从极客时代的算力挖矿，到 ICO 狂潮中的资产发现；从 DeFi Summer 的流动性盛宴，到空投、质押与 Meme 的财富狂欢。
十余年间，加密货币不断改写资产发行的方式，也不断重塑财富分配的规则。
最早的“笨人”拿住了 $DOGE，后来的“聪明人”拿住了 $BNB，都赶上了资产发行的时代红利，享受过那种仿佛经济永远在上行、财富遍地都是的美好岁月。
从电商、卡盟时代摸爬滚打过来的撸毛党，也在空投经济中找到了属于自己的黄金年代；再后来，$TRUMP 的横空出世，更是将 Meme 的财富狂欢推向了一个近乎荒诞的高潮。
但如果把今天称作加密货币的“交易时代”，故事似乎正在发生某种微妙的转变。
链上衍生品开始吞噬链上经济活动。过去，人们争夺的是新资产的初始分配权；如今，越来越多人争夺的是存量资产的定价权、流动性与交易流量。
资产发行的门槛越来越低，交易市场的结构却越来越复杂；财富机会没有消失，只是逐渐从那些人人都能听懂的暴富故事，转移到了不那么容易被看见的市场机制里。
回望大航海时代，从新大陆的发现、殖民者的跑马圈地，到远洋贸易的繁荣、银行业成为世界的基建，最终与旧大陆的经济体系交汇，重塑世界贸易与金融秩序。
人类追逐财富的历史，似乎总在重复着相似的过程。
加密货币只不过用了十余年，就把人类花费数百年走过的路，又匆匆走了一遍。
当代计算机从业人员，其实也是有原生家庭的痛的。
计算机诞生的那个年代，CPU 很贵，内存很贵，硬盘更贵，连计算时间都要精打细算。
所以我们从小接受的教育，就是怎么在有限的资源里，把事情尽可能做完。
能用 int32 就不要用 int64，能原地修改就不要复制，能用指针就不要拷贝，甚至我记得MySQL的存储类型都是面试经典考题，实际上只要不滥用，对业务真的没啥影响。
教科书里充满了各种时间换空间、空间换时间的技巧，垃圾回收、缓存淘汰、内存池、数据压缩，很多设计的出发点，都是资源不够怎么办。
甚至连数据库范式、操作系统的虚拟内存、各种精巧的数据结构，背后多少都能看到那个物质匮乏时代留下来的痕迹。
等到参加工作，发现原生家庭的阴影还在。
云服务器多加点内存要走项目预算审批，数据库升个配置还要论证下，程序员掉光头发优化出来的那点资源开销，可能还不够支付他自己的工资。
于是大家一边拿着越来越贵的工资，一边继续为了节约几百块钱的机器成本，绞尽脑汁地优化代码。
上次我存行情的存储数据库就是买的三线云服务商的，几百块钱一年，因为CPU过高，直接给我关机了，才开始意识到我在这上面的节俭。
而且到了 AI 时代，这种反差就更荒诞了。
我们开始允许模型为了实现一个简单功能，消耗几百万 Token，生成几千行代码，调用好几个 Agent，再用另一批 Agent 审查前一批 Agent 的工作。
以前的计算机科学，研究的是如何让一台昂贵的机器，如何在他那微小的内存里节省的使用，至今我都没有敢大规模用过内存Map结构.
这大概就是计算机人的代际创伤。
小时候穷怕了，长大以后，连 O(1) 都有一种勤俭持家的美德。
交易中，人一定要学会换位思考。
假设你从 2026 年初到现在，累计亏损了 20,000 美元。
按照正常的坐标系，横轴是时间，纵轴是账户余额。你会发现，随着时间的推移，你的钱越来越少。
可能会让你每天处于焦躁的状态里，睡也睡不好，吃也吃不好。
但如果你试着交换一下 X 轴和 Y 轴，把横轴改成账户余额，纵轴改成时间，奇迹就发生了：
随着你的财富不断增长，你不仅赚回了20,000 美元，甚至还实现了逆生长，就能吃嘛嘛香，睡到自然醒。
所以很多时候，人生的问题并不在于你亏了多少钱，而在于你选择了什么坐标系🙄
🤖 Made with AI
$100m volume in the last two weeks, 30 points at @Lighter_xyz Robinhood.
First week: 8 points with 100% maker.
Second week I dialed down the maker ratio a bit and got 22 real-time points, but weekly points are still basically zero.
文学最狡猾的地方在于，它把大量无法传递的主观体验压缩成几个苍白的符号，再把解码的任务推给读者，要求他们拿自己的人生经历去填补那些缺失的信息。
于是，读懂陀思妥耶夫斯基需要苦难，读懂卡夫卡需要焦虑。那些所谓的文学共鸣，不过是读者拿自己的训练数据，在一份高度有损的压缩包里进行概率补全。
可惜，人类既没有那么丰富的人生，也没有那么充裕的耐心。
当那些老男人的文学逐渐失去解释世界的权威，虚无主义便趁虚而入。人们终于厌倦了在字里行间寻找上帝，甚至厌倦了为自己的情绪承担解码成本。
于是，神决定再次行走人间。
这一次，祂不再赐予世人卡夫卡的焦虑，也不再安排陀思妥耶夫斯基的苦难，更不需要派遣一位安娜来完成救赎。
祂创造了红果短剧。
每三分钟降下一次神迹，每五分钟完成一次审判。苦难不再需要经历，救赎也不再需要等待。
毕竟，连上帝也终于意识到，人类真正渴望的从来不是真理，而是下一集。
凌晨的市场并不太平，接连不断的警报把睡眠切得七零八落。直到下午才得以补上一觉，醒来时，Claude 和 Codex 已经各自完成了交代的任务。
翻看做市策略的收益曲线，最高点停在了早上 06:30。此后市场的波动远远超出预设，利润也跟着一点点退了回去，直到 18:00 之后，曲线才终于重新抬头。
套利仓位还挂在那里，开平仓时清脆的咔嚓声，此起彼伏，像是在给这个睡不着的夜晚伴奏。
打开一包老坛酸菜面，热气缓缓升腾。
愿每一个黎明到来之前，叫醒我们的都是天光，而不是 Margin Call。
建议先把这个事情跟你的Claude说一下，否则他还一直绕在里面。
策略优化技巧之：尾部专项优化
最近和一个 Agent 讨论做市策略，我质疑它的撤单逻辑存在问题，它给我展示了一组数据：该行为的 5s Markout，有 93% 的样本都是正收益。
乍一看，这似乎是一个很漂亮的结果，意味着绝大多数成交之后，价格都朝着对自己有利的方向运动。
但问题在于，剩下的 7% 呢？
假设一个策略 99% 的成交都能赚 1bps，剩下 1% 的成交平均亏损 200bps，那么即使胜率高达 99%，最终的期望收益依然是负的。
这在高频做市里尤其常见。平时赚的是几 bps 的 Spread、Rebate，遇到一次极端行情，撤单没撤掉、对冲没跟上，就可能把之前几千笔交易的利润全部吐回去。
所以在研究策略的时候，我越来越倾向于把常态收益优化和尾部风险优化拆成两个独立的问题。
常态收益优化，关注的是如何提高成交概率、降低交易成本、改善报价位置，以及从正常订单流中获取更多利润。
尾部专项优化，则是研究另外一件事：
那些真正造成大额亏损的样本，到底有什么共同特征？能不能在它们发生之前识别出来？
比如撤单逻辑。
如果只是统计成交后的 Markout，那么无论 5 秒胜率是 93% 还是 99%，都不足以证明撤单机制设计得合理。
因为撤单的价值，不仅在于留下多少笔盈利成交，更在于成功避开了多少笔原本会产生严重逆向选择的成交。
这里还存在一个很容易忽略的选择偏差：被成功撤掉的订单不会产生实际成交，自然也不会出现在已成交订单的 Markout 样本里。
所以正确的研究方向，应该是把已经发生的大额亏损单独提取出来，观察它们的市场状态、盘口变化、成交方向、撤单请求与确认延迟，以及对冲时的实际滑点。
尤其要区分两类情况：
一种是策略本身没有意识到风险，订单始终留在市场上，直到被 Toxic Flow 击中。
另一种是策略已经意识到风险，也发送了 Cancel Request，但在撤单真正生效之前，订单还是被成交了。
前者更偏向预测与决策问题，后者则是执行与系统问题。两者在最终 PnL 上可能长得差不多，但优化方法完全不同。
尾部专项优化最有意思的一点是：它不一定需要提高策略的预测能力。
有时候，你完全不需要预测未来价格，只需要识别哪些市场状态下，自己的订单风险会突然变得不对称，然后选择不参与。
当然，这里还要算一笔账。
如果为了避免最差的 1% 成交，你同时放弃了巨量正常盈利机会，那么这套优化未必值得；更严格的做法是对比优化前后的完整 PnL 分布，并通过订单回放估计被撤掉的订单原本是否会成交。
最终衡量的应该是净收益与尾部损失是否改善，而不是单纯把 Markout 胜率刷得更漂亮。
实际上，对于一套已经能够稳定赚取微小价差的高频策略来说，继续把正常行情下的平均收益提高 0.5bps，可能需要投入大量研发精力。
但如果能识别某类极端亏损场景，并且用很低的机会成本将它过滤掉，带来的收益改善可能更明显。
前提是，这些尾部亏损具有可提前识别的结构性特征，而不是事后从噪声中挑出来的规律。
策略优化技巧之：尾部专项优化
最近和一个 Agent 讨论做市策略，我质疑它的撤单逻辑存在问题，它给我展示了一组数据：该行为的 5s Markout，有 93% 的样本都是正收益。
乍一看，这似乎是一个很漂亮的结果，意味着绝大多数成交之后，价格都朝着对自己有利的方向运动。
但问题在于，剩下的 7% 呢？
假设一个策略 99% 的成交都能赚 1bps，剩下 1% 的成交平均亏损 200bps，那么即使胜率高达 99%，最终的期望收益依然是负的。
这在高频做市里尤其常见。平时赚的是几 bps 的 Spread、Rebate，遇到一次极端行情，撤单没撤掉、对冲没跟上，就可能把之前几千笔交易的利润全部吐回去。
所以在研究策略的时候，我越来越倾向于把常态收益优化和尾部风险优化拆成两个独立的问题。
常态收益优化，关注的是如何提高成交概率、降低交易成本、改善报价位置，以及从正常订单流中获取更多利润。
尾部专项优化，则是研究另外一件事：
那些真正造成大额亏损的样本，到底有什么共同特征？能不能在它们发生之前识别出来？
比如撤单逻辑。
如果只是统计成交后的 Markout，那么无论 5 秒胜率是 93% 还是 99%，都不足以证明撤单机制设计得合理。
因为撤单的价值，不仅在于留下多少笔盈利成交，更在于成功避开了多少笔原本会产生严重逆向选择的成交。
这里还存在一个很容易忽略的选择偏差：被成功撤掉的订单不会产生实际成交，自然也不会出现在已成交订单的 Markout 样本里。
所以正确的研究方向，应该是把已经发生的大额亏损单独提取出来，观察它们的市场状态、盘口变化、成交方向、撤单请求与确认延迟，以及对冲时的实际滑点。
尤其要区分两类情况：
一种是策略本身没有意识到风险，订单始终留在市场上，直到被 Toxic Flow 击中。
另一种是策略已经意识到风险，也发送了 Cancel Request，但在撤单真正生效之前，订单还是被成交了。
前者更偏向预测与决策问题，后者则是执行与系统问题。两者在最终 PnL 上可能长得差不多，但优化方法完全不同。
尾部专项优化最有意思的一点是：它不一定需要提高策略的预测能力。
有时候，你完全不需要预测未来价格，只需要识别哪些市场状态下，自己的订单风险会突然变得不对称，然后选择不参与。
当然，这里还要算一笔账。
如果为了避免最差的 1% 成交，你同时放弃了巨量正常盈利机会，那么这套优化未必值得；更严格的做法是对比优化前后的完整 PnL 分布，并通过订单回放估计被撤掉的订单原本是否会成交。
最终衡量的应该是净收益与尾部损失是否改善，而不是单纯把 Markout 胜率刷得更漂亮。
实际上，对于一套已经能够稳定赚取微小价差的高频策略来说，继续把正常行情下的平均收益提高 0.5bps，可能需要投入大量研发精力。
但如果能识别某类极端亏损场景，并且用很低的机会成本将它过滤掉，带来的收益改善可能更明显。
前提是，这些尾部亏损具有可提前识别的结构性特征，而不是事后从噪声中挑出来的规律。
因为今天 @bitget 改了COPPER的指数，原先他的指数比别人高120bps，我做了价差扩大的那一段，大概开了260万的仓位，这个品种有一半的OI都是我的。
早上发了公告要改内部指数模式，然后有点手忙脚乱，因为OI占比实在太大了，为了快速甩单子，我直接把 @binance 打出了针，最后算账基本上没赚啥了。
看了下现在bg的指数在下降，收敛这一段的利润，我现在也开了点，但是不敢开大了，公开发出来，肯定也能占点加速收敛的便宜。
如果你看到的时候已经没啥利润了，就别开了，就好好复盘下这次的原理吧。
bg原文：
bitget.com/support/articles/…
