我在构建量化系统时学到的最反直觉的一件事：
判断对方向并不等于赚到钱。
我见过交易员正确预测了 10 笔交易中的 6 笔，月底却依然亏损。
不是因为运气差。而是因为他们在建立信念时犯了一个根本性的数学错误。
这篇文章讲的就是这个错误——以及消除它的机构级框架。
没人解释的问题
每个预测市场交易员都经历过这种情况：
你分析了局势。
证据清晰地指向一个方向。
你满怀信心地入场。
市场却朝着反方向波动。
你最终是对的——但入场太早，或者仓位太重，或者时机不对。
你怪执行。你怪市场。你从不怪模型。
但问题就出在模型上。
每个信号都有一个信息系数——即其预测与市场实际走势之间的相关性。
机构交易台使用的最佳单个信号，其信息系数在 0.05 到 0.15 之间。
绝大多数时候都是错的。不是偶尔，而是结构性的。
然而，这些交易台却能持续盈利。
原因就在于一个公式。
基本定律
IR = 你整个系统的信息比率——你的风险调整后优势
IC = 单个信号的平均信息系数
N = 真正独立的信号数量
如果你的 50 个信号每个的信息系数都是 0.05：
单个信息系数为 0.10 的信号单独运行：
这个 50 个信号的系统，即使单个信号强度减半，其威力也是前者的 3 倍。
这就是为什么对冲基金雇佣数百名研究员来构建数百个信号。
完美的单一指标并不存在。
但由许多不完美指标构成的系统是存在的。
什么算作信号
五大类别：
- 动量信号
- 均值回归信号——相对于可比工具的预期公允价值的偏离
- 波动率信号——隐含波动率与实际波动率之间的差距
- 因子信号
- 微观结构信号
当价差扩大时：说明有人在利用市场尚未定价的信息进行交易。
11 步组合引擎
第 1 步 - 收集每个信号 i 在周期 s 的历史收益率序列 R(i,s)
第 2 步 - 序列去均值：
第 3 步 - 样本方差：
第 4 步 - 标准化：
第 5 步 - 删除最近一次观测值
第 6 步 - 横截面去均值：
第 7 步 - 再删除一个周期
第 8 步 - 预期远期收益率：
第 9 步 - 将 E_normalized 对 Lambda 进行回归。取残差 e(i)。这些代表每个信号真正独立的贡献。
第 10 步 - 设定权重：
独立优势高且噪声低的信号获得更高权重。无需主观判断。
第 11 步 - 标准化，使绝对权重之和等于 1。
为什么相关性才是真正的敌人
IR = IC x sqrt(N) 中的 N 不是信号的数量。
它是去除共同方差后有效独立信号的数量。
运行 50 个相关信号，你得到的分散化收益只相当于 10-15 个独立信号。
一个认为自己运行着 20 个独立信号的投资组合经理，可能实际上只运行着 6 个。
基于 20 个独立观点证明合理的仓位规模，对于 6 个信号来说太大了。
这种杠杆错配正是大多数系统性策略爆仓背后的机制。
将其应用于 Polymarket
polymarket.com/?r=atlas - 交易量 280 亿美元，9000 多个活跃市场。
Polymarket 的五个概率信号：
- 跨交易所定价——Polymarket 与 Betfair 之间的价差
- 校准信号——基于 4 亿笔交易的历史结算率
- 贝叶斯更新：
- 微观结构——通过 VPIN 识别知情订单流
- 动量——临近结算时价格变动的速率和方向
在自动化之前——先手动建立对相关市场的直觉。
PolyParlay 是首个用于 Polymarket 串关的 Telegram 机器人。将任意市场组合成一个仓位：
t.me/poly_parlay_bot?start=ATLAS
你在串关中注意到的每一个相关性，都可能成为一个值得测试的潜在独立信号。
仓位规模
针对不确定性调整后的经验凯利公式：
运行 10,000 次蒙特卡洛路径模拟。衡量你的优势估计值的变化程度。变化越大——就降低你的凯利分数。
总结
判断对一个市场并不等于拥有一个盈利的模型。
IR = IC x sqrt(N)
11 步组合引擎为你提供最优权重，这些权重反映每个信号的独立贡献，惩罚噪声，并去除共同方差。
那些在判断正确的交易上却持续亏损的交易员，几乎总是输给了他们没有衡量的相关性。
组合引擎从结构上消除了这种失败模式。
现在你了解这个引擎了。
