Featured image of post LynxCrypto 工具篇:从装环境到专业级量化研究者,我的进阶路线和全部教程
量化交易

LynxCrypto 工具篇:从装环境到专业级量化研究者,我的进阶路线和全部教程

顶级量化为什么不用 TradingView 做研发;Jupyter+vectorbt+Freqtrade 的五层进阶路线;真 alpha 的资源(全部核实)与诚实天花板——97% 散户亏损、Quantopian 倒闭、没有任何课程能教会你盈利。

先说三个最值钱的结论:

  1. 顶级量化机构没人用 TradingView 做策略研发。 Jane Street 全公司写 OCaml,Two Sigma/Citadel 用 Python+Java+Spark,HFT 是 Python 研究 + C++ 执行。TradingView 只是"眼睛"(看图+盯盘+预警),不是"大脑"。
  2. 个人研究者的正确分工是:Jupyter+vectorbt 当大脑(策略发现)、自写引擎或 Freqtrade 当双手(可信回测+实盘)、Plotly/QuantStats 当镜子(曲线与回撤)、TradingView 只当眼睛。
  3. 工具一个月能装完,方法论要学一年。 真正区分专业和业余的,不是会多少库,而是懂不懂回测的四种偏差、多重检验校正、以及"为什么回测爆赚实盘爆亏"。

〇、先对齐账本:为什么我需要一个"研究环境"

前两篇的结论:我 880 美金本金,最初"每天 800→1000 出 200"的目标,被我自己写的可行性闸门(feasibility_gate.py)证伪——那需要日收益 25%、年化 Sharpe 31 以上,而史上最强基金 Renaissance 年化才 66%、Sharpe 也就 2 上下。按我画廊里最好的策略(MacdCross-4h)的真实期望值,合理目标是每天约 1.5 美金、年化 67%。

这意味着我要做的不是"找更快的印钞机",而是长期地、系统地研究策略。而研究需要一个环境:能加载数据、能试想法、能立刻看到曲线、能把每次实验记录下来。

这个环境就是我这一篇要搭的东西。它分五层,我按"什么时候用"来讲。

一、五层地图:专业量化研究者的一天

一个专业量化研究者的工作流,拆开是五个环节,每个环节有一类工具:

1
2
3
4

数据 → 研究 → 验证 → 执行 → 复盘
 ↓      ↓      ↓      ↓      ↓
ccxt  Jupyter  自写引擎  Freqtrade  Plotly
pandas vectorbt WFO+统计  /自写bot   QuantStats
  • 数据层:从交易所拉 K 线、资金费率。工具:ccxt + pandas。
  • 研究层:试想法、扫参数、看曲线。工具:JupyterLab + vectorbt + Plotly。这是大脑,80% 时间花在这。
  • 验证层:证明策略不是过拟合。工具:自写事件驱动引擎(我的 LynxCrypto)+ WFO + Deflated Sharpe。这是业余和专业的分水岭。
  • 执行层:实盘跑策略。工具:Freqtrade 或自写机器人 + 交易所 API。
  • 复盘层:看绩效报告、归因。工具:QuantStats + 自己的日记。

注意一个反直觉的点:这五层里,最不重要的是执行层。 散户 90% 的时间在纠结用什么框架下单,专业机构 90% 的时间在研究和验证。下单谁都会,“知道这个单该不该下"才是稀缺能力。

二、Level 1(第 1-2 周):Python 数据栈,研究的"读写能力”

这一阶段的目标:拿到任何一段 K 线数据,能用三行代码算出任何指标,并且知道每一行在干什么。

NumPy —— 向量化的思维

量化的一切都是数组运算。你要戒掉"for 循环遍历每一根 K 线"的本能,换成"对整个数组做一次性运算"。

pandas —— 量化研究的母语

pandas 的时间序列功能就是量化研究的全部日常:resample(15m 合成 4h)、rolling(滚动窗口)、ewm(指数加权,算 MACD/EMA 用)、shift(防前视的关键)。

过关标准:不看文档,能写出"把 15m K 线 resample 成 4h、算 EMA12/26、用 shift 保证信号用上一根的数据"这一串操作。我的 LynxCrypto 引擎里每一段指标代码都是这个难度。

三、Level 2(第 2-4 周):JupyterLab,研究的主战场

Jupyter 是专业量化研究的标配——Two Sigma 甚至开源了一整套 Jupyter 扩展。它的价值不是"能跑代码",而是把研究变成一个可探索、可记录、可复现的过程:每个 cell 试一个想法、立刻出图、坏想法当场扔掉、好想法留在 notebook 里变成研究日志。

三个最重要的工作习惯(这是教程不教、但专业机构都在用的):

  1. 一个 notebook = 一个研究问题。 不要在一个 notebook 里试十个想法,最后连自己都看不懂。
  2. notebook 顶部写清假设和结论。 三个月后回看,先看你当时想验证什么、结论是什么,再看代码。
  3. 别让 notebook 变乱炖。 探索用 notebook,确定下来的逻辑要提炼回 .py 模块(我的策略都在 lynxcrypto/strategy/ 里),notebook 只留"研究过程"。这是最常见的反模式。

过关标准:装好后跑通我的第一个实验——cd /home/li/lynxcrypto && .venv/bin/jupyter lab,把 render_report.py 的逻辑拆成几个 cell,改一个参数立刻看到资金曲线变化。

四、Level 3(第 1-2 月):vectorbt + Plotly,策略发现的工厂

这是大脑的核心。vectorbt 把回测向量化——一次跑完几千组参数组合,这是它和事件驱动引擎(一根一根 K 线走)的本质区别:一个用来"发现",一个用来"验证"。

  • vectorbt 官方 Getting Started(免费,入门→进阶)——以双均线交叉为例,展示向量化回测和参数扫描的核心范式。
  • vectorbt 官方 Features 页(免费,进阶)——pandas 加速、CCXT 取数、指标工厂、信号生成、组合建模、QuantStats 集成,全在这。
  • vectorbt 官方示例 notebook 集(免费,进阶)——金矿。 可直接运行的 Jupyter 示例:WalkForwardOptimization、PortfolioOptimization、StopSignals 等,对着抄就能上手。

配套的画图工具 Plotly:

一个坑:plotly 7 和 vectorbt 1.x 冲突(报 Invalid property scattermapbox),要钉在 plotly<6。我已经在 .venv 里装好验证过了。

过关标准:用 vectorbt 把"MACD 金叉死叉"策略的参数(fast/slow/signal)扫一遍,画出参数-收益热力图,亲眼看看"哪些参数是真实高原、哪些是孤立尖峰"。孤立尖峰=过拟合,高原=可能真有效。这一张图就值回全部学习成本。

五、Level 4(第 3-6 月):验证层,专业和业余的分水岭

到这一层,你会写出很多"回测爆赚"的策略。这一层的全部意义就是:亲手把它们杀掉,只留下杀不死的。

回测的四种死法

  • QuantStart《Successful Backtesting Part I》(免费,进阶必读)——系统讲四大偏差:优化偏差(过拟合)、前视偏差(偷看未来)、幸存者偏差、心理耐受偏差。我在下篇里证伪自己的"15m 裸均值回归",就是死在前两种。

样本外验证

  • vectorbt 官方 WalkForwardOptimization notebook(免费,进阶)——滚动窗口样本外验证的可运行实例。我的 run_wfo.py 就是这套思路:把历史切成多段,每段只用前面的数据定参数、在后面的数据上验证。

统计显著性(最高级的部分)

过关标准:能对着任何一个"回测爆赚"的策略,说出它可能死在哪几种偏差上,并写出对应的检验代码。我的 MacdCross-4h 就是这么筛出来的:14 个策略 × 4 个时间线,只有它过了全样本初筛,beta 剥离后 alpha 年化 132%、t=2.35——但它还没过 WFO 终审,所以还不能上实盘。

六、Level 5(第 6-12 月):执行层 + 真 alpha 的现实

到这一层,你手上应该有 1-2 个过了全部验证的策略。现在才谈实盘。

执行工具

  • Freqtrade 官方文档(免费,入门)——支持 OKX 现货和合约,backtest/hyperopt/dry-run/Telegram 控制全流程。不想自写执行层就用它,关键是它的 dry-run 模式:先拿假钱跑几周,再谈真钱。
  • Freqtrade Lookahead-analysis 文档(免费,进阶)——专门检测策略前视偏差的命令,上线前必跑。
  • Freqtrade Hyperopt 文档(免费,进阶)——基于 Optuna 的超参优化,含防过拟合注意事项。
  • CCXT Manual(免费,入门)——自写执行层的话,这是统一 API 的权威参考;配合 OKX 官方 API 文档 看。
  • 进阶:nautilus_trader 官方文档(免费,专业级)——Rust 内核+Python 接口的事件驱动框架,tick/盘口级精度,最接近专业机构标准,但上手陡,等你真需要再碰。

一个确定性的免费午餐:资金费率套利

加密市场唯一"结构性正期望"的策略是资金费率套利(做多现货+做空永续,赚资金费),ZEC 的资金费长期偏正,年化约 5-10%。它不会让我暴富,但 880 美金一年白捡 70-90 美金,是这个游戏里少数"确定能赢"的部分。可验证的落地路径:Freqtrade 的 futures/leverage 文档。

但 8% 不够——那真正的 alpha 在哪?

这是我写完上一段后,自己追问的问题:资金费套利只是免费午餐,真正的 alpha(超额收益)能不能学出来? 我又专门做了一轮调研,核实了几十门课、书、社区。答案比"8%“更残酷,也更真实。

先说最重要的一句:没有任何课程能"教会你盈利”。 所有正规资源都只教"如何严谨地研究",没有一个教"如何必然盈利"——因为后者在公开市场上不存在。凡是声称"学完就能稳定盈利"的,全是割韭菜(付费 alpha 社区/信号群的模式就是收会员费+交易所返佣,只发截图、不给可审计的实盘只读记录的一律当骗局)。能把"教方法"和"包盈利"分清楚,本身已经筛掉 90% 的韭菜。

真正教"研究 alpha"的资源(全部核实过)

诚实的反面证据(这部分比任何教程都值钱)

我必须把坏话说全,否则这篇文章就是在卖梦:

  • 巴西全市场研究(Chague et al. 2020,《Day Trading for a Living?》):坚持 300 天以上的个人日内交易者,97% 亏损,只有 0.4% 赚得比银行柜员多(约 $54/天),且没有"越练越好"的学习效应。
  • 台湾全市场研究(Barber et al. 2009):个人投资者年均跑输 3.8 个百分点,总亏损相当于台湾 GDP 的 2.2%。
  • Quantopian 倒闭(2020):它众包了 21 万+ 量化爱好者的 alpha,拿了 a16z、Point72 共 4880 万美金,最终因"众包策略实际表现不佳"清盘退钱。这是"散户 alpha 难找"在机构规模上的一次公开失败。
  • 调研没找到任何一个公开、可独立验证、长期(>2 年)在加密永续上持续盈利的散户策略记录。 公开的"盈利截图"几乎全部来自卖课的、推返佣的、或牛市 beta(币价涨了所以赚,不是 alpha)。
  • 你的对手盘是 Jane Street、Jump、Wintermute——有共址服务器、做市返佣、延迟优势。高频/做市你赢不了机构。

880 美金的诚实天花板

  • 资金天花板:即使做到优秀散户水平的 20-30%/年,绝对收益是 $176-264/年——不如把同样的几百小时拿去做 Python 外包。量化对你是技能投资+兴趣,不是快速致富。
  • 策略天花板:你能可靠拿到的,是机构嫌小/嫌麻烦的中低频机会——资金费率、跨所价差、某些新币上市效应、部分 on-chain 数据 alpha。而不是高频/做市。
  • 概率天花板:学术数据说,即使全职、有方法,个人靠交易持续跑赢的概率是个位数百分比。“研究出真 alpha 并盈利"是可能的,但它更接近创业成功率,不是"学完课就能上岗”。

所以我自己的现实路径

  1. 第 0 阶段(现在,0 成本):别花钱。 CS 7646 免费课打底 + 读 Harvey & Liu《Backtesting》和 Bailey & López de Prado《Probability of Backtest Overfitting》两篇免费论文,建立"我回测出的收益大概率是假的"的肌肉记忆。
  2. 第 1 阶段(3-6 月): 啃 Jansen 第 3 版,跑通它那个 crypto perp funding-rate 案例;读 Chan 建立小资金现实感。
  3. 第 2 阶段(6-12 月,模拟盘): 在 Freqtrade 上把 1-2 个自己的想法 dry-run 至少 3-6 个月,DSR 自检,再动用真金白银——且第一笔实盘不超 $100-200。
  4. 明确不做: 不买 EPAT($5-8k,是本金的 6-9 倍,ROI 不成立)/ 任何付费 alpha 社区;不碰高杠杆永续;不信任何只发截图的盈利证明。

Level 5 过关标准:策略在 dry-run 跑满 3-6 个月、DSR 校正后仍显著、再投不超过本金的 5%。并且——你能平静地说出"我大概率会失败,但我是在为技能付费,不是在买彩票"。

七、完整路线一图流

1
2
3
4
5

Level 1  Python 数据栈(NumPy/pandas)      2 周   读写能力
Level 2  JupyterLab 研究工作流             2 周   主战场
Level 3  vectorbt + Plotly 策略发现        1-2 月 大脑
Level 4  回测偏差 + WFO + DSR 统计验证     3-6 月 分水岭 ★
Level 5  执行 + 真alpha路径与诚实天花板    6-12 月 双手

给同样想入门的人四句忠告:

  1. 顺序不能乱。 没学验证就先学执行,等于拿着真钱练习交学费。Level 4 才是分水岭,前面全是准备。
  2. 中文教程当拐棍,不当主粮。 好资源(Joyful Pandas)有,但最深的内容(López de Prado、DSR 论文)只有英文。英语阅读能力本身就是门槛。
  3. 你的第一个策略大概率是错的,这很正常。 我的第一个策略(15m 裸均值回归)被我自己证伪,第二个(马丁网格)被数学证伪,第三个(MacdCross-4h)才勉强活到 WFO 终审。量化研究者的成长,是用被证伪的策略尸体堆出来的。
  4. 把"教方法"和"包盈利"分清楚。 所有正规资源(CS 7646、WQU、Jansen、Chan、López de Prado、Freqtrade)都只教前者;声称教后者的全是割韭菜。巴西全市场数据说坚持 300 天的日内交易者 97% 亏损、只有 0.4% 能赚过最低工资——进场前先接受这个概率,再决定要不要花这几百小时。

本系列:

文中所有教程链接均经过实际访问验证(2026-09);无法验证的一律未收录,宁缺毋滥。代码在本地 /home/li/lynxcrypto,107 个测试全绿。