主题：揭秘顶级研究员的Crypto宏观分析方法论 嘉宾： Zheng @ZnQ_626 LUCIDA Founder 2019 Bgain数字资产交易联赛第一赛季 混合策略组冠军； 2020 TokenInsight全球资产量化大赛，复合策略组 四月亚军、五月冠军、赛季季军； 2021 TokenInsight x KuCoin全球资产量化大赛，复合策略组赛季季军； Vivienna @VV_watch BuilderRocket Accelerator Research Partner 2017年入行 ex富士康旗下区块链投资基金做投研 ex火币Defi researcher 痴迷宏观研究 HighFreedom @highfree2028

本期AMA主题与嘉宾介绍 主题： Crypto量化基金经理们是如何获取Alpha的？ 主持人 郑乃骞 @ZnQ_626 LUCIDA Founder 2019 Bgain数字资产交易联赛第一赛季 混合策略组冠军； 2020 TokenInsight全球资产量化大赛，复合策略组 四月亚军、五月冠军、赛季季军； 2021 TokenInsight x KuCoin全球资产量化大赛，复合策略组赛季季军； 嘉宾 Ruiqi @ShadowLabsorg ShadowLabs创始人&DC Capital 投资总监 量化产品管理规模超3亿美元 多家交易所和知名项目的做市咨询顾问 Wizwu @wuxiaodong10 RIVENDELL CAPITAL 多

随着Sora的发布，AI最近又火了一把，AI板块也涨疯了。 这两年Bloomberg / Wind / Tiger Broker等传统金融机构也相继发布了自己的垂直大模型应用。Crypto行业里，Dune等诸多产品也集成了AI或者干脆发布了垂直GPT，我差不多都体验了一遍。 二级市场的核心竞争力 对于”AI对二级市场投资的影响“，我个人的看法是：AI有用，但大语言模型的作用非常有限。 原因是：二级市场的核心竞争力是方法论和认知层次对市场上其他对手盘的碾压，而不是靠生产力的碾压。 好的（量化）交易员通过长期在市场中摸爬滚打，充分地理解市场特征，从而形成一套稳定可量化的交易策略。而水平不够的交易者会因为稳定亏损从而被市场淘汰，自此市场完成”良币驱逐劣币“的进化过程，赚钱会越来越难。 所以，想

书接上回，关于《用多因子模型构建强大的加密资产投资组合》系列文章中，我们已经发布了四篇：《理论基础篇》、《数据预处理篇》、《因子有效性检验篇》、《大类因子分析：因子合成篇》。 在上一篇中，我们具体解释了因子共线性（因子之间相关性较高）的问题，在进行大类因子合成前，需要进行因子正交化来消除共线性。 通过因子正交化，重新调整原始因子的方向，使他们相互正交（$$[\vec{f_i},\vec{f_j}]=0$$，即两个向量相互垂直），本质是对原始因子在坐标轴上的旋转。这种旋转不改变因子之间的线性关系也不改变原本蕴含的信息，并且新因子之间的相关性为零（内积为零等价于相关性为零），因子对于收益的解释度保持不变。 一、因子正交化的数学推导 从多因子截面回归角度，建立因子正交化体系。 每个截面上可以获得全

书接上回，关于《用多因子模型构建强大的加密资产投资组合》系列文章中，我们已经发布了三篇：《理论基础篇》、《数据预处理篇》、《因子有效性检验篇》。 前三篇分别解释了多因子策略的理论与单因子测试的步骤。 一、因子相关性检验的原因：多重共线性 我们通过单因子测试部分筛选出一批有效因子，但以上因子不能直接入库。因子本身可以根据具体的经济含义进行大类划分，同类型的因子间存在较强的相关性，若不经相关性筛选直接入库，根据不同因子进行多元线性回归求预期收益率时，会出现多重共线性问题。计量经济学中，多重共线性是指回归模型中的一些或全部解释变量存在“完全”或准确的线性关系（各变量间高度相关）。 因此，有效因子筛选出后，首先需要根据大类对因子的相关性进行T检验，对于相关性较高的因子，要么舍弃显著性较低的因子，要么

书接上回，关于《用多因子模型构建强大的加密资产投资组合》系列文章中，我们已经发布了两篇：《理论基础篇》、《数据预处理篇》 本篇是第三篇：因子有效性检验。 在求出具体的因子值后，需要先对因子进行有效性检验，筛选符合显著性、稳定性、单调性、收益率要求的因子；因子有效性检验通过分析本期因子值与预期收益率的关系，从而确定因子的有效性。主要有3种经典方法： IC / IR法：IC / IR值为因子值与预期收益率的相关系数，越大因子表现越好。 T值（回归法）：T值体现下期收益率对本期因子值线性回归后系数的显著性，通过比较该回归系数是否通过t检验，来判断本期因子值对下期收益率的贡献程度，通常用于多元（即多因子）回归模型。 分层回测法：分层回测法基于因子值对token分层，再计算每层token的

前言 书接上回，我们发布了《用多因子策略构建强大的加密资产投资组合》系列文章的第一篇 - 理论基础篇，本篇是第二篇 - 数据预处理篇。 在计算因子数据前/后，以及测试单因子的有效性之前，都需要对相关数据进行处理。具体的数据预处理涉及重复值、异常值/缺失值/极端值、标准化和数据频率的处理。 一、重复值 数据相关定义： 键（Key）：表示一个独一无二的索引。eg. 对于一份有全部token所有日期的数据，键是“token_id/contract_address - 日期” 值（Value）：被键索引的对象就称之为“值”。 诊断重复值的首先需要理解数据“应当”是什么样子。通常数据的形式有： 时间序列数据（Time Series）。键是“时间”。eg.单个token5年的价格数据

前言 在去年6月份，我设想了用多因子模型去择币的简单构思。 https://mirror.xyz/lucidafund.eth/UdOfxxKgD_Xuc_KrvGvsjrWZZCwKlWPAYNx991ZgmIA nft://undefined/undefined/undefined?showBuying=true&showMeta=true 一年后，我们已经着手研发针对加密资产市场的多因子策略，并把整体的策略框架写成系列的文章《用多因子策略构建强大的加密资产投资组合》。 本系列的大体框架如下（不排除微调的可能）： 一、多因子模型理论基础 二、单因子构建 因子数据预处理 数据筛选 异常值处理：极值、错误值、空值 标准化 中性化：行业、市场、市值 因子有

In the previous article “Development as the Driving Force: Understanding the Impact on Token Price Performance? ” we meticulously examined the intricate relationship between industry-wide GitHub development and the fluctuation of token prices. Our analysis indicates a positive correlation between the six GitHub factors and both increases and decrea

在上一篇文“团队在做事’和币价真的有关吗？”，我们分析了行业整体的GitHub开发情况与代币价格涨跌幅的相关性，得出GitHub六因子与币价涨跌幅在牛熊市都呈正相关的结论。 本文就“相关性“这一结论进一步拓展，研究二者的因果性，即“是因为技术升级促进了币价上涨，还是币价上涨拉动了技术升级”？从而帮助投资者与开发者更加明确“技术开发”这一基本面因子在币价涨跌盘中的位置。 文章大体思路如下： 首先，我们针对单个token构建GitHub开发活跃度指标 Github Development Activity Index (GDAI)。 其次，在此基础上，结合行业市值排名、GitHub项目数量随时间发展的规律性趋势等因素，构建反映全行业整体GitHub开发活跃度的指标 Industury Gith