策略核心思想
全自动化执行,消除行为税(behavioral tax)——投资者因恐惧和贪婪做出的非理性决策。
底部恐慌时不敢买、顶部兴奋时不舍得卖——这些情绪化操作长期来看是最大的隐性成本。系统用链上数据 + 技术指标产生信号,直接自动执行(或信号推送 + 手动确认的半自动执行),不做主观判断。
规则化交易的核心价值不是"赚更多",而是"少亏在情绪上"。
分区间定投相对等额定投的优势来自两个维度,二者天然矛盾,策略的本质是在 trade-off 曲线上选取最优点:
→ 买到更便宜的 BTC
→ 不会踏空浅底
极端追求低均价 → 只在绝对底部买入,但可能花不出去(连续凸映射的风险);极端追求利用率 → 等额定投 100% 花完,但均价最高。v17 混合定投选择偏向利用率的平衡点:深底多花 4~7% 均价,换取浅底多买一倍 BTC。
资金流时间线
本周操作计算器
加载回测数据中...
⚙️ 半自动 · 灵活调整
信号系统是半自动的——参数在代码中可配置,根据周期进行中的行情数据随时调整。不需要等到下一个周期,也不需要盲目执行固定参数。
🔴 成本门槛倍数(动态:C5=2×)
配置位置:sell_config.py → SELL_COST_GATE_MULTIPLIER(自动计算)
动态公式 = clamp(ATH倍数, 2.0, 3.0)。C3/C4=3.0×(ATH 倍数≥3.36),C5=2.0×(ATH 倍数 1.93<2.0,取下限)。下限 2.0 保证至少 100% 利润才开始卖出。ATH 倍数衰减趋势(36→17→3.36→1.93)使固定 3× 在 C5 浅熊场景下可能无法触发。
🔴 动态阈值比例(MVRV 45% / NUPL 60%)
配置位置:sell_config.py → DYNAMIC_MVRV_RATIO / DYNAMIC_NUPL_RATIO
观察信号:如果价格已涨到均价 2 倍以上,但卖出信号仪表板仍然显示 0×(连续 3 个月以上无触发),说明阈值偏高——可以把 MVRV 比例从 45% 降至 40%。趋势参考:C2→C3→C4 的 MVRV Z 峰值递减(10.09→8.85→3.35),C5 可能更低。
🟢 连续凸映射参数
配置位置:config.py → CONTINUOUS_THRESHOLD / CONTINUOUS_POWER
当前门槛 0.35 起买,幂次 2.0(二次方凸性)。观察信号:如果连续 6 个月买入占比低于 15%,或预算消耗进度远慢于周期进度(如已过半程但预算仅用 30%),可将门槛从 0.35 降至 0.30。
🧠 每周期独立 EM(期望倍数)
配置位置:config.py → CYCLE_EM
• C3 EM=2.14(真实 avg_mult=2.244)· C4 EM=1.69(真实 avg_mult=1.779)· C5 EM=1.34(按衰减率 0.79 外推)
• 波动率衰减 → 深底出现次数减少 → 平均买入倍数下降 → 降低 EM → 提高每周 base_amount → 确保预算花完
EM 偏高 → 预算花不完(子弹剩余);EM 偏低 → 预算超标(提前打光)。目标利用率 ~105%。
C5 EM=1.34 是外推值,待深熊数据出现后可校准:修改 CYCLE_EM[5] 后运行 python scripts/gen_strategy_meta.py。
📋 调整原则
• 等有数据再调:不要提前预判,等 C5 行情走到能看出振幅趋势时再动手
• 小幅调整:一次只改一个参数,观察效果后再决定是否继续
• 回测验证:改参数前先在回测页面用历史数据验证影响
综合评分 → Z 值门槛:≥0.40→Z1 | ≥0.60→Z2 | ≥0.80→Z3 | ≥0.90→Z4。回撤加码另叠 1.2~3.0× boost。
历史 Z 值 & 价格
回测参数
📐 份额换算口径
策略对比表:等额定投 = 预算 ÷ 周期天数(默认 1460 天)。分区间定投(周频)文档口径下周基础份额 = 总预算 ÷ (期望倍数 × 约 208 周),默认期望倍数 2.0(买入侧 v15:Z→{0,2,5,8,13},与加码后周均倍数校准)。选择短于 4 年的区间(如第5周期仅 ~182 天),等额定投只会投出预算的 ~12%,这是正常现象——反映该区间占完整周期的比例,而非"预算未充分利用"。
各周期数据覆盖情况
| 周期 | 价格/MA200 | MVRV Z | 成本结构 | RHODL | 有效维度 |
|---|---|---|---|---|---|
| 第5周期 | ✓ | ✓ | ✓ | ✓ | 4/4 |
| 第4周期 | ✓ | ✓ | ✓ | ✓ | 4/4 |
| 第3周期 | ✓ | ✓ | ✓ | ✓ | 4/4 |
| 第2周期 | ✓ | ✓ | ✓ | ✓ | 4/4 |
✓ 全覆盖。CoinGlass 历史全量数据(2010+)+ BGeometrics 实时数据,四维评分在所有周期均可完整运行。
收益对比
| 模式 | 总投入 | 获得 BTC | 均价 | 末期价值 | 收益率 | 投入天数 |
|---|
固定预算
设定总预算上限,按 Z 值倍数投入,花完即停。与等额定投投入相同总金额,可做公平对比。
固定份额追加
基础份额不变,Z≠0 就持续投入,无预算上限。总投入可能远超预算,不适合与另外两种做资金量公平对比,但能体现信号质量。
等额定投(基线)
每周投相同金额,不做任何判断。作为评估策略优劣的对照组。
累计投入 & BTC 持仓曲线
当前卖出信号
前置条件:price ≥ 定投均价 × 3。MVRV Z≥1.51 且 NUPL≥0.384 同时满足才触发(C5 动态阈值)。NUPL≥0.544 时保险丝独立触发 Z=3(2×)。
历史卖出信号 & 价格
卖出机制
动态成本门槛 + MVRV+NUPL 双维信号 + v15 卖出
前置过滤:price ≥ 定投均价 × 动态倍数(C5=2×,随 ATH 倍数衰减自动下调)。门槛随周期动态调整:MVRV 门槛 = 上周期峰值×45%,NUPL 门槛 = 上周期峰值×60%。C5: MVRV Z≥1.51 且 NUPL≥0.384 同时满足才触发。v15 倍数 {0,0,0,2,4,6}:z≤2 跳过,z=3/4/5 以 2×/4×/6× 卖出。
赛马 v3 实证:线性在 3 个完整周期全部优于 Fibonacci(+20.8pp),成本门槛进一步提升 +27.7pp。
买入 + 卖出信号 · 历史对照
买入 Z(0-4) 越高越值得买 | 卖出 Z(0-4) 越高越该卖加载历史数据中...
当前信号快照
定抛回测
各周期数据覆盖情况
| 周期 | MVRV Z-Score | NUPL | 有效维度 |
|---|---|---|---|
| 底部4→至今 | ✓ | ✓ | 2/2 |
| 底部3→底部4 | ✓ | ✓ | 2/2 |
| 底部2→底部3 | ✓ | ✓ | 2/2 |
✓ 全覆盖。卖出策略使用 MVRV Z-Score + NUPL 严格双确认,两个维度在所有周期均由 BGeometrics 提供 100% 覆盖。
持仓价值 & 累计回收
正在运行 6 组合 × 3 周期并发模拟...
逐日模拟 ~4200 天 × 6 策略组合
定投+定抛组合研究
将买入策略(混合定投:四维评分×回撤加码)与卖出策略组合运行,逐日并发模拟。每周检查买入信号买入 BTC,每周检查卖出信号卖出 BTC。在 ATH-to-ATH 完整周期内对比 6 种策略组合的净值、IRR 和 vs 基准超额。
关于"卖出优化贡献"为负数:ATH-to-ATH 周期的终点恰好是历史最高价。在此度量下,"提前卖出"的部分按 ATH 价格计算相当于放弃了最后一段涨幅,所以显示为负。这不代表卖出策略无价值——ATH 之后必然暴跌 70%+,定抛锁定的是确定性利润,且无人能精确卖在顶点。看「全优化」行:买入优化的增益完全覆盖卖出的"代价"。
策略组合矩阵
6 种买卖组合 × ATH-to-ATH 周期 · 期末总值 = 卖出回收 + 剩余 BTC + 剩余现金
优化归因分解
将「全优化 vs 基准」的超额收益拆解为:买入优化(更低均价 → 更多 BTC)、卖出优化(高位兑现 → 锁定利润)、交叉效应(两端乘数放大)
等待数据加载...
熊牛子周期分析
完整周期拆为熊市(ATH→底部,~1年)和牛市(底部→ATH,~2-3年),对比短周期策略效果
多周期复投模拟
Cycle 3 结束后将全部资产投入 Cycle 4 继续执行相同策略,展示复利效应
等待数据加载...
策略改进实验
9 组策略变体 × 2 个完整 ATH-to-ATH 周期 A/B 测试,筛选真正有效的改进方向
三方向深入探索
动态卖出上限 · 卖出频率优化 · 多维卖出评分 — 全面回测寻找最优卖出配置
等待数据加载...
BTC 波动率衰减分析
ATH-to-ATH 周期倍数持续衰减,复投优势可能被历史高回报放大。单周期α才是策略的真实价值。
🟢 买入评分阈值 → Z 值映射
四维综合分如何映射到 Z 值和 Fibonacci 倍数,以及 ATH 回撤加码叠加逻辑
🔴 MVRV Z 周期峰值分析
各周期 MVRV Z / NUPL 峰值衰减趋势,以及 C5 动态阈值推导过程
本周执行
CAPE 10 年分位 → 档位 → 本周该投多少
改预算后点「刷新信号」更新建议金额
档位表
CAPE 10 年分位落在哪个区间 → 对应乘数。当前档位由后端自动判定,高亮行 = 本月。
| 档位 | 分位区间 | 乘数 | 周投入示例 |
|---|
历史估值 & 档位时间线
过去每月的 CAPE 分位和对应档位。柱状 = 乘数,折线 = CAPE 分位(右轴)。
月度信号记录
从有足够分位窗口的月份开始,每行 = 一个月。
| 月份 | S&P 500 | CAPE | 10Y 分位 | 档位 | 乘数 |
|---|
说明
- 什么是 CAPE:CAPE = Cyclically Adjusted Price-to-Earnings(周期调整市盈率),又叫 Shiller PE10。计算方式:标普 500 当前价格 ÷ 过去 10 年经通胀调整后的平均盈利。用 10 年平滑盈利而非单年盈利,是为了消除经济周期对 PE 的扭曲(衰退时单年盈利暴跌会让普通 PE 飙高,误判为「贵」)。CAPE 越高 = 市场越贵,越低 = 越便宜。
- 为什么用 CAPE 而不是普通 PE:回测对比(2000–2023,标普 500 月度定投)显示,CAPE 分区间定投在所有区间 IRR α 最高(全区间年化 +0.35%),且是唯一在崩盘期(2000–2012)也跑赢等额定投的信号(年化 +0.64%)。普通 Trailing PE 在衰退底部因盈利暴跌而给出「贵」信号,恰好在最该买时少买。
- 10 年分位怎么算:取当月 CAPE,看它在过去 120 个月(10 年)里排第几百分位。分位 85%+ = 比过去 10 年 85% 的月份都贵 → 少买;分位 15% 以下 = 比 85% 的月份都便宜 → 多买。
-
SPY vs QQQ vs QLD 全区间收益对比(2000–2023,285 月,月投 ¥10,000;QLD 自 2006-07 起 208 月):
策略 年化IRR 总ROI 期末总值 正收益月 盈亏比 SPY 买入并持有 +4.99% +217% ¥903万 63% 0.82 SPY 等额定投 +8.13% +190% ¥827万 76% 1.41 SPY CAPE 股债 +7.19% +154% ¥724万 79% 1.70 QQQ 买入并持有 +6.71% +366% ¥1328万 59% 0.96 QQQ 等额定投 +13.70% +557% ¥1872万 65% 1.66 QQQ CAPE 股债 +12.38% +439% ¥1535万 70% 1.76 QLD 买入并持有 +21.75% +2891% ¥6222万 63% 0.99 QLD 等额定投 +26.58% +1320% ¥2954万 66% 1.39 QLD CAPE 股债 +25.25% +1134% ¥2567万 66% 1.45 QLD = ProShares Ultra QQQ(2x 每日杠杆 QQQ),2006-06 上市,数据区间较短。收益数字惊人但需结合下方风险维度一起看。
-
风险维度对比:
策略 最大回撤 回撤持续 年化波动 最差单月 SPY 买入并持有 −50.8% 80 月 13.0% −20.4% SPY 等额定投 −41.5% 28 月 27.8% −19.5% SPY CAPE 股债 −25.5% 18 月 26.5% −15.1% QQQ 买入并持有 −81.1% 174 月 23.5% −26.2% QQQ 等额定投 −41.4% 24 月 35.4% −16.2% QQQ CAPE 股债 −29.6% 22 月 29.7% −12.4% QLD 买入并持有 −80.6% 52 月 38.2% −33.6% QLD 等额定投 −60.4% 21 月 47.4% −28.3% QLD CAPE 股债 −59.1% 21 月 44.7% −25.4% -
风险调整后收益(值越高 = 每单位风险赚得越多):
策略 夏普比 Sortino Calmar 收益/总波动 收益/下行波动 收益/最大回撤 SPY 买入并持有 0.14 0.11 0.10 SPY 等额定投 1.06 1.87 0.20 SPY CAPE 股债 1.09 2.43 0.28 QQQ 买入并持有 0.15 0.13 0.08 QQQ 等额定投 0.97 1.71 0.33 QQQ CAPE 股债 1.12 2.24 0.42 QLD 买入并持有 0.50 0.47 0.27 QLD 等额定投 1.19 1.47 0.44 QLD CAPE 股债 1.23 1.59 0.43 夏普比 = (收益−无风险) / 总波动;Sortino = (收益−无风险) / 下行波动(只惩罚亏损);Calmar = 年化IRR / |最大回撤|。CAPE 股债在所有风险调整指标上都优于同标的等额定投。
-
怎么选:
- 稳健之选:QQQ CAPE 股债(Sortino 2.24,Calmar 0.42,夏普 1.12),年化 +12.38%,回撤 −30%,正收益月 70%,盈亏比 1.76。
- 非杠杆最高收益:QQQ 等额定投(年化 +13.70%,¥1872 万),但最差单月 −16%,回撤 −41%。
- 最稳:SPY CAPE 股债(回撤 −25.5%,Sortino 2.43,18 月恢复),但年化只有 +7.19%。
- 杠杆赌徒之选:QLD 等额定投(年化 +26.58%,¥2954 万),收益炸裂但代价极重 — 最大回撤 −60%、最差单月 −28%、波动率 47%。CAPE 股债管理 QLD 仅把回撤从 −60% 降到 −59%,杠杆的波动率衰减效应很难被估值信号对冲。
- QLD 的真相:2x 杠杆在长牛(2010–2020)表现逆天(年化 +39%),但 2008 崩盘期最大回撤 −80%,你的账户从 100 万跌到 20 万,需要涨 400% 才能回本。除非你确定能扛住 −60% 不卖,否则不要碰 QLD。
- CAPE 股债比例规则:CAPE 分位 <15%(很便宜)→ 100% 股;15–30% → 85% 股 / 15% 债;30–70% → 70% / 30%;70–85% → 55% / 45%;>85%(很贵)→ 40% / 60%。全区间平均股票占比 66%。
-
量化规则 vs 主观调仓
以上回测都是纯量化规则。回测调参没有真 alpha — CAPE 策略本质上是用历史分位做择时信号,这不是预测未来,而是对过去模式的重放。回测里看到的 +0.35% alpha,扣除现实约束(cash drag、交易成本、数据延迟)后可能为零或为负。所有量化策略都有这个问题——过去的分布 ≠ 未来的分布。
主观多头的 alpha 来源确实不同:
- 信息优势:深度研究单个公司(巴菲特看 10-K 比你快、比你深)
- 宏观判断:Dalio 对信用周期的理解不是 CAPE 分位能捕捉的
- 逆向勇气:2008 年底巴菲特「Buy American, I am」不是因为 CAPE 便宜,而是他判断美国银行体系不会崩溃
- 结构性优势:大资金能谈条件(优先股、转债),散户做不到
但对月度工资定投的个人来说,主观调仓的问题是:
- 没有信息优势 — 你看到的宏观数据,市场已经定价了
- 情绪是最大敌人 — 2008 年 10 月,即使你「知道」该买,你敢吗?2020 年 3 月 SPY 跌 34%,你的直觉是跑还是加?
- 需要持续投入时间 — 基金经理全职做这件事,你有本职工作
主观判断 量化规则 上限 很高(巴菲特、Dalio) 有限(接近市场 beta) 下限 很低(追涨杀跌) 接近 beta(至少不会乱动) 适合 全职投资者、有信息优势 有本职工作的定投者 核心价值 超额收益 纪律(熊市不停手、牛市不上头) 务实建议:用量化规则做「基础仓位」(80%),保留少量「主观仓位」(20%)给你觉得有把握的判断。这样既不会因为情绪错过定投,也给了你施展判断力的空间。量化规则的真正价值不是 alpha,而是三个字:不犯错。
- 信号来源:Robert Shiller(耶鲁大学)公开月度数据,免费可复现,1871 年至今。后端缓存 7 天,月度自动更新。
- 本周执行:周基础额 = 月预算 × 12 ÷ 52;本周投入 = 周基础额 × 当月档位乘数。
- 为什么没有「未来计划表」:未来估值未知,无法预测未来周的投入额。只展示「本周该投多少」(基于当月数据)+ 历史回看。每月 CAPE 更新后刷新即可。
- 本工具仅供个人研究参考,不构成投资建议。回测脚本见
research/sp500_valuation_signal_compare.py,可自行复现。
首次加载需下载 QQQ 数据,约 5-10 秒