我在建立量化系統時學到最反直覺的一件事：
看對方向並不等於賺到錢。
我看過交易員在 10 筆交易中正確預測 6 筆的結果，月底結算卻仍是負值。
這不是因為運氣不好。而是因為他們在建立信念時，犯了一個根本性的數學錯誤。
這篇文章要談的就是這個錯誤——以及能夠消除這個錯誤的機構級框架。
沒人說明的問題
每個預測市場交易員都經歷過這種情況：
你分析了局勢。
證據清楚地指向一個方向。
你滿懷信心進場。
市場卻朝反方向移動。
你最終是對的——但進場太早、部位太大，或是時機不對。
你怪執行。你怪市場。你從不怪你的模型。
但問題就出在模型。
每個訊號都有一個資訊係數（Information Coefficient）——也就是訊號預測與市場實際走勢之間的相關性。
機構交易檯使用的最佳單一訊號，其資訊係數落在 0.05 到 0.15 之間。
絕大多數時候都是錯的。不是偶爾，而是結構性的錯。
然而，這些交易檯卻能持續穩定獲利。
原因就在一條公式。
基本定律
IR = 你整個系統的資訊比率（Information Ratio）——你的風險調整後優勢
IC = 個別訊號的平均資訊係數
N = 真正獨立訊號的數量
如果你的 50 個訊號每個都有 0.05 的 IC：
單一訊號 IC 0.10 單獨運作：
而這個 50 個訊號的系統，即使個別強度只有一半，威力卻是前者的 3 倍。
這就是為什麼對沖基金雇用數百名研究員來建立數百個訊號。
完美的單一指標並不存在。
但由許多不完美指標組成的系統，確實存在。
什麼算是訊號
五大類別：
- 動能訊號
- 均值回歸訊號——偏離相對於可比工具的預期公允價值
- 波動率訊號——隱含波動率與已實現波動率的差距
- 因子訊號
- 微結構訊號
當價差擴大時：代表有人在交易市場尚未定價的資訊。
11 步驟組合引擎
步驟 1 - 收集每個訊號 i 與期間 s 的歷史報酬序列 R(i,s)
步驟 2 - 序列去均值：
步驟 3 - 樣本變異數：
步驟 4 - 標準化：
步驟 5 - 刪除最近一筆觀測值
步驟 6 - 橫斷面去均值：
步驟 7 - 再刪除一個期間
步驟 8 - 預期未來報酬：
步驟 9 - 將 E_normalized 對 Lambda 進行迴歸。取殘差 e(i)。這些代表每個訊號真正獨立的貢獻。
步驟 10 - 設定權重：
獨立邊際高且雜訊低的訊號獲得更多權重。沒有主觀判斷。
步驟 11 - 標準化，使絕對權重總和等於 1。
為什麼相關性才是真正的敵人
IR = IC x sqrt(N) 中的 N 不是訊號的數量。
它是移除共同變異後，有效獨立訊號的數量。
運行 50 個相關訊號，你得到的分散效益只相當於 10 到 15 個獨立訊號。
一個認為自己運行 20 個獨立訊號的投資組合經理，實際上可能只運行 6 個。
根據 20 個獨立觀點所決定的部位規模，對 6 個訊號來說實在太大了。
這種槓桿錯配，正是大多數系統性策略爆倉的機制。
將此應用於 Polymarket
polymarket.com/?r=atlas - 交易量達 280 億美元，活躍市場超過 9,000 個。
五個適用於 Polymarket 的機率訊號：
- 跨平台定價 - Polymarket 與 Betfair 之間的價差
- 校準訊號 - 橫跨 4 億筆交易的歷史結算率
- 貝氏更新：
- 微結構 - 透過 VPIN 判斷的知情委託單流
- 動能 - 接近結算時的價格變動速率與方向
在自動化之前——先手動建立對相關市場的直覺。
PolyParlay 是第一個 Polymarket 複式投注的 Telegram 機器人。將任意市場組合成一個部位：
t.me/poly_parlay_bot?start=ATLAS
你在複式投注中注意到的每一個相關性，都可能成為一個值得測試的潛在獨立訊號。
部位規模設定
根據不確定性調整的經驗凱利公式：
執行 10,000 次蒙地卡羅路徑模擬。衡量你的邊際估計值變異程度。變異越大——就降低你的凱利比例。
總結
看對市場並不等於擁有獲利的模型。
IR = IC x sqrt(N)
11 步驟組合引擎能為你提供最佳權重，反映每個訊號的獨立貢獻、懲罰雜訊，並移除共同變異。
那些老是看對方向卻賠錢的交易員，幾乎總是被他們沒有衡量的相關性打敗。
組合引擎從結構上消除了這種失敗模式。
現在你已經知道這個引擎了。
