研究模擬與實際執行的落差
專案沒有選擇呈現早期較漂亮的歷史回放結果，而是把執行過程中的衰減當成主要研究對象。這放棄較容易宣傳的策略敘事，換來更接近真實市場條件的問題。
Execution Lab
Active AnalysisTheoretical Edge
100%
Frictions
65%
Executable
42%
介面數值僅供示意，不代表實際交易績效或研究樣本結果。
專案速覽
- 專案類型
- 市場微結構研究
- 公開成果
- 公開研究專案
- 我的角色
- 獨立研究者與獨立開發者，負責定義研究問題、建立私有原型與資料流程、執行歷史回放與模型實驗，並將敏感研究轉化為可公開重現的成果。
- 核心重點
- 執行品質分析 / 機率校準 / 可公開使用的研究儀表板
研究背景
早期逐筆報價回放顯示短週期預測市場可能存在定價優勢，但進入近似實盤的執行後，網路延遲、API 回應時間、過期委託簿、未成交與結算前反轉都讓結果明顯轉弱。
研究問題因此從「模型能否找到價格差」轉為「價格差能否通過完整執行漏斗，形成可靠的實際曝險」。
關鍵決策與取捨
將機器學習定位為執行篩選機制
模型只在偵測到潛在優勢後，判斷候選訊號是否值得進一步執行，並使用時間順序切分檢查後段樣本。這能避免把預期價值分數誤當成獲利保證。
優先保留可公開重現性
公開版本只保留匿名、降採樣與標準化的資料及簡化診斷流程，並排除錢包、簽署工具、私有帳本、模型產物與策略敏感參數。
研究結果與證據
公開執行樣本包含 1,000 次嘗試，訂單接受率與成交率皆為 5.8%。在 986 筆可對齊的市場層級觀察中，市場隱含機率的 Brier 分數與對數損失均略優於合理機率模型。
公開樣本不支持穩定獲利的宣稱。主要結果在於，多數表面定價優勢沒有形成實際成交曝險；極端機率區間樣本較少且不穩定，合理的機器學習或成交機率篩選也可能在後段資料失效，或壓縮幾乎所有交易流量。
研究限制
- 公開資料經過匿名、降採樣與標準化，不能代表完整歷史績效。
- 逐筆報價回放與 bootstrap 模擬不等同實際交易，也未重建完整資金、手續費與交易場所層級的成交動態。
- 研究以 Binance 作為較快的參考價格來源，但尚未完成專門的領先與落後關係驗證。
代表性產出
介面數值僅供示意，不代表實際交易績效或研究樣本結果。
執行漏斗分析
追蹤公開樣本從送單、接受到實際成交的各階段狀態。
Edge Degradation Funnel
Theoretical Signal100%
Post-Spread Frictions65%
Executable Reality42%
機率校準分析
以 986 筆可對齊的公開樣本結果，比較合理機率與市場隱含機率。
Calibration Sim
Kelly Fraction0.15
Brier Score0.142
Implied vs Realized
研究儀表板
集中呈現公開樣本的執行、校準、模型篩選與風險診斷。
Research Abstract
Liquidity Depth
$42.5kSlippage Est.
-1.2%
使用技術
PythonStreamlitPandasNumPy
本專案僅作為公開研究與作品展示，不構成財務或交易建議，也不宣稱具有交易獲利能力。