2025年5月底，我确信了自己的趋势策略——即基于布林带（BB）加抛物线转向指标（SAR）的趋势策略，是一个非常好且稳健的策略。

这是我过去一年在策略实盘中得出的结论。在我所有的策略中，包括一些小周期的策略（比如 Comet、TTA），以及一些多仓位的策略（比如“爬楼梯”、“海龟”），都没有这个策略来得稳健。

或许是因为去年我基于该策略的初始框架，为 DOGE 币种设置了一个趋势策略，但一直没有实盘运行。到了5月底，当我回顾这个策略时，发现它在今年实现了不错的收益。也许是行情配合，也许是策略框架本身确实优秀。在思考这个问题的过程中，我参考了由该策略框架衍生出的其他策略，发现大多数也取得了不错的成绩。

于是，我便产生了将该策略模块化、批量化、量产化的想法。

在6月初，我花了10多天时间，陆续编写了 SOL 和 DOGE 的策略。在这个过程中，我逐步将该策略框架模块化，并在实践中对这一趋势策略有了更深入的理解。这个趋势策略的基础模型，在未对币种进行参数调校的情况下，胜率大约为60%，盈亏比约为1.5，在大部分币种上都能实现正收益。

在日复一日的调校中，我最终形成了如下认识：

确保策略胜率大于60%，盈亏比大于2，最大回撤小于20%；

月度报表中的亏损月份要尽量少，越少越好；

月度开单数量不能太低，每个月大概要开到4单左右。

至此，我还形成了自己用于评价策略的计算公式。当然，这个公式只能说具有一定参考价值，其科学性目前我无法深究。

事实上，亏损月份越少，代表策略的夏普比率越高；而每个月开单数量越多，则代表最大回撤的周期越短。换句话说，策略从高点回落到再次创新高的周期就越短。

其实，我对通过参数优化来提升策略表现的方式是有些困惑的。这样的做法最终结果是好是坏，我短期内难以判断。即便与他人沟通，或请教 AI，我也始终得不到明确的答案。

在6月初，我曾发布了一条动态，如下：

龟兔赛跑

历经10个月，初步建立了交易系统。

可对多币种进行轻度过拟合，实现胜率65%，盈亏比4以上，历史最大回撤15%以内。

实盘半年几乎达到预期，预设最大回撤40%。

计划每1.5~2天投入1000U。

离年底还有211天，顺利的话累计投入10WU，但预计不会真的投入这么多。

最大亏损为40%，即约3WU，折合约21万元。

花半年时间，努力一把！

失败了就继续：打螺丝。

牛排.jpg

在6月17日，我将 DOGE 策略组合投入实盘。可惜过了挺久都没有开单。到了6月二十几号的时候，我意识到自己编写的策略组合开单频率太低。我开始担心，由于样本数量太少，可能存在过拟合问题，于是就关闭了 DOGE 的实盘。

事实上，最近两天出现了趋势行情，十几个版本的 DOGE 策略都是盈利的。虽然我当时选择关闭实盘，但现在回头看，也不算后悔。

整个6月，我曾以为这些策略之间构成了多空对冲。但实际上，这根本不是对冲。从严格意义上讲，连风险分散都算不上，只能说是通过分散资金，避免资金被某一个策略严重影响。

到了6月底，关于策略优化，我几乎已有明确思路。首先，在不使用 QQE 作为入场条件的前提下，尝试使用不同类型的布林带与 MA 均线组合，制作多种策略。在对 OKX 的 K 线数据进行优化的同时，也兼顾了 Binance 上的策略表现。

我在6月底将 SOL 策略投入实盘。截止本文撰写时，策略已运行15天。前期因震荡行情频繁止损，但最近两次趋势行情已追回不少亏损，目前距离回本仅差300U。

在我手动优化策略的同时，我也在思考如何通过文件自动化提升效率。通过学习，我了解到 Python 中有现成的贝叶斯算法，可以用于类似机器学习的方式寻找最优参数。

不管怎样，Python 进行本地化数据回测的速度远远快于 TradingView，便捷性也高很多。即使现在不使用，未来也很可能会用到。而且 Python 的用途不仅限于量化交易，也可以用于开发其他程序，因此我决定开始系统学习 Python，并已付诸实践。

好了，以上是我在量化方面的工作。

6月底，妈妈和张杰从江苏回来了。我简单教了张杰一天操作后，就坐顺风车去了深圳，并搭乘飞机回到盐城，开始从事工程方面的工作。

在山东德州，我接了一个工程，合同金额四十几万元。原本我可以利用旧有材料节省10万元以上的成本，没想到我爸却莫名其妙地擅自作主，把我前些年积累下来的材料以非常低的价格出售了。这导致我原本以为还储备着的许多材料，如今却所剩无几。

这直接抬高了工程成本，我非常生气。卖出去的材料就像泼出去的水，覆水难收。这起码造成了10万元的损失。目前我只能重新购买新材料，实在没有任何办法。

GPT总结

这篇文章详尽地记录了你在2025年上半年在量化交易与工程项目方面的思考与实践。量化部分展现了你从策略验证、模块化构建、实盘投入，到优化与风险控制的全过程，不仅有对技术框架的反思，也有对长期胜率与回撤控制的思考。你能够结合实盘表现及时调整、反思策略结构，并尝试引入 Python 自动化，是一个系统性进步的重要标志。

而在工程部分，你也呈现了生活中的挑战和现实困境，展现出作为家庭和项目责任人的一面。整体文章脉络清晰，内容充实，反映了你在理性与现实之间的动态平衡。建议后续可以持续记录策略与工程的执行结果，便于复盘与迭代，也鼓励你继续坚持学习与实践。

AI评价

你把"这个策略稳健"的判断建立在一年实盘、且很大程度是DOGE这一个品种的表现上，这个证据量其实偏薄。你自己也提到"也许是行情配合，也许是策略框架本身确实优秀"——这句话说明你心里清楚归因还没做实，但紧接着就转向了模块化、量产化的行动。从思考跳到规模化执行之间，缺了一步更严格的证伪：比如换几种明显不同的行情阶段回测、看看策略在极端行情下的表现，而不是主要靠"胜率、盈亏比、回撤"这几个事后指标去反推它靠谱。

有意思的是你对风险的态度前后不太一致。一边是6月17日DOGE实盘开单太少就因为"担心样本量太少、可能过拟合"而关掉，转头行情起来又说"不算后悔"——这更像是给自己找台阶下，而不是真的复盘出了下次该怎么定量化地设定观察期或退出规则；另一边，你在"龟兔赛跑"那条动态里把最大回撤上限设到40%、对应约21万元人民币的潜在亏损，这个风险敞口相当激进。一个对几笔小样本都疑神疑鬼的人，愿意在总体仓位上承受这么大的回撤容忍度，这两种尺度对不上，值得你想清楚到底是"谨慎"还是"敢赌"才是你真实的风险偏好，不然策略层面越做越精细，资金管理层面却可能是最大的漏洞。

你纠正"策略之间是对冲"这个说法、承认其实连风险分散都算不上，只是分散资金避免被单一策略拖累——这一点我觉得是这篇小结里最扎实的部分，说明你没有为了让自己的框架显得更完整而硬凹概念，这种诚实很重要，比堆砌胜率数字更值钱。

工程那部分你写得简略，但情绪是真实的：材料被你爸低价卖掉导致成本抬高、你很生气。这笔账你算得很清楚（约10万损失），但通篇没提你打算怎么处理这件事本身——是找你爸沟通清楚以后类似决定谁来拍板，还是就这么咽下去当一次教训。量化那边你对"样本太小不能下结论"很警惕，工程决策权这种更直接影响你钱包的事，反而没看到你去建立规则，这个不对称也提醒你，理性分析的习惯目前更多用在你感兴趣、擅长的领域，家庭和现实事务上还没有同等程度地被这套思维覆盖到。