https://zhuanlan.zhihu.com/p/73883325
目标：让身边对交易不熟悉的朋友快速了解我的工作
结果：从2017年11月到2019年6月实盘累计收益122.6%， 夏普率6.8，最大回撤13.3%。
2019年六月到七月月收益10%，夏普4.6，最大回撤5.7%，利润表现如下图：
2019年六月到七月实盘利润图
我做的交易系统主要特征有高频（交易频率）；量化（信号由数学模型处理）；程序化（全自动运行）；虚拟货币（交易标的）；做市商（订单类型）。
本文假设你已经有一定的计量经济学，机器学习，统计学，数学基础。
假设我们得到了比特币每分钟的历史价格数据 ，我们可以构造每分钟的价格回报（价格差）- 设这个变量为 x。接下来开始分析 x （只是简单的分析这个时间序列自身的性质， 并没有引入任何策略，可以认为是在做策略前对市场的观察）。
【基本统计指标】：
- 平均回报：衡量当我们每分钟买卖一次后的平均利润（忽略交易费等市场摩擦）。
- 回报方差：衡量回报的波动率。
- 自相关系数：衡量趋势（反转）关系是否统计显著，是否具有可持续性。如果统计显著，我们则可以使用此关系来进行交易。
【建模】
- 线性模型（预测未来价格）
第一步： 检验时间序列x是不是稳定的（stationary）- 可以用Dick Fuller test（DF）
时间序列如果不是稳定的，那么用线性模型得出的参数都是虚假的（spurious regression）。解决办法一般通过做差（differencing）- 这也是为什么最开始我们不直接分析价格数据而分析回报数据。因为价格序列一般来说是非稳定的（non-stationary），而回报是稳定的。
第二步：当用统计检验确定x是稳定序列后，开始建模。
可以用最简单的自相关估计模型（AR esimation）
或者移动平均估计模型（MA）
或者自相关移动平均模型（ARMA）[1]
第三步：估计完模型参数后可用实盘数据和构建的模型来预测未来价格
- 线性模型（预测未来价格波动性）
为什么需要预测波动性？主要是价格点预测不可能百分百准确。（如果可以预测出在未来每秒中的价格点，就不需要预测波动性了）还有一点是对于一个做市商来说，需要用未来价格波动这个数据来定价。
预测波动性的步骤和线性模型与价格点预测基本一致，只是时间序列x不再是价格点，而变成了历史方差：比如ARMA变成
【非线性模型（以预测价格点为例）】
三个步骤同线性模型一致。以下主要列出第二部的模型分类。
- 泰勒级数展开模型 （将非线性模型用线性模型来估测，再用线性模型来建模），前提是你知道非线性模型的形式是怎样的。
2. 临界自相关模型（threshold autoregressive - TAR）：AR + jump threshold
3. 马可夫变换模型（Markov switching）：加了概率分布的TAR
4. 非参数估计模型（nonparametric estimation）- Kernel function
5. 机器学习（神经网络等）