Sign in Subscribe

trading

Market briefs and practical research for traders. Clear drivers, scenarios, and risk notes—plus occasional mini-labs that turn ideas into testable workflows.
Deep Research

算法交易中的深度学习与强化学习（2018–2025）：哪些有效、哪些会失效，以及如何更稳健地落地

2018–2025 年，深度学习（DL）和深度强化学习（DRL）在量化交易里的位置发生了变化：从“论文里很强”逐步走向“可以进入生产体系的工具箱”。但真正被反复验证的，不是“神奇的 Alpha”，而是一些更朴素、也更残酷的结论： * 预测不等于交易：方向准确率提升，并不必然转化为扣除成本后的净收益。 * 风险调整目标更可迁移：Sharpe、回撤等目标往往比“最大化收益”更接近真实约束。 * 泛化才是难点：很多失败来自市场状态切换（regime shift）、数据泄漏、以及过于理想化的回测假设。 下面按模型家族（LSTM/CNN/Transformer）与 DRL 家族（DQN、PPO/A2C/DDPG/SAC）总结关键经验，并给出一个更“可落地”的实践清单。 1）深度学习真正擅长的地方
6 min read
Deep Research

Deep Learning and Reinforcement Learning in Algorithmic Trading (2018–2025): What Worked, What Broke, and How to Deploy Safely

Deep learning (DL) and deep reinforcement learning (DRL) have moved from “interesting papers” to real, production-adjacent toolkits for systematic trading. From 2018–2025, the literature converged on a few uncomfortable truths: * Prediction ≠ trading: higher directional accuracy doesn’t automatically translate into net performance after costs. * Risk-adjusted objectives matter: optimizing for
4 min read
Deep Research

进阶/高级量化交易学习：Top 25 算法交易 YouTube 频道清单

如果你在 YouTube 上搜“算法交易/量化交易”，你会很快遇到两类内容： * 平台教学（能跑起来，但缺少严谨的研究与验证）； * 策略营销（展示漂亮回测，却没有可复现的方法论）。 下面这份清单更偏向 进阶/高级 学习者：强调“过程”——研究卫生、回测方法、风险控制、以及落地实现细节。 执行摘要 * 学得最快的组合通常是：(1) 回测与研究严谨性 + (2) 编程实现能力 + (3) 组合与风险思维，而不是刷“策略点子”。 * 任何宣称“一个策略通吃”的内容，除非同时讲清楚 验证（样本外、走步优化、Monte Carlo、敏感性分析），否则建议当娱乐看。 * 把这份清单当作 课程大纲：选一个技术栈 + 一个强调验证的方法论频道，再补充期权/期货/执行等领域深度。
6 min read
Deep Research

美国日内交易者的期货交易平台指南：IBKR vs NinjaTrader vs E*TRADE（Power E*TRADE）

为日内交易选择期货交易平台，本质上是在权衡三件事：总成本、成交/执行质量、以及是否匹配你的交易工作流。在美国零售交易者的语境里，以下三家经常被放在同一张对比表上： * Interactive Brokers（IBKR）：成本优势明显、市场覆盖最广、功能极深，但上手门槛更高。 * NinjaTrader：典型“期货优先”的平台，围绕图表、策略、指标与订单管理构建，活跃交易者成本可压得很低。 * ETRADE（Power ETRADE）：更像综合券商的体验，界面友好、教育资源强，期货能力够用但未必最便宜。 本文面向美国日内交易者（股指/商品期货为主）做一份实用对比。 结论先行（Executive summary） * 追求 市场覆盖 + 专业订单类型 + 长期稳定的低成本结构：选 IBKR。 * 交易优势依赖 图表工作流、插件生态、策略/指标开发与期货原生工具：选 NinjaTrader。
5 min read
Deep Research

股票、行业与大盘的资金流技术指标：怎么读、怎么用、怎么避免自欺欺人

所谓“资金流”（fund flow）指标，核心是在回答一个很朴素但又很危险的问题：资金到底是在流入（吸筹/累积）还是流出（派发/出货）？ 必须先把话说清楚：大多数“资金流”指标并不直接观测真实资金（尤其不是基金申赎意义上的 flow），而是把价格与成交量做数学变换，用“成交量代表参与度、收盘位置代表多空控制力”这样的假设，去推断买卖压力。 要点总结 * **没有任何一个指标能测到“真实资金流”。**它们是从价量推断出来的“压力代理变量”。 * 最有价值的用法通常是背离（divergence）：价格创新高/新低，但资金流代理没有同步。 * 做个股，最常用的是 A/D 系列与 CMF、OBV 这些“累积/派发”工具。 * 做行业与大盘，必须叠加市场广度/量能广度（Advance–Decline
7 min read
Deep Research

Two Sigma Investments: Trading Systems, Strategy Surface Area, and the Model-Risk Lesson

Executive Summary (3–5 bullets) * Two Sigma is best understood as a research-to-trade industrial pipeline. The edge is less “one secret signal” and more a repeatable loop: ingest data → generate forecasts → portfolio construction → low-latency execution → monitoring. * Its strategy surface area spans both “fast” and “slow.” Public descriptions point to market
4 min read
Deep Research

StrategyQuant X 兼容的期货与外汇 Top 50 量化策略（综合评述）

为帮助日内与波段交易者，我们整理了 50 个经过验证的量化策略（以简单的规则逻辑为主），并且这些策略可以在 StrategyQuant X 中进行可验证回测。下方每个条目都会概述：策略逻辑、关键技术指标、典型市场/品种、时间周期，以及绩效摘要（Profit Factor、夏普比率、最大回撤、总收益或胜率）。在详细描述之后，我们提供一张汇总表便于快速查阅。 趋势跟随策略（Trend-Following Strategies） 1. 均线交叉（Moving Average Crossover）： 经典趋势跟随方法：快均线上穿/下穿慢均线作为入场与出场信号。指标： 简单移动平均（SMA，例如 50 日与 200 日）。市场： 常用于股指（如标普 500 E-mini）与主要外汇对（EUR/USD、
45 min read
Deep Research

算法交易的量化架构：用进化式搜索与鲁棒性测试构建可存活的期货/外汇策略

在期货与外汇这样高流动性、强噪声、结构复杂的市场里，“写一个指标策略”远远不够。真正决定策略能否上线存活的，是一套工程化的量化架构：从策略生成、筛选、验证，到组合构建与退役机制。 本文基于 StrategyQuant（含其文档/博客与相关资料）所总结的流程与经验，提炼出一套可复用的研究框架：如何用“进化式策略合成 + 多阶段鲁棒性测试 + 低相关组合 + 客观退役规则”来提高策略的长期胜率。 Executive summary（要点速读） * 从“假设驱动”转向“搜索驱动”：用遗传进化/自动化搜索在巨大的条件空间里生成候选策略，然后靠严格验证而不是靠漂亮回测。 * 简单往往更稳健：大规模策略分析表明，规则复杂度适中的策略（例如 4–6 条规则）在真正样本外阶段的表现往往优于复杂策略；复杂度过高通常是过拟合。 * 样本外（OOS）与压力测试是生死线：IS/OOS 拆分、Walk-Forward、Monte
10 min read