为什么使用这种交易策略？
以比较流行的股债平衡策略为例。这种策略认为，如果希望高风险高回报，就会投资股票多一点，债券少一点，反之就会投资股票少一点，债券多一点，所以如果在股票和债券按照风险评估都分配一点投资资金，那么收益应该比较稳健，这种根据风险来配置资产比例，使总体的风险控制在一定程度的方法，进一步发展处风险平价理论，风险平价理论也被很多全球宏观多资产策略使用。
# 相对价值策略（Relative Value Strategy）
# 市场中性（Market Neutral）
比如，找到两种价格走势较一致的股票，分析后发现，A是被低估的或者会变得更好，而B被高估的或者会变得更差，那么可以做多A而做空B，这样如果B继续上涨，那么A应该涨得更多更快，如果A下跌，那么B也应该下跌更多更快，最好的情况是A上涨，而B下跌，那么两个方向都做对了。这种策略也叫配对交易（Pairs Trading）。
为什么使用这种交易策略？
性能和可扩展性是加密领域备受讨论的挑战，与 L1 项目和 L2 解决方案有关。然而，我们没有标准化的指标或基准。数据报告的方式往往不一致且不完整，这使得准确比较项目变得困难，并常常模糊了实践中最重要的内容。
可扩展性 vs. 性能
区别很重要：如果定义正确，许多提高性能的方法根本不能提高可扩展性。一个简单的例子是使用更有效的数字签名方案，例如 BLS 签名，其大小大约是 Schnorr 或 ECDSA 签名的一半。如果比特币从 ECDSA 切换到 BLS，每个区块的交易数量可能会增加 20-30%，一夜之间性能就会提高。但我们只能这样做一次——没有比这更节省空间的签名方案可以切换（BLS 签名也可以聚合从而节省更多空间，但这是另一个一次性的技巧）。
理解这种区别还有助于避免在语句中发现的常见类别错误，比如“区块链 X 是高度可扩展的，它每秒可以处理 Y 个交易”。第二种说法可能令人印象深刻，但它是一个性能指标，而不是可扩展性指标，并不是指通过添加资源来提高性能的能力。
可扩展性本质上要求利用并行性。在区块链空间中，L1 扩展似乎需要分叉 或类似于分叉的东西。分叉的基本概念是将状态分割成块，以便不同的验证器可以独立处理，与可扩展性的定义非常匹配。在 L2 还有更多的选项，允许添加并行处理，包括链下通道、Rollup 服务器和侧链。
延迟 vs. 吞吐量
通常，区块链系统性能是通过两个维度进行评估的，即延迟和吞吐量。延迟度量确认单个交易的速度，而吞吐量度量随着时间的推移交易的总速率。这些轴既适用于 L1 和 L2 系统，也适用于许多其他类型的计算机系统（如数据库查询引擎和 web 服务器）。
测量延迟的挑战
以验证器为中心的方法在实践中忽略了一些重要的事情。首先，它忽略了点对点网络上的延迟（从客户端广播一个交易到大多数节点听到它需要多长时间？）和客户端延迟（在客户端的本地机器上准备一个交易需要多长时间？）客户端延迟可能性非常小，对于签署以太坊支付等简单的交易来说是可以预测的，但对于更复杂的情况，如证明屏蔽的 Zcash 交易是正确的，则可能非常重要。
延迟是一个分布状态，而不是一个数字。
网络研究界早就明白这一点。特别强调的是分布的“长尾”，因为即使 0.1% 的交易（或 web 服务器查询）的高延迟也会严重影响最终用户。
批处理：大多数系统以某种方式将交易批处理，例如，在大多数 L1 系统上将交易批处理到区块中。这将导致可变的延迟，因为一些交易将不得不等待，直到批处理填满。其他人可能会幸运地最后加入。这些交易立即得到确认，并且不会经历任何额外的延迟。
可变拥塞：大多数系统都会出现拥塞，这意味着发布的交易比系统能够立即处理的交易要多。当交易在不可预测的时间进行广播时，或者当新交易在一天或一周内的速度发生变化时，或者在对像热门 NFT 启动这样的外部事件时响应，拥塞的程度会发生变化。
共识层差异：在 L1 确认交易通常需要一组分布式节点来达成对一个区块的共识，这可能会增加可变的延迟，无论拥塞情况如何。工作量证明系统在不可预测的时间找到区块。PoS 系统还可以添加各种延迟（例如，如果在线节点数量不足，不能在一轮中组成一个委员会，或者如果需要改变观点以应对领导者的崩溃）。
关于延迟的声明应该显示确认时间的分布，而不是像平均值或中位数这样的单个数字。
即使我们对确切的延迟分布有很好的统计，它们也可能会随着系统和系统需求的变化而变化。另外，如何比较相互竞争的系统之间的延迟分布也并不总是很清楚。例如，假设一个系统确认的交易延迟均匀分布在 1 到 2 分钟之间（平均和中位数为 90 秒）。如果一个竞争系统在 1 分钟内准确确认 95% 的交易，而在 11 分钟内确认另外5%的交易(平均 90 秒，中位数 60 秒)，那么哪个系统更好？答案可能是，有些应用程序更喜欢前者，有些则更喜欢后者。
延迟是复杂的。报告的数据越多越好。理想情况下，应该在不同的拥塞条件下测量完整的延迟分布。将延迟分解为不同的组件（本地、网络、批处理、共识延迟）也是有帮助的。
测量吞吐量的挑战
不是所有的交易都是平等的。
这在以太坊中明显是正确的，在以太坊中，交易可以包括任意代码和任意修改状态。以太坊中的 gas 为什么使用这种交易策略？ 概念用于量化（并收取费用）交易正在进行的总体工作量，但这与 EVM 执行环境高度相关。没有简单的方法来比较一组 EVM 交易与一组使用 BPF 环境的 Solana 交易所做的工作总量。将两者与一组比特币交易进行比较同样令人担忧。
更简单的执行层，例如只支持支付交易的 Rollup 服务器，避免了量化计算的困难。即使在这种情况下，支付也会因投入和产出的数量而变化。支付通道交易可能因所需的“跳跃次数”而异，这将影响吞吐量。Rollup 服务器吞吐量取决于将一批交易“联网”到更小的汇总更改集的程度。
吞吐量声明需要仔细解释交易工作负载和验证器的数量（它们的数量、实现和网络连接）。在没有任何明确标准的情况下，来自以太坊等流行网络的历史工作量就足够了。
延迟和吞吐量权衡
交易费用
- 有多少市场需求进行交易？
- 系统实现的总体吞吐量是多少？
- 系统提供给验证者或矿工的总收入是多少？ 为什么使用这种交易策略？
- 这部分收入中有多少是基于交易费用还是基于通货膨胀奖励？
特别是上面的第 3 点和第 4 点是区块链系统设计的基本问题，但是我们对它们都缺乏良好的原则。相对于交易费用，我们对给予矿工以通货膨胀奖励的好处和坏处有一定的了解。然而，尽管有许多关于区块链共识协议的经济分析，我们仍然没有一个被广泛接受的模型来说明需要多少收入给验证器。今天，大多数系统都建立在一个有根据的猜测中，即有多少收入足以让验证器诚实地工作，而不会扼杀系统的实际使用。在简化的模型中，可以看出，安装 51% 攻击的成本与验证程序的回报成正比。
提高攻击成本是一件好事，但我们也不知道多少安全措施才“足够”。想象一下，你正在考虑去两个游乐园。其中一辆声称在车辆维护上比另一辆少花 50% 的钱。去这个公园是个好主意吗？这可能是因为他们更有效率，用更少的钱获得了同等的安全。另一种可能是花费超过所需的费用来保证游乐设施的安全，而没有任何好处。但也可能是第一个公园很危险。区块链系统也类似。一旦剔除吞吐量，费用较低的区块链的费用较低，因为它们对验证者的奖励（因此激励）较少。我们现在没有好的工具来评估这是否可性，或者它是否会使系统容易受到攻击。总而言之：
为什么使用这种交易策略？
This page is not available in your 为什么使用这种交易策略？ selected language. Your language preference will not be changed but the contents of this page will be shown in English.
关于加密货币世界，投资者必须了解些什么？
“加密货币”、“非同质化代币（NFT）”和“去中心化金融”等术语已挂在每个人的嘴边。虽然使用加密货币来购买一杯咖啡或一条面包在未来几年可能仍是一项挑战，但随着时间的推移，数字资产整体而言将在我们的生活中继续变得越来越重要。这是因为数字资产和其技术基础正是下一次技术革命的核心，将重塑整个社会和经济世界 — 即Web 3.0纪元。让我们一起进入这个创新领域吧！
一种高胜率的交易系统：均值回归交易策略实例详解
有更多交易机会 —— 作为一般准则，市场在大约 30% 的时间里倾向于趋势市场，而 70% 的时间价格仍处于某种形式的整固中。由于回归均值策略最好在区间波动的市场背景下应用，而市场接近 70% 的时间都处在这种背景之下，因此与趋势交易设置相比，均值回归策略将有更多交易机会。较短的持仓时间 —— 为什么使用这种交易策略？ 平均而言，均值回归策略的持仓期相对较短。均值回归策略在波段交易者中非常流行，他们通常持有两天到两周的头寸。将此与趋势跟踪方法进行比较，后者通常会寻求平均持仓数周至数月。这种更高的交易量可以带来更多的市场机会，从而有助于带来更高的回报。更高的胜率 —— 许多均值回归策略的一个特点是在风险回报方面非常保守。换句话说，许多均值回归交易系统希望每单位风险的利润为1或1.5倍。这在本质上有助于提高系统的平均胜率。
较小的收益 —— 正如我们上面所指出的，均值回归策略往往风报比上非常保守。这是广义上的概括，然而，它是许多均值回归技术的典型代表。这样做的明显缺点是，虽然能够获得更高的胜率，但我们放弃一些东西作为回报。更具体地说，与趋势跟随方法相比，均值回归策略收益较小。可能会错过大趋势 —— 为什么使用这种交易策略？ 我们知道市场在大约 70% 的时间里倾向于盘整，这有利于平均回归交易者。但请记住，市场确实有大约 30% 的时间趋向于趋势。而正是在这些趋势阶段，才有可能实现最高的潜在利润。这对逆势交易者来说可能是机会的错失。交易执行挑战 —— 大多数趋势跟随系统使用市价单或止损单来执行挂单。因此，在趋势跟随模型上发出的大多数入场信号往往被执行。
技术指标 —— 某些技术指标，如布林带、相对强弱指数（RSI）、随机指标和威廉%R 是提供超买和超卖信号的基于技术研究的例子。从本质上讲，这些超买和超卖信号告诉我们特定市场内的价格变动何时在超买数值情况下过度上涨，或在超卖数值情况下过度下跌。