基于固定点数或百分比，以及基于平均真实波幅（ATR）。
1. **基于百分比的移动止损 (Percentage Trailing Stop):**
对于多头头寸：
$$ \text{移动止损价} = \text{当前最高价} \times (1 - \text{追踪百分比}) $$
对于空头头寸：
$$ \text{移动止损价} = \text{当前最低价} \times (1 + \text{追踪百分比}) $$
2. **基于平均真实波幅的移动止损 (ATR Trailing Stop):**
对于多头头寸：
$$ \text{移动止损价} = \text{当前最高价} - (N \times \text{ATR}) $$
对于空头头寸：
$$ \text{移动止损价} = \text{当前最低价} + (N \times \text{ATR}) $$
其中，$N$ 是一个乘数，由投资者根据风险偏好自行设定，ATR 是特定周期内的平均真实波幅。
### 计算示例
假设一位投资者以 100 美元的价格买入一只股票，并设置了 10% 的移动止损。
1. **初始止损价**: 初始止损价位被设定在 $100 \times (1 - 10\%) = 90$ 美元。
2. **价格上涨**: 随后，股票价格上涨至 120 美元。此时，移动止损位会随之调整为 $120 \times (1 - 10\%) = 108$ 美元。在这个过程中，投资者已经锁定了至少 8 美元的利润（108 美元 - 100 美元）。
3. **价格继续上涨**: 股价继续攀升至 150 美元。移动止损位也更新为 $150 \times (1 - 10\%) = 135$ 美元。
4. **价格回调**: 之后，市场发生回调，股价从 150 美元的高点下跌。由于移动止损位只上移不上调，它会保持在 135 美元。当股价下跌并触及 135 美元时，移动止损订单被触发，股票被自动卖出。
最终，该交易以 135 美元的价格平仓，投资者实现了每股 35 美元的利润，远高于未使用移动止损可能面临的风险。
## 在量化交易中的应用
1. **趋势跟踪策略**: 在趋势跟踪策略中，移动止损是核心的风险和盈利管理工具。量化模型通过识别市场的主要趋势（上涨或下跌）来建立头寸。一旦进入市场，移动止损可以被用来动态跟随趋势的发展。例如，一个基于移动平均线交叉的趋势策略，在金叉信号出现后买入，并设置一个基于ATR的移动止损。当价格持续上涨时，止损位不断上移，保护了大部分已实现收益，同时避免了因小的市场回调而被过早震出场外，从而让策略能够尽可能地捕捉到整个趋势行情。
2. **动量交易策略**: 动量策略旨在捕捉短期内价格强势上涨或下跌的股票。这类策略的持仓时间通常较短，市场波动剧烈。移动止损在此类策略中可以用于快速锁定短期爆发性行情的利润。例如，一个量化模型筛选出过去一个月表现最强的N只股票买入，并为每只股票设置一个较窄的百分比移动止损（如5%）。当股票价格继续冲高时，止损位迅速跟进；一旦动能减弱，价格出现小幅回调，移动止损会立即触发平仓，确保将短暂的动量收益落袋为安。
3. **均值回归策略的盈利退出**: 虽然均值回归策略的核心是在价格偏离均值时进行反向操作，但移动止损也可以作为一种有效的盈利退出机制。当价格从极端水平向均值回归时，策略获得浮动盈利。此时可以启用一个移动止损来追踪回归过程。如果价格在回归到均值之前再次出现反向波动，移动止损可以帮助保护已经获得的回归利润，避免盈利转为亏损。这在市场出现结构性变化，原有均值不再有效时尤为重要。
4. **多策略投资组合的统一风险管理**: 在一个包含多种不同子策略（如趋势、动量、套利等）的量化投资组合中，移动止损可以作为一个标准化的风险管理模块。无论底层的交易信号来源如何，所有头寸都可以应用一个基于波动率的移动止损规则。这种方法简化了整个投资组合的风险监控，确保任何一个头寸的潜在亏损都被限制在可控范围内，同时让盈利的头寸有足够的空间发展，从而提升了整个组合的风险调整后收益。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 大于0的浮点数（百分比）或点数 |
| 单位 | 百分比（%）或价格点数 |
| 更新频率 | 实时（Tick级别）或根据K线周期（如每分钟、每小时） |
| 典型数据源 | 交易所实时行情数据、历史K线数据 |
## 常见误解
1. **误解**: 移动止损能完全避免亏损。
**正确理解**: 移动止损是一种风险管理工具，旨在限制亏损和锁定利润，但它不能完全避免亏损。如果市场在开仓后立即向不利方向移动，或者出现剧烈的跳空缺口，使得价格直接越过移动止损位，亏损依然会发生，且实际成交价可能差于预设的止损价。
2. **误解**: 移动止损的距离越窄越好，可以最大化保护利润。
**正确理解**: 过窄的移动止损距离会导致交易在正常的市场波动中被过早地平仓，错失了更大的盈利潜力，即所谓的“被震出场”。移动止损距离的设置需要根据交易品种的波动率、交易策略的时间周期和个人的风险承受能力来综合确定，并非越窄越好。
3. **误解**: 移动止损只适用于长线交易。
**正确理解**: 移动止损适用于各种时间周期的交易，从短线的日内交易到长线的趋势跟踪都可以使用。对于短线交易，可以使用较小的点数或百分比来快速锁定利润；对于长线交易，则可以设置较宽的距离或基于长期波动率的止损，以适应更大的市场波动，捕捉长期趋势。
## 相关名词
- [止损单](./止损单.md)
- [平均真实波幅 (ATR)](./平均真实波幅.md)
- [趋势跟踪](./趋势跟踪.md)
- [风险管理](./风险管理.md)
## 深入阅读
- [Investopedia: Trailing Stops: What They Are, How To Use Them in Trading](https://www.investopedia.com/terms/t/trailingstop.asp)
- [ChartSchool: ATR Trailing Stops](https://chartschool.stockcharts.com/table-of-contents/technical-indicators-and-overlays/technical-indicators/atr-trailing-stops)

81
wiki/名词解释/TVL.md 普通文件
查看文件

@@ -0,0 +1,81 @@
# 真实世界资产 (Real World Asset)
🟡进阶
## 一句话解释
真实世界资产（RWA）是将现实世界中存在的有形或无形资产（如房地产、债券、艺术品）通过“代币化”过程在区块链上生成对应的数字代币，从而将传统金融资产引入去中心化金融（DeFi）生态系统。
## 详细解释
### 背景与原理
真实世界资产（RWA）的核心思想是作为连接传统金融（TradFi）与去中心化金融（DeFi）的桥梁。其背后原理是**资产代币化（Tokenization）**，即将资产的所有权、价值和相关合法权益转化为区块链上的数字代币。这个过程通常包含三个关键阶段：
1. **链下资产确权与评估（Off-chain Formalization）**：在链下，首先需要对标的资产进行严格的价值评估、所有权验证和法律登记。例如，对一处房产进行估值，并创建具有法律效力的文件来证明其所有权归属，为后续的代币映射奠定基础。
2. **信息桥接（Information Bridging）**：将资产的价值、所有权、法律状态等关键信息数字化，并作为元数据。这些信息通过**预言机（Oracle）**等安全的中间件服务，从外部世界可靠地输入到区块链的智能合约中。
3. **代币生成与分发（Token Minting and Distribution）**：通过部署在区块链上的智能合约来“铸造”（Mint）代表该资产的数字代币。这些代币随后被发行，其所有权可以在区块链网络中被转移、交易或用于各类DeFi应用，实现了真实世界价值在数字世界的流动。
### 计算公式（如适用）
真实世界资产（RWA）本身作为一个概念，没有统一的计算公式。其价值直接锚定于其所代表的链下资产。因此，其计算主要依赖于对底层资产的估值（Valuation）。估值方法根据资产类别而异。
例如，对于房地产资产，其价值 `V` 可能通过市场比较法、收益法或成本法来确定：
`V = f(市场可比价格, 预期租金收入, 重置成本, ...)`
对于债券类资产，其价值则基于未来现金流的贴现模型：
`V = Σ [C / (1 + r)^t] + [F / (1 + r)^T]`
其中 `C` 是每期利息，`F` 是票面价值，`r` 是贴现率，`t` 是时间。
### 计算示例
假设有一栋价值1,000,000美元的商业地产需要被代币化。
1. **资产估值**：经过专业评估机构评估，该地产市场价值为1,000,000美元。
2. **代币设计**：项目方决定发行1,000,000个名为`REALESTATE`的代币，每个代币代表该地产价值的百万分之一。
3. **代币价值锚定**：在理想情况下，1 `REALESTATE` Token 的初始价值锚定为 1 美元。
因此，一个投资者如果花费10,000美元购买了10,000个`REALESTATE`代币，他就间接拥有了该商业地产1%的所有权权益。未来，该代币的价格会随着地产估值的变化、租金收益的分配以及二级市场的供需关系而波动。
## 在量化交易中的应用
1. **稳定的收益率来源**：量化策略可以将资金配置于代表美国国债等低风险固定收益产品的RWA代币（如Ondo Finance的OUSG），在波动的加密市场中获取稳定、可预测的“无风险”收益。策略可以自动监控链上收益率与传统市场收益率的差异，进行套利。
2. **多样化的抵押品**：在DeFi借贷协议中，RWA可以作为高质量的抵押品。量化策略可以利用RWA代币（如代币化的房产或股权）进行杠杆交易，由于这些资产与主流加密资产相关性较低，有助于降低投资组合的整体风险和清算概率。
3. **跨市场套利**：RWA连接了传统市场和加密市场，为量化套利策略创造了新的机会。例如，当某个代币化股票（RWA）在DeFi市场的价格与其在纳斯达克交易所的原始股票价格出现显著偏差时，自动化策略可以迅速执行买低卖高的套利交易来获利。
4. **信用风险建模与交易**：针对代币化的私人信贷、发票等资产，量化模型可以分析其违约风险，并进行定价。策略可以基于风险评估来买卖这些信用类RWA，从而构建基于信用利差的交易策略，类似于传统金融中的信贷衍生品交易。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float (通常用于表示价格和价值), string (用于表示资产ID或合约地址) |
| 取值范围 | 取决于底层资产的价值，可以从几美元到数百万美元不等 |
| 单位 | 通常以稳定币（如USDC, USDT）计价，或锚定于法币（如USD） |
| 更新频率 | 价格更新频率各不相同。对于交易所交易的资产，可能是实时的；对于房地产等，可能是每日或每周更新一次估值。 |
| 典型数据源 | Chainlink等预言机、中心化发行机构的API、Binance Research、RWA.xyz等数据分析平台 |
## 常见误解
1. **误解：RWA就是另一种没有实体支撑的加密货币。**
**正确理解：** 恰恰相反，RWA的核心价值在于其背后有明确的、可在现实世界中验证和执行的实体资产作为支撑。其价值基础是法律合同和资产所有权，而非单纯的市场共识。
2. **误解：RWA代币化能让任何非流动性资产立即变得高度流动。**
**正确理解：** 代币化确实通过部分所有权和更广泛的触达范围**提高**了资产的流动性，但并非保证。最终的流动性水平仍受市场深度、投资者兴趣、交易平台质量以及监管环境等多重因素影响。
3. **误解：所有RWA都是安全的投资，等同于“无风险收益”。**
**正确理解：** RWA的风险与其底层资产直接相关。投资于代币化的垃圾债券与投资于代币化的美国国债，其风险状况截然不同。此外，RWA还面临智能合约漏洞、预言机失灵、托管方风险等区块链特有的技术和操作风险。
## 相关名词
- [资产代币化](./资产代币化.md)
- [去中心化金融](./去中心化金融.md)
- [预言机](./预言机.md)
- [资产支持证券](./资产支持证券.md)
- [智能合约](./智能合约.md)
## 深入阅读
- [币安研究院：真实世界资产：连接传统金融与DeFi的桥梁](./Binance_Research_RWA_Report.md)
- [波士顿咨询集团：链上资产代币化的现实意义](./BCG_On-Chain_Asset_Tokenization.md)

79
wiki/名词解释/TWAP.md 普通文件
查看文件

@@ -0,0 +1,79 @@
# 条件风险价值 (Conditional Value at Risk, CVaR)
🔴高级
## 一句话解释
条件风险价值 (CVaR) 是一种风险评估指标，用于量化在超过某个特定阈值的极端不利情况下，投资组合或资产的预期平均损失。
## 详细解释
### 背景与原理
条件风险价值（CVaR），也被称为预期短缺（Expected Shortfall, ES），是一种比传统的风险价值（Value at Risk, VaR）更为先进和全面的风险度量方法。VaR模型虽然能够估算在一定的置信水平下（例如95%）可能发生的最大损失，但它无法回答一个关键问题：“如果损失超过了VaR的阈值，那么实际的损失会有多大？” VaR只给出了损失的“底线”，而忽略了尾部风险的严重性。
CVaR正是为了解决这一局限性而提出的。它通过计算所有超过VaR阈值的损失的算术平均值，来量化尾部风险的期望值。换言之，CVaR衡量的是在最坏的 (1-α)% 的情况下，资产的平均损失是多少。由于CVaR考虑了尾部损失的幅度和概率分布，它被认为是一种“一致性风险度量”（Coherent Risk Measure），满足单调性、次可加性、正齐次性和传递不变性四个公理，这使得它在进行投资组合优化时比VaR更加可靠和有效。
### 计算公式
对于一个给定的置信水平 α（例如 0.95），投资组合的CVaR可以表示为超过VaR的损失的条件期望值。其数学公式如下：
```latex
CVaR_\alpha(X) = E[X | X > VaR_\alpha(X)]
```
其中 `X` 是损失的随机变量，`VaR_α(X)` 是在置信水平 `α` 下的风险价值。CVaR也可以通过积分形式表示：
```latex
CVaR_\alpha = \frac{1}{1-\alpha} \int_{\alpha}^{1} VaR_p(X) dp
```
这个公式表示CVaR是VaR在置信水平从α到1的积分的平均值。
### 计算示例
假设一个投资组合在未来100个交易日内可能的日收益率（已按从小到大排序）如下。我们设定置信水平为95%。
1. **数据**: 假设我们有100个模拟的日收益率数据。
2. **计算VaR**: 95%置信水平意味着我们关注最差的5%的情况。在100个数据点中，最差的5个数据点即为第1到第5个最差的收益。假设第5个最差的日收益率为-2.5%。那么，95%的VaR就是2.5%。这意味着我们有95%的信心，单日损失不会超过2.5%。
3. **计算CVaR**: 现在我们计算超过VaR的损失的平均值。假设最差的5个日收益率分别为：-4.2%, -3.8%, -3.1%, -2.9%, -2.6%。
CVaR的计算如下：
`CVaR = (4.2% + 3.8% + 3.1% + 2.9% + 2.6%) / 5 = 3.32%`
因此，该投资组合在95%置信水平下的CVaR为3.32%。这意味着，一旦损失超过2.5%的VaR阈值，我们预期的平均损失将是3.32%。
## 在量化交易中的应用
1. **投资组合优化**: 在构建投资组合时，传统的均值-方差优化模型主要关注收益和波动性，而CVaR优化则旨在最小化投资组合的尾部风险。通过最小化CVaR，投资者可以构建出在极端市场事件中表现更为稳健的投资组合，这对于风险规避型投资者尤为重要。
2. **风险预算与分配**: 交易公司或基金可以将其总体的风险承受能力（风险预算）基于CVaR在不同的交易策略、资产类别或交易员之间进行分配。这种方法确保了公司的整体尾部风险得到有效控制，并使风险资本的分配更加科学和高效。
3. **算法策略的回测与评估**: 在回测一个新的量化交易策略时，仅仅关注夏普比率或最大回撤等指标是不够的。CVaR可以作为一个关键的性能评估指标，用来衡量策略在历史数据中的尾部风险。一个具有较高CVaR的策略可能在特定市场条件下引发灾难性亏损，即使其平均回报和波动性看起来很吸引人。
4. **衍生品定价与对冲**: 在复杂的衍生品定价和对冲策略中，CVaR被用来评估和管理由非线性和不对称的回报分布所带来的风险。通过对冲CVaR，交易员可以更有效地管理其衍生品头寸的极端风险。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | (-∞, +∞) （理论上，但通常以百分比或货币单位表示损失） |
| 单位 | 百分比 (%) 或 货币单位 (如 USD) |
| 更新频率 | 每日/实时 |
| 典型数据源 | 交易所历史价格数据、彭博（Bloomberg）、路孚特（Refinitiv） |
## 常见误解
1. **误解**: CVaR与VaR是同一个概念。
**正确理解**: CVaR是VaR的扩展。VaR回答的是“在某个概率下，我最多会损失多少？”，而CVaR回答的是“如果我真的发生了超过VaR的损失，我平均会损失多少？”
2. **误解**: 只要VaR低，风险就低。
**正确理解**: 两个投资组合可能有相同的VaR，但CVaR可能截然不同。一个CVaR远高于其VaR的组合，意味着其尾部风险极大，一旦发生极端事件，损失将非常惨重。
3. **误解**: CVaR可以精确预测未来的最大损失。
**正确理解**: CVaR是一个基于历史数据或模型假设的统计估计值，而不是一个确定性的预测。它提供的是对未来极端损失的一个概率性度量，实际损失可能高于或低于CVaR的估算值。
## 相关名词
- [风险价值 (Value at Risk, VaR)](./VaR.md)
- [预期短缺 (Expected Shortfall, ES)](./Expected_Shortfall.md)
- [尾部风险 (Tail Risk)](./Tail_Risk.md)
- [一致性风险度量 (Coherent Risk Measure)](./Coherent_Risk_Measure.md)
## 深入阅读
- [Rockafellar, R. T., & Uryasev, S. (2000). Optimization of conditional value-at-risk. Journal of risk, 2, 21-41.](./Optimization_of_conditional_value-at-risk.md)
- [Acerbi, C., & Tasche, D. (2002). On the coherence of expected shortfall. Journal of Banking & Finance, 26(7), 1487-1503.](./On_the_coherence_of_expected_shortfall.md)

95
wiki/名词解释/Theta.md 普通文件
查看文件

@@ -0,0 +1,95 @@
# 闪电贷 (Flash Loan)
🟢入门
## 一句话解释
闪电贷是去中心化金融（DeFi）中一种无需抵押的贷款，借款和还款必须在同一个区块链交易中完成。
## 详细解释
### 背景与原理
闪电贷是 DeFi 领域的一项创新金融工具，它允许用户在不提供任何抵押品的情况下，从智能合约管理的资金池中借出资产。其核心机制依赖于区块链交易的**原子性（Atomicity）**。原子性确保一笔交易内的所有操作要么全部成功执行，要么在任何一个环节失败时全部回滚，恢复到交易前的状态。
当用户申请一笔闪电贷时，他们实际上是在一笔交易中打包了三个关键步骤：
1. **借款**：从资金池中获得所需数量的资产。
2. **操作**：利用借来的资金执行一系列其他操作，例如在不同的去中心化交易所（DEX）之间进行套利。
3. **还款**：在交易结束前，将借款本金加上一笔小额手续费归还给资金池。
整个过程由智能合约强制执行。如果在交易的最后，智能合约检测到贷款未能连本带息归还，它将自动触发回滚机制，撤销这笔交易中的所有操作，就好像这笔借款从未发生过一样。这种机制消除了贷方的风险，因为资金要么被瞬间归还，要么就从未离开过资金池，因此无需借款人提供任何抵押。
### 计算公式（如适用）
闪电贷的核心是其交易结构而非一个具体的计算公式。其逻辑可以用以下伪代码来描述：
```
function flashLoan(amount, operations) {
// 1. 从资金池借出资金
borrow(amount);
// 2. 执行用户定义的操作
execute(operations);
// 3. 计算需要归还的总额
fee = amount * fee_rate;
total_repayment = amount + fee;
// 4. 验证用户是否已将足够资金转回合约
require(get_balance() >= total_repayment, "Repayment failed");
// 5. 将资金归还资金池
repay(total_repayment);
}
```
### 计算示例
假设交易员发现两个不同的去中心化交易所（DEX A 和 DEX B）上，同一个代币（例如 ETH）存在价差。在 DEX A 上，1 ETH = 2,000 DAI，而在 DEX B 上，1 ETH = 2,020 DAI。
交易员可以执行以下闪电贷套利操作：
1. **借款**：从 Aave 协议闪电贷借入 1,000,000 DAI。
2. **操作**：
* 在 DEX A 上，用 1,000,000 DAI 购买 500 ETH (1,000,000 / 2,000)。
* 立即在 DEX B 上，将 500 ETH 卖出，获得 1,010,000 DAI (500 * 2,020)。
3. **还款**：
* Aave 的闪电贷手续费通常为 0.09%。需要偿还的金额为 1,000,000 * (1 + 0.0009) = 1,000,900 DAI。
* 交易员将 1,000,900 DAI 归还给 Aave 资金池。
**利润计算**：交易员的净利润为 1,010,000 - 1,000,900 = 9,100 DAI。这一切都在一个区块内，几秒钟内完成，且无需动用任何自有资金作为抵押。
## 在量化交易中的应用
1. **套利（Arbitrage）**：这是闪电贷最常见的应用。量化交易策略可以监控不同 DEX 之间的微小价差，一旦发现套利机会，立即通过闪电贷借入大笔资金执行交易，放大收益。由于无需自有资金，策略可以捕捉到以往因资金限制而无法利用的机会。
2. **抵押品互换（Collateral Swapping）**：当用户在 Compound 或 Aave 等借贷平台上有抵押贷款时，他们可能希望更换抵押品（例如，从 WBTC 换成 ETH）以应对市场变化或获取更好的利率。通过闪电贷，用户可以借入一笔资金偿还旧贷款，取出原有抵押品，然后存入新的抵押品，最后用取出的旧抵押品的一部分偿还闪电贷。这大大简化了流程，避免了多步手动操作的风险和耗时。
3. **自我清算（Self-Liquidation）**：如果一笔抵押贷款的健康度下降，面临清算风险，借款人可以使用闪电贷来避免被第三方清算并支付高额的清算罚金。他们可以闪电贷一笔资金来偿还债务，取出自己的抵押品，然后用抵押品的一部分偿还闪电贷，剩余部分则归自己所有。这比被动等待清算要划算得多。
4. **利率互换（Interest Rate Swapping）**：交易员可以利用闪电贷在不同的借贷协议之间转移债务，以寻求更低的利率。例如，从一个利率较高的协议中借出闪电贷，偿还该协议的债务，然后在另一个利率较低的协议中建立新的债务头寸，并用新借的款项偿还闪电贷。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 0 到协议资金池的可用流动性 |
| 单位 | 各种加密货币单位（如 ETH, DAI, USDC） |
| 更新频率 | 实时 |
| 典型数据源 | Aave, dYdX, Uniswap 等支持闪电贷的 DeFi 协议 |
## 常见误解
1. **误解**：“闪电贷是免费的钱。”
**正确理解**：闪电贷并非免费，必须在同一笔交易中连本带息归还。如果无法归还，整笔交易将失败，资金从未被真正借出。它只是提供了在极短时间内调动大量资金的可能性。
2. **误解**：“任何人都可以通过闪电贷轻松致富。”
**正确理解**：成功利用闪电贷需要深厚的技术知识（编写和部署智能合约）、敏锐的市场洞察力（发现套利机会）以及对 DeFi 生态的深刻理解。对于普通用户来说，门槛非常高。
3. **误解**：“闪电贷主要是用于攻击和非法活动。”
**正确理解**：虽然闪电贷曾被用于攻击某些设计不佳的 DeFi 协议，但它本身是一种中性的金融工具。其合法用例，如套利、抵押品互换和自我清算，对提升市场效率和提供高级金融策略具有重要价值。
## 相关名词
- [去中心化金融 (DeFi)](./去中心化金融.md)
- [智能合约 (Smart Contract)](./智能合约.md)
- [套利 (Arbitrage)](./套利.md)
- [Aave](./Aave.md)
- [原子性 (Atomicity)](./原子性.md)
## 深入阅读
- [Aave 官方文档：闪电贷](./aave-flash-loans.md)
- [深入理解闪电贷攻击](./flash-loan-attacks.md)

64
wiki/名词解释/VWAP.md 普通文件
查看文件

@@ -0,0 +1,64 @@
# 阿尔法 (Alpha)
🟡进阶
## 一句话解释
Alpha 是衡量投资组合或策略相对于其基准（通常是市场指数）的超额回报，代表了主动管理带来的价值。
## 详细解释
### 背景与原理
Alpha 起源于资本资产定价模型（CAPM），该模型旨在解释资产的预期回报。根据 CAPM，资产的预期回报等于无风险利率加上一个由其系统性风险（Beta）决定的风险溢价。任何偏离这个预期回报的部分，就被认为是 Alpha。正的 Alpha 表示投资组合的表现优于其风险水平所预期的回报，而负的 Alpha 则表示表现不佳。在量化交易中，寻找和利用 Alpha 是所有策略的核心目标，因为它代表了市场的无效性和可利用的盈利机会。
### 计算公式（如适用）
Alpha 的计算公式如下：
```latex
\alpha = R_p - [R_f + \beta_p \times (R_m - R_f)]
```
其中：
- \(R_p\) = 投资组合的实际回报率
- \(R_f\) = 无风险利率
- \(\beta_p\) = 投资组合的 Beta 值
- \(R_m\) = 市场基准的回报率
### 计算示例
假设一个投资组合在一年内的回报率为 15%。同期，无风险利率为 2%，市场基准（如标准普尔500指数）的回报率为 10%。如果该投资组合的 Beta 值为 1.2，则其 Alpha 计算如下：
预期回报 = 2% + 1.2 * (10% - 2%) = 11.6%
Alpha = 15% - 11.6% = 3.4%
这个正的 Alpha (3.4%) 表明该投资组合的表现优于其风险调整后的预期回报。
## 在量化交易中的应用
1. **因子投资**：在多因子模型中，Alpha 被用作一个独立的因子来构建投资组合。通过识别和组合多个能够产生正 Alpha 的因子（如价值、动量、质量等），投资者可以构建出超越市场的策略。
2. **统计套利**：统计套利策略旨在利用资产价格之间的短期偏离。当发现两个或多个高度相关的资产价格出现异常偏离时，策略会做多被低估的资产并做空被高估的资产，以期从价格的回归中获取 Alpha。
3. **高频交易**：在高频交易中，Alpha 的来源通常是微观市场结构中的无效性，例如订单簿中的不平衡或跨交易所的价差。高频交易策略通过极快的速度和复杂的算法来捕捉这些稍纵即逝的 Alpha 机会。
4. **事件驱动策略**：这类策略通过分析公司公告、宏观经济数据发布等事件来预测股价的短期走势。通过在事件发生前后进行交易，策略旨在捕捉由市场对新信息的反应所产生的 Alpha。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 通常在 -10% 到 +10% 之间，但理论上无限制 |
| 单位 | 百分比 (%) |
| 更新频率 | 取决于回报率的计算周期，可以是每日、每周或每月 |
| 典型数据源 | 彭博、路透、券商交易数据、公开市场数据 |
## 常见误解
1. **误解**：任何正的回报都是 Alpha。
**正确理解**：Alpha 是指*超出*由市场风险（Beta）所解释的*超额*回报。如果一个投资组合的回报率很高，但其承担的风险也相应很高，那么它的 Alpha 可能很低甚至是负数。
2. **误解**：Alpha 是稳定且可持续的。
**正确理解**：Alpha 的来源是市场的无效性，而这些无效性会随着时间的推移被其他市场参与者发现和利用，从而导致 Alpha 的衰减。因此，持续寻找新的 Alpha 来源是量化交易的核心挑战。
3. **误解**：Alpha 越高越好。
**正确理解**：虽然高 Alpha 通常是理想的，但还需要考虑其波动性和夏普比率。一个 Alpha 很高但波动性极大的策略，可能不如一个 Alpha 稍低但表现更稳定的策略。此外，交易成本和策略容量也会影响高 Alpha 策略的实际盈利能力。
## 相关名词
- `[贝塔 (Beta)](./Beta.md)`
- `[夏普比率 (Sharpe Ratio)](./Sharpe_Ratio.md)`
- `[资本资产定价模型 (CAPM)](./CAPM.md)`
- `[因子 (Factor)](./Factor.md)`
## 深入阅读
- `[寻找市场中的Alpha](./seeking_alpha.md)`
- `[量化投资策略](./quantitative_investment_strategies.md)`

71
wiki/名词解释/VaR.md 普通文件
查看文件

@@ -0,0 +1,71 @@
# Vega (Vega)
🟡进阶
## 一句话解释
Vega 是衡量期权价格对隐含波动率变化的敏感度的指标，具体表示隐含波动率每变动 1%，期权价格预计会发生多少变化。
## 详细解释
### 背景与原理
Vega 是期权“希腊字母”风险参数之一，用于量化期权价格对标的资产隐含波动率（Implied Volatility, IV）变化的敏感程度。尽管通常与 Delta、Gamma、Theta 等希腊字母并列，但 Vega 并非一个真正的希腊字母，而是金融交易实践中约定俗成的术语。无论是看涨期权还是看跌期权，其 Vega 值通常都为正，这意味着当市场对未来的不确定性预期增加（即隐含波动率上升）时，期权的价值也会随之增加，反之亦然。这是因为更高的波动率意味着标的资产价格在未来出现大幅度波动的可能性更大，从而增加了期权最终变为价内（In-the-Money）的可能性，使得期权持有者获利的机会增加。
Vega 的大小受多种因素影响。其中，**到期时间**是关键因素之一：距离到期日越长的期权，其 Vega 值通常越高。这是因为更长的时间为标的资产价格的变动提供了更多的可能性。此外，期权的**价内/价外程度**也会影响 Vega，通常平价（At-the-Money）期权的 Vega 值最高，而深度价内或深度价外的期权 Vega 值则相对较低。
### 计算公式
在 Black-Scholes 模型中，欧式期权的 Vega 计算公式如下：
```latex
V = S \cdot N'(d_1) \cdot \sqrt{T - t}
```
其中：
- `V` 是 Vega
- `S` 是标的资产的当前价格
- `N'(d1)` 是标准正态分布的概率密度函数，`d1` 的计算涉及资产价格、执行价格、无风险利率、股息率、波动率和到期时间
- `T - t` 是距离到期日的剩余时间（以年为单位）
### 计算示例
假设某股票的当前价格为 100 美元，一个执行价为 100 美元、3 个月后到期的平价看涨期权，其 Vega 为 0.20。这意味着，如果该股票的隐含波动率上升 1%（例如，从 20% 上升到 21%），该期权的价格理论上会上涨 0.20 美元。由于一份标准期权合约通常代表 100 股，因此整个期权合约的总价值将增加 20 美元（0.20 美元/股 × 100 股）。相反，如果隐含波动率下降 1%，合约的总价值将减少 20 美元。
## 在量化交易中的应用
1. **波动率交易（Volatility Trading）**：量化交易员通过预测隐含波动率的未来走势来构建交易策略。例如，在公司发布财报或重大经济数据公布前，市场不确定性增加，隐含波动率通常会上升。交易员可以提前买入期权（做多 Vega），从波动率的上升中获利。事件结束后，不确定性消除，波动率下降，此时可以卖出期权平仓。
2. **对冲波动率风险**：对于持有大量期权头寸的投资组合，隐含波动率的剧烈变化可能带来巨大风险。通过构建 **Vega 中性（Vega-Neutral）** 策略，可以对冲这种风险。这通常涉及同时买入和卖出具有不同 Vega 值的期权，使得整个投资组合的总 Vega 值接近于零，从而使其价值不受隐含波动率变化的影响。
3. **相对价值交易（Relative Value Trading）**：通过分析不同执行价格或不同到期日的期权的 Vega 值，可以发现市场上的定价偏差。例如，交易员可能会发现某个远期期权的隐含波动率相对于近期期权被低估，从而构建跨期价差（Calendar Spread）策略，买入被低估的远期期权，卖出被高估的近期期权，以捕捉波动率曲线的形态变化。
4. **构建跨式和宽跨式策略（Straddles and Strangles）**：当预期标的资产将发生大幅价格波动，但方向不确定时，可以同时买入相同执行价和到期日的看涨和看跌期权（跨式策略）。这种策略具有很高的正 Vega，能从波动率的急剧上升中大幅获利。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 通常为正数，接近于零或为正。对于标准期权，Vega 不会是负数。 |
| 单位 | 期权价格变化 / 隐含波动率百分比变化（例如：USD/1% IV） |
| 更新频率 | 实时 |
| 典型数据源 | 由期权定价模型（如 Black-Scholes）实时计算得出，数据来源于各大期权交易所（如 CBOE、NYSE Arca）发布的实时市场行情。 |
## 常见误解
1. **误解：Vega 是一个希腊字母。**
**正确理解：** 与 Delta (Δ)、Gamma (Γ)、Theta (Θ) 不同，Vega 并非源自希腊字母表。它是一个在金融领域为表示波动率敏感度而专门创造的术语，但因其在风险管理中的重要性而与真正的“希腊字母”并列使用。
2. **误解：Vega 衡量的是对历史波动率的敏感度。**
**正确理解：** Vega 衡量的是期权价格相对于**隐含波动率**（Implied Volatility）变化的敏感度。隐含波动率是市场对未来的预期，而历史波动率是过去价格变动的统计度量，两者截然不同。
3. **误解：高 Vega 的期权总是更好的选择。**
**正确理解：** 高 Vega 意味着期权价格对波动率变化更为敏感，这既是机会也是风险。虽然在预期波动率上升时能带来更高回报，但在预期波动率下降时也会导致更严重的损失。选择何种 Vega 水平的期权取决于交易员对未来波动率的具体判断和风险承受能力。
## 相关名词
- [Delta](./Delta.md)
- [Gamma](./Gamma.md)
- [Theta](./Theta.md)
- [Rho](./Rho.md)
- [隐含波动率](./Implied_Volatility.md)
## 深入阅读
- [期权希腊字母风险管理](./Option_Greeks_Risk_Management.md)
- [波动率交易策略](./Volatility_Trading_Strategies.md)

69
wiki/名词解释/Vega.md 普通文件
查看文件

@@ -0,0 +1,69 @@
# 预言机 (Oracle)
🟢入门
## 一句话解释
预言机是一种将区块链外部世界的真实数据安全、可靠地提供给区块链上智能合约的中间件服务。
## 详细解释
### 背景与原理
区块链本质上是确定性的、封闭的系统，其内部状态的每一次变更都必须是可验证和完全一致的。这意味着智能合约本身无法主动访问或获取区块链网络之外的数据，例如，查询当前的天气、股票价格或者任何网站的 API 数据。这种与外部世界的隔离性保证了区块链的安全和共识稳定，但同时也极大地限制了智能合约的应用场景。为了解决这个问题，“预言机”应运而生。
预言机并非数据源本身，而是一个充当数据网关（Data Gateway）的中间层。它的核心功能是“翻译”和“验证”外部数据，并以一种与区块链兼容的格式将其提交到链上，供智能合约使用。这个过程通常包括以下几个步骤：
1. **数据请求**：智能合约触发一个数据请求，指定需要何种外部数据。
2. **数据获取**：预言机节点监听到该请求后，从一个或多个指定的外部数据源（如公开的 API、物联网传感器等）获取原始数据。
3. **数据验证与聚合**：为了保证数据的可靠性和准确性，去中心化的预言机网络（Decentralized Oracle Networks, DONs）会使用多个独立的预言机节点从不同数据源获取信息。然后，通过某种共识机制（如多数投票）对这些数据进行验证和聚合，剔除异常值和恶意数据，得出一个可信的单一结果。
4. **数据上链**：预言机将经过验证的最终数据打包成一笔交易，发送到区块链上，存储在智能合约中或供其调用。
通过这种方式，预言机作为连接链上与链下世界的桥梁，极大地扩展了智能合约的能力，使其能够与现实世界的事件、数据和系统进行交互，从而催生了去中心化金融（DeFi）、参数化保险、预测市场等众多创新应用。
## 在量化交易中的应用
预言机在连接链上资产与链下金融市场的过程中扮演着至关重要的角色，为量化交易策略提供了关键的数据基础设施。以下是几个主要的应用场景：
1. **价格数据喂价（Price Feeds）**
去中心化交易所（DEX）、借贷协议和衍生品平台等 DeFi 应用需要实时、准确的市场价格来执行交易、计算抵押率和清算资产。量化交易策略依赖这些由预言机提供的价格数据来识别套利机会、执行高频交易或进行风险管理。例如，一个策略可以监控由预言机提供的多个 DEX 上的资产价格，当出现价差时自动执行买低卖高的套利交易。
2. **波动率数据**
期权、永续合约等复杂衍生品的定价和风险管理高度依赖于标的资产的波动率。预言机可以从链下的专业数据提供商（如 CBOE Volatility Index, VIX）获取历史波动率和引申波幅数据，并将其提供给链上衍生品协议。量化交易员可以利用这些数据来为期权定价，或者构建基于波动率变化的交易策略，例如波动率套利或卖出期权以赚取权利金。
3. **链下事件触发的策略**
许多量化策略依赖于特定的宏观经济事件或市场情绪。预言机可以将这些链下事件（如美联储利率决议、公司财报发布、社交媒体情绪指数等）作为触发器引入智能合约。例如，一个量化策略可以设定一个规则：当预言机报告美联储宣布降息时，自动在链上买入一篮子与利率敏感的代币化资产。
4. **合成资产与指数**
预言机使得创建与现实世界资产（如股票、商品、外汇）挂钩的合成资产成为可能。通过持续喂价，预言机确保了链上合成资产的价格能准确追踪其标的资产。量化基金可以利用这些合成资产来构建多样化的投资组合，或者对冲其在传统市场中的头寸，而无需实际持有这些链下资产。
5. **算法稳定币的锚定**
部分算法稳定币的机制依赖于预言机提供的外部资产价格（如一篮子法币或商品的价格）来调节其供给量，从而维持价格的稳定。量化交易者可以通过监控稳定币价格与预言机价格之间的偏差来进行套利，这种市场行为反过来也帮助了稳定币恢复其锚定价格，构成了稳定机制的一部分。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float / string / int |
| 取值范围 | 取决于具体数据类型。价格数据通常为正浮点数；状态数据可以是字符串或整数。 |
| 单位 | 视数据而定，如 USD、CNY、温度（摄氏度/华氏度）等。 |
| 更新频率 | 取决于应用需求和预言机网络配置，可以从近乎实时（数秒）到每日更新不等。 |
| 典型数据源 | Chainlink, Band Protocol, API3, Pyth Network, 以及各大中心化交易所（如 Binance, Coinbase）的公开 API。 |
## 常见误解
1. **误解：预言机是数据源。**
**正确理解**：预言机本身不是数据的生产者，而是数据的搬运工和验证者。它是一个安全的中间件，负责将链下的数据源（如网站 API）提供的数据传输到区块链上，并在此过程中确保数据的完整性和可靠性。
2. **误解：使用预言机是完全去中心化和无需信任的。**
**正确理解**：虽然去中心化的预言机网络（DONs）通过聚合多个独立节点的数据来减少单点故障和恶意操控的风险，但用户仍然需要信任该预言机网络的设计、共识机制以及其选择的数据源是可靠的。因此，它是一种“信任最小化”的解决方案，而非“完全无需信任”。
3. **误解：预言机可以主动向智能合约推送数据。**
**正确理解**：在大多数设计中，预言机是被动响应的。通常是智能合约首先发起一个数据请求，或者用户通过调用智能合约的功能来触发预言机的数据更新流程。预言机监听到请求后才会去获取并提交数据，而不是主动、无差别地向链上推送信息。
## 相关名词
- `[智能合约](./智能合约.md)`
- `[去中心化金融 (DeFi)](./去中心化金融.md)`
- `[数据喂价 (Price Feed)](./数据喂价.md)`
- `[Chainlink](./Chainlink.md)`
## 深入阅读
- `[Chainlink 白皮书 2.0](./Chainlink白皮书2.0.md)`
- `[去中心化预言机网络的设计与挑战](./去中心化预言机网络的设计与挑战.md)`

91
wiki/名词解释/代币化.md 普通文件
查看文件

@@ -0,0 +1,91 @@
# 成交量加权平均价 (VWAP)
🟢入门
## 一句话解释
成交量加权平均价（VWAP）是一个在日内图表上使用的技术分析指标，它根据交易量和价格计算出证券在一天内的平均交易价格。
## 详细解释
### 背景与原理
VWAP 的全称是 Volume-Weighted Average Price，即成交量加权平均价。它是一个非常重要的交易指标，尤其受到机构投资者的青睐。其核心思想是，在计算平均价格时，成交量越大的价格点，其权重也应该越大。这与简单的移动平均线（SMA）不同，后者只考虑价格，不考虑成交量。
VWAP 通常在每个交易日开盘时开始计算，并在收盘时结束。它在图表上显示为一条线，可以帮助交易者判断当前价格相对于当日成交均价是偏高还是偏低，从而为交易决策提供依据。
### 计算公式
VWAP 的计算公式如下：
```latex
VWAP = \frac{\sum (Price \times Volume)}{\sum Volume}
```
其中：
- **Price** 通常使用典型价格（Typical Price），即 `(最高价 + 最低价 + 收盘价) / 3`。
- **Volume** 是对应时间周期内的成交量。
### 计算示例
假设某股票在一天内的三个时间段内有如下交易数据：
| 时间段 | 最高价 | 最低价 | 收盘价 | 成交量 |
|---|---|---|---|---|
| 9:30-9:35 | 10.05 | 9.95 | 10.00 | 10000 |
| 9:35-9:40 | 10.10 | 10.00 | 10.08 | 15000 |
| 9:40-9:45 | 10.12 | 10.05 | 10.10 | 12000 |
计算过程如下：
1. **计算每个时间段的典型价格和交易额：**
- 时间段 1 典型价格 = (10.05 + 9.95 + 10.00) / 3 = 10.00
- 时间段 1 交易额 = 10.00 * 10000 = 100000
- 时间段 2 典型价格 = (10.10 + 10.00 + 10.08) / 3 = 10.06
- 时间段 2 交易额 = 10.06 * 15000 = 150900
- 时间段 3 典型价格 = (10.12 + 10.05 + 10.10) / 3 = 10.09
- 时间段 3 交易额 = 10.09 * 12000 = 121080
2. **计算累计交易额和累计成交量：**
- 累计交易额 = 100000 + 150900 + 121080 = 371980
- 累计成交量 = 10000 + 15000 + 12000 = 37000
3. **计算 VWAP：**
- VWAP = 371980 / 37000 = 10.0535
## 在量化交易中的应用
1. **交易执行基准：** 机构投资者在执行大额订单时，常常以 VWAP 作为交易执行的基准。他们会尝试以低于 VWAP 的价格买入，或以高于 VWAP 的价格卖出，以减小对市场价格的冲击，并获得更好的执行效果。
2. **日内趋势判断：** 当价格持续在 VWAP 上方运行时，通常被认为是看涨信号；反之，当价格持续在 VWAP 下方运行时，则被认为是看跌信号。量化策略可以利用这一特性来构建日内趋势跟踪模型。
3. **均值回归策略：** VWAP 可以被看作是当日市场参与者共同认可的“公允价值”。当价格偏离 VWAP 过远时，可能会出现向 VWAP 回归的倾向。基于这一原理，可以设计均值回归策略，在价格大幅低于 VWAP 时买入，在价格大幅高于 VWAP 时卖出。
4. **流动性分析：** VWAP 的计算包含了成交量信息，因此可以反映市场的流动性状况。在 VWAP 附近，通常是流动性较好的区域，交易成本相对较低。
5. **算法交易：** 许多算法交易策略，如 VWAP 策略，旨在将大额订单拆分成小订单，在一天内分批执行，使得最终的平均成交价尽可能接近当日的 VWAP。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 大于 0 |
| 单位 | 货币单位（如 USD, CNY） |
| 更新频率 | 实时（通常按分钟或秒级更新） |
| 典型数据源 | 交易所、数据提供商（如 Bloomberg, Refinitiv） |
## 常见误解
1. **VWAP 是预测性指标：** 实际上，VWAP 是一个滞后指标，它基于历史数据计算得出，并不能预测未来的价格走势。
2. **VWAP 适用于所有时间周期：** VWAP 是一个日内指标，每个交易日都会重新计算。将其应用于多日的时间周期是没有意义的。
3. **价格突破 VWAP 就是买卖信号：** 虽然价格与 VWAP 的相对位置可以提供参考，但单一的突破信号并不可靠，需要结合其他指标和市场环境进行综合判断。
## 相关名词
- [移动平均线 (Moving Average)](./Moving_Average.md)
- [典型价格 (Typical Price)](./Typical_Price.md)
- [成交量 (Volume)](./Volume.md)
- [算法交易 (Algorithmic Trading)](./Algorithmic_Trading.md)
- [交易成本分析 (Transaction Cost Analysis)](./Transaction_Cost_Analysis.md)
## 深入阅读
- [Investopedia: Volume-Weighted Average Price (VWAP)](https://www.investopedia.com/terms/v/vwap.asp)
- [Corporate Finance Institute: Volume Weighted Adjusted Price (VWAP)](https://corporatefinanceinstitute.com/resources/career-map/sell-side/capital-markets/volume-weighted-adjusted-price-vwap/)

86
wiki/名词解释/保证金.md 普通文件
查看文件

@@ -0,0 +1,86 @@
# 资金管理 (Money Management)
🟢入门
## 一句话解释
资金管理是在量化交易中，通过系统化的方法决定单笔交易的投入资本占总资金的比例，旨在最大化长期盈利能力的同时，将风险控制在可接受的范围内，避免因单次或连续亏损导致账户破产。
## 详细解释
### 背景与原理
资金管理，又称头寸规模确定（Position Sizing），是交易系统三大支柱（策略、风险管理、资金管理）中至关重要的一环。其核心思想源于对不确定性的认知和对长期生存的追求。在充满随机性的市场中，任何交易策略都无法保证100%的胜率，连续亏损是不可避免的。资金管理的目标正是在于，通过科学地分配资金，确保交易账户能够抵御这些必然会发生的“坏运气”时期，并能在盈利时有效扩大战果，实现长期、稳定的资本增值。
其基本原理可以概括为“反鞅策略”（Anti-Martingale）。与在亏损后加倍下注的鞅策略（Martingale）相反，反鞅策略主张在盈利时增加头寸规模，在亏损时减少头寸规模。这种方法论承认了市场波动的不可预测性，避免了在逆境中将账户暴露于过高的风险之下，从而显著降低了破产概率。通过将单次交易的风险限制在总资本的一个较小百分比内，交易者可以安然度过策略的回撤期，等待盈利周期的到来。
### 计算公式（如适用）
#### 凯利公式 (Kelly Criterion)
凯利公式是资金管理领域最著名的数学模型之一，旨在找到最优的单次交易投资比例，以实现长期复利增长的最大化。
```latex
f^* = \frac{(b \cdot p - q)}{b} = p - \frac{q}{b}
```
其中：
- \(f^*\) 是应投入资金的比例。
- \(p\) 是交易获胜的概率。
- \(q\) 是交易失败的概率 (\(q = 1 - p\))。
- \(b\) 是赔率，即平均盈利与平均亏损的比值 (Payoff Ratio)。
### 计算示例
假设一个量化策略经过长期回测，数据如下：
- 胜率 (p) = 60% = 0.6
- 败率 (q) = 40% = 0.4
- 平均盈利 = 1000元
- 平均亏损 = 500元
首先计算赔率 (b)：
`b = 1000 / 500 = 2`
然后应用凯利公式计算最优投资比例 (f*)：
`f* = 0.6 - (0.4 / 2) = 0.6 - 0.2 = 0.4`
这意味着，对于该策略，每次交易应投入总资金的40%。然而，在实际应用中，由于历史数据无法完全预测未来，直接使用完整的凯利比例风险极高，交易者通常会使用“分数凯利”（Fractional Kelly），例如只采用计算结果的1/2或1/4，即20%或10%。
## 在量化交易中的应用
1. **固定分数法 (Fixed Fractional)**
这是最简单也是最常用的资金管理方法。交易者预先设定一个固定的百分比（如2%），每次交易的风险敞口（通常为止损金额）不超过总资金的这个百分比。例如，一个10万美元的账户，采用2%规则，则单笔交易的最大可承受亏损为2000美元。如果策略的止损点位是股价的5%，那么可以购买的股票价值为 `2000 / 0.05 = 40000` 美元。这种方法简单易行，能有效防止灾难性亏损。
2. **固定比例法 (Fixed Ratio)**
由Ryan Jones提出，该方法将头寸的增加与利润的增长直接挂钩。交易者设定一个“delta”值，代表每赚取多少利润就可以增加一个交易单位（如一手合约）。例如，初始资金10万，delta为5000元，则每当账户净值增加5000元，就可以增加一手合约的交易规模。这种方法在账户规模较小时能更快地增加头寸，而在资金量较大时则相对保守，有助于控制后期风险。
3. **波动率调整模型 (Volatility-Adjusted Sizing)**
以海龟交易法则中使用的ATR（平均真实波幅）为例，这种方法根据市场的波动性来调整头寸规模。其核心思想是，在市场波动剧烈时减少头寸，在波动平稳时增加头寸，从而使得每笔交易的风险（以货币价值衡量）保持相对恒定。计算公式通常为：`头寸规模 = (总资金 * 风险百分比) / (ATR * 每点价值)`。这使得不同品种、不同时期的交易风险具有可比性。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | (0, 1] |
| 单位 | 百分比 (%) 或 比例 |
| 更新频率 | 每笔交易前 / 每日 |
| 典型数据源 | 交易账户净值、策略回测性能指标（胜率、赔率）、市场波动率数据（如ATR） |
## 常见误解
1. **误解：资金管理就是风险管理。**
**正确理解：** 资金管理是风险管理的一个子集，但两者不完全等同。风险管理涵盖更广的范畴，包括止损设置、策略多样化、避免系统性风险等。资金管理则专注于“下多少赌注”这一个具体问题，即如何确定头寸规模以控制单笔交易的风险，并优化长期收益。
2. **误解：胜率越高的策略越好，可以投入更多资金。**
**正确理解：** 高胜率并不直接等同于高盈利能力。一个胜率90%但赔率只有0.1的策略，其长期期望为负。资金管理强调胜率和赔率的综合考量，如凯利公式所示，必须在两者之间找到平衡。一个中等胜率但高赔率的策略，可能比一个高胜率低赔率的策略更值得投入资金。
3. **误解：一旦确定了资金管理规则，就应永久遵守。**
**正确理解：** 资金管理规则应随市场环境、策略表现和交易者自身风险偏好的变化而动态调整。例如，当市场进入高波动期，可能需要降低风险比例；当策略表现出现显著衰退时，应暂停交易或减少头寸规模。定期复盘和调整资金管理模型是保持其有效性的关键。
## 相关名词
- [风险管理](./风险管理.md)
- [凯利公式](./凯利公式.md)
- [头寸规模](./头寸规模.md)
- [夏普比率](./夏普比率.md)
- [最大回撤](./最大回撤.md)
## 深入阅读
- [《交易的游戏》(The Trading Game) by Ryan Jones](./The_Trading_Game_by_Ryan_Jones.md)
- [《通向财务自由之路》(Trade Your Way to Financial Freedom) by Van K. Tharp](./Trade_Your_Way_to_Financial_Freedom_by_Van_K_Tharp.md)

80
wiki/名词解释/信息比率.md 普通文件
查看文件

@@ -0,0 +1,80 @@
# DCA定投 (Dollar-Cost Averaging)
🟢入门
## 一句话解释
DCA定投（Dollar-Cost Averaging）是一种投资策略，指无论市场价格如何，都定期以固定金额买入特定资产，旨在通过在价格波动中平滑买入成本来降低风险。
## 详细解释
### 背景与原理
平均成本法（DCA）的核心思想是放弃预测市场的最佳买入时机，通过纪律性的、机械化的定期投资来应对市场的不可预测性。该策略的理论基础在于，通过在不同价位上持续买入，投资者可以在价格较低时购入更多数量的资产，在价格较高时购入较少数量，从而在长期内将平均持有成本维持在一个相对中低甚至更低的水平。这种方法有效地将“择时”这一高难度决策从投资过程中剥离，尤其适合于波动性较大但长期看涨的资产，如股票、指数基金和加密货币。其原理并非追求最高收益，而是通过分散单点投入的风险，构建一个更为稳健的长期投资组合。
### 计算公式
投资组合的平均成本计算公式如下：
```latex
AC = \frac{\sum_{i=1}^{n} (P_i \times Q_i)}{\sum_{i=1}^{n} Q_i} = \frac{\text{总投入成本}}{\text{总购入份额}}
```
其中：
- `AC` 代表平均成本 (Average Cost)
- `P_i` 代表第 `i` 次投资时的资产价格
- `Q_i` 代表第 `i` 次投资时购入的资产数量
- `n` 代表总投资次数
对于严格的DCA策略，每次投入的金额是固定的（例如，每次投入 `C` 元），因此每次购买的数量 `Q_i` 将是 `C / P_i`。那么总投入成本就是 `n * C`。
### 计算示例
假设一位投资者决定每月向一只指数基金（ETF）投资1000元，持续5个月。每月的基金价格如下：
| 月份 | 投资金额 (元) | 基金价格 (元/份) | 购入份额 | 累计投入 (元) | 累计份额 | 平均成本 (元/份) |
|------|---------------|------------------|----------|---------------|----------|--------------------|
| 1 | 1000 | 10.00 | 100.00 | 1000 | 100.00 | 10.00 |
| 2 | 1000 | 8.00 | 125.00 | 2000 | 225.00 | 8.89 |
| 3 | 1000 | 9.50 | 105.26 | 3000 | 330.26 | 9.08 |
| 4 | 1000 | 11.00 | 90.91 | 4000 | 421.17 | 9.50 |
| 5 | 1000 | 12.00 | 83.33 | 5000 | 504.50 | 9.91 |
在5个月后，投资者总共投入了5000元，获得了504.50份基金。其最终的平均成本为 5000 / 504.50 ≈ 9.91元/份。而这5个月的算术平均价格为 (10+8+9.5+11+12)/5 = 10.1元。通过DCA，投资者获得了比市场平均价更低的成本。
## 在量化交易中的应用
1. **自动化定投策略**：在量化交易中，DCA是最基础也最常见的策略之一。交易系统可以被编程为在预设的时间间隔（如每日、每周）自动执行买入指令，买入固定价值的特定资产（如比特币或某支股票）。这消除了人工操作的延迟和情绪干扰，确保了投资纪律的严格执行。
2. **网格交易的变体**：DCA的思想与网格交易紧密相关。量化策略可以将DCA与价格水平结合，形成一种动态的DCA策略。例如，当价格跌破某个移动平均线时，不仅执行定投，还额外增加投资金额（即“智能定投”），从而在市场下跌时更快地降低成本。
3. **分批建仓与平仓**：对于趋势跟踪或均值回归等更复杂的策略，DCA可以作为入场和出场管理的一部分。当交易信号出现时，系统可以采用DCA方式分批次建立头寸，而不是一次性全仓买入，以平滑初始建仓成本，降低因入场点不佳而带来的早期浮亏风险。同样，在止盈或止损时也可以分批卖出。
4. **投资组合再平衡**：在多资产的量化投资组合中，DCA可用于执行再平衡操作。当某个资产的权重因价格上涨而偏离目标时，系统可以定期卖出一部分；反之，当权重偏低时，则通过DCA的方式定期买入，以维持投资组合的风险暴露和资产配置比例在预设范围内。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 大于0 |
| 单位 | 计价货币（如USD, CNY） |
| 更新频率 | 根据交易频率确定，可为分钟、小时、天等 |
| 典型数据源 | 交易所API、金融数据服务商（如Bloomberg, Refinitiv） |
## 常见误解
1. **误解：DCA是一种稳赚不赔的策略。**
**正确理解：** DCA并不能保证盈利。它是一种风险管理工具，旨在降低买入成本，但如果投资的资产本身价值持续归零，DCA策略也无法避免最终的亏损。策略的成功高度依赖于所选资产的长期增长潜力。
2. **误解：DCA在任何市场条件下都优于一次性总付投资（Lump Sum Investing）。**
**正确理解：** 在一个持续单边上涨的牛市中，一次性尽早投入所有资金的收益率通常会高于DCA。DCA的优势主要体现在价格波动较大或先跌后涨的市场环境中。
3. **误解：执行DCA策略后就可以完全不管了。**
**正确理解：** DCA虽然简化了买入决策，但并不意味着可以完全“撒手不管”。投资者仍需定期审视投资标的的基本面是否发生变化，并需要制定明确的退出策略（如达到目标收益后止盈），否则可能错失卖出良机或在市场逆转时无法保住利润。
## 相关名词
- [一次性投资](./Lump_Sum_Investing.md)
- [价值平均](./Value_Averaging.md)
- [网格交易](./Grid_Trading.md)
- [投资组合再平衡](./Portfolio_Rebalancing.md)
## 深入阅读
- [Investopedia: Dollar-Cost Averaging (DCA) Explained](https://www.investopedia.com/terms/d/dollarcostaveraging.asp)
- [Wikipedia: Dollar cost averaging](https://en.wikipedia.org/wiki/Dollar_cost_averaging)

72
wiki/名词解释/冰山订单.md 普通文件
查看文件

@@ -0,0 +1,72 @@
# Beta (贝塔系数)
🟢入门
## 一句话解释
贝塔系数（Beta）是衡量单一资产或投资组合相对于整个市场的波动性的指标，用于量化其系统性风险。
## 详细解释
### 背景与原理
贝塔系数是资本资产定价模型（CAPM）的核心参数之一，该模型描述了系统性风险与资产预期回报之间的关系。从统计学上讲，贝塔是通过将特定资产的回报率与整个市场（通常由一个广泛的市场指数，如标普500指数代表）的回报率进行线性回归分析得出的。回归线的斜率即为贝塔系数。
一个贝塔值为 1.0 意味着该资产的价格波动与市场同步。若贝塔值大于 1.0，则表示该资产的波动性大于市场，例如，贝塔为 1.2 的股票在市场上涨 10% 时，理论上会上涨 12%。反之，若贝塔值小于 1.0，则表示其波动性小于市场。负贝塔值则表示资产的走势与市场相反。
### 计算公式
贝塔系数的计算公式如下：
```latex
\beta_a = \frac{\text{Cov}(r_a, r_m)}{\text{Var}(r_m)}
```
其中：
- `\beta_a` 是资产 `a` 的贝塔系数
- `r_a` 是资产 `a` 的回报率
- `r_m` 是市场 `m` 的回报率
- `\text{Cov}(r_a, r_m)` 是资产 `a` 的回报率与市场回报率的协方差
- `\text{Var}(r_m)` 是市场回报率的方差
### 计算示例
假设我们有以下数据：
- 市场在过去一年的方差 `\text{Var}(r_m)` 为 0.025。
- 某只股票 A 的回报率与市场回报率的协方差 `\text{Cov}(r_a, r_m)` 为 0.035。
那么，股票 A 的贝塔系数计算如下：
`\beta_A = 0.035 / 0.025 = 1.4`
这个结果表明，股票 A 的价格波动性比整个市场高出 40%。
## 在量化交易中的应用
1. **风险管理与对冲**：量化交易员使用贝塔来构建市场中性策略。通过做多低贝塔的资产并同时做空高贝塔的资产（或市场指数期货），策略师可以试图抵消市场整体波动带来的风险，从而专注于从个别资产的非系统性风险（Alpha）中获利。
2. **因子模型构建**：在多因子模型中，市场贝塔是解释资产回报的最基本和最重要的因子之一。量化分析师通过分析资产对市场贝塔以及其他因子（如规模、价值、动量等）的暴露度，来理解和预测其回报来源和风险特征。
3. **配对交易**：在配对交易策略中，交易员会寻找两只贝塔系数相近且历史上价格走势高度相关的股票。当两只股票的价格差偏离其历史均值时，交易员会买入被低估的股票并卖出被高估的股票，期望价差回归正常水平时获利。相似的贝塔是确保这对股票对市场风险有相似反应的基础。
4. **投资组合构建**：根据投资者的风险偏好，量化模型可以主动选择特定贝塔值的股票来构建投资组合。例如，寻求低风险稳健回报的投资者可能会偏好贝塔值低于 1 的股票组合，而能够承受更高风险以换取更高潜在回报的投资者则可能选择贝塔值高于 1 的股票组合。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 通常在 -2.0 到 3.0 之间，但理论上无限制 |
| 单位 | 无量纲 |
| 更新频率 | 每日/每周/每月（取决于计算所用的历史数据长度和频率） |
| 典型数据源 | Bloomberg, Refinitiv, Wind, 各大金融数据服务商 |
## 常见误解
1. **误解**：贝塔衡量的是总风险。
**正确理解**：贝塔只衡量系统性风险，即市场风险，它不包括公司特有的非系统性风险（如管理决策、新产品发布失败等）。总风险是系统性风险和非系统性风险的总和。
2. **误解**：高贝塔的股票总是更好的投资。
**正确理解**：高贝塔意味着高波动性和高潜在回报，但同时也意味着高风险。在市场下跌时，高贝塔的股票通常会跌得更惨。投资选择应基于风险承受能力和市场预期，而非单纯追求高贝塔。
3. **误解**：贝塔是一个恒定不变的数值。
**正确理解**：贝塔是基于历史数据计算的，它会随着时间的推移而变化。公司的基本面发生变化（如业务转型、大规模并购）或市场环境改变都可能导致其贝塔值发生显著变化。
## 相关名词
- `[Alpha](./Alpha.md)`
- `[资本资产定价模型 (CAPM)](./CAPM.md)`
- `[系统性风险](./Systematic_Risk.md)`
- `[夏普比率 (Sharpe Ratio)](./Sharpe_Ratio.md)`
## 深入阅读
- `[资本资产定价模型详解](./CAPM_Deep_Dive.md)`
- `[因子投资入门](./Factor_Investing_Intro.md)`

86
wiki/名词解释/凯利公式.md 普通文件
查看文件

@@ -0,0 +1,86 @@
# 索提诺比率 (Sortino Ratio)
🟡进阶
## 一句话解释
索提诺比率是一种衡量投资组合风险调整后收益的指标，它通过计算每单位“有害”风险（即下行风险）所能带来的超额回报，来评估投资的表现，与只考虑总波动的夏普比率相比，它更关注投资者真正厌恶的亏损风险。
## 详细解释
### 背景与原理
索提诺比率由经济学家弗兰克·A·索提诺（Frank A. Sortino）提出，是对经典的夏普比率（Sharpe Ratio）的改进。传统风险指标（如标准差）将所有的价格波动都视为风险，无论这些波动是向上（带来收益）还是向下（导致亏损）。然而，对于大多数投资者而言，向上的波动是受欢迎的，只有向下的波动才是他们真正关心的“风险”。
索提诺比率的核心思想正是区分“好”的波动与“坏”的波动。它在计算风险时，只考虑那些低于投资者设定的最低可接受回报率（Minimum Acceptable Return, MAR）的收益率，这部分被称为“下行偏差”或“下行风险”（Downside Deviation）。通过这种方式，索提诺比率提供了一个更符合投资者实际风险偏好的绩效评估视角，即在承受同等亏损风险的情况下，哪项投资能带来更高的回报。
### 计算公式
索提诺比率的计算公式如下：
```latex
\text{Sortino Ratio} = \frac{R_p - MAR}{DD_{MAR}}
```
其中：
- \( R_p \) 是投资组合的平均回报率。
- \( MAR \) 是最低可接受回报率（Target Return），通常可以设为无风险利率或零。
- \( DD_{MAR} \) 是下行标准差（Downside Deviation），计算方式如下：
```latex
DD_{MAR} = \sqrt{\frac{1}{N} \sum_{t=1}^{N} (\min(0, R_t - MAR))^2}
```
这里 \( R_t \) 是每一期的回报率，N是总期数。该公式只对回报率低于MAR的期数进行平方和计算，然后取平均值的平方根。
### 计算示例
假设一个投资组合在过去5个月的回报率分别为：`+3%`, `-1%`, `+5%`, `-2%`, `+4%`。投资者设定的最低可接受回报率（MAR）为0%。
1. **计算平均回报率 (Rp):**
\( R_p = \frac{3\% - 1\% + 5\% - 2\% + 4\%}{5} = 1.8\% \)
2. **计算下行标准差 (DD_MAR):**
我们只考虑低于0%的回报率，即 `-1%` 和 `-2%`。
\( \text{Sum of Squared Differences} = (\min(0, 3\% - 0\%))^2 + (\min(0, -1\% - 0\%))^2 + (\min(0, 5\% - 0\%))^2 + (\min(0, -2\% - 0\%))^2 + (\min(0, 4\% - 0\%))^2 \)
\( = 0^2 + (-1\%)^2 + 0^2 + (-2\%)^2 + 0^2 = 0.0001 + 0.0004 = 0.0005 \)
\( DD_{MAR} = \sqrt{\frac{0.0005}{5}} = \sqrt{0.0001} = 1\% \)
3. **计算索提诺比率:**
\( \text{Sortino Ratio} = \frac{1.8\% - 0\%}{1\%} = 1.8 \)
## 在量化交易中的应用
1. **非对称性策略评估**：对于期权策略、趋势跟踪策略等具有非对称收益分布的量化模型，索提诺比率是比夏普比率更有效的评估工具。因为这些策略可能存在大量小幅盈利和少量大幅亏损（或反之），索提诺比率能更准确地捕捉其下行风险特征。
2. **投资组合优化**：在构建量化投资组合时，可以将最大化索提诺比率作为优化目标之一。通过这种方式构建的投资组合，能够在满足特定回报预期的同时，将亏损的波动性降至最低，从而更符合风险厌恶型投资者的需求。
3. **风险预算和绩效归因**：量化交易团队可以使用索提诺比率来进行风险预算分配。通过分析不同策略或资产对组合整体下行风险的贡献，可以将资本更有效地分配给那些单位下行风险回报更高的策略。同时，它也用于绩效归因，分析超额收益是来自承担了更多下行风险还是卓越的择时能力。
4. **动态调仓信号**：在动态资产配置策略中，可以监控投资组合索提诺比率的变化。当比率持续下降时，可能预示着策略的下行风险正在增加，从而触发风控模型进行减仓或对冲操作，以保护资本安全。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 理论上为 (-∞, +∞)，正值越大越优 |
| 单位 | 无（比率） |
| 更新频率 | 取决于回报率数据的频率（如每日、每小时） |
| 典型数据源 | 基于资产或投资组合的历史回报序列计算得出，数据可来自彭博、Refinitiv、券商API等 |
## 常见误解
1. **误解：索提诺比率和夏普比率没有区别。**
**正确理解：** 两者核心区别在于风险的定义。夏普比率使用总标准差，将所有波动一视同仁；而索提诺比率仅使用下行标准差，只惩罚低于目标收益的“有害”波动，因此更能反映投资者对亏损的厌恶。
2. **误解：索提诺比率越高，投资就一定越好。**
**正确理解：** 索提诺比率是一个相对指标，它必须在同类策略或投资之间进行比较才有意义。一个高索提诺比率的策略可能总回报率较低，它只表明其风险控制（特别是下行风险控制）做得很好。投资者仍需结合绝对回报、流动性、策略容量等其他因素综合判断。
3. **误解：最低可接受回报率（MAR）必须是无风险利率。**
**正确理解：** MAR是一个主观参数，可以根据投资者的具体目标灵活设定。虽然无风险利率是常用基准，但也可以设为0、通货膨胀率、或投资者期望的最低年化收益（如8%）等。不同的MAR会导致索提诺比率的计算结果不同。
## 相关名词
- `[夏普比率](./夏普比率.md)`
- `[下行风险](./下行风险.md)`
- `[最大回撤](./最大回撤.md)`
- `[卡玛比率](./卡玛比率.md)`
- `[信息比率](./信息比率.md)`
## 深入阅读
- `[Sortino, F. A., & van der Meer, R. (1991). Downside risk. Journal of Portfolio Management, 17(4), 27-31.](./Downside_Risk_Sortino_1991.md)`
- `[Investopedia - Sortino Ratio](./Investopedia_Sortino_Ratio.md)`

74
wiki/名词解释/卡尔马比率.md 普通文件
查看文件

@@ -0,0 +1,74 @@
# Gas费 (Gas Fee)
🟢入门
## 一句话解释
Gas费是在区块链网络（如以太坊）上执行交易或操作智能合约时，用户为处理和验证其请求所消耗的计算资源而支付给网络验证者（矿工）的费用，类似于数字世界的“汽油费”或“手续费”。
## 详细解释
### 背景与原理
在去中心化的区块链网络中，每一笔交易（如转账）或每一个智能合约的执行都需要网络中的计算机（节点）进行计算、验证和记录。这些操作会消耗实际的计算能力、存储空间和电力资源。为了激励节点贡献这些资源来维护网络的安全和运行，并防止网络因恶意或低效的代码而被滥用，区块链协议引入了Gas费机制。
Gas费的核心原理是为计算步骤定价。网络上的每一个基础操作，从简单的加法到复杂的合约存储，都被赋予了一个固定的“Gas消耗量”（Gas Cost）。一个操作越复杂，其Gas消耗量就越高。用户在发起交易时，需要设定两个关键参数：
1. **Gas Limit**：用户愿意为这笔交易支付的最大Gas总量。这像是在加油前告诉加油站“最多加200块钱的油”。它确保了即时交易因意外错误（如无限循环）而耗尽用户所有资金。
2. **Gas Price**：用户愿意为每个单位Gas支付的价格。这个价格通常用区块链原生代币的更小单位来计价，例如在以太坊上是Gwei（1 Gwei = 10^-9 ETH）。
总的Gas费便是 **Gas Limit * Gas Price**。然而，随着以太坊EIP-1559升级的实施，定价机制变得更加复杂，引入了**基础费（Base Fee）**和**优先费（Priority Fee/Tip）**。基础费由协议根据网络拥堵状况动态调整，并且这部分费用会被销毁，从而产生通缩效应。优先费则是用户直接支付给验证者的小费，用于激励验证者优先处理其交易。
### 计算公式（如适用）
在EIP-1559模型下（目前以太坊的主流模型），交易的总费用计算如下：
```latex
\text{Total Fee} = (\text{Base Fee} + \text{Priority Fee}) \times \text{Gas Used}
```
其中：
- **Base Fee**：由协议决定的每个Gas单位的基础价格，会根据前一个区块的使用情况自动调整。如果前一个区块Gas使用量超过目标值，Base Fee上升；反之则下降。
- **Priority Fee**：用户设定的、愿意支付给验证者的小费，以激励其交易被优先打包。
- **Gas Used**：交易实际消耗的Gas单位数量。
## 在量化交易中的应用
1. **交易成本分析 (TCA)**
在量化交易中，Gas费是不可忽视的核心交易成本。对于高频交易（HFT）或套利策略，即使单笔交易的微小利润也可能被高昂或波动的Gas费完全侵蚀。因此，量化模型必须将Gas费的实时估算和历史数据纳入其成本分析框架，以准确评估策略的净收益率和夏普比率。
2. **最优执行算法**
量化策略的执行算法需要考虑Gas费的动态性。模型可以构建Gas费预测模型，在网络拥堵、费用高企时推迟非紧急的交易，或将多笔交易打包执行以节省成本。例如，一个投资组合再平衡策略可能会等到Gas费较低的“非高峰”时段（如周末凌晨）才执行，以实现成本最小化，这是典型的“时间换成本”优化。
3. **MEV（最大可提取价值）策略**
在DeFi领域，许多高级量化策略与MEV紧密相关，例如三明治攻击、清算套利等。这些策略的成功与否直接取决于对Gas费的精妙运用。MEV机器人通过竞价（bidding）优先费来争夺交易在区块中的有利位置，以抢先完成套利。这要求量化开发者不仅要预测Gas费，还要设计出最优的动态出价策略。
4. **跨链套利与Gas费对冲**
当套利机会出现在不同的区块链网络之间时，量化模型必须同时评估和比较各条链的Gas费水平。一个在链A上看起来有利可图的机会，可能会因为其高昂的Gas费而不如链B上利润稍低但Gas费极低的机会。复杂的策略甚至会利用衍生品市场（如果存在）来对冲Gas费的波动风险。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | (0, +∞)，理论上无上限，取决于网络拥堵程度 |
| 单位 | Gwei, ETH (或其他区块链的原生代币) |
| 更新频率 | 实时 (随每个新区块而变化) |
| 典型数据源 | Etherscan API, Blocknative, Infura, Alchemy, 或直接连接到区块链节点 |
## 常见误解
1. **误解**：Gas费是付给去中心化应用（DApp）项目方的。
**正确理解**：Gas费是支付给维护区块链网络安全的验证者（矿工）的报酬，DApp项目方通常不收取Gas费，除非其智能合约设计中包含了特定的费用逻辑。
2. **误解**：设置的Gas Limit越高，交易越快。
**正确理解**：Gas Limit只是一个上限，防止交易意外消耗过多资金。真正影响交易速度的是Gas Price（或Priority Fee），出价越高，验证者越有动力优先打包你的交易。未使用的Gas Limit部分会在交易结束后退还给用户。
3. **误解**：交易失败了就不会扣费。
**正确理解**：交易失败同样会扣除已经消耗的Gas费。因为即使交易最终因某种原因（如滑点过高、合约逻辑错误）而失败（revert），验证者也已经为其付出了计算和验证的资源。这笔费用是对已完成工作的补偿。
## 相关名词
- [Gwei](./Gwei.md)
- [EIP-1559](./EIP-1559.md)
- [智能合约 (Smart Contract)](./Smart_Contract.md)
- [最大可提取价值 (MEV)](./MEV.md)
## 深入阅读
- [以太坊官网关于Gas的解释](https://ethereum.org/en/developers/docs/gas/)
- [EIP-1559提案详解](https://eips.ethereum.org/EIPS/eip-1559)

75
wiki/名词解释/期现套利.md 普通文件
查看文件

@@ -0,0 +1,75 @@
# 流动性挖矿 (Liquidity Mining)
🟡进阶
## 一句话解释
流动性挖矿是一种去中心化金融（DeFi）机制，用户通过向去中心化交易所（DEX）的资金池提供加密货币资产（提供流动性），从而获得平台代币或交易费用作为奖励。
## 详细解释
### 背景与原理
流动性挖矿诞生于去中心化金融（DeFi）生态系统的发展。与依赖传统买卖订单簿的中心化交易所不同，许多去中心化交易所（DEX）采用自动做市商（AMM）模型。AMM 协议需要大量的加密资产储备，即“流动性资金池”，才能顺利完成交易。为了激励用户将自己的闲置资产存入这些资金池，DeFi 项目方会提供奖励，这个过程就是流动性挖矿。
其核心原理是，用户（被称为“流动性提供者”，Liquidity Provider, LP）将两种或多种代币按特定比例存入一个资金池。作为回报，他们会收到代表其份额的“LP 代币”。通过质押（Stake）这些 LP 代币，用户就可以赚取项目方发放的治理代币、原生代币或其他形式的奖励。这些奖励的多少通常与提供的流动性大小和质押时间成正比。这种机制不仅为 DEX 提供了必要的流动性，也帮助新项目在早期阶段分发其代币，实现冷启动和社区建设。
### 计算公式（如适用）
流动性挖矿的年化收益率（APY）通常是一个关键指标，其计算方式较为复杂，因为它可能包含多种收益来源，并且是动态变化的。一个简化的计算思路如下：
`APY = (每日挖矿奖励价值 + 每日交易费分红) / 质押资产总价值 * 365`
其中：
- **每日挖矿奖励价值** = 每日释放的奖励代币数量 × 奖励代币的当前价格
- **每日交易费分红** = 资金池总交易量 × 交易费率 × 流动性提供者份额
- **质押资产总价值** = 用户存入资金池的代币总价值
由于代币价格和交易量是波动的，APY 也是一个动态值。
### 计算示例
假设一个用户在 Uniswap 的 ETH/USDT 资金池中提供了价值 10,000 美元的流动性，占整个资金池的 1%。该资金池的参数如下：
- 每日交易量：1,000,000 美元
- 交易费率：0.3%
- 每日额外奖励的 UNI 代币数量：50 UNI
- UNI 代币当前价格：10 美元
用户的每日收益计算如下：
1. **交易费分红** = 1,000,000 * 0.003 * 0.01 = 30 美元
2. **挖矿奖励价值** = 50 UNI * 10 美元/UNI * 0.01 = 5 美元
3. **每日总收益** = 30 + 5 = 35 美元
4. **年化收益率 (APR)** = (35 / 10,000) * 365 = 127.75%
注意：此为 APR（年化利率），未考虑复利效应。若将每日收益再投资，则会产生复利，形成更高的 APY。
## 在量化交易中的应用
1. **收益增强策略**：量化策略可以将闲置的加密资产投入到不同 DeFi 协议的流动性挖矿池中，以赚取额外收益。通过算法监控各池的 APY 变化，动态地将资金分配到最高收益的池中，实现自动化“收益耕作”（Yield Farming）。
2. **无常损失对冲**：流动性挖矿面临“无常损失”（Impermanent Loss）的风险。量化交易可以通过期权、期货等衍生品工具，构建对冲策略。例如，当提供流动性的代币对价格发生大幅背离时，量化模型可以自动执行对冲交易，以锁定损失或实现套利。
3. **新项目早期参与**：许多新的 DeFi 项目通过流动性挖矿来分发初始代币。量化基金可以利用其资金和技术优势，在项目早期参与挖矿，以较低成本获取大量代币。通过对项目基本面和代码的深入分析，筛选出有潜力的高回报项目。
4. **跨链挖矿套利**：随着多链生态的发展，同一个项目可能在不同区块链上都有流动性挖矿池，且收益率存在差异。量化策略可以捕捉这些跨链的收益差，通过跨链桥接协议，在不同链之间转移资产，进行挖矿套利。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 通常为 0 到几千个百分比（APY） |
| 单位 | % |
| 更新频率 | 实时 |
| 典型数据源 | DeFi Llama, Dune Analytics, Zapper.fi, 协议官网 |
## 常见误解
1. **误解：流动性挖矿是无风险的被动收入。**
**正确理解：** 流动性挖矿存在多种风险，最主要的是“无常损失”，即存入资金池的代币价格发生相对变动时，取回的资产价值可能低于简单持有这些代币的价值。此外，还面临智能合约漏洞、项目方跑路（Rug Pull）等风险。
2. **误解：APY 越高越好，且是固定不变的。**
**正确理解：** 极高的 APY 通常是不可持续的，可能是由于短期代币价格拉升或项目方大量补贴造成的。随着更多资金涌入，APY 会被稀释而下降。投资者需要评估高 APY 背后的真实来源和可持续性。
3. **误解：提供流动性就是为项目做贡献，总能赚钱。**
**正确理解：** 虽然提供流动性对项目至关重要，但这并不保证参与者一定能盈利。如果挖矿奖励的价值无法覆盖无常损失和机会成本，参与者仍然会亏损。这需要对市场时机和项目质量有准确的判断。
## 相关名词
- `[自动做市商 (AMM)](./自动做市商.md)`
- `[去中心化金融 (DeFi)](./去中心化金融.md)`
- `[无常损失 (Impermanent Loss)](./无常损失.md)`
- `[年化收益率 (APY)](./年化收益率.md)`
- `[LP 代币 (LP Token)](./LP代币.md)`
## 深入阅读
- `[什么是流动性挖矿？不可错过的流动性挖矿全攻略！](./what-is-yield-farming.md)`
- `[一文读懂DeFi 2.0及其流动性激励机制](./defi-2-0-and-liquidity-incentivization.md)`

55
wiki/名词解释/杠杆.md 普通文件
查看文件

@@ -0,0 +1,55 @@
# 冰山订单 (Iceberg Order)
🟡进阶
## 一句话解释
冰山订单是一种将大额交易指令拆分为多个小额订单进行委托的算法交易策略，只在订单簿上暴露一小部分（“冰山一角”），以隐藏真实交易意图、减小市场冲击。
## 详细解释
### 背景与原理
在金融市场中，当机构或个人投资者需要执行一笔远超当前市场流动性的大额买卖订单时，若直接将完整订单放入市场，会立即在订单簿上形成巨大的供需压力。这种行为会暴露其交易意图，可能导致其他市场参与者抢先交易（Front-running），从而推高买入成本或压低卖出价格，这种现象被称为“市场冲击”（Market Impact）。
为了解决这一问题，冰山订单应运而生。其核心原理是将一个大额的“母订单”在后台逻辑上拆分成两部分：一小部分是“可见订单”（Display Quantity），另一大部分是“隐藏订单”（Hidden Quantity）。交易系统首先将可见订单发送到交易所的订单簿中，使其像一笔普通的小额委托一样排队等待成交。当这个可见订单完全成交或部分成交后，系统会自动从隐藏订单中再取出一部分，生成一个新的可见订单，并再次提交到订单簿中。这个过程会持续重复，直到整个母订单全部执行完毕。
通过这种方式，冰山订单始终只在市场上展示其微小的“冰山一角”，而巨大的真实交易量则隐藏在水面之下，从而在不惊动市场的前提下，逐步完成大额资产的买卖。这种策略本质上是用更长的执行时间来换取更优的成交价格和更低的市场冲击成本。
## 在量化交易中的应用
1. **大规模建仓或平仓**：当一个量化基金根据模型信号需要买入或卖出大量头寸时，使用冰山订单可以避免因单次大单操作而导致价格滑点过高。基金管理人可以设定一个总的订单量和每次显示的“峰值”量，让交易算法在设定的价格范围内逐步、隐蔽地完成建仓或平仓，以接近市场平均价格成交。
2. **流动性提供策略**：某些做市商或高频交易策略需要向市场提供流动性，即同时在买卖两侧挂单。通过使用冰山订单作为其报价方式，做市商可以在不完全暴露其总做市资本的情况下，持续为市场提供深度。这既能赚取买卖价差，又可以保护自己免受被“狙击”（即被意图耗尽其流动性的对手方针对）的风险。
3. **VWAP/TWAP 策略的组件**：冰山订单经常作为更复杂算法交易策略（如成交量加权平均价 VWAP 或时间加权平均价 TWAP）的一个基础组件。例如，一个 VWAP 策略的目标是让最终成交均价接近全天的成交量加权平均价，它会将总订单按时间片和预期交易量分布进行拆分，而在每个小的执行单元内，就可以使用冰山订单来进一步减小瞬时冲击。
4. **隐藏支撑位或压力位测试**：经验丰富的交易员会利用冰山订单在关键的技术支撑位或压力位进行交易。例如，在某个重要的价格支撑位下方挂出大量的冰山买单，市场只能看到少量买盘，但每次价格触及时都会有新的买单涌现，形成一个看似牢不可破的“隐形”支撑，从而达到吸筹或测试市场决心的目的。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float (价格), int (数量) |
| 取值范围 | 价格：取决于具体交易品种的价格区间；可见数量：大于0的整数；总数量：大于可见数量的整数 |
| 单位 | 价格单位（如 USD, CNY），数量单位（如 股, 手, 张） |
| 更新频率 | 实时（订单状态随市场成交而实时变化） |
| 典型数据源 | 交易所API、券商交易终端（如 Interactive Brokers TWS, Bloomberg EMSX） |
## 常见误解
1. **误解：冰山订单是完全不可见的。**
**正确理解：** 冰山订单并非完全隐形，它总有一小部分“可见订单”是展示在公开的订单簿（Level 2 Market Data）上的。正是通过这一小部分订单的不断成交和补充，整个大订单才得以执行。完全不可见的订单是另一种类型，称为“暗池订单”或“隐藏订单”。
2. **误解：使用冰山订单一定能避免市场冲击。**
**正确理解：** 冰山订单旨在“减小”而非“完全消除”市场冲击。虽然它隐藏了总规模，但持续在某一价位的重复下单行为模式仍然可能被专业的市场微观结构分析者或特定的算法识别出来。如果市场流动性极差，即使是小额的可见订单也可能造成价格波动。
3. **误解：冰山订单是一种非常罕见且只有顶级机构才使用的工具。**
**正确理解：** 随着交易技术的发展，冰山订单已成为许多主流券商和交易所提供的标准订单类型之一。不仅是大型机构，许多经验丰富的个人投资者和小型量化团队也可以通过其交易平台方便地使用冰山订单功能，它已成为一种相对普及的高级订单工具。
## 相关名词
- `[算法交易](./算法交易.md)`
- `[市场冲击](./市场冲击.md)`
- `[VWAP](./VWAP.md)`
- `[订单簿](./订单簿.md)`
- `[流动性](./流动性.md)`
## 深入阅读
- `[算法交易核心策略与实现](./算法交易核心策略与实现.md)`
- `[市场微观结构理论](./市场微观结构理论.md)`

69
wiki/名词解释/止损.md 普通文件
查看文件

@@ -0,0 +1,69 @@
# Theta (时间价值损耗)
🟡进阶
## 一句话解释
Theta (θ) 是衡量期权价值随时间流逝而衰减速度的指标，通常被称为时间价值损耗。
## 详细解释
### 背景与原理
在期权定价中，Theta 是一个至关重要的“希腊字母”风险参数。它量化了在其他所有因素（如标的资产价格、波动率）保持不变的情况下，期权价格因到期日临近而每日损失的价值。由于期权是具有时效性的合约，其价值由内在价值和外在价值（时间价值）构成。随着时间的推移，期权实现盈利的不确定性降低，其时间价值也随之减少，这一过程即为时间价值损耗。Theta 的绝对值在期权临近到期时会显著增大，尤其对于平价期权（At-the-Money）而言，其时间价值损耗最为迅速。
### 计算公式
在 Black-Scholes 模型下，欧式看涨期权的 Theta 计算公式如下：
```latex
\theta = -\frac{S_0 \phi(d_1) \sigma}{2\sqrt{T-t}} - rK e^{-r(T-t)} N(d_2)
```
其中：
* `S₀` 是标的资产的当前价格
* `K` 是期权的行使价
* `T-t` 是距离到期日的时间
* `σ` 是标的资产的波动率
* `r` 是无风险利率
* `Φ(d₁)` 是标准正态分布的概率密度函数
* `N(d₂)` 是标准正态分布的累积分布函数
### 计算示例
假设某股票的当前价格 `S₀` 为 100 美元，一份该股票的看涨期权行使价 `K` 为 100 美元，距离到期日 `T-t` 为 30 天（约 0.082 年），无风险利率 `r` 为 5%，波动率 `σ` 为 20%。通过 Black-Scholes 模型计算得出该期权的 Theta 值为 -0.05。这意味着，在其他条件不变的情况下，该期权每天将损失 0.05 美元的价值。
## 在量化交易中的应用
1. **Theta 衰减策略 (Theta Decay Strategy)**：量化交易员可以通过卖出期权（尤其是短期的平价期权）来收取权利金，从而利用 Theta 的时间价值损耗特性获利。例如，构建空头跨式组合（Short Straddle）或空头宽跨式组合（Short Strangle），在市场波动性较低时，通过时间价值的不断侵蚀来赚取收益。
2. **日历价差策略 (Calendar Spread)**：该策略通过同时买入一份长期期权和卖出一份具有相同行使价的短期期权来构建。由于短期期权的 Theta 值通常高于长期期权，其时间价值衰减速度更快。量化模型可以精确计算并捕捉这种由 Theta 差异带来的价差收益。
3. **风险对冲与管理**：在复杂的期权组合中，Theta 是一个重要的风险暴露维度。量化模型会持续监控整个投资组合的净 Theta 值，并通过动态调整持仓（例如，买卖不同到期日的期权）来管理时间价值损耗风险，确保组合的风险敞口维持在预设范围内。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 通常为负值，绝对值大小取决于期权参数 |
| 单位 | 美元/天 (或相应货币单位) |
| 更新频率 | 实时 |
| 典型数据源 | 期权交易所、彭博终端、路透 Eikon |
## 常见误解
1. **误解：Theta 衰减是线性的。** 正确理解：Theta 衰减并非线性过程，而是在期权临近到期时呈加速状态。在期权的生命周期早期，时间价值损耗较慢，但在最后几周甚至几天内会急剧加速。
2. **误解：Theta 是影响期权价格的唯一因素。** 正确理解：Theta 只是众多“希腊字母”风险参数之一。标的资产价格的变化（Delta 和 Gamma）、隐含波动率的变化（Vega）以及无风险利率的变化（Rho）都会对期权价格产生显著影响。
3. **误解：由于 Theta 存在，买入期权无法盈利。** 正确理解：虽然 Theta 对期权买方不利，但如果标的资产价格朝有利方向快速且大幅度变动，由 Delta 带来的收益完全可以覆盖甚至远超 Theta 造成的损失。成功的期权买方策略关键在于对市场方向和时机的准确判断。
## 相关名词
* `[Delta](./Delta.md)`
* `[Gamma](./Gamma.md)`
* `[Vega](./Vega.md)`
* `[Black-Scholes 模型](./Black-Scholes_Model.md)`
* `[隐含波动率](./Implied_Volatility.md)`
## 深入阅读
* `[期权、期货及其他衍生产品 (Options, Futures, and Other Derivatives)](./Options_Futures_and_Other_Derivatives.md)`
* `[动态对冲：管理金融衍生品风险 (Dynamic Hedging: Managing Vanilla and Exotic Options)](./Dynamic_Hedging.md)`

77
wiki/名词解释/止盈.md 普通文件
查看文件

@@ -0,0 +1,77 @@
# 蒙特卡洛模拟 (Monte Carlo Simulation)
🟢入门
## 一句话解释
蒙特卡洛模拟是一种通过大量随机抽样和统计试验来解决问题、评估风险和预测结果的计算方法。
## 详细解释
### 背景与原理
蒙特卡洛模拟，又称统计模拟方法，其思想最早可以追溯到18世纪的布丰投针实验，但其现代形式是在20世纪40年代，由科学家约翰·冯·诺依曼、斯塔尼斯拉夫·乌拉姆和尼古拉斯·梅特罗波利斯在研究核武器项目时正式提出的。该方法以摩纳哥著名的赌场“蒙特卡洛”命名，寓意其内在的随机性。
其核心原理是**大数定律**。当样本数量足够大时，通过随机抽样得到的统计结果（如均值、概率）会无限接近于真实的理论值。蒙特卡洛模拟通过计算机生成大量的伪随机数，模拟一个或多个随机变量的变动，然后对这些模拟结果进行统计分析，从而得到所求问题的近似解。其基本步骤包括：
1. **定义问题**：将需要解决的问题转化为一个可以通过随机抽样来估计的概率模型或期望值问题。
2. **构建模型**：确定模型中的随机变量及其概率分布。
3. **随机抽样**：从已知或假设的概率分布中进行大量随机抽样。
4. **重复试验**：对每一个样本进行计算或模拟，得到一个结果。
5. **统计分析**：对所有试验结果进行统计分析（如计算均值、方差、置信区间等），得出问题的近似解。
### 计算公式（如适用）
蒙特卡洛方法的核心不是一个单一的公式，而是一种思想。以最经典的蒙特卡洛积分来举例，如果要计算函数 $f(x)$ 在区间 $[a, b]$ 上的定积分 $I = \int_a^b f(x) dx$，可以将其转化为计算一个期望值。
令 $g(x) = (b-a)f(x)$，并在 $[a, b]$ 上进行均匀分布的随机抽样，得到 $N$ 个随机数 $x_1, x_2, ..., x_N$。根据大数定律，积分的近似值为：
$$
I \approx \frac{b-a}{N} \sum_{i=1}^{N} f(x_i)
$$
这个公式表明，当抽样点 $N$ 足够大时，所有样本点函数值的平均值乘以区间的长度，就约等于该函数在该区间上的积分值。
### 计算示例
假设我们要估算圆周率 $\pi$ 的值。我们可以利用蒙特卡洛模拟。
1. **构建模型**：在一个边长为 2 的正方形内部，内切一个半径为 1 的圆。正方形的面积为 $S_{square} = 2^2 = 4$，圆的面积为 $S_{circle} = \pi r^2 = \pi$。圆面积与正方形面积之比为 $\frac{S_{circle}}{S_{square}} = \frac{\pi}{4}$。
2. **随机抽样**：在正方形区域内（即 x, y 坐标范围均为 [-1, 1]）随机生成大量的点 (x, y)。
3. **重复试验**：对于每个点，判断其是否落在圆内。判断条件是该点到圆心的距离是否小于等于半径，即 $x^2 + y^2 \le 1$。
4. **统计分析**：统计落在圆内的点的数量 $N_{inside}$ 和总的抽样点数量 $N_{total}$。根据面积比，我们有 $\frac{N_{inside}}{N_{total}} \approx \frac{\pi}{4}$。因此，$\pi \approx 4 \times \frac{N_{inside}}{N_{total}}$。
例如，如果我们生成了 1,000,000 个点，其中有 785,398 个点落在圆内，那么 $\pi$ 的估计值为 $4 \times \frac{785398}{1000000} = 3.141592$。
## 在量化交易中的应用
1. **期权定价**：对于路径依赖或结构复杂的奇异期权，其解析解往往难以获得。蒙特卡洛模拟通过模拟标的资产在未来多个时间点的价格路径，计算每条路径下期权的最终收益，然后将所有路径的收益进行折现和平均，从而得到期权的公允价值。例如，亚式期权的收益取决于标的资产在一段时间内的平均价格，非常适合使用蒙特卡洛方法进行定价。
2. **风险价值 (VaR) 计算**：VaR 是衡量投资组合在特定持有期和置信水平下可能面临的最大损失。蒙特卡洛模拟通过对投资组合中各资产收益率的未来分布进行数千甚至数万次模拟，生成投资组合未来价值的概率分布图。基于这个分布，可以轻松地计算出例如 99% 置信水平下的 VaR，即找出分布中尾部 1% 的损失值，为风险管理提供关键依据。
3. **投资组合优化**：在构建投资组合时，投资者需要在预期收益和风险之间进行权衡。蒙特卡洛模拟可以用来生成大量可能的资产配置方案，并对每种方案下的预期收益率、波动率等指标进行模拟。通过分析这些模拟结果，可以构建出有效前沿，帮助投资者找到在给定风险水平下能够实现最高收益的投资组合，或者在目标收益下风险最低的组合。
4. **策略回测与压力测试**：量化策略在上线前需要进行严格的回测。蒙特卡洛模拟可以生成多种市场情景（如高波动、低流动性、黑天鹅事件等），用于测试交易策略在不同市场环境下的表现和稳健性。通过这种压力测试，可以发现策略的潜在缺陷，并评估其在极端情况下的风险敞口，从而对策略进行优化和完善。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 取决于模拟的具体问题，例如股价模拟通常为正数，收益率模拟可正可负 |
| 单位 | 取决于模拟对象，如美元、百分比等 |
| 更新频率 | 实时/按需生成 |
| 典型数据源 | 历史市场数据（用于估计模型参数）、随机数生成器 |
## 常见误解
1. **误解**：蒙特卡洛模拟可以精确预测未来。
**正确理解**：蒙特卡洛模拟提供的是对未来结果概率分布的估计，而不是一个确定的预测。它揭示的是可能性和风险的范围，帮助决策者理解不确定性，但不能消除不确定性本身。
2. **误解**：模拟次数越多，结果就越“正确”。
**正确理解**：增加模拟次数可以提高结果的**精度**（即减少随机误差），使其更接近模型的理论解，但不能保证结果的**准确性**。如果模型本身是错误的（例如，对资产价格分布的假设不符合实际），即使进行再多次模拟，结果也会是有偏差的。
3. **误解**：蒙特卡洛模拟非常复杂，只适用于学术研究。
**正确理解**：虽然其理论基础涉及概率统计，但蒙特卡洛模拟的基本思想直观易懂，并且在现代计算工具（如 Python、R）的支持下，实现起来相对简单。它已经成为金融、工程、科学等领域解决实际问题的常用工具，具有广泛的实用价值。
## 相关名词
- [大数定律](./大数定律.md)
- [随机数生成](./随机数生成.md)
- [风险价值 (VaR)](./风险价值.md)
- [期权定价](./期权定价.md)
- [有效前沿](./有效前沿.md)
## 深入阅读
- [《蒙特卡洛方法》 (Monte Carlo Methods) - 作者: M. H. Kalos, P. A. Whitlock](./《蒙特卡洛方法》.md)
- [《金融工程中的蒙特卡罗方法》 (Monte Carlo Methods in Financial Engineering) - 作者: Paul Glasserman](./《金融工程中的蒙特卡罗方法》.md)

66
wiki/名词解释/流动性挖矿.md 普通文件
查看文件

@@ -0,0 +1,66 @@
# 止损 (Stop Loss)
🟢入门
## 一句话解释
止损是一种风险管理策略，指在投资产品的价格达到预设的亏损点位时自动卖出，以限制潜在的损失。
## 详细解释
### 背景与原理
止损的核心思想是在进入交易前就确定愿意承担的最大亏损额度。当市场走势与预期相反，导致持仓亏损达到该预设额度时，系统会自动执行卖出指令，从而将损失控制在可接受的范围内，避免因情绪化决策或市场剧烈波动而造成更大的亏-损。其基本原理是基于“截断亏损，让利润奔跑”的交易理念，通过牺牲较小的、可控的亏损来保护本金，并为未来的盈利机会保留资本。
### 计算公式（如适用）
对于固定比例止损，其计算公式如下：
```latex
止损价格 = 建仓价格 \times (1 - 止损百分比)
```
### 计算示例
假设投资者在每股 100 元的价格买入某只股票，并设定了 10% 的止损。那么止损价格计算如下：
止损价格 = 100 元 × (1 - 10%) = 90 元
当该股票价格下跌至 90 元或以下时，将触发止损指令，自动卖出股票。
## 在量化交易中的应用
1. **固定比例止损 (Percentage Stop)**：这是最简单的止损方式。在量化策略中，可以设定一个固定的亏损百分比（如 5% 或 10%）。当持仓亏损达到该比例时，策略会自动执行卖出指令。这种方法的优点是简单明了，易于实现，但缺点是较为机械，未考虑市场波动性的变化。
2. **波动性止损 (Volatility Stop)**：这种策略将市场波动性纳入考量，动态调整止损距离。常用的指标是平均真实波幅（ATR）。止损位通常设置为“建仓价格 - N × ATR”，其中 N 是一个可调参数。当市场波动加剧时，ATR 值变大，止损距离也随之放宽，以避免因正常的市场噪音而被过早止损；反之，在市场平稳时，止损距离会收紧。
3. **移动平均线止损 (Moving Average Stop)**：使用移动平均线（MA）作为止损的参考。例如，对于多头头寸，可以将短期移动平均线（如 20 日均线）作为止损线。当价格跌破该均线时，触发止损。这种方法能够顺应趋势，但缺点是在震荡行情中可能频繁触发止损。
4. **时间止损 (Time Stop)**：该策略基于时间而非价格。如果持仓在一定时间内（如 10 个交易日）未能实现预期的盈利，无论盈亏状况如何，都将强制平仓。这种方法旨在提高资金的利用效率，避免资金被长期套牢在没有趋势的行情中。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | (0, 1) 对于百分比；具体价格取决于资产 |
| 单位 | 百分比或计价货币 |
| 更新频率 | 实时或根据交易信号 |
| 典型数据源 | 交易执行系统、行情数据提供商 |
## 常见误解
1. **误解：止损总能保证在预设价格成交。**
**正确理解：** 在市场快速跳空或流动性不足的情况下，实际成交价格可能劣于预设的止损价格，产生滑点（Slippage）。
2. **误解：设置了止损就万无一失。**
**正确理解：** 止损是一种降低风险的工具，但不能完全消除风险。过于频繁的止损（“割肉”）本身也会不断侵蚀本金。
3. **误解：止损越窄越好。**
**正确理解：** 过窄的止损容易被市场的正常波动（噪音）触发，导致交易过早离场，错失后续的盈利机会。合理的止损应该给市场一定的“呼吸空间”。
## 相关名词
- [止盈](./止盈.md)
- [移动止损](./移动止损.md)
- [风险回报比](./风险回报比.md)
- [最大回撤](./最大回撤.md)
## 深入阅读
- [《量化交易：如何建立自己的算法交易事业》](./《量化交易：如何建立自己的算法交易事业》.md)
- [《海龟交易法则》](./《海龟交易法则》.md)

68
wiki/名词解释/爆仓.md 普通文件
查看文件

@@ -0,0 +1,68 @@
# 凯利公式 (Kelly Criterion)
🟡进阶
## 一句话解释
凯利公式是一个在重复性、期望收益为正的博弈或投资中，用于计算最优下注或投资比例，以实现长期资本增长率最大化的数学公式。
## 详细解释
### 背景与原理
凯利公式最初由贝尔实验室的物理学家约翰·拉里·凯利（John R. Kelly Jr.）于1956年在其论文《信息率的新解释》中提出。其研究的初衷是解决长途电话线中的噪声问题，但凯利发现这个理论可以应用于一个拥有内幕消息的赌徒如何下注的问题。该公式的核心原理是，通过最大化每次投资后资本的对数期望值，来获得最高的长期复合增长率。与追求单次收益最大化的方法不同，凯利公式着眼于长期、多次重复的场景，并内在地控制了风险，因为它永远不会让你在单次博弈中输掉全部本金。
### 计算公式
对于只有两种结果（赢或输）的简单投资场景，凯利公式如下：
```latex
f^* = \frac{bp - q}{b} = p - \frac{q}{b}
```
其中：
- `f*` 是最优的投资资金比例。
- `p` 是获胜的概率。
- `q` 是失败的概率，即 `1 - p`。
- `b` 是赔率，即净收益率（盈利金额 / 亏损金额）。
### 计算示例
假设一个交易策略的胜率 `p` 为 60% (0.6)，则败率 `q` 为 40% (0.4)。每次盈利时的净收益率为 50%，亏损时则亏掉本金，所以赔率 `b` 为 1.5 (盈利 1.5 / 亏损 1)。
根据凯利公式计算最优投资比例 `f*`：
`f* = 0.6 - (0.4 / 1.5) = 0.6 - 0.2667 = 0.3333`
这意味着，为了实现长期最大化收益，每次交易应投入总资金的 33.33%。
## 在量化交易中的应用
1. **最优仓位管理**：凯利公式最直接的应用就是确定每个交易信号的理想仓位大小。通过对策略进行历史回测，可以估算出策略的胜率 `p` 和赔率 `b`，然后代入公式计算出最优的资金分配比例，从而在控制风险的同时最大化长期复利。
2. **动态杠杆选择**：在期货、外汇等可以使用杠杆的交易中，凯利公式可以帮助交易者决定使用多大的杠杆。过高的杠杆会急剧增加破产风险，而过低的杠杆则会降低资金利用效率。凯利公式提供了一个在风险和收益之间进行平衡的数学依据。
3. **多资产配置**：凯利公式有多资产扩展形式，可用于解决在多个相关或不相关的资产之间如何分配资金的问题。通过计算协方差矩阵和预期收益向量，多维凯利公式可以给出一组最优的资产配置权重，以最大化整个投资组合的长期增长率。
4. **策略评估与筛选**：凯利公式本身也可以作为一个评估指标。一个策略如果根据其历史表现计算出的凯利比率 `f*` 显著为正，说明该策略具有正的长期期望收益，值得进一步研究和采用。反之，如果 `f*` 为负或接近于零，则该策略可能不具备长期投资价值。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | `p` (胜率): [0, 1]; `b` (赔率): (0, +∞) |
| 单位 | 无量纲 |
| 更新频率 | 依赖于策略回测或评估周期，可以是每日、每周或滚动更新 |
| 典型数据源 | 交易策略的历史回测报告、模拟交易记录、实盘交易记录 |
## 常见误解
1. **误解：凯利公式是一个确保盈利的必胜法则。**
**正确理解：** 凯利公式本身不产生盈利，它只是在已知一个具备正期望收益（即 `bp - q > 0`）的策略前提下，告诉你如何管理资金以实现长期增长最大化。策略本身的有效性是前提。
2. **误解：应该始终使用“完整凯利”比例进行投资。**
**正确理解：** 完整凯利（Full Kelly）计算出的仓位通常非常激进，会导致巨大的资金波动和回撤。在现实中，由于胜率 `p` 和赔率 `b` 都是基于历史数据的估计，存在不确定性，因此直接使用完整凯利风险极高。实践中，交易者通常使用“分数凯利”（Fractional Kelly），如 1/2 或 1/4 凯利仓位，以降低风险。
3. **误解：凯利公式不适用于股票投资，因为它假设了固定的赔率。**
**正确理解：** 虽然股票的收益和亏损是连续分布的，但可以通过设定明确的止盈和止损点，将其简化为离散的“赢/输”场景，从而估算出 `p` 和 `b` 并应用凯利公式。此外，还有适用于连续分布的凯利公式变体，可以更好地应用于股票等资产。
## 相关名词
- [风险管理](./风险管理.md)
- [仓位管理](./仓位管理.md)
- [期望收益](./期望收益.md)
- [信息论](./信息论.md)
- [爱德华·索普](./爱德华·索普.md)
## 深入阅读
- [约翰·凯利论文《信息率的新解释》](./A_New_Interpretation_of_Information_Rate.md)
- [威廉·庞德斯通《财富公式》](./Fortunes_Formula.md)

73
wiki/名词解释/移动止损.md 普通文件
查看文件

@@ -0,0 +1,73 @@
# 风险价值 (Value at Risk)
🟢入门
## 一句话解释
风险价值（VaR）是一个统计指标，用于衡量在给定的置信水平和时间范围内，投资组合可能遭受的最大潜在损失。
## 详细解释
### 背景与原理
风险价值（VaR）的概念最早由J.P. Morgan于20世纪90年代初提出，旨在为银行高层提供一个简洁、全面的日常风险报告。其核心思想是，通过一个单一的数字来量化市场风险，使得不同业务部门、不同类型的金融资产的风险可以被直接比较和汇总。VaR的计算基于统计学原理，它估计在正常的市场条件下，某一金融资产或投资组合在未来特定时间段内，于给定的置信水平下，可能发生的最大损失。例如，如果一个投资组合的一日95% VaR为100万美元，这意味着在未来一天内，有95%的把握该投资组合的损失不会超过100万美元，或者说，有5%的可能性损失会超过100万美元。
### 计算公式（如适用）
VaR的计算主要有三种方法：参数法（方差-协方差法）、历史模拟法和蒙特卡洛模拟法。这里以最常见的参数法为例，假设资产收益率服从正态分布：
`VaR = P \times Z \times \sigma \times \sqrt{t}`
其中：
- `P` 是投资组合的现值
- `Z` 是对应于置信水平的标准正态分布的临界值（例如，95%置信水平下为1.65，99%置信水平下为2.33）
- `\sigma` 是投资组合收益率的日波动率（标准差）
- `t` 是持有期限（以天为单位）
### 计算示例
假设一个价值1000万美元的股票投资组合，其日收益率的波动率为2%。我们希望计算在95%的置信水平下，该组合的一日VaR。
- `P = 10,000,000` 美元
- `Z = 1.65` (对应95%置信水平)
- `\sigma = 0.02` (2%)
- `t = 1`
`VaR = 10,000,000 \times 1.65 \times 0.02 \times \sqrt{1} = 330,000` 美元
这意味着，我们有95%的信心，该投资组合在未来一天的损失不会超过33万美元。
## 在量化交易中的应用
1. **风险预算与头寸控制**：量化策略在构建投资组合时，会根据预设的整体VaR目标来分配不同策略或资产的风险预算。通过实时监控各个头寸对总体VaR的贡献，交易系统可以自动调整头寸大小，确保总体风险敞口维持在可接受的范围内，避免因单一策略或资产的剧烈波动导致超额亏损。
2. **策略绩效评估**：在对不同量化策略进行回测和实盘评估时，VaR是一个重要的风险调整后收益指标。例如，夏普比率等指标只考虑了收益的波动性，而VaR能够更直观地揭示策略在极端市场行情下的潜在亏损。通过比较不同策略的VaR值，基金管理人可以更全面地评估策略的风险收益特征，从而进行更优的资本配置。
3. **杠杆管理**：许多量化策略（如统计套利、高频交易）会使用杠杆来放大收益。VaR是决定最优杠杆水平的关键工具。通过计算不同杠杆水平下的投资组合VaR，策略开发者可以找到一个在追求高收益和控制潜在巨大亏损之间的平衡点，防止因过度杠杆而在市场不利变动时被强制平仓。
4. **监管与合规报告**：对于受监管的金融机构（如对冲基金、自营交易部门），VaR是满足监管要求的核心指标之一。根据《巴塞尔协议》等规定，金融机构需要定期计算并报告其交易账户的市场风险VaR，并据此计提相应的风险资本。量化交易公司需要建立可靠的VaR计算系统，以满足监管机构的合规审查。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 大于等于 0 |
| 单位 | 货币单位（如美元、人民币） |
| 更新频率 | 实时/每日 |
| 典型数据源 | 交易所行情数据、彭博、路透 |
## 常见误解
1. **误解：VaR是可能发生的最大损失。**
**正确理解**：VaR并非绝对的最大损失，而是“在给定的概率下”的最大损失。它明确承认了存在一个小的概率（例如5%或1%）使得实际损失超过VaR的数值。对于超过VaR的损失会有多大，VaR本身并不提供信息。
2. **误解：VaR适用于所有市场环境。**
**正确理解**：VaR，特别是基于历史数据或正态分布假设的参数法VaR，在正常的市场波动下表现较好，但在极端事件或“黑天鹅”事件中往往会严重低估风险。这是因为金融市场的收益率分布通常具有“肥尾”特性，即极端事件的发生概率高于正态分布的预测。
3. **误解：VaR数值越高，风险就一定越大。**
**正确理解**：比较不同投资组合的VaR需要确保其计算基于相同的参数，即相同的置信水平和时间范围。一个99%置信水平下的VaR高于另一个95%置信水平下的VaR，并不直接意味着前者的风险更高。必须在同等标准下进行比较才有意义。
## 相关名词
- [条件风险价值 (CVaR)](./CVaR.md)
- [压力测试 (Stress Testing)](./Stress%20Testing.md)
- [夏普比率 (Sharpe Ratio)](./Sharpe%20Ratio.md)
- [波动率 (Volatility)](./Volatility.md)
## 深入阅读
- [Jorion, P. (2006). Value at Risk: The New Benchmark for Managing Financial Risk. McGraw-Hill.](./Jorion_Value_at_Risk.md)
- [Dowd, K. (2005). Measuring Market Risk. John Wiley & Sons.](./Dowd_Measuring_Market_Risk.md)

79
wiki/名词解释/索提诺比率.md 普通文件
查看文件

@@ -0,0 +1,79 @@
# TVL (Total Value Locked)
🟡进阶
## 一句话解释
总锁仓价值（TVL）是衡量去中心化金融（DeFi）协议中存入资产总价值的指标，反映了协议的流动性、稳定性和用户信任度。
## 详细解释
### 背景与原理
总锁仓价值（TVL）是评估一个 DeFi 项目健康状况和受欢迎程度的关键指标。它代表了用户存入、质押或锁定在特定协议的智能合约中的所有加密资产的总价值，通常以美元计价。这些资产可以包括各种代币，它们为协议的各种功能提供流动性，例如借贷、交易和流动性挖矿。
TVL 的高低直接反映了市场对该协议的信心和参与度。一个持续增长的 TVL 通常被视为积极信号，表明有更多的资本流入该协议，从而增强了其流动性和稳定性。相反，TVL 的急剧下降可能预示着用户正在撤出资金，这可能是由于安全漏洞、市场恐慌或对协议未来前景的担忧。
### 计算公式
TVL 的计算方法是将协议中所有锁定资产的数量乘以其当前市场价格，然后将这些价值相加。
```latex
TVL = \sum_{i=1}^{n} (A_i \times P_i)
```
其中：
- \(A_i\) 是第 \(i\) 种锁定资产的数量。
- \(P_i\) 是第 \(i\) 种锁定资产的当前市场价格。
- \(n\) 是协议中锁定资产的种类数量。
### 计算示例
假设一个 DeFi 借贷协议中锁定了以下资产：
- 10,000 个以太坊（ETH），当前价格为每个 3,500 美元。
- 5,000,000 个 USDC（一种稳定币），价格为每个 1 美元。
该协议的 TVL 计算如下：
TVL = (10,000 ETH × $3,500/ETH) + (5,000,000 USDC × $1/USDC)
TVL = $35,000,000 + $5,000,000
TVL = $40,000,000
因此，该协议的总锁仓价值为 4000 万美元。
## 在量化交易中的应用
1. **市场情绪和趋势分析**：量化交易策略可以使用 TVL 数据作为衡量 DeFi 市场整体情绪的指标。TVL 的持续增长可能预示着牛市趋势，而其下降则可能预示着熊市。通过分析 TVL 的变化率，交易模型可以识别市场的潜在转折点。
2. **流动性评估和滑点预测**：在去中心化交易所（DEX）中，TVL 直接关系到交易对的流动性深度。高 TVL 通常意味着较低的交易滑点。量化交易机器人在执行大额订单时，会优先选择 TVL 较高的资金池，以最大限度地减少交易成本。
3. **协议风险评估**：TVL 可以作为评估 DeFi 协议风险的指标之一。一个 TVL 突然大幅下降的协议可能存在潜在的安全漏洞或信任危机。量化风险模型可以将 TVL 的异常波动作为预警信号，从而及时调整在相关协议中的资金分配。
4. **收益耕作（Yield Farming）策略**：TVL 是收益耕作策略中的一个核心考量因素。高 TVL 的协议通常能提供更稳定的收益，但竞争也更激烈。量化策略可以监控不同协议的 TVL 和年化收益率（APY），以动态调整资金，追求最优的风险调整后收益。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 0 到数万亿 |
| 单位 | 美元（USD） |
| 更新频率 | 实时或每小时 |
| 典型数据源 | DeFi Llama, The Block, Token Terminal |
## 常见误解
1. **误解：TVL 越高，协议越安全。**
**正确理解**：虽然高 TVL 通常意味着更多的用户信任，但这并不等同于绝对的安全。一些 TVL 很高的项目也曾遭受过智能合约攻击。安全性还需要综合评估代码审计、团队背景和风险管理机制等多个方面。
2. **误解：TVL 代表了协议的收入。**
**正确理解**：TVL 是用户存入的资产总价值，而不是协议产生的收入。协议的收入通常来自于交易费、借贷利差等，需要单独计算。
3. **误解：TVL 的计算是完全标准化的。**
**正确理解**：不同数据提供商对 TVL 的计算方法可能存在细微差异，例如是否包含某些类型的质押资产。因此，在比较不同来源的 TVL 数据时，需要注意其计算口径的一致性。
## 相关名词
- `[DeFi](./DeFi.md)`
- `[流动性挖矿](./流动性挖矿.md)`
- `[去中心化交易所 (DEX)](./去中心化交易所.md)`
- `[年化收益率 (APY)](./年化收益率.md)`
## 深入阅读
- `[DeFi Llama: TVL Rankings](./DeFiLlama.md)`
- `[Investopedia: What Is Total Value Locked (TVL) in Crypto?](./Investopedia_TVL.md)`

75
wiki/名词解释/网格交易.md 普通文件
查看文件

@@ -0,0 +1,75 @@
# 质押 (Pledging / Staking)
🟢入门
## 一句话解释
质押是一种将资产（如动产、权利或加密货币）的占有权转移给债权人或网络协议，以作为债务履行的担保或参与网络共识，从而获取借款、利息或区块奖励的金融行为。
## 详细解释
### 背景与原理
质押是一个涵盖传统金融与数字资产领域的广泛概念，其核心在于通过暂时出让资产的占有权来获取某种经济利益或提供信用担保。根据应用场景的不同，其原理可分为两大类：
1. **传统金融中的质押 (Pledging):** 在传统金融体系中，质押主要是一种担保形式。债务人（出质人）将其动产（如存单、债券、股票）或权利（如知识产权）移交给债权人（质权人）占有，作为清偿债务的保证。在此期间，资产的所有权并未转移，但如果债务人到期未能履行债务，债权人则有权依法处置该质押资产，并从变卖所得中优先受偿。这种机制降低了贷款方的风险，使得资产持有者能够更容易地获得融资。
2. **加密货币领域的质押 (Staking):** 在区块链和去中心化金融 (DeFi) 领域，质押特指在权益证明 (Proof-of-Stake, PoS) 或其变种共识机制下的一种行为。用户将自己持有的加密货币锁定在网络协议中，以获得成为验证者的资格。验证者负责处理交易、创建新区块并维护区块链的安全性。作为对他们贡献网络安全和稳定运行的回报，协议会分发新铸造的代币或交易费用作为“质押奖励”。这种形式的质押不仅是获取被动收入的方式，更是保障 PoS 网络安全的核心机制。
### 计算公式（如适用）
在加密货币质押中，收益率通常使用年化收益率 (APR) 来衡量。其基本计算公式如下：
```latex
\text{年化收益率 (APR)} = \left( \frac{\text{每日总奖励}}{\text{网络总质押数量}} \right) \times 365 \times 100\%
```
此公式表示质押池中每单位资产在一年内预期能够产生的收益比例。需要注意的是，APR 通常是动态变化的，因为它取决于网络总质押量的增减和奖励政策的调整。
### 计算示例
假设某权益证明 (PoS) 区块链网络每日固定释放 10,000 枚 `XYZ` 代币作为质押奖励，当前整个网络中总共有 20,000,000 枚 `XYZ` 代币被质押。
1. **计算每日收益率:**
每日收益率 = 10,000 / 20,000,000 = 0.0005
2. **计算年化收益率 (APR):**
APR = 0.0005 * 365 ≈ 0.1825, 即 18.25%。
如果一个量化基金在此网络中质押了 500,000 枚 `XYZ` 代币，那么其预期的年化收益为：
预期年收益 = 500,000 * 18.25% = 91,250 枚 `XYZ` 代币。
## 在量化交易中的应用
1. **收益增强策略 (Yield Enhancement):** 量化基金可以将其投资组合中闲置的加密资产进行质押，以赚取稳定的基础收益。这部分收益可以作为投资组合的“安全垫”，在市场波动或主要策略表现不佳时提供缓冲。例如，持有的以太坊 (ETH) 或稳定币可以在市场中性策略执行的间隙进行质押，从而在不增加方向性风险敞口的情况下增厚整体回报。
2. **流动性质押衍生品套利 (Liquid Staking Derivatives Arbitrage):** 随着流动性质押协议（如 Lido, Rocket Pool）的兴起，用户质押原生资产（如 ETH）后可以获得一种代表其质押份额的衍生代币（如 stETH）。这些衍生代币可以在二级市场交易，其价格与原生资产之间可能存在价差。量化策略可以监控并利用这种价差进行套利，例如当 stETH 价格低于 ETH 时买入 stETH，在价格回归时卖出获利。
3. **基于质押数据的市场情绪指标:** 整个网络的总质押率（已质押代币占总供应量的比例）可以作为一个重要的市场情绪和基本面指标。高且持续增长的质押率通常意味着投资者对该资产长期看好，愿意牺牲流动性以换取长期回报。量化模型可以整合质押率的变化趋势作为因子，用于预测资产的长期价格走势或波动性。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 0 到 +∞ |
| 单位 | 相应代币的数量（如 ETH, SOL）或百分比 (%) |
| 更新频率 | 实时/每日 |
| 典型数据源 | Dune Analytics, Nansen, Glassnode, 各区块链浏览器 |
## 常见误解
1. **误解：质押是完全无风险的。**
**正确理解：** 质押存在多种风险，包括但不限于：1) **市场风险**：质押资产本身的价格可能大幅下跌；2) **削减风险 (Slashing)**：如果验证者节点行为不当（如双重签名、长时间离线），其质押的部分资产可能会被协议罚没；3) **流动性风险**：部分质押协议要求较长的锁定期或解押期，在此期间无法卖出资产。
2. **误解：质押和在银行存钱一样。**
**正确理解：** 虽然两者都可能产生利息，但根本机制不同。银行存款是借贷关系，银行利用存款进行放贷等业务产生利润。加密货币质押则是通过锁定资产来参与网络共识，维护区块链安全，其收益来源于协议增发或交易费用，而非信贷活动。
3. **误解：APR (年化收益率) 是固定不变的。**
**正确理解：** 质押的 APR 是动态的。它会随着网络总质押量的变化而调整。当更多人参与质押时，每个参与者分得的奖励会减少，导致 APR 下降；反之亦然。因此，APR 是一个预估值而非承诺回报率。
## 相关名词
- [权益证明 (Proof-of-Stake)](./权益证明.md)
- [流动性质押 (Liquid Staking)](./流动性质押.md)
- [去中心化金融 (DeFi)](./去中心化金融.md)
- [年化收益率 (APR)](./年化收益率.md)
## 深入阅读
- [币安学院：什么是质押？](./什么是质押？.md)
- [以太坊基金会：质押简介](./质押简介.md)

77
wiki/名词解释/蒙特卡洛模拟.md 普通文件
查看文件

@@ -0,0 +1,77 @@
# 卡尔马比率 (Calmar Ratio)
🟡进阶
## 一句话解释
卡尔马比率是一种衡量投资组合风险调整后收益的指标，它通过计算年化复合增长率（CAGR）与最大回撤（Maximum Drawdown）的比值，来评估投资在承受最大历史损失风险的情况下所获得的回报水平。
## 详细解释
### 背景与原理
卡尔马比率由基金经理特里·W·杨（Terry W. Young）于1991年提出，旨在提供一个比夏普比率（Sharpe Ratio）和斯特林比率（Sterling Ratio）更贴近实际投资风险的绩效衡量工具。其名称“Calmar”是“California Managed Account Reports”的缩写。该比率的核心思想是，投资者对于亏损的感受，尤其是最大亏损的幅度，远比价格的日常波动更为敏感。因此，它直接使用历史上发生的最大回撤作为风险的度量衡，而不是像夏普比率那样使用标准差（波动率）。
卡尔马比率通常以36个月（三年）为一个评估周期，并且每月更新计算，这使得它能够平滑市场短期波动的影响，同时提供一个相对及时的绩效反馈。一个较高的卡尔马比率意味着投资策略在承受每单位最大风险时，能够产生更高的回报，这对于注重资本保全和回撤控制的投资者尤为重要。
### 计算公式
卡尔马比率的计算公式如下：
```latex
\text{Calmar Ratio} = \frac{\text{CAGR}}{\text{Max Drawdown}}
```
其中：
- **CAGR (Compound Annual Growth Rate)**：年化复合增长率，代表投资在特定时期内的年均增长率。
- **Max Drawdown**：最大回撤，指在选定周期内，投资净值从最高点到随后最低点的最大跌幅。
### 计算示例
假设一个量化策略在过去三年的表现如下：
- 年化复合增长率 (CAGR) = 18%
- 此期间的最大回撤 (Max Drawdown) = 12%
则该策略的卡尔马比率为：
```
Calmar Ratio = 18% / 12% = 1.5
```
这个结果表示，该策略每承受1%的最大回撤风险，可以获得1.5%的年化回报。
## 在量化交易中的应用
1. **策略筛选与比较**：在评估多个量化交易策略时，卡尔马比率提供了一个统一的风险调整后收益基准。即使某个高频策略的年化回报率极高，但如果其最大回撤同样巨大，其卡尔马比率可能会低于一个回报中等但回撤控制极佳的稳健策略。这有助于交易员筛选出长期表现更稳健、风险收益比更优的策略。
2. **风险管理与参数优化**：通过持续监控策略的卡尔马比率，交易员可以了解策略风险状况的变化。当市场环境改变导致策略回撤加大、比率下降时，可以触发风控警报，促使交易员调整仓位、修改策略参数（如止损点、交易频率）或暂时停用策略，以优化风险控制，提升长期的风险调整后收益。
3. **投资组合构建**：在构建由多个策略组成的投资组合时，卡尔马比率可以作为策略配置的参考依据。交易员倾向于将更多资本配置给卡尔马比率高的策略，因为它们在历史上证明了更强的回撤控制能力和更高效的盈利能力。同时，通过组合不同类型且卡尔马比率均较高的策略，可以进一步分散风险，提升整个投资组合的稳健性。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 理论上无限制，通常为正数。大于1被认为是较好的表现，大于3则非常优秀。 |
| 单位 | 无量纲（比率） |
| 更新频率 | 通常按月更新，基于过去36个月的滚动数据计算。 |
| 典型数据源 | 策略回测平台（如QuantConnect, JoinQuant）、基金数据库、券商提供的投资组合分析报告。 |
## 常见误解
1. **误解：卡尔马比率越高，策略绝对收益越高。**
**正确理解**：卡尔马比率衡量的是风险调整后的相对收益。一个高卡尔马比率的策略可能绝对收益不高，但其回撤非常小，表现稳健。反之，一个绝对收益很高的策略可能因为回撤巨大而导致卡尔-马比率较低。
2. **误解：卡尔马比率与夏普比率可以相互替代。**
**正确理解**：两者都是风险调整后收益指标，但风险的定义不同。卡尔马比率关注的是历史上的“最坏情况”（最大回撤），而夏普比率关注的是收益的“稳定性”（波动率）。对于非正态分布的收益序列，尤其是有肥尾风险的策略，卡尔马比率可能更能揭示潜在的极端风险。
3. **误解：一个历史卡尔马比率高的策略未来表现一定好。**
**正确理解**：卡尔马比率是基于历史数据的回溯性指标，它不保证未来的表现。市场结构可能发生变化，导致策略失效，历史上的低回撤不代表未来不会发生更大的回撤。因此，它应作为评估工具之一，结合其他指标和对策略逻辑的理解进行综合判断。
## 相关名词
- [夏普比率](./夏普比率.md)
- [索提诺比率](./索提诺比率.md)
- [最大回撤](./最大回撤.md)
- [斯特林比率](./斯特林比率.md)
- [年化复合增长率](./年化复合增长率.md)
## 深入阅读
- [Investopedia: Understanding the Calmar Ratio](https://www.investopedia.com/terms/c/calmarratio.asp)
- [Quantified Strategies: Calmar Ratio Definition, Formula and Calculator](https://www.quantifiedstrategies.com/calmar-ratio/)

78
wiki/名词解释/质押.md 普通文件
查看文件

@@ -0,0 +1,78 @@
# 止盈 (Take Profit)
🟢入门
## 一句话解释
止盈是一种预设的交易指令，当资产价格达到某个预定的盈利水平时自动平仓，以锁定利润。
## 详细解释
### 背景与原理
在金融市场交易中，不确定性是永恒的主题。价格的波动既可能带来收益，也可能导致亏损。止盈（Take Profit, T/P）作为一种基础的风险管理工具，其核心思想是在交易前就设定一个明确的盈利目标。当市场价格达到这个目标时，系统会自动执行卖出（对于多头头寸）或买入（对于空头头寸）的指令，从而将浮动盈利转化为实际收益。这种机制的引入，旨在克服交易者在面对盈利时可能出现的贪婪情绪，避免因犹豫不决或期待更高收益而错失平仓良机，甚至导致已有利润回吐。
其基本原理是基于对市场波动的预期和对单笔交易风险回报比的规划。交易者通过技术分析（如支撑阻力位、斐波那契回调线）或基本面分析来预测价格可能达到的合理水平，并将其设为止盈点。当价格触及该点位，指令被触发，交易自动完成。这不仅提高了交易的纪律性，也使得交易策略更加系统化和可量化。
### 计算公式（如适用）
对于一个多头（买入）头寸，止盈价格的计算公式通常为：
$$ P_{TP} = P_{entry} + \Delta P_{profit} $$
其中：
- $P_{TP}$ 是止盈价格 (Take Profit Price)
- $P_{entry}$ 是开仓价格 (Entry Price)
- $\Delta P_{profit}$ 是期望的盈利价差
对于一个空头（卖出）头寸，计算公式为：
$$ P_{TP} = P_{entry} - \Delta P_{profit} $$
### 计算示例
假设一位交易者在某股票价格为 100 元时买入 100 股，并设定了 15% 的盈利目标。那么他的止盈价格计算如下：
- 开仓价格 ($P_{entry}$) = 100 元
- 期望盈利比例 = 15%
- 期望盈利价差 ($\Delta P_{profit}$) = 100 元 * 15% = 15 元
- 止盈价格 ($P_{TP}$) = 100 元 + 15 元 = 115 元
当该股票价格上涨到 115 元时，系统将自动以市价或限价卖出这 100 股，交易者从而锁定 1500 元的利润（15 元/股 * 100 股），交易结束。
## 在量化交易中的应用
1. **趋势跟踪策略**：在趋势跟踪策略中，当识别出一段明确的上升或下降趋势后，量化模型会建立相应的多头或空头头寸。止盈可以作为退出机制之一。例如，模型可以基于历史波动率计算出一个合理的止盈幅度（如N倍的平均真实波幅ATR），当价格达到该目标时自动平仓。这有助于在趋势末端或回调前及时锁定利润，避免利润大幅回撤。
2. **均值回归策略**：均值回归策略的核心思想是价格会围绕其长期平均值波动。当价格过度偏离均值时，策略会反向建仓。在这种策略中，止盈点通常就设在资产价格的长期均值附近。一旦价格回归到均值水平，策略便自动止盈，因为它认为价格继续向有利方向运动的概率已经降低。
3. **高频套利策略**：在高频交易中，套利机会稍纵即逝。量化模型需要在微秒或毫秒级别内完成发现、下单和平仓的全过程。止盈指令是自动化执行的关键一环。例如，在跨市场套利中，当两个市场的价差达到预设的微小阈值时，模型立即在低价市场买入并在高价市场卖出，同时设定一个极小的盈利目标作为止盈点，一旦价差收敛或达到目标，立即平仓锁定微利。
4. **波动率突破策略**：当市场在一段时间内窄幅盘整后，通常会迎来一次较大幅度的价格突破。波动率突破策略会在价格突破盘整区间时顺势建仓。止盈目标可以根据盘整区间的宽度来设定。例如，一个常见的规则是将止盈目标设为开仓点加上（或减去）盘整区间的宽度，这是一种基于“测量目标”的技术分析原则的应用。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 大于0的正数 |
| 单位 | 计价货币单位（如：元、美元） |
| 更新频率 | 实时（取决于交易执行系统） |
| 典型数据源 | 交易者根据策略自行设定，或由算法动态计算 |
## 常见误解
1. **误解：止盈设得越高越好。**
**正确理解：** 过高的止盈目标可能导致交易永远无法达到成交点，从而错失实际的、较小的盈利机会。合理的止盈点应基于对市场波动性和资产价值的客观分析，而非一厢情愿的期望。一个好的止盈点是在胜率和盈亏比之间取得平衡。
2. **误解：一旦设置了止盈就不能更改。**
**正确理解：** 虽然固定的止盈有助于克服情绪，但在某些情况下，动态调整止盈（即“移动止盈”）是更优的策略。例如，在强劲的趋势市场中，随着价格向有利方向移动，可以逐步提高止盈点，从而在保护已有利润的同时，让利润继续“奔跑”。
3. **误解：止盈是唯一或最重要的退出策略。**
**正确理解：** 止盈只是退出策略的一部分。一个完整的交易系统必须同时包含止盈和止损（Stop Loss）。止损用于在价格向不利方向运动时限制亏损，其重要性甚至高于止盈。只设止盈不设止损，会在风险敞口上暴露无遗，可能导致灾难性亏损。
## 相关名词
- [止损](./止损.md)
- [移动止盈](./移动止盈.md)
- [风险回报比](./风险回报比.md)
- [平均真实波幅 (ATR)](./平均真实波幅.md)
## 深入阅读
- [《量化交易：如何建立自己的算法交易事业》](https://book.douban.com/subject/26987762/) by Ernie Chan
- [《海龟交易法则》](https://book.douban.com/subject/26386459/) by Curtis Faith

75
wiki/名词解释/资金管理.md 普通文件
查看文件

@@ -0,0 +1,75 @@
# 信息比率 (Information Ratio)
🟡进阶
## 一句话解释
信息比率是衡量投资组合在承担每单位主动风险的情况下，所能获取的超越基准的超额收益。
## 详细解释
### 背景与原理
信息比率（Information Ratio, IR）是现代投资组合理论中一个关键的绩效衡量指标，主要用于评估主动型投资管理者（如基金经理或量化策略）的投资技能。该指标的核心思想是，仅仅获得超越市场的回报是不够的，还必须考虑为了实现这些回报所承担的风险。与夏普比率衡量总风险调整后收益不同，信息比率专注于“主动管理”的价值。
它的原理基于将投资组合的回报分解为与市场基准相关的部分和主动管理带来的部分（超额收益，即阿尔法 Alpha）。同时，它也量化了这种超额收益的波动性，即“主动风险”或“跟踪误差”（Tracking Error）。一个较高的信息比率意味着投资管理者能够以较低的风险（即更稳定的表现）持续地创造超越基准的回报，这通常被视为投资技能的体现，而非单纯的运气。
### 计算公式
信息比率的计算公式如下：
```latex
IR = \frac{E(R_p - R_b)}{\sigma(R_p - R_b)} = \frac{\alpha}{\omega}
```
其中：
- \( R_p \) 是投资组合的收益率。
- \( R_b \) 是基准组合（如沪深300指数）的收益率。
- \( E(R_p - R_b) \) 是投资组合超额收益的期望值，也称为“主动收益”或“阿尔法”（\( \alpha \)）。
- \( \sigma(R_p - R_b) \) 是超额收益的标准差，也称为“主动风险”或“跟踪误差”（\( \omega \)）。
### 计算示例
假设一个量化策略在过去一年的年化收益率为18%，其对标的基准指数（如沪深300）同期年化收益率为10%。该策略的超额收益序列（策略每日收益减去基准每日收益）的年化标准差（即跟踪误差）为5%。
- **主动收益 (Alpha)**: \( 18\% - 10\% = 8\% \)
- **主动风险 (Tracking Error)**: \( 5\% \)
- **信息比率 (IR)**: \( \frac{8\%}{5\%} = 1.6 \)
这个1.6的结果表明，该策略每承担1单位的主动风险，能够产生1.6单位的超额收益，这是一个非常优秀的表现。
## 在量化交易中的应用
1. **策略评估与筛选**：在量化交易中，研究员会开发出多种交易策略。信息比率是横向比较这些策略优劣的核心指标。在回测阶段，高信息比率的策略通常意味着更强的市场适应性和更稳健的盈利能力，因此会优先被选中进入实盘交易。
2. **基金经理与投顾业绩归因**：对于采用量化方法的主动管理型基金或智能投顾产品，信息比率可以清晰地揭示其管理者的“选股”或“择时”能力。投资者可以通过比较不同基金的信息比率，来判断基金经理是否真正具备持续创造超额价值的技能，而不是短期运气。
3. **风险预算与资本分配**：在大型资产管理公司或对冲基金内部，通常会运行多个量化策略。管理者可以根据每个策略的信息比率来分配风险资本。信息比率越高的策略，证明其风险调整后收益更优，因此可以被分配更多的资金和更高的风险预算，以期最大化整体投资组合的效率。
4. **因子有效性检验**：在多因子量化模型中，信息比率被用来检验单个因子的有效性。通过计算因子收益相对于市场中性基准的信息比率，可以判断该因子是否能持续稳定地贡献超额收益。这有助于优化因子库，剔除无效因子，提升模型整体表现。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | 理论上无界，实践中通常在 -3.0 到 +3.0 之间。大于0.5被认为是良好，大于1.0则非常优秀。 |
| 单位 | 无量纲 |
| 更新频率 | 每日/每周/每月/每年，取决于评估周期 |
| 典型数据源 | 投资组合与基准指数的日度或周度收益率序列数据，数据来源包括 Wind、Bloomberg、券商API、交易所数据库等。 |
## 常见误解
1. **误解：信息比率越高，绝对收益就越高。**
**正确理解**：信息比率衡量的是风险调整后的“相对”收益。一个高信息比率的策略在熊市中可能仍然是亏损的，但它的亏损幅度会显著小于市场基准。它衡量的是跑赢基准的能力，而非盈利的绝对值。
2. **误解：信息比率和夏普比率是同一个概念。**
**正确理解**：两者都是衡量风险调整后收益的指标，但基准和风险的定义不同。夏普比率衡量的是相对于“无风险利率”的超额收益，并用总风险（收益率标准差）来调整；而信息比率衡量的是相对于“市场基准”的超额收益，并用主动风险（跟踪误差）来调整。
3. **误解：短期的信息比率很有参考价值。**
**正确理解**：信息比率在短期内可能波动很大，容易受到市场偶然事件的影响。一个策略的真实能力需要通过较长时间（通常建议至少3年以上）的业绩来检验。长期稳定且较高的信息比率才具有统计意义，更能说明策略的有效性。
## 相关名词
- `[夏普比率](./夏普比率.md)`
- `[跟踪误差](./跟踪误差.md)`
- `[阿尔法(Alpha)](./阿尔法.md)`
- `[基准(Benchmark)](./基准.md)`
- `[索提诺比率](./索提诺比率.md)`
## 深入阅读
- `[主动投资组合管理：创造高回报并控制风险的量化方法](./主动投资组合管理.md)`
- `[高级投资组合管理：量化方法与应用](./高级投资组合管理.md)`

102
wiki/名词解释/闪电贷.md 普通文件
查看文件

@@ -0,0 +1,102 @@
# Gamma (Gamma)
🟡进阶
## 一句话解释
Gamma 衡量期权 Delta 值相对于标的资产价格变化的速率，即标的资产价格每变动一个单位，期权 Delta 值的预期变化量。
## 详细解释
### 背景与原理
Gamma (Γ) 是衡量期权价值风险的关键指标“希腊字母（Greeks）”之一，通常被认为是二阶指标。如果说 Delta 衡量的是期权价格相对于标的资产价格变化的“速度”，那么 Gamma 衡量的就是这个速度变化的“加速度”。具体来说，Gamma 描述了当标的资产价格发生变动时，期权 Delta 值的变化有多快。
Gamma 的值对于期权多头（买方）总是正数，对于期权空头（卖方）总是负数。一个高 Gamma 值意味着 Delta 对标的资产价格的变动非常敏感，这通常发生在期权处于平价（At-the-Money）状态且临近到期日时。相反，对于深度实值（Deep In-the-Money）或深度虚值（Deep Out-of-the-Money）的期权，其 Gamma 值会很小，接近于零，因为它们的 Delta 值已分别接近 1 或 0，对标的价格变动不再敏感。
理解 Gamma 对于风险管理至关重要，尤其是对于进行 Delta 对冲的交易者。由于标的资产价格的波动，一个原本 Delta 中性的头寸会因为 Gamma 的存在而迅速产生新的 Delta 风险敞口，因此需要不断地重新平衡（Re-hedging）头寸以维持中性状态。
### 计算公式（如适用）
在数学上，Gamma 是期权价格对标的资产价格的二阶偏导数。
```latex
\Gamma = \frac{\partial^2 V}{\partial S^2}
```
其中：
- \(V\) 是期权的价格
- \(S\) 是标的资产的价格
在 Black-Scholes 模型中，对于一个不支付股息的欧式看涨或看跌期权，Gamma 的具体计算公式为：
```latex
\Gamma = \frac{N'(d_1)}{S \sigma \sqrt{T-t}}
```
其中 \(N'(x)\) 是标准正态分布的概率密度函数，\(d_1\) 的计算方式与 Delta 公式中的 \(d_1\) 相同。
### 计算示例
假设有一个欧式看涨期权，其参数如下：
- 标的股票价格 (S): $100
- 期权执行价格 (K): $100
- 距离到期日时间 (T-t): 0.25 年 (3个月)
- 波动率 (σ): 20% (0.20)
- 无风险利率 (r): 5% (0.05)
首先，计算 \(d_1\)：
```latex
d_1 = \frac{\ln(S/K) + (r + \frac{\sigma^2}{2})(T-t)}{\sigma \sqrt{T-t}} = \frac{\ln(100/100) + (0.05 + \frac{0.20^2}{2})(0.25)}{0.20 \sqrt{0.25}} \approx 0.35
```
然后，计算标准正态分布的概率密度函数 \(N'(d_1)\)：
```latex
N'(0.35) \approx 0.3752
```
最后，计算 Gamma：
```latex
\Gamma = \frac{0.3752}{100 \times 0.20 \times \sqrt{0.25}} = \frac{0.3752}{100 \times 0.20 \times 0.5} = \frac{0.3752}{10} = 0.03752
```
这个结果意味着，当标的股票价格上涨 1 美元时，该期权的 Delta 值预计将增加约 0.03752。
## 在量化交易中的应用
1. **动态 Delta 对冲 (Dynamic Delta Hedging):** 在构建 Delta 中性投资组合时，Gamma 是必须考虑的核心因素。由于市场价格波动，组合的 Delta 会不断变化。量化策略需要根据 Gamma 值来预测 Delta 的变化，并设定一个阈值，当 Delta 偏离中性超过该阈值时，自动执行交易来重新对冲，这个过程被称为动态对冲或 Gamma 对冲。
2. **波动率交易 (Volatility Trading):** Gamma 和 Vega（衡量波动率变化的风险）紧密相关。交易者可以通过构建 Gamma 正值的头寸（如买入跨式或宽跨式期权）来做多波动率。当市场实际波动率高于期权隐含的波动率时，持有正 Gamma 头寸的交易者可以通过频繁的 Delta 对冲（高买低卖）来盈利，这种策略被称为“Gamma Scalping”。
3. **市场冲击预测 (Market Impact Prediction / GEX):** 近年来，一个名为“Gamma 敞口”（Gamma Exposure, GEX）的宏观指标受到越来越多的关注。通过汇总市场上所有未平仓期权的 Gamma 总量，分析师可以预测在特定价格水平附近，做市商为了维持 Delta 中性需要进行的对冲方向。当 GEX 为正且较大时，做市商的对冲行为会抑制市场波动；反之，当 GEX 为负时，则会加剧市场波动，形成“Gamma Squeeze”。
4. **期权定价与模型校准:** 在更高级的随机波动率模型（如 Heston 模型）中，Gamma 的行为与 Black-Scholes 模型有所不同。量化分析师需要利用市场上的期权价格来校准模型参数，而 Gamma 作为价格曲率的直接度量，是验证模型是否准确反映市场动态的重要依据。
## 数据规格
| 属性 | 说明 |
|------|------|
| 数据类型 | float |
| 取值范围 | (0, +∞) 对于多头头寸; (-∞, 0) 对于空头头寸 |
| 单位 | Delta 变化量 / 标的资产价格变化单位 |
| 更新频率 | 实时 |
| 典型数据源 | 期权交易所、彭博终端 (Bloomberg)、路孚特 (Refinitiv)、专业量化数据提供商 |
## 常见误解
1. **误解:** Gamma 越高越好。
**正确理解:** 高 Gamma 意味着高潜在回报，但也意味着高风险。对于期权卖方，高（负）Gamma 意味着巨大的风险敞口。对于买方，高 Gamma 的期权通常时间价值衰减（Theta）也很快，如果标的资产价格没有如预期的那样波动，将面临快速的价值损失。
2. **误解:** 只要 Delta 中性，风险就完全对冲了。
**正确理解:** Delta 中性只是一个瞬时状态。由于 Gamma 的存在，任何价格变动都会使头寸重新暴露于 Delta 风险之下。一个完整的对冲策略必须同时管理 Gamma 风险，甚至更高阶的风险（如 Vanna 和 Charm）。
3. **误解:** Gamma 是线性的。
**正确理解:** Gamma 本身就是非线性的，它衡量的是 Delta 的非线性变化。Gamma 的值会随着标的资产价格和剩余时间的变化而变化。忽视 Gamma 的非线性特征会导致对冲策略的失效和错误的风险评估。
## 相关名词
- [Delta](./Delta.md)
- [Theta](./Theta.md)
- [Vega](./Vega.md)
- [Delta 中性对冲](./Delta_Neutral_Hedging.md)
- [波动率](./Volatility.md)
## 深入阅读
- [John C. Hull, "Options, Futures, and Other Derivatives"](./John_Hull_Options_Futures_and_Other_Derivatives.md)
- [Nassim Nicholas Taleb, "Dynamic Hedging: Managing Vanilla and Exotic Options"](./Nassim_Taleb_Dynamic_Hedging.md)

79
wiki/名词解释/预言机.md 普通文件
查看文件

@@ -0,0 +1,79 @@
# 保证金 (Margin)
🟢入门
## 一句话解释
保证金是投资者在进行杠杆交易时，向券商或交易所存入的、作为履约担保和冲抵潜在亏损的押金，它使得用较小的自有资金来操作较大价值的投资成为可能。
## 详细解释
### 背景与原理
在金融市场中，保证金交易是一种允许投资者向经纪商或交易所借款来购买证券、期货或其他金融产品的机制。投资者无需支付交易资产的全部价值，只需存入一部分资金作为抵押品，这部分资金就是“保证金”。其核心原理是**杠杆效应**：通过借入资金，投资者可以控制比其自有资本大得多的头寸，从而有机会放大投资回报。
保证金主要分为两种：
1. **初始保证金 (Initial Margin)**：建立新头寸时必须存入的最低金额，通常是总交易价值的一个百分比，例如50%。
2. **维持保证金 (Maintenance Margin)**：为了维持已建立的头寸，账户中必须保持的最低净值水平。如果账户净值因市场价格不利变动而跌破此水平，投资者将收到“保证金追缴通知”(Margin Call)，要求其存入额外资金或平掉部分仓位，以使账户净值恢复到维持保证金以上。
保证金制度是金融衍生品市场（如期货、期权）和证券融资融券交易的核心风险管理工具。它确保了交易者有能力履行其合约义务，从而保护了经纪商和整个市场的稳定。
### 计算公式
保证金的计算涉及多个方面，核心公式如下：
* **初始保证金金额**:
$$ \text{Initial Margin} = \text{Position Value} \times \text{Initial Margin Rate} $$
* **维持保证金金额**:
$$ \text{Maintenance Margin} = \text{Position Value} \times \text{Maintenance Margin Rate} $$
* **保证金水平 (Margin Level)**：这是衡量账户风险的关键指标。
$$ \text{Margin Level} = \frac{\text{Account Equity}}{\text{Used Margin}} \times 100\% $$
### 计算示例
假设投资者想购买100股价值为每股100美元的股票，总头寸价值为10,000美元。券商要求的初始保证金比例为50%，维持保证金比例为25%。
1. **建立头寸**：投资者需要支付的初始保证金为 $10,000 \times 50\% = 5,000$ 美元。剩余的5,000美元由券商提供融资。
2. **价格下跌**：假设股价下跌至70美元/股，总头寸价值变为7,000美元。此时，投资者的账户净值（Account Equity）为 $7,000 - 5,000 = 2,000$ 美元。
3. **触发保证金追缴**：该头寸所需的维持保证金为 $7,000 \times 25\% = 1,750$ 美元。由于投资者的账户净值（2,000美元）仍高于维持保证金要求（1,750美元），此时不会触发保证金追缴。但如果股价继续下跌至65美元/股，头寸价值变为6,500美元，账户净值为 $6,500 - 5,000 = 1,500$ 美元。此时的维持保证金要求为 $6,500 \times 25\% = 1,625$ 美元。由于账户净值（1,500美元）低于维持保证金（1,625美元），券商将发出保证金追缴通知。
## 在量化交易中的应用
1. **杠杆策略**：许多量化策略（如统计套利、配对交易）的单次预期收益率较低。通过使用保证金，量化基金可以放大这些微小的收益，以达到整体的盈利目标。模型会精确计算在给定风险水平下的最优杠杆率。
2. **风险管理**：保证金水平是量化风险管理模型中的一个核心监控指标。系统会实时计算整个投资组合的保证金占用和可用水平。一旦保证金水平接近警戒线，风险管理模块会自动触发减仓程序，以避免因市场剧烈波动而被强制平仓。
3. **多空策略**：在市场中性的多空策略中，交易员同时持有多头（Long）和空头（Short）头寸。无论是做多还是做空，都需要缴纳保证金。量化模型会利用保证金计算来优化资金在多头和空头之间的分配，以最高效地利用资本。
4. **衍生品交易**：保证金是期货、期权等衍生品交易的基础。所有涉及衍生品的量化策略（如趋势跟踪、跨期套利）都深度依赖于保证金机制。复杂的保证金计算系统（如SPAN）被用于评估整个投资组合的风险，其计算结果是量化模型进行仓位管理和资金分配的关键输入。
## 数据规格
| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 大于 0 |
| 单位 | 货币单位 (如 USD, CNY) |
| 更新频率 | 实时 |
| 典型数据源 | 券商交易平台 (Brokerage Platforms), 交易所 (Exchanges) |
## 常见误解
1. **误解**: 保证金是交易成本或手续费。
**正确理解**: 保证金是一种押金或履约担保，其所有权仍属于投资者。在仓位关闭后，只要没有发生亏损，保证金会全额退还。交易的直接成本是手续费和融资利息。
2. **误解**: 杠杆越高，收益就一定越高，所以应该尽量使用高杠杆。
**正确理解**: 杠杆是一把双刃剑。它在放大潜在收益的同时，也同等倍数地放大了潜在亏损。过高的杠杆会使账户对市场微小的不利波动变得极其敏感，从而大大增加被强制平仓的风险。
3. **误解**: 只要我的账户里还有钱，就不会被强制平仓。
**正确理解**: 强制平仓的决定性因素是“保证金水平”，而不是账户的绝对余额。当账户净值跌破维持保证金要求时，即使账户里仍有资金，但如果这些资金不足以将保证金水平恢复到要求之上，依然会面临强制平仓。
## 相关名词
- [杠杆 (Leverage)](./杠杆.md)
- [强制平仓 (Forced Liquidation)](./强制平仓.md)
- [初始保证金 (Initial Margin)](./初始保证金.md)
- [维持保证金 (Maintenance Margin)](./维持保证金.md)
- [保证金追缴 (Margin Call)](./保证金追缴.md)
## 深入阅读
- [Investopedia: Margin Trading](https://www.investopedia.com/terms/m/margin.asp)
- [CME Group: Introduction to Futures - Margin](https://www.cmegroup.com/education/courses/introduction-to-futures/margin-know-what-is-needed.html)