部落格

普通GARCH(1,1)對好訊息和壞訊息一視同仁，並假設衝擊服從高斯分佈。EGARCH、GJR-GARCH以及Student-t/偏態-t新息修正了這兩個缺陷，為加密資產提供更真實的VaR和預期損失估計。

GARCH(1,1)模型如何捕捉加密貨幣中的波動率聚集現象，如何使用arch庫通過最大似然法擬合該模型，以及如何將條件方差預測轉化為倉位規模和動態止損。

搜尋與過擬合這條主線的收官之作，以一個負面結果收尾——而這正是正確的結果。ETHUSDT 上的單品種雙時間框架搜尋找到了一個樣本外 +16.35%、未觸碰留出視窗 +2.62% 的配置；Deflated Sharpe Ratio 在計入約 37,000 次試驗後把它折損到 0.00。對五個主流幣（ETH/BTC/SOL/BNB/XRP，每個約 1.18M 根 1 分鐘 K 線）按樣本外中位數選擇的跨品種檢驗則徹底終結了它：雙時間框架 DSR 0.24 / PBO 0.264，三時間框架 DSR 0.14 / PBO 0.327——兩者都沒過閘門。冠軍只在 5 個品種中的 1 個上盈利，其餘全部為負。這正是反過擬合裝置存在的意義：阻止你把噪聲中的最優當成 alpha 拿去上線。

多時間框架回測會通過一根仍在形成中、尚不存在最終收盤價的高時間框架K線洩露未來資訊。僅靠程式碼審查無法建立信心——必須實際測試。我們精確復現了實盤機器人的closed-bar規則，然後用一個“未來偏移探針”證明沒有資訊洩露：擾動每一根未來K線，並斷言每一個過去的訊號和交易都逐位不變。25/25項一致性檢查全部通過，而且這個探針確實有效（並非一個永遠不會失敗的空測試）。

GPU 相對 CPU 的領先幅度隨批次大小增長——在我們的多時間框架指標預計算上，從每次呼叫一個組合時的 54.5x 一路升到 61 個組合時的 359.6x——因為一次小規模掃描無法攤薄核心啟動和傳輸開銷。我們把一個 167x 的頭條數字拆解為一個同樣惠及 CPU 的 27x 演算法收益，乘以一個 6.2x 的硬體收益，指出 GPU 相對最佳 CPU 的真實領先在單時間框架下只有 3.2x、在多時間框架下只有 6.2x，並給出一份決策指南：一次掃描要寬到什麼程度，才值得為 GPU 掏錢。

Apple 的 Metal GPU 沒有 float64。把一個向量化回測天真地移植過去，那個誘人的字首和 WMA 就會在 fp32 下溢位——最大相對誤差 211 倍——但它依然能跑完全程，還返回看起來說得過去的數字。修復的辦法不是提高精度，而是換一種公式：直接的視窗卷積，fp32 下精度可達 8×10⁻⁷，比單執行緒 numba 快 55.9 倍。這篇文章講清楚陷阱本身、背後的算術，以及如何證明自己沒有掉進去。

下鑽式/多保真度搜索（ASHA、逐次減半、Hyperband）以低成本方式篩選成千上萬個配置，只將存活者提升到昂貴的完整評估階段。這是一種真實的加速——但如果低保真度的排序與高保真度的排序不一致，它就會悄無聲息地崩潰。我們測量了折數-排序相關性：在只用一折時，Spearman ρ 可能低至 0.03（排序幾乎是隨機的），隨著折數累積，逐步升高到 0.43、0.67、0.78、0.91。修復方法是設定一道強制性關卡——先測量 ρ(廉價, 完整)，並自動將最低保真度提升到 ρ ≥ 0.5 的第一個檔位。