现货侧，PEPE/USDT 的价格精度是 1e-8；

合约侧，1000PEPEUSDT 的价格精度是 1e-7。

如果把合约价格换算回 PEPE/USDT 的单位，那么它对应的价格精度其实是 1e-10。

这意味着，现货和合约在同一个标的上，天然就存在 2 位小数级别的精度差异。

放到当前价格环境下看，这种差异会更加直观。

例如，PEPEUSDT 合约价格可以报到 0.0000033432，而现货价格只能报到 0.00000334。

同样是在交易 PEPE，合约侧能够表达的价格更细，现货侧能够表达的价格更粗。也正因为如此，两边在真实可成交价格上，天然就更容易拉开一小段价差。

而这段价差，并不是由行情波动本身带来的，更多来自交易规则层面的精度差异。

面对这种天然存在的精度差异，如何构建一套稳定的套利策略？

一、什么是精度套利？

这类套利策略就是精度套利。

在现货和合约的价格精度、tick size、报价层级或成交规则存在差异的情况下，利用两边在真实可下单价格上的错位，完成一边挂单成交、另一边快速对冲，从中锁定一小段价差收益。

要在这类策略中实现盈利，最核心的问题有三个：

第一，这段由精度差异带来的价差是否真实存在，如何计算价差；

第二，这段价差在扣除手续费、滑点和资金费率之后，是否仍然能够留下稳定的净收益。

第三，如何提高 maker 侧挂单的成交率，让理论上的套利空间真正变成实际成交。

下面，我们就沿着这三个问题，逐一展开。

二、精度套利的核心问题

如何计算价差

在这类策略里，价差的计算方式和普通意义上的“现货-合约中间价差”并不完全一样，关键要结合实际成交路径来理解。

由于现货侧通常 spread 更大，同时 taker 费率也更高，实盘里更常见的做法是：

先在现货侧挂 maker 单，等现货成交后，再立刻到合约侧用 taker 无条件对冲。

因此，真正有意义的，并不是静态盘口上的理论价差，而是maker 成交价与 taker 对冲价之间的可实现价差。

如果策略做的是“现货买入、合约卖出”，对应的是做多价差。

这时，现货侧的成交价格来自 maker bid，合约侧的对冲价格来自 taker bid，因此做多价差可以写成：

如果策略做的是“现货卖出、合约买入”，对应的是做空价差。

这时，现货侧的成交价格来自 maker ask，合约侧的对冲价格来自 taker ask，因此做空价差可以写成：

如何降低资费与对冲成本

1. 开仓前先用资金费率过滤方向

开仓之前，策略先结合资金费率对交易方向做一层过滤。

如果资金费率显著为正，那么持有某一侧仓位会持续产生额外成本；

如果资金费率显著为负，另一侧仓位的持有成本就会更高。

因此，当资金费率已经明显偏向某个方向时，策略需要主动排除对自己不利的那一边，只保留成本更低、预期收益更高的方向。

只有在资金费率不显著、对两边影响都较小时，策略才适合同时开放双边交易。

在开仓之前就先剔除掉一部分天然成本更高的交易机会，让后续的价差判断建立在更干净的成本基础上。

2. 提高对冲速度，缩短风险暴露时间

除了开仓方向的筛选，对冲速度本身也是套利成本控制中非常关键的一环。

在精度套利里，现货侧一旦成交，策略就需要尽快到合约侧完成对冲。

对冲越慢，面临的滑点风险越大，价差被市场波动吃掉的概率也越高。

很多策略只依赖 on_order 这类私有订单回调来判断现货是否成交，然后再触发对冲。

但在实盘环境里，私有订单回调并不一定总是最快的。为了进一步缩短响应时间，策略还可以同时监控公共频道的数据，例如：

• trade

• bbo

• depth

如果最新的 trade、bbo 或 depth 已经击穿了我们的挂单价格，那么即使私有订单频道的成交回报还没有到，策略也可以推断这张挂单已经成交。

在这种情况下，策略就可以更早启动对冲逻辑。

很多时候，公共频道的推送速度反而会快于私有订单频道，这种成交推断的机制，能够有效压缩现货成交到合约对冲之间的时间差，从而减少对冲滑点。

如何提高 maker侧挂单成交率

模式一：机会出现后，立刻去抢一档

第一种模式属于“触发后出手”。

当策略发现现货和永续之间已经出现了足够大的价差，立刻去现货盘口争取更好的成交位置。最常见的做法，就是挂在对侧价格减 1 tick 的位置，尽量让自己的订单成为新的最优价。

这种模式有几个特点：

• 出手时点直接

• 只有在机会出现时才挂单

• 对成交位置的争夺更积极

它适合那些盘口变化快、机会窗口短、需要快速抢占一档位置的环境。

相应地，这种模式对速度要求也比较高，包括：

• 行情推送速度

• 下单速度

• 撤改单速度

所以这套方式，主要依赖的是速度带来的成交优先级。

模式二：提前把预期价差体现在挂单里，靠排队拿优先级

第二种模式，更接近“埋伏式执行”。

我们不会等到价差完全出现之后再去抢，而是根据永续盘口、参数阈值和预期收益，提前算出值得挂单的位置，把订单先放进去。

而且通常不会只挂一张，而是挂两张：

• 第一张更靠近成交

• 第二张在第一张基础上再偏移一个步进单位，作为第二层埋伏单

这种方式的优势来自交易所撮合规则中的两条原则：

• 价格优先

• 时间优先

如果大家挂在同一个价格，排队更早的订单，会自然排在前面。

尤其是第二单，虽然离盘口更远，但它拥有一个很重要的优势：

更早进入队列。

等价格走到那个位置时，排在前面的订单通常就会更先成交。

这在“价格优先、时间优先”的撮合规则下，非常有价值。

所以从策略设计角度看，挂两单相当于同时做了两件事：

• 扩展挂单覆盖范围

• 把未来可能出现的机会提前纳入队列中

三、整套策略在实盘里通常怎么实现？

如果把这套精度套利策略拆成工程模块，大致可以分成下面几层，这里我们讲解双层预埋挂单的模式。

1. 数据层：持续读取盘口、资金费率和账户状态

策略实时监听：

• 现货盘口

• 永续盘口

• 资金费率

• 账户余额

• 当前持仓状态

2. 方向层：做方向过滤

策略先根据资金费率换算综合日化，再决定今天偏向做哪边：

• 只允许现货买单

• 只允许现货卖单

• 或两边都允许

3. 定价层：根据永续盘口反推现货挂单价

接着，策略用永续盘口和参数阈值去生成现货挂单价，并按交易所精度修正成真实可下单价格，买单向下取有效位数，卖单向上取有效位数。

4. 挂单层：在现货侧挂单并动态维护

策略会维护两档订单。

当永续盘口变化时，重新计算理论挂单价，并判断原挂单是否还处于合理位置。

撤单与补单逻辑：

• 行情下跌时，撤掉较高的买单，再往下补新单

• 行情上涨时，撤掉较低的买单，再往上补新单

5. 对冲层：现货成交后，永续立即对冲

现货一旦成交，策略就要立刻在永续侧完成反向对冲，把刚刚产生的风险敞口尽快打平。

为了尽量缩短响应时间，如前文所说，策略会同时监控多种数据源，包括：

• bbo

• depth

• trade

• order

来更早确认现货订单是否已经成交。

四、实盘曲线

这里放一些交易对的实盘曲线。

五、盈利源于对交易细节的持续理解

精度套利的价值，来自对交易细节的持续理解。

盘口、精度、排队、成交、对冲，这些微小但高频出现的因素，最终都会转化为实盘收益。

当策略能够稳定地把这些环节串起来，那些只有几个 bp 的空间，也能逐步积累成长期可观的收益。

在绝大多数市场中，股票收益主要来自隔夜收益，也就是上一天的收盘价平均都要低于今天的开盘价；

而日内波动更多只是噪音，整体并不能提供稳定收益。

但A股恰恰相反。

A股的隔夜收益是负的，而日内收益是正的。

这张图展现的就是全球主要股票市场 ，隔夜收益（蓝线）与日内收益（绿线）的对比。我们可以发现，除了最右下角的A股市场是绿线高于蓝线（日内收益大于隔夜收益），其余所有的市场，都是蓝线高于绿线（隔夜收益大于日内收益）。

换句话说，平均来看，A股股票第二天的开盘价，往往低于前一天的收盘价。

每天开盘都对应着一个相对低位的入场机会。

A股与众不同的原因

而这种现象背后的核心原因，很大程度上来自A股特有的 T+1 交易制度。

• 由于A股当日买入、当日不能卖出，越早买入，就意味着要承担更长时间的持仓风险；而承担了更久的风险敞口，自然也更应该获得更高的预期回报。

• 另外，前一天的收盘买入，相当于隐形购买了一张第二天可以卖出股票的期权，带来了额外溢价。

所以，结合A股独特的收益来源：

越早在早盘进场，往往就越容易拿到更低的成交价格；而如果能在收盘附近完成卖出，也更有可能卖在相对更高的位置。

而一天之中最早的交易机会，正是集合竞价。

很多股票当天能不能走强，能不能上板，

在集合竞价阶段，其实就已经开始定调了。

所以，一个值得研究的问题便是：

如何在集合竞价阶段，用高频订单流信号提前识别出最有可能走强、甚至日内上板的股票，并抢在开盘前拿到先手。

集合竞价规则

先简单介绍一下 A股集合竞价的基本规则。

A股早盘集合竞价分为三个阶段：

• 9:15 - 9:20：可以报单，也可以撤单

• 9:20 - 9:25：可以报单，但不能撤单

• 9:25：交易所对所有有效委托进行集中撮合，形成当日开盘价

从本质上看，9:15 到 9:25 这 10 分钟，其实就是市场资金在用真金白银为股票“投票”。

资金越愿意以更高价格挂单买入，说明市场看多意愿越强；

资金越急于以更低价格卖出，说明市场看空意愿越强。

因此，集合竞价阶段本身就包含了非常丰富的信息。

我们完全可以利用这段时间的高频数据，分析委托和成交特征，去找出那些大家用钱投票出来明显强势的股票，并在集合竞价最后时刻，在大家已经投完票后，以明牌的方式买入。

不过，这里面还有一个关键问题：

9:15 到 9:20 这段时间是允许撤单的。

这意味着，一些资金完全可能通过虚假挂单再撤单的方式，制造出“抢筹”或“抛压”的假象，误导别人。

所以，如果直接使用 9:15 到 9:20 的数据，信号里可能会混入不少噪音，甚至包含刻意制造的假信息。

比如看这个例子，集合竞价一开始， 股价直接被虚假挂单打到涨停，但临集合竞价结束前，股价直接被干回0轴线。而后续股票也是延续下跌。

再比如这个相反的例子，集合竞价一开始，先跌，临近结束前又被拉回，后续股价延续上涨。

这些例子都说明，集合竞价前半段的表象未必可靠，真正更有参考价值的，是 9:20 - 9:25 这段不能撤单的订单流。

我们后续构建因子也将只用 9:20 - 9:25 这段时间的集合竞价数据，

用这段“不能撤单”的真实订单流，去提取更有价值的市场信号。

分享几个用于分析集合竞价强势股的因子

这里分享两个思路。

1. 集合竞价买入强度因子

第一个因子，衡量的是集合竞价阶段的净买入力度。

如果在集合竞价阶段，主动以不低于卖一价挂出的买单多，而主动以不高于买一价挂出的卖单少，那么说明这只股票存在较强的抢筹意愿。

我们可以这么定义集合竞价净买入资金流：

这个指标越大，说明集合竞价阶段的主动买盘越强，股票越可能在开盘后延续强势。

不过，不同股票本身的成交活跃程度差异很大，我们不能直接比较不同股票的绝对净买入资金流。

比如，一只大市值热门股的 3000 万净流入，和一只小票的 3000 万净流入，含义显然完全不同。

因此，更合理的方式是把它标准化，去比较它相对于历史成交量的强弱。这里我们用过去 5 个交易日的平均日成交量做归一化，得到：

这个因子越高，说明当前集合竞价阶段的净买盘，相对于过去一段时间的正常成交水平越强，也就意味着这只股票在开盘前表现得越强势。

这个因子筛选出的强势股，不一定是那些已经上板的股票，或者买在已经接近涨停的价格。

更多的是，已经有启动迹象，但行情还没有完全发酵，股价还处于相对低位的股票。

比如下面两个例子，都是我们这个因子筛选出的股票。

他们都在9:20 - 9:25期间表现出强势，但是价格还没有上涨太多，我们 在集合竞价结束前买入，甚至开盘就能获得跳开3 - 4个点的收益。

2. 散户集合竞价卖出强度因子

第二个因子，延续了上一篇文章《既然散户都在亏，跟着散户反着买，10年800倍！》里的核心思路：

如果散户的交易行为本身具有反向指标属性，那么在集合竞价阶段，散户越是急着卖出的股票，反而越值得关注。

我们可以定义散户集合竞价净卖出资金流：

同样地，为了消除不同股票成交规模的影响，我们也用过去 5 个交易日的平均日成交量进行标准化，定义出散户集合竞价卖出强度因子：

这个因子越高，说明散户在集合竞价阶段的净卖出越强。

而根据前文“散户反向指标”的逻辑，散户越是集中卖出，后续反而越可能存在反向机会。

高频因子的工程实现

在 9:24:59，也就是集合竞价即将结束的最后时刻，基于 9:20 - 9:25 期间持续接收的高频数据，输出全市场每只股票的最新因子值，并完成横截面排序，筛选出排名靠前的股票作为候选买入池。

我们希望将决策时点尽可能后移，因为越接近集合竞价结束，可利用的信息越完整，因子对最终撮合前真实买卖强弱的刻画也越准确。

但与此同时，还必须预留足够时间完成因子更新、排序、下单，确保订单能够在 9:25 前成功进入撮合系统。

因此，因子计算在工程实现上必须采用事件驱动的流式增量计算架构，而不是在最后时刻对全市场做一次集中式矩阵计算。

也就是说，因子需要随着竞价阶段的数据流持续实时更新；到了最终决策时点，系统只读取最新状态、完成排序并下单，而不是从头重算全部股票。

这样的实现是在两个目标之间做平衡：

一方面尽可能晚地读取信号，以最大化信息利用；

另一方面又必须足够早地完成计算与报单，以保证交易可执行性。

强势股半仓轮动策略

1. 在 9:24:59，计算出全市场每只股票的因子值，并按照因子大小进行排序。结合因子加权，筛选出全市场排名前 20 的股票，作为当天的候选买入池。

2. 对候选的股票直接以涨停价挂单买入半仓，尽可能确保能够在集合竞价中成交。

3. 第二天收盘，卖出前一天买入的仓位。

这个策略的持仓结构是：

• 日内，账户同时持有两部分仓位：

• 一部分是前一天买入、准备在当天收盘卖出的仓位；

• 另一部分是当天集合竞价新买入的仓位。

• 到了当日收盘，卖出前一天建仓的那一半仓位，保留当天新买入的半仓继续隔夜持有。

每天早盘通过集合竞价买入新的强势股半仓，

每天尾盘卖出前一天买入的半仓，

从而始终维持“半仓旧仓 + 半仓新仓”的滚动持仓结构，

半仓轮动确保我们能够持续参与，筛选出来的强势股机会；

也避免了一次性满仓押注单日信号，使得收益曲线更加平滑，提高夏普。

同时，这个策略也天然契合A股“隔夜弱、日内强”的收益特征，不仅吃到强势股带来的超额收益，也能享受A股特有的日内收益红利。

这里随意放两个月的回测，

回测已经扣费，且当天开盘即涨停的票视为不能成交。

学会利用市场底层规律

那些长期有效的策略，往往先识别出市场中那些长期稳定存在的结构性规律，再在这些规律之上去设计策略、优化执行。

这样做的好处是，策略不再只是偶然撞上的结果，而是建立在市场真实运行逻辑之上的自然推演。

A股“隔夜弱、日内强”的收益结构，就是这样一种底层规律。

而围绕集合竞价去做高频打板，本质上也是顺着这条规律，去寻找最早的先手、最强的信号和最肥的那段日内利润。

先找到市场的底层规律，再在规律之上构建策略，往往能够事半功倍。

只是大多数人还没有意识到原来自己那么强，今天就教你怎么觉醒10年800倍的能力。

散户本身就是A股最重要的参与者。

A股市场中，散户贡献了大约 85% 的日均交易量，

机构投资者只占 15% 左右；

而账户规模低于 50 万的投资者，又构成了散户中的绝对主体，占比超过 87%。

这意味着每天推动A股短期价格波动的，不只是量化机构，不只是游资，也不只是北向资金。

而是那股更庞大、更情绪化的力量——散户自己。

但是在人们的认知里，大多数散户都是亏钱的。股市从短周期来看，可以近似看成一个零和博弈，如果散户都在亏钱，那岂不是只要站在广大的散户对面，就能赚钱。

散户的交易行为，恰恰可能成为市场里最珍贵的反向信号。

散户真的在亏钱吗？

要想站在散户的对手方赚钱，首先得先回答一个最关键的问题：

散户，真的都在亏钱吗？

龙虎榜营业部排行

经常看A股龙虎榜的朋友，对下面这几个营业部一定不会陌生：

东方财富证券拉萨东环路第一、二证券营业部；

东方财富证券拉萨团结路第一、二证券营业部；

东方财富证券拉萨金融城南环路证券营业部。

由于大量在东方财富开户的个人投资者，都会被归属到这些营业部名下，因此这几个席位也被市场戏称为散户大本营——“拉萨天团”。

某种意义上说，拉萨天团就像是A股散户情绪和行为的一个高度浓缩样本。

我们再看一个东方财富网站上很有意思的数据，龙虎榜的营业部排行。

这个榜单展现的是，

一只股票登上龙虎榜后，

如果某个营业部出现在买入席位，

这只股票未来一段时间的平均价格表现。

举个例子：

一只龙虎榜股票的买入席位，只要出现了“东方财富证券拉萨东环路第二证券营业部”，

那么这只股票

次日平均下跌1.71%,

10个交易日后平均下跌5.08%。

也就是说，只要“拉萨天团”中的某个席位出现在龙虎榜买入上，这只股票后续走势往往都不太乐观。

链接放在这里，感兴趣的朋友可以点开看看，
https://data.eastmoney.com/stock/yybph.html

当然，单看某一个营业部还不够全面。

为了更清楚地比较不同资金的“含金量”，我们重点挑出了榜单中的两类代表性席位：

一类，是最能代表散户情绪的五个“拉萨天团”营业部；

另一类，是通常被视为聪明资金代表的 沪股通 和 深股通，也就是大家熟悉的 北向资金。

我们把这些数据统一整理成了下面这张图表。

拉萨天团（散户）集中买入的龙虎榜股票，未来稳定亏损，且越亏越多，上榜5天后平均要下跌5%，作为对比，北向资金买入的股票，未来5天平均会上涨1%。

从胜率来看，拉萨天团（散户）集中买入的龙虎榜股票，未来5天的下跌概率高达为70%，也显著高于北向资金买入的股票。

这说明，至少在龙虎榜这一类高关注、高波动的个股中，散户的交易行为就像是情绪化地在高位接盘。

当然，龙虎榜样本更多反映的是热门股、题材股中的资金博弈，还不能完全代表整个A股市场。

但它已经足够给我们一个非常清晰的信号：

如果最活跃、最典型的一批散户资金，长期都在用真金白银提供反向信号，那么“站在散户对面”这件事，就很可能不是段子，而是一个值得继续验证的交易逻辑。

顶刊论文对散户收益的研究

如果说前面的龙虎榜数据，观察到的还只是热门股、题材股中的一部分散户行为，那么下面这篇顶刊论文，给出的就是更加系统、更加全面的证据。

这篇发表在顶级金融期刊 《金融与定量分析》（JFQA） 上的论文———— 《中国的散户交易与收益可预测性》，分析了 超过 5340 万个散户账户 和 4 万多个机构账户 的真实交易记录，得到了以下结论：

不管是账户规模小于10万的“小散 ”，还是 300 - 1000万的“大散”，平均的年化收益都是负的。而且，越小的散户，亏得越多。

与之形成鲜明对比的是，机构账户的平均年化收益为正。

把前面的龙虎榜数据和这篇顶刊论文放在一起看，我们已经可以得到一个相当明确的结论：

A股散户，从整体上看，是一类长期处于亏损状态的资金。

那么对量化研究来说，真正值得思考的问题就变成了：

既然散户整体在亏钱，那我们能不能系统地站在散户的对面，把这种群体性的错误交易，直接转化成一个可用的因子、一个可执行的策略？

站在散户对面构建因子

既然散户的交易行为与未来收益存在稳定的反向关系，那么最自然的思路就是：

把散户的交易行为，直接做成一个交易信号，

散户买，我们就卖，

散户卖。我们就买。

但是由于A股对于做空的限制，我们大多数时候没法在散户买的时候，去做空股票获得收益，

所以我们专注于在散户卖出的时候去买入。

通俗地说，我们需要去找出那些散户买入很少，但是卖出很多的股票。

问题是，怎么去判断，哪些股票散户买得很少，但是卖得很多呢？

炒股的朋友肯定看到过类似下面的资金流图。

所谓资金流数据，就是根据股票每笔成交金额的大小，把交易划分为小单、中单、大单、超大单，
以下是东方财富对于资金流的定义。

散户的单笔交易金额通常较小，那么一个很自然的近似方法就是：

把小单和中单，视为散户交易的代理变量。

这样一来，那些小单、中单净流出最多的股票，就可以近似理解为：

散户正在集中卖出的股票。

不过，光看净流出金额本身还不够，因为不同股票的成交量差别很大。

同样是散户净流出，放在不同成交量的股票里，含义是完全不同的。

举个例子。

• 股票甲，⽇均成交额1亿元，散户净流出5000万————相当于一半的成交量都是散户在卖。

• 股票⼄，⽇均成交额10亿元，散户净流出2亿————散户流出的金额虽然很大，但不过是⽇常交易的⼀个零头。

哪只股票散户净流出的影响更大？显然是股票甲。

所以，真正合理的做法，不是只看散户流出了多少钱，

而是要看：

散户的买卖行为，占这只股票总成交量的比例有多高。

基于上面的逻辑，我们可以构建以下因子：

我们就得到了散户操作因子，但是我们需要跟散户相反操作，所以我们取个相反数。

散户反向操作因子值越高，说明散户卖出得越多，我们应该买进。

构建轮动策略

有了因子之后，我们再把它真正落地成一个可以执行的交易策略。

每周第一个交易日，我们计算出上周每只股票的散户反向操作因子，然后按照因子值由高往低排序；

筛选出排名最靠前的20只股票，开盘后等权买入，持仓一周；

下周再按照同样方法，进行轮动调仓。

我们按照这个策略，进行了10年的回测，取得了800倍的收益。扣完手续费仍旧有600倍收益。

10年800倍：“笨蛋钱”的反面，就是聪明钱

大多数人在研究市场时，天然会把注意力放在“聪明钱”身上。

他们想知道机构在买什么，游资在做什么，北向资金流向哪里，顶级量化又在布局哪些方向。

本文想讲的，其实不只是一个因子，也不只是一个策略。

聪明钱值得研究，笨蛋钱，同样值得研究。

市场价格不只会被正确的信息推动，也会被错误的判断、情绪化的交易和集体性的行为偏差所扭曲。

而这些扭曲一旦反复出现，就不再只是偶然现象，而会沉淀成可以被观察、被量化、被利用的规律。

所以，构建这个因子和策略，本质上不是为了说明“散户有多差”，

而是抛砖引玉，提供一种寻找 Alpha 的新思路：

当错误不再是偶然，而是反复出现，

它就会以另一种形式，成为正确。

最近这几年最令人关心的科技层面的事就是LLM的发展了，纵然有人在研究使用AI进行交易，或者通过AI分析行情，但是总似乎没那么自动化，也没那么聪明，看起来傻不拉几的，跟个簏儿一样，总有点和头脑风暴的金融市场不太搭噶。但是，最近这个东西迭代的太快了。现在的框架Openclaw都能代理整个人去做交易了！但是我认为这是很激进的做法，大家可能对其智商和操作嗤之以鼻（自动亏钱机），但是其还是展露了不小的潜力，如果大家真的不去重视它的话，那可能哪一天就项羽哭项梁——输（叔）完了。

现状是，现在的期货交易靠的盘感和神秘指标正在逐步失效。资金体量的碾压早就存在，目前真正让人感到窒息的代差级武器逐渐下沉到了普通散户的对立面，一部分人已经掌握了碾压级的信息处理带宽——OpenClaw这种自动化管家的出现，事实上逐步性地在交易者群体中制造了无法弥合的信息提取速度。大众原本觉得交易亏损源于心态不好或者运气不佳，现在真正的原因只剩下毫无信息优势的一方被单方面无情碾压。

随便举一个我最近靠openclaw捕获消息面的例子。2026年2月28号，我捕获到的消息：焦煤2605合约在随后的周一迎来了暴涨。当天下午，国家矿山安全监察局湖南局官网更新了责令新化县韩家山煤矿停产整顿的公告。紧接着河南局官网也挂出了类似的一矿停产整顿公告。

如果是不靠openclaw的普通人的话，如果在地方群里偶尔看到一两个煤矿停产，大概率觉得毫无影响。那些有能力在同一时间扫描全国所有省级矿山安全监察局网站的人，却收到了不同的消息面。云南四角地煤矿、内蒙古灵露煤矿、贵州金佳煤矿等多个产煤大省的安监局，都在那段时间密集发布了因为重大隐患责令停产整顿的通知。这几条信息交叉验证，意味着市场之前定价的节后复工复产导致煤炭供应快速恢复的宽松预期，被一场跨省的突发性春季安全大检查彻底击碎。

这些红头文件零散地挂在各个省级政务网站的三级公开页面里，毫无统一的新闻发布会，周末的行业媒体也偃旗息鼓。交易员在周末耗费数小时去逐个翻阅全国三十多个省市的安监局官网，这可能吗（勤奋的人另说）。散户只能等到下周一开盘后，在某个产业群里看到别人惊呼到处都在安检停产，或者在几天后的行业周报里看到滞后的汇总。到那时候，焦煤2605合约的拉升早已经开始了，到了3月9日，焦煤等多个品种甚至单日飙涨超过百分之五。

从低位跟进到暴涨，一手就是大几千块钱的利润，十手就是几万甚至十万级别的收益。这哪有内幕啊，完全是一笔因为更早更全面看到公开文件而产生的丰厚回报。普普通通的单子其实每天都在发生，一个月积累下来，消息面不足的散户和这些人的差距早已经咫尺天涯。周末不知疲倦扫遍全国网站并瞬间推送结论的，正是一只跑在OpenClaw上面的LLM。

那作为前提，我们有必要弄清楚OpenClaw到底是什么，以及为什么期货圈都需要为之感到恐慌。作为开源的浏览器自动化平台，它能完全模拟真人的所有动作去打开网页、点击按钮、下载文件并阅读理解内容，随后根据设定目标自主执行一连串动作。它甚至可以同时跑上百个分身，互相共享信息。它绝少只充当对话聊天工具，其核心价值完全体现在自动化执行任务上。只需一个指令，让它每隔一小时去查一次XX省XX厅的公示栏，寻找XX货物新文件，下载阅读并分析对XX短期供给的影响，它就会二十四小时无休止地执行。

现在它引发恐慌的原因是直观的。大语言模型的能力正在突破临界点或行将突破临界点，当前的系统已经能读懂政策含义并结合行业知识进行推理。OpenClaw将操控浏览器做到了稳定，绕开了反爬机制，可以适应国内各种结构混乱的政府门户网站，比手操或者爬虫省了一劳子事。而且·已经有人把它用到了期货交易的信息采集上并赚取了实打实的利润。

可能有的散户至今还以为亏钱是因为对面坐着庞大的资金主力，但是实际上，现状的战场早已变了模样。站在散户对立面的群体可能资金体量并不大，持仓量也极低，却有着很高的的信息处理带宽。跑了OpenClaw的交易员和纯手工看盘的散户，早已是两个不同的平行世界，如同黑洞内外的时间流速之别，如同骑兵与坦克的对决，也如同实在界与象征界的裂隙。我总结了几条真实工作流，大家可以自行尝试。

第一种体现在政策文件的零延迟捕获上。散户只能被动等待或者自行筛选媒体或研究员筛选后的滞后信息。智能体可以根据设定的目标链接库，每十五分钟逐一扫描全国几百个政务网站。

从文件发布到形成策略通知只需两分钟。当然这种监控极度消耗资金，如果监控两百个链接并使用顶级大模型，每天的接口调用费高达15到40美元，每月最高需要八千多元人民币。对于十几万本金的账户来说，这点钱换来永不滞后的政策先机，简直是一笔过于划算的买卖，完全替代了一个会遗漏会疲惫的月薪过万的行业研究员。不过最近各大科技巨头都在竞争这一块，现在在这些巨头那弄openclaw兴许会有优惠，我最近看见一个，兴许能用

第二种来自于现货数据和行业信息的自动聚合。交易员每天可能要耗费一两个小时在各类资讯网站查产量、看库存、开工率，还要在无数个微信群里过滤海量的垃圾聊天记录寻找现货情绪。AI会按照设定路线在早盘前自动巡逻所有公开数据源，抓取你想要的各类快照。

每天早盘前推送的每日基本面快照，将别人几小时的心血压缩成了两分钟的阅读量。这条工作流每月的成本大概在七百到一千七百元人民币左右，但是不需要自己手操，只能说有时候懒也是第一生产力。

第三个在于研报的智能消化。海量机构研报根本没法全量阅读，容易漏掉直接影响持仓的关键假设调整。AI会将每日收到的所有研报逐份阅读，结合交易员当前的具体持仓，精准输出极具针对性的定向摘要。这个在其他LLM聊天框也可以做，但是我把自己的持仓信息也给了openclaw，但是我只让它去获取信息，不允许操作，因为目前Openclaw并没有那么安全。

这种完全剥离了无用信息的投喂方式，每月也没有多少钱的接口费用。

我还有一个尝试是跨期与跨品种价差的实时监控预警。做价差套利的盯着价差图凭借经验拍脑袋定阈值，将基本面变量实时纳入价差模型这种事不太可能，或者不怎么调整慢慢流失掉利润，或者入场太早被套或者太晚错过机会。我让AI将上述所有收集到的基本面信息接入规则引擎，根据基本面变化自动调整参数（只有调整参数的权限）。

它虽不直接下单，但是帮我省了好些功夫。

那些看完觉得极度兴奋想要立刻部署的人，先别急。这种事不是装上就能秦始皇嘬花椒——赢麻了。

部署这套系统的成本比较高。四个工作流全开，我预估每月的接口费用和服务器成本少说也要小几千元。对于本金比较少的账户，这不太值得。资金量没有达到三十万以上，不应该上全套工作流。

就算掌握了极致的信息也无法保证最终盈利。更好的信息确实大幅提升了决策质量，交易最终依然取决于仓位管理、风险偏好和极度的自律。毫无风控意识的人即便用上顶级的工具，也只会以更快的速度爆仓。在未来，我也会探索跟仓位，风险等有关的openclaw工作流

还有一个门槛在于其学习曲线比较陡。它目前还不能开箱即用（网上那些帮你安装的人也做不到），搭建环境、写prompt、调试代码，每一步都会耗尽耐心。对产业没有认知的人，面对智能体喂到嘴边的信息也没法下口。如果只想着要用，结果只会像拿着机关枪的大猩猩一样。

这套系统永远只是强者的生产力工具，它会放大已有的认知优势，彻底淘汰那些毫无逻辑的盲目交易者。如同K字经济一样，一部份人向上走，一部份人向下走。

我们必须清醒地认识到这种逐渐的优势。哪怕你觉得成本高昂或者难以学习，你的竞争对手却已经在疯狂部署（目前过于激进也会是自动亏钱机）。如果，当市场里最核心的资金系统性地使用此类工具，整个市场的信息消化速度将被拉快一个量级。散户能用的慢信息差真没法用了。政策出来十分钟内，跑着AI的账户早已完成建仓，散户隔天看到利好再冲进去，那就只能追涨杀跌然后burabura。

当你依然盯着屏幕上的技术指标金叉幻想着趋势来临，可能另一边用龙虾的人早就在五秒钟前读完了一堆改变基本面的红头文件并管理完了仓位。时代不一定会带着你，但是一定会碾过你。继续沉浸在旧有的技术分析里，可以，但是这种信息面的差异最终发生了，如果不加以行动，可能就如同二战时髪国被德国龙德施泰特39天打到巴黎一样，方寸大乱。

我发现我的平仓单已经在实盘中无法全部成交了

在单边行情高点200万平仓单只成交了50万

单边行情底部才能清空仓位，亏损了5万美金

我回测是每次平仓平所有仓位，在高点就能全部平仓，跑大资金后回测赚钱实盘亏钱

现在两个选择

要么，只能跑一百万美金的0库存版本，曲线丝滑没回撤，但是无法财富自由
要么，可以跑一亿美金的带库存版本，曲线有回撤，但是可以财富自由

p1p2带不带库存的前后回测对比图
p3小资金实盘账户成功平仓赚钱
p4大资金实盘账户平仓失败亏钱

在平稳的行情下，这套逻辑跑得很好。但是在真实的做市实盘中，一定还会遇到这样的问题：

在某些极端猛烈的单边行情下，你的预测模型明明非常准，系统也毫不犹豫地发出了撤单指令，但单子就是撤不下来，被硬生生吃掉，紧接着就是一波结结实实的账面亏损。

预测对了，动作也做了，为什么特定行情下的毒订单就是躲不掉？

其实在这个瞬间，我们面对的已经不再是一个简单的“因子准不准”的数学问题，而是一个底层的基建问题。这就引出了我们今天想聊的另一篇文献——同样来自牛津-英仕曼团队的《The Good, The Bad, and Latency》。它真金白银地量化了在极端狂暴的市场里，有毒订单到底有多么难以规避，以及在这种行情下，你的回测数据到底有多虚幻。

1. 极端触发下的实盘压力测试

为了量化这种“躲不掉”的物理极限，作者没有用历史 LOB 数据跑回测，而是直接租用了与交易所同机房的共址服务器，在 Bybit 和 Binance 的 BTC 永续合约上做了一场极端的实盘压力测试。

实验的触发条件非常苛刻，专门瞄准我们最容易吃亏的“极端行情”：系统同时监听 9 个主流加密货币市场，只要在 1 毫秒内侦测到总成交量异常飙升，就立刻向市场发送真实的最小单位订单（包含市价单和 IOC 限价单）。

随后，他们将发出去的订单，按照触发瞬间的盘口预期收益分成了两类：“好单”（Good Orders，预期能赚钱）和“坏单”（Bad Orders，也就是我们说的接飞刀毒订单）。

2. 核心发现：好单全飞，坏单全成

实盘跑下来的结果也印证了我们在极端行情下的体感，这种成交的不对称性极其严重：

• 坏单百发百中，你来接盘
  如果行情正在朝不利于你的方向狂奔，你发出去的限价单几乎 100% 能成交。因为在这个剧震瞬间，内外部的神仙都在利用高特权撤单跑路，一旦你的撤单指令卡在路上，你立刻就会被精准击穿。
• 好单集体隐身，你赚不到
  如果这笔单子按照当时的盘口进去能赚钱，随着预期收益的升高，订单的失败率呈指数级飙升。你以为看到了一个确定的 Alpha，但指令发过去，返回的永远是取消。因为比你更快的延迟套利者，早就在你到达前把利润吃干抹净了。
• Taker 的滑点惩罚
  主动吃单也一样。对于预估亏损的接飞刀单，你总能按原价精准吃到满嘴血，毫无滑点；而对于抢跑的好单，由于所有人都在往同侧挤，预期收益越高，你实际吃到的负滑点就越让人绝望。

当然了，这篇文献没并没有使用任何前置的预测模型，只是做了极端行情下的下单撤单实验，得出的结论也比较朴素。但即使是有预测，在这种极端行情下玩撤单与反转，难度和风险比平时高得多。

3. 不仅是物理延迟，还有深层暗箱

文献通过数据证实了极端行情下的不对称性。但在币圈实盘中，当你发出撤单指令却依然被击穿时，挡在你面前的不仅仅是单纯的网络物理排队，水其实深得多：

• 交易所既当裁判又当运动员：很多交易所自己下场做流动性（或有深度绑定的做市商）。极端波动时，为了保护自己的仓位，交易所的内部指令会走 VIP 通道甚至直连。此时 FIFO 的匹配规则可能形同虚设，外部量化的撤单指令只能沦为流动性垫背。
• API 限流的隐性倾斜：行情剧震时 API 网关压力飙升，交易所通常会降级处理。顶级做市商的通道依然畅通，而普通机构的撤单请求可能会被静默丢弃或大幅延迟。你的系统显示“已发送”，但其实报文连撮合引擎的门都没进。
• 单线程撮合的批处理劣势：很多加密交易所的撮合引擎是单线程内存处理。极端拥堵时，引擎会将同一微秒内的订单打包。在内部的清算逻辑中，带有特权的 Taker 大单往往会被优先撮合，随后才处理你的状态更新和撤单，导致你在逻辑层面直接跑输。
• 隐藏冰山与特权订单：某些 VIP 享有隐藏挂单（不显示在公开 LOB 上）或特殊路由特权。当剧烈波动发生时，你的预测模型还在基于公开深度计算胜率，但这些看不见的特权订单会瞬间吸干流动性，让你的避毒模型面临降维打击。

小结：揪出回测引擎里的“幽灵订单”

在极端单边行情爆发的瞬间，往往是做市商最危险的时刻：行情出现延迟、预测模型失效、撤单指令遭受打击、库存风险暴增。而且这种行情，往往回测还不准，会给你对高波动行情的错误的乐观估计，让你盲目自信。可以说，这种时刻真正关乎了做市商的生死存亡，平时可能吃得盆满钵满，但是极端行情可能会瞬间打破这种虚假繁荣。建议不要只盯着回测曲线上那些在暴跌/暴涨瞬间抢到的所谓“超额收益”，能在这种时候稳住库存的系统，才是真正能够长期穿越牛熊的常胜机器。

招3个游戏陪玩做女主播

平时主播直播陪老板打游戏，靠直播、作品、APP接单引流

甚至还可以做线下陪玩

这样的好处是什么？

1. 现金流强，你如果只做娱播，经济下行大部分人收的礼物还不够他的底薪，做陪玩每天接个几单轻松覆盖底薪，做一个月基本就有几个固定的大哥找你玩了

2. 做娱播招主播特别卷，你用BOSS这些招聘软件去招人，基本不可能招到，因为女孩子很抗拒做娱播，并且太多公司竞争了，大家都知道有坑

3. 收入有下限，收入没上限，发展到后期一个女主播靠礼物轻松给你赚几万，培养出知名主播后开发自己的陪玩APP引流，传统CPA基本要30元以上一个

“OpenClaw给我写了个年化100%的策略，你看这是这几天的实盘，赚了10个点了。”

“我把策略告诉龙虾，让他帮我交易不就行了？”

“有了OpenClaw，是不是你们做量化的都要失业了？”

......

对啊，只需要三个步骤，然后等着🦞给你自动印钞就行了。我们量化研究员马上就要失业卖课去了，哦不，可能课都没得卖了，有啥不懂的问OpenClaw就行了。

今天就教大家，小白怎么0门槛做量化，一年赚100万，让专业做量化的都去喝西北风。

先找一台吃灰的旧电脑；

再去腾讯楼下免费部署一个OpenClaw；

然后输入命令，“把账户赚到100万。”

第一天，🦞就开始狠狠学习，几小时内读完 3000 多份券商研报、行业报告、策略笔记。宏观的、行业的、基本面的、技术面的，它全学了一遍。

然后它还将理论进行了实践。

它发现午盘后有资金回流信号，在几只流动性不错的标的上进行了一轮动量交易。当天一看账户，浮盈 3%。

第二天，它更来劲了。

它开始根据前一天读的那些研报，自己复现策略。

动量、均值回归、行业轮动、情绪因子、资金流因子……不到一天，整出来 25 套策略。

下午盘中波动一放大，它很丝滑地启动了均值回归策略，在震荡区间里七进七出，一天十几笔交易之后，账户又多赚了 4%。

它接着开始进一步优化策略。

调仓周期、仓位权重、止盈止损、滑点、风险暴露……所有能影响收益曲线的参数都被反复调参。

为了把曲线回测得更好看，它还写了十二种优化算法，对各种参数进行排列组合，反复回测。

与此同时，它还在实时抓取新闻、分析社媒情绪，辅助策略决策。

它快速捕捉到了美伊冲突爆发的新闻，立刻调整仓位，做多黄金与原油，赚了5%。

它不仅会交易，还会画一堆技术图表，分析趋势、波动、市场结构；

还搭了个特别专业的交易面板，收益曲线、仓位分布、风险监控、策略状态，看着真像那么回事。

OpenClaw 就像一个会写代码、会回测、会看新闻、会做风控的微型量化团队。

三天后。

你再打开那个看起来特别牛逼的交易面板，发现 OpenClaw 已经成功完成了它的任务——

把账户的钱全亏光了。

以上都来自一位外网博主的真实体验。

说实话，我看到这结局的时候，内心毫无波澜，甚至有点想笑。

在我看来，这类东西从一开始就注定要把钱亏完，因为出发点本身就错了。

OpenClaw 的确把“看起来像在做量化”这件事做到了极致，但它离“真的能稳定赚钱”，还差着十万八千里。

一、从Alpha Arena 到 OpenClaw

AI 直接做量化，OpenClaw 不是第一个，也不会是最后一个。

大家对去年的 Alpha Arena应该还有印象：给六个主流大模型一样的资金、规则和提示词，办了个赛博炒币比赛。

多数人的印象应该只停留在Deepseek、 Qwen 国产模型力压西方模型，10天翻倍，很少人知道比赛最后的结果。

比赛后半段，所有模型都连续回撤，最后只有Qwen和DeepSeek勉强盈利，最差的模型亏损了70%。

从Alpha Arena 到 OpenClaw 都在反复说明一件事：

让 LLM 直接负责交易决策，这条路至少在当前阶段，远没有许多人想象得那么美好。

为什么让 LLM 直接负责交易的路径，会注定走向失败？

AI 在量化里真正有价值的位置，到底在哪里？

LLM 不等于 AI

这里其实有个很容易被混淆的点，得先讲清楚。

AI、大模型、LLM等词语很容易被混用，但其实它们不是一个概念。

AI （Artifical Intelligence、人工智能）是个很大的总称，

只要是让机器表现出某种“智能”的技术，都可以称为AI。量化里常见的很多东西，其实都算 AI：机器学习预测、强化学习、时序模型、图神经网络……这些都算。

而 LLM，也就是大语言模型，其实只是 AI 里面的一个分支。它也是 OpenClaw 和 Alpha Arena 中的 AI 的专业学名。

你可以理解为：

• AI 是大类

• LLM 是 AI 里专门偏语言的那一支

二、为什么 LLM 做不好量化交易？

LLM 的底层设计更偏向语言理解和文本生成，而量化交易更依赖数值推断、时序建模和风险控制，两者在能力结构上有天然错位。

通俗地说，LLM是一个文科生，而量化交易需要一个理科生。

1. 让文科生做理科

大语言模型的训练目标，本质上是预测接下来最可能出现的 token 序列。它擅长的是在已有上下文中，生成看起来最合理的回答。

但是市场并不关心你的解释对不对。

市场只看：你对价格方向、波动、相关性、尾部风险的判断有没有转化成正期望。

也就是说，LLM 的核心目标函数和交易的目标函数并不一致。

一个模型可以很会“解释为什么这次交易值得做”，却并不代表它真的能做出高质量的交易决策。

市场的规律不是语言可以解释与预测的。

这就是很多 AI 交易最容易误导人的地方：人们把LLM的“叙述能力”误当成了“预测能力”。

2. LLM 不懂数学

在一年前， 问 LLM 9.8 和 9.11 哪个数字大，你会很容易得到这样幽默的回答，

原因是，对于LLM来说，数字在底层并不是“被原生理解的连续实数”，而仅仅是文本符号。

也就是说，在模型眼里，“9.8”和“9.11”只是两串 token，而不是像人类在小学数学里学到的那种、带有明确大小关系的十进制数。

当然，模型会通过训练在一定程度上学会数字关系，也能在很多简单任务上表现得像是“理解了数值”。今年我们再问最新的模型 9.8 和 9.11谁大，大多数模型都能正确回答，但这没有改变模型对于数字理解的本质：

从大量文本中弱约束地习得了一些模式，而不是从底层就建立起了严格、可依赖的数值理解能力。

而在金融市场中，对于数字的模糊感知非常危险：

你对波动率的感知偏一点，仓位可能就会大出一截；

你对止损距离理解错一点，整笔交易的收益风险比可能就已经变形；

你对相关性、回撤的理解稍微模糊一点，组合层面的风险暴露就很危险。

三、LLM在量化里真正适合做什么？

让 LLM 负责语言、知识、流程、协作和实验自动化；让专门的数值模型负责预测、定价和风险。

这是当前阶段最现实、也最有生产力的用法。

1. 做研究提效工具

这一点已经是行业共识，也是量化行业目前利用LLM的最主要方式。

写代码、补注释、搭研究框架、清洗数据、调 API......这些工作原本会占用大量研究时间，而其中相当一部分都属于规则明确、重复度高、但是又必不可少的“脏活累活”。

LLM 在这里的价值就是把你从大量低杠杆劳动中解放出来。

对于个人量化研究者尤其如此。

过去，个人很难完成一整个量化投研与实盘流程的闭环。

现在借助LLM，个人可以轻松把“想法—数据—代码—回测—实盘”这条链路走通。这种能力的下放，才是AI对量化最真实的“平权”。

2. 处理文本型金融信息

这也是 LLM 在金融里真正对口的工作。

新闻、财报、社交媒体等等本质上都是文字信息。这类消息对市场的影响，在很多时候是相对固定的。

比如财报超预期，通常偏利多；

监管突然收紧，通常偏利空；

中东爆发冲突，通常利多原油与黄金。

虽然具体涨多少跌多少不好说，但这类文字型信息会往哪个方向影响市场，基本是有规律可循的。

这种活，恰好就是 LLM 比较擅长的。

在量化里，这些能力可以转化成更实际用途：

把海量非结构化文本转成更可用的特征、标签。

这里的关键不是“让 LLM 因为看了新闻就直接去下单”，而是把文字里的信息翻译一下，变成量化策略中可以接受的标准化输入。

我公司的一个实习生就做了一个类似的策略，让LLM去分析新闻以及交易所的公告，输出标准化结果，辅助CTA策略决策。

3. 当“研究实习生”

这是我认为未来潜力很大，并且目前发展很快的方向。

结合agent, skill，LLM 的能力就从“嘴上功夫”进化为“有手有脚”。

你可以把它放进一个标准化投研流程中，让它自动分工、自动推进、自动汇总。

例如：

一组代理负责读研报和论文，抽取逻辑；

一组代理负责写代码复现因子；

一组代理负责训练、回测、记录参数和结果；

一组代理负责筛选结果、定位异常、生成报告；

最后再由上层代理汇总成总结，告诉你哪些方向值得继续。

这样你就能从重复、机械的流程里抽身出来，把精力集中在高价值的判断上：

思路是否成立，结果是否可信，背后的市场逻辑是否经得起推敲。

四、量化平权的时代

回到文章的标题，我并没有标题党。

在这个时代，一个不懂量化的小白做出一个年化100%的策略完全是有可能的，

只是实现的途径，不是把账户直接交给 AI，普通人就能躺赚量化机构的收益；

而是AI 正在让任何人，有能力完成，以前只有专业量化团队才能完成的投研闭环。

你读不懂论文，没关系，AI帮你总结；

你不会机器学习，没关系，AI帮你找最合适的模型训练调参;

你不会Python 和 Rust，没关系，AI帮你写回测和实盘框架。

任何人都可以把想法变成实验，把实验变成结论，再把结论变成可以赚钱的实盘。

量化的门槛不会消失，因为真正的门槛从来不只是“会不会写代码”或“能不能调用模型”，而在于你是否理解市场。

而AI，会让愿意思考的人，更快一步理解市场。

我分析了国内期货的高频数据和Web3的高频数据后，我的答案是：可以

历史数据：

汇率数据

来源：https://cn.investing.com/currencies/cny-usd-historical-data
按日度收盘价算

期货数据：

来源：淘宝
交易时段：

1. 上海期货交易所 (黄金期货):
   • 日盘： 09:00–10:15、10:30–11:30、13:30–15:00。
   • 夜盘： 21:00–次日02:30。
   • 注：周五晚上无夜盘。
2. Crypto XAUUSDT ：
   无休市

数据清洗

期货tick数据是快照，最快500ms推送一次 ，由于国内期货交易时间段的限制，选择将币圈数据左拼接到国内期货数据（即以期货数据的时间戳为主轴 ：注意要做UTC到中国时间的转换）

1. 期货 AU 合约规格与价格单位换算（为什么要乘 31.1035）
   上期所黄金 AU 合约关键点：
   • 合约规模：1000 克/手
   • 报价单位：人民币/克（CNY/gram）
     而币圈 XAUUSDT（或现货黄金 XAU）通常是：USD/金衡盎司（USD/troy ounce）。

     cn_xau = cn_xau.with_columns([  
     (pl.col("bid_price_0") / pl.col('usdcny') * 32.15).alias("fut_bid_usd_oz"),
     (pl.col("ask_price_0") / pl.col('usdcny') * 32.15).alias("fut_ask_usd_oz"),
     ])

价差计算

以500ms 为 样本间隔，分别计算60s 的价差与价差上限，以及bid 对 bid 和 ask对ask 的偏差 （注意：由于国内的交易时间是非连续时间，因此价差计算的滚动平均值和标准差需要按照交易区间分组计算）

2. 一个月的历史价差分析图（中间的折线是由于国内期货收盘造成的）
   

具体时间段的一些价差图

1月30日黄金波动较大的时候 （时间戳显示有点问题，这里是utc换算后对应北京时间）

结语

我这里只是在抛砖引玉，同时做web3和传统的团队太少了，所以价差的套利机会很多
在我公布后我预计2年内会被抹平
或者增大入门门槛，像韩国交易所那样，年100%永远存在

并且还需要考虑资金平衡问题，还有期货今平手续费10倍、期货一手金额过大问题，不少问题需要考虑

我们团队正在开发期货版本的Openquant（现在Web3Openquant是完善的），预计1个月后上线，上线后我会公布网址，你们就可以来套了

上线后我会自己开发一个套利，关注后，我会公布策略的盈利结果

我们从前⼏天的一条新闻说起：某财经平台⼤V，通过亲友账户提前建仓，再利⽤⾃身百万粉丝的号召⼒公开荐股，等散户蜂拥接盘后⾼位出货————经典的"抢帽⼦"操纵⼿法，违法所得超四千万，最终被罚没⼋千余万。

类似的还有"⽼⿏仓"：基⾦经理提前得知⾃家机构即将重仓买⼊某标的，⽤私⼈控制的账户抢先埋伏，等机构的⼤资⾦把股价推上去后，悄然获利了结。

这两种⼿法的本质完全⼀致————提前知道⼀笔确定性的⼤资⾦即将流⼊某只股票，在资⾦到达之前先⾏建仓，然后坐享其成。

违法的核⼼不在于"提前知道"，⽽在于信息的来源是⾮公开的。

那么问题来了：有没有⼀种完全公开、完全合法的途径，也能让你提前锁定"未来必定有⼤资⾦买⼊"的股票？

答案是：有。⽽且这笔⼤资⾦的规模、流向、时间窗⼝，全部写在明⾯上。

⼀、⼀笔写在明牌上的万亿级资⾦调仓

先看⼀个数据。截⾄近年，公募被动指数型基⾦与指数增强型基⾦的合计规模已突破2万亿元，若算上私募指数增强产品，总规模保守估计在3万亿以上。

这意味着什么？

这些基⾦有⼀条铁律：必须严格跟踪其对应指数的成分股和权重。 ⼀旦指数成分股发⽣调整，所有跟踪该指数的基⾦————⽆论规模⼤⼩————都必须在规定时间内完成相应的买⼊和卖出操作。

换句话说，每⼀次指数成分股调整，都会触发⼀轮确定性的、可量化的、⼤体量的被动资⾦流动。

被调⼊的股票，将迎来数以亿计的被动买盘。被调出的股票，则⾯临同等规模的被动抛压。

这不是猜测，不是预判，⽽是由基⾦合同和监管要求决定的刚性⾏为。

⼆、这笔资⾦什么时候到？节奏完全可预判

以中证指数公司编制的主要宽基指数为例（覆盖沪深300、中证500、中证1000等核⼼指数），成分股调整每年固定发⽣两次，分别在6⽉和12⽉。每轮调整包含三个关键时间节点：

预测期： 调整实施前约⼀个⽉，各券商研究所会依据指数编制规则，发布成分股调整的预测报告。此阶段信息尚有分歧，确定性不⾜。

公布期： 指数公司正式公告调⼊调出名单，距离实际实施通常还有约两周时间。名单确认，悬念消除，但被动资⾦尚未到场————这是确定性最⾼、信息优势最明确的窗⼝。

执⾏期： 成分股正式⽣效，被动基⾦集中完成调仓。此时股价通常已经提前反映了调整预期，超额收益空间⼤幅收窄。

核⼼结论很清晰：公布期，是这个事件链条中价值最⼤的交易窗⼝。

名单已经确定，资⾦流向已经锁死，但钱还没有到————这正是你可以提前布局的时间差。

三、800只股票同时调整，到底买哪只？

每次指数调整涉及的个股数量庞⼤。以某次中证系列指数的半年度调整为例，调⼊调出合计涉及超过800只股票。调⼊的要涨、调出的要跌，道理谁都懂，但涨多少、跌多少，差异极⼤。

关键变量不是"有多少钱流⼊"，⽽是"这笔钱相对于这只股票的⽇常交易量有多⼤"。

举⼀个直觉化的例⼦：

• 股票甲，⽇均成交额1亿元，预计被动净买⼊1亿元————相当于额外多了⼀天的全部成交量。
• 股票⼄，⽇均成交额10亿元，预计被动净买⼊2亿元————不过是⽇常交易的⼀个零头。

谁的股价弹性更⼤？答案不⾔⾃明。

基于这个逻辑，可以构建⼀个"冲击因⼦"：

分⼦是净买⼊的概念———同⼀只股票可能被调出A指数的同时调⼊B指数，需要轧差计算。分⺟衡量的是这只股票⽇常的流动性⽔平。因⼦值越⼤，说明被动资⾦相对于股票本身的"池⼦"越⼤，冲击效应越强，预期涨幅也就越⾼。

四、回测验证：分层效应显著，多头收益惊⼈

将每⼀期所有调整股票按冲击因⼦从⼩到⼤分成五组，统计公布期内各组的平均收益，分层效应极为清晰：

• 因⼦最⾼组（第五组）： 收益远超其他各组，正Alpha极为显著。
• 因⼦最低组（第⼀组）： 收益为负，反映了被动卖盘的冲击。
• 中间三组： 收益平淡，接近市场均值。

这种分化不是偶然。从因⼦值的分布来看，它呈现明显的右偏特征————⼤部分股票的因⼦值集中在零附近，但少数⼩市值、低流动性的被调⼊的标的，因⼦值可以⾼达2以上。反过来，被调出的股票因为本身就在指数中，流动性基数⼤，因⼦绝对值很难低于-1。

翻译成⼈话：做多的机会⽐做空的机会更突出。

五、策略表现：⼗年零回撤意味着什么？

基于冲击因⼦构建⼀个多空对冲组合：每次调整时，买⼊因⼦值最⾼的前5%股票，同时融券做空因⼦值最低的5%股票，持有整个公布期（约10个交易⽇），策略表现如下：

• 年化收益约10.8%
• 夏普率1.29
• 近⼗年⽉度收益零回撤————每⼀次开仓都是正收益

每次开仓的平均绝对收益约为5%。考虑到持仓周期仅两周，年化资⾦效率极⾼。

即便不具备融券条件的散户和⼩型机构，单做多头同样有效————多头组合的夏普率为1.03，最⼤回撤仅3%，平均每次开仓收益与多空组合相当，只是波动略⼤。

更值得注意的是，由于每年只有两次交易窗⼝，策略绝⼤多数时间处于空仓状态，空仓期间资⾦完全可以配置货币基⾦或短债产品，进⼀步增厚收益。

六、策略表现：⼗年零回撤意味着什么？

坦率地说，这个策略的意义远不⽌于策略本身。

回到开头的问题：抢帽⼦和⽼⿏仓的本质是什么？是提前锁定⼀笔确定性的资⾦流向，并在它兑现之前先⾏建仓。

指数成分股调整事件提供了⼀个完全合规的框架，让你做到了同样的事情————在公开信息中发现确定性，在确定性中提取利润。

股价涨跌的第⼀性原理，永远是当前的资⾦供需。所有的基本⾯、技术⾯、情绪⾯，最终都要通过资⾦的流⼊和流出来兑现。你不需要预判市场⽅向，你只需要找到那些“钱⼀定会去的地⽅”，然后⽐钱先到。

这才是这个策略背后真正值得带⾛的东⻄。

⽽类似的确定性资⾦流动事件，在市场中并不少⻅：MSCI、富时罗素等国际指数的成分股调整，⼤宗交易的强制平仓线触发，定增解禁后的被动减持窗⼝……每⼀个事件背后，都藏着同⼀个逻辑内核。

不要和市场赌⽅向，要和确定性站在⼀起。

参考资料：

国元证券，《哈雷之约：基于指数成分股调整的选股策略》

⽅正证券，《基于指数成分股调整事件的选股策略》

国泰君安，《指数成分股调整的第⼆次投资机会》

国泰君安，《核⼼指数定期调整预测及套利策略研究》