#量化交易

币圈机器学习的风格
在币圈，机器学习策略的风格，很大程度上取决于你的选币数量和资金分配方式。
我们都知道，币圈市场的成熟度远低于传统市场，
所以在这里，肥尾效应会更加明显。
无论是正向的黑天鹅，还是反向的黑天鹅，
它们出现的频率都比传统市场要高很多。
当你选币数量多的时候，
机器学习模型更关注的是肥尾分布下的“整体平均情况”。
在这种全市场环境中，由于注意力有限，
市场往往难以持续拉升，
因此反转效应会更加明显，风格也会更接近反转因子。
换句话说，选多币的机器学习策略，
在日常市场中往往表现稳定，
但如果遇到少数波动特别大的币（比如MYX、ALPACA），
模型可能会出现明显亏损。
而当你选币数量少时，
机器学习模型会更加专注于少量标的的强烈行情，
聚焦于捕捉那些持续上涨、注意力高度集中的币种，
这类策略更偏向于动量效应，
能够在一定程度上对冲“选多币策略”在大幅波动行情下的风险。
那么，如何减少选多币策略在波动剧烈行情中出现的亏损呢？
通常有两种方法：
1.混合策略：
融合一部分“选少币”的机器学习策略，
让模型在均值回归和持续趋势之间找到平衡点；
2.梯度权重训练：
通过不同的选币权重，让模型在日常行情中学习均值回归的反转风格，
同时在大幅波动行情中，也能捕捉动量风格。
这样一来，你既能在日常市场中保持稳健表现，
又能在行情突然变化时，减少被突发事件“重击”的风险。

深耕多年量化自营交易，专注于打造顶级个人量化圈层 & 专业实战带教计划
怜惜xiaofu方式2886