链上数据量化回测与策略优化实战

📚 共计 30 章节

课程导论与数据源

什么是链上数据？为什么它对量化交易重要？主流数据源（Dune、Glassnode、CoinMetrics）介绍与API接入。

环境搭建与工具链

Python环境配置、Jupyter Notebook、Pandas、Numpy、Web3.py、Requests库安装与基础使用。

区块数据解析

理解区块结构（Block Header、Transactions），使用Web3.py获取最新区块与交易详情。

交易数据清洗

处理原始交易数据，提取Gas Price、Value、Input Data，处理缺失值与异常值。

代币转账事件解析

理解ERC-20 Transfer事件，使用Web3.py监听并解析代币转账日志。

去中心化交易所(DEX)数据

从链上获取Uniswap V2/V3的Swap事件，计算交易对价格与流动性。

借贷协议数据

从Aave或Compound获取存款、借款、清算事件，理解利率模型。

链上指标构建

计算活跃地址数、交易次数、Gas消耗、大额转账（Whale Alert）等基础指标。

MVRV与SOPR指标

从链上实现MVRV（市值与已实现价值比）和SOPR（花费产出利润率）的计算逻辑。

NVT与梅特卡夫估值

实现NVT（网络价值与交易量比）和基于梅特卡夫定律的估值模型。

资金费率与未平仓量

从中心化交易所API获取永续合约资金费率与未平仓量数据，与链上数据结合。

数据存储与特征工程

使用SQLite或Parquet存储历史数据，构建时间序列特征（滚动均值、标准差、Z-Score）。

特征工程SQLite

策略回测框架设计

设计一个基于Pandas的回测引擎，包含信号生成、仓位管理、交易执行与绩效统计。

简单均线策略回测

基于链上活跃地址数的移动均线金叉死叉策略，编写回测代码并评估。

MVRV阈值策略

当MVRV低于1时买入，高于3.5时卖出，回测该策略在历史数据上的表现。

NVT极值策略

当NVT处于历史低位时买入，高位时卖出，结合布林带进行信号过滤。

多因子信号合成

将MVRV、NVT、资金费率等因子标准化，合成综合信号，回测多因子策略。

多因子合成

风险控制与仓位管理

实现凯利公式、固定比例、波动率调整等仓位管理方法，对比回测结果。

过拟合与交叉验证

理解回测中的过拟合问题，实现时间序列交叉验证（Walk-Forward Analysis）。

过拟合Walk-Forward

策略绩效评估指标

计算夏普比率、最大回撤、卡玛比率、胜率、盈亏比，并绘制权益曲线。

参数优化基础

使用网格搜索对策略参数（如均线周期、阈值）进行优化，寻找最优参数组合。

网格搜索优化

遗传算法参数优化

引入遗传算法（DEAP库）进行参数优化，对比网格搜索的效率与效果。

遗传算法DEAP

贝叶斯优化

使用Hyperopt或Optuna进行贝叶斯参数优化，理解概率代理模型与采集函数。

贝叶斯Optuna

稳健性检验

对优化后的参数进行蒙特卡洛模拟与压力测试，评估策略在不同市场环境下的表现。

蒙特卡洛压力测试

实盘模拟与延迟模拟

在回测中引入滑点、手续费与交易延迟，模拟更真实的交易环境。

事件驱动回测

设计一个事件驱动的回测引擎，处理非连续数据与异步事件（如清算、巨鲸转账）。

事件驱动异步

机器学习特征构建

从链上数据中构建机器学习特征（如地址聚类、网络图谱），为ML策略做准备。

使用随机森林或XGBoost预测价格涨跌，基于预测信号构建交易策略并回测。

随机森林XGBoost

LSTM时序预测

使用LSTM模型预测链上指标或价格，将预测结果作为策略信号。

课程总结与未来展望

回顾核心知识点，讨论链上量化的未来趋势（如MEV、意图交易、全链游戏）。

MEV全链游戏