[TOC]

引言：Harness Engineer 思想

最近在 AI/ML 工程社区里，有一种思维方式被越来越广泛地讨论——Harness Engineer。

它的核心理念很简单：

与其自己拍脑袋给答案，不如搭一个框架，让数据和实验自己找答案。

传统工程师的方式是：我认为参数 A 好，我来写代码实现 A。Harness Engineer 的方式是：我不知道 A、B、C 哪个好，我来搭一个框架，让 A、B、C 同时跑，数据告诉我答案。

工程师负责定义搜索空间和评估标准，系统负责在空间里自动寻优。这种思想在 ML 里对应的是 walk-forward optimization、AutoML；在量化里，其实也有天然的落地场景。

妖币：趋势最明显的战场

在加密货币合约市场中，有一类币种值得特别关注——交易量极大的”妖币”。

这类币种有几个共同特征：

• 资金高度集中，主力行为明显
• 趋势延续性相对较强，一旦启动往往持续时间较长
• 波动率高，部分高成交量币种在特定时期表现出较强的趋势性，均线策略在这类标的上历史回测表现相对较好

正因如此，在这类币种上使用经典的双均线穿叉策略，是一个朴素而合理的切入点。快线上穿慢线，趋势启动，跟进；快线下穿慢线，趋势反转，离场。逻辑简单，但在趋势明显的标的上，历史表现往往并不差。

问题只有一个：哪些币是妖币？用哪组均线参数？

这两个问题，如果靠人工判断，主观性太强，换一个人可能得出完全不同的答案。而且市场是动态的，今天的妖币不一定是明天的妖币，今天有效的参数组合也可能明天就失效。

这正是 Harness Engineer 思想登场的地方。

与其人工选币、人工调参，不如把这两个问题都交给框架去解决——定义好评估标准，让历史数据在候选空间里自己跑出答案。人只需要决定用什么标准衡量好坏，剩下的交给系统。

基于这个思路，整个策略被设计成一套滚动筛选框架，分三层运作。

策略架构：两层赛马机制

第一层：标的池构建

从全市场合约品种中，按美元成交量降序取前 150 个币种作为候选池。

为什么是成交量？因为成交量大的地方，资金最集中，趋势最容易形成，妖币也最密集。这一步不做主观判断，纯粹让市场资金投票，谁的交易量大谁进池子。

const filtered = tickers
  .filter(t => t.Symbol.endsWith('USDT.swap'))
  .map(t => ({ symbol: t.Symbol, quoteVolume: t.Last * t.Volume }))
  .sort((a, b) => b.quoteVolume - a.quoteVolume)
  .slice(0, topN)
  .map(t => t.symbol);

逻辑非常直接：过滤 USDT 合约品种，计算美元成交量，降序排列，取前 N 个。没有任何主观判断，市场资金自己投票。

第二层：双层赛马选优

这是整个策略最核心的部分，也是 Harness 思想体现最明显的地方。

正确的执行顺序是这样的：

⚠️ 注意：用最优参数的分数代表该币的能力，本身隐含了一定的过拟合风险——在历史上表现最好的参数，不一定在未来同样有效。这个局限性在文章后半部分会进一步讨论。

回测过程

对候选池中每一个币种，同时跑多组 MA 参数组合，每组参数在历史 K 线上独立运行，模拟真实的穿叉开平仓逻辑：

// 遍历每个币种 × 每组参数组合
for (const params of maParamsList) {
  const bt = backtest_MA(records, params.fast, params.slow);
  // 每组回测独立得出：胜率、盈亏比、最大回撤、信号次数
}

每次回测的核心逻辑是标准的双均线穿叉：

const crossUp   = fastMA[i-1] <= slowMA[i-1] && fastMA[i] > slowMA[i];
const crossDown = fastMA[i-1] >= slowMA[i-1] && fastMA[i] < slowMA[i];

if (crossUp)   position = { side: 'long',  entryPrice: records[i].Close };
if (crossDown) position = { side: 'short', entryPrice: records[i].Close };

综合评分

回测完成后，对每组参数的回测结果进行综合评分。评分由两部分构成：

标准化权重评分（合计系数 0.80）：

const score = 
  Math.min(bt.winRate * 100, 100)          * 0.30  // 胜率，上限封顶100
+ Math.min(bt.profitFactor * 20, 60)       * 0.30  // 盈亏比，上限封顶60
+ Math.max(0, 1 - bt.maxDrawdown / maxMDD) * 100   * 0.20  // 最大回撤控制
+ volPct * volPctBonus                     // 波动率分位奖励加分项

波动率分位奖励加分项：最后一项 volPct × volPctBonus（默认系数为 10）是独立于权重体系之外的奖励项，用于在同等评分条件下，倾向选择当前波动率处于历史较高分位的币种——因为这类币种往往趋势更为活跃。

需要说明的是，这套权重和奖励系数均为经验设定，并非通过优化得出，实际使用中可根据市场环境进一步调整。

第一层竞争：参数竞争

同一个币的多组参数各自得出评分，取最高分的那组作为该币的代表分数和最优参数：

if (score > bestScore) {
  bestScore  = score;
  bestResult = bt;
  bestParams = params;  // 记录当前历史表现最优的参数组合
}

第二层竞争：币种竞争

所有币种各自拿出自己的最优分，排序后取 Top N 进入白名单：

results.sort((a, b) => b.score - a.score);
const whitelist = results.slice(0, topCoins).map(r => r.coin);

最终输出的，是每个白名单币种对应的专属最优均线参数，而不是一套参数打天下。

第三层：实盘执行与风控

用筛选出来的配置进行实盘交易，同时叠加多层风控机制：

信号触发：实时检测白名单币种的均线穿叉状态，金叉做多，死叉做空：

const crossUp   = fastPrev <= slowPrev && fastCur > slowCur;
const crossDown = fastPrev >= slowPrev && fastCur < slowCur;

if (crossUp)                 longList.push(sym);
if (crossDown && allowShort) shortList.push(sym);

移动止盈：浮盈达到触发阈值后启动，且回撤阈值随浮盈动态收紧。三档阈值为经验设定，核心逻辑是浮盈越高、对回撤的容忍越小，锁住已有利润：

function getDynamicTrailDrawdown(maxPnl) {
  if (maxPnl >= 7) return 3;    // 浮盈高，回撤容忍收紧
  if (maxPnl >= 4) return 2;
  return 1.5;                   // 浮盈低，给行情多一点空间
}

市场状态感知：检测 BTC 波动率分位，高波动环境自动降低仓位系数，极端行情直接禁止做空：

if      (marketState === 'volatile') positionScaleDown = 0.5;
else if (marketState === 'high_vol') positionScaleDown = 0.8;
else if (marketState === 'low_vol')  positionScaleDown = 0.7;

整个筛选流程周期性滚动重跑，不固守某一套配置，随市场动态更新白名单和参数。

---

底层假设：趋势的延续性

这套框架能成立，依赖一个核心假设：

近期历史中表现好的币种和参数，在接下来短期内仍有一定的延续性。

这不是玄学，背后有一定的市场逻辑支撑——资金惯性、市场情绪的延续、主力行为的连贯性，都会让趋势在一定时间窗口内保持有效。

但需要诚实地说：这个假设没有经过严格的统计验证，它更多是一种经验性判断。框架能否在实盘中持续有效，最终还是要靠真实交易数据来检验。

---

和真正的 Harness Engineer 有什么区别

必须说清楚这一点。

这个策略有 Harness 的形，但和真正的 Harness Engineer 体系相比，仍有明显差距：

维度	真正的 Harness	这个策略
样本分割	训练集 + 验证集 + holdout 测试集	全量历史数据回测，无样本外验证
过拟合防护	有明确的泛化性检验	依赖参数多样性部分对冲，不完整
实验隔离	每个变体独立运行互不影响	共享同一份 K 线，有隐性耦合
上线门槛	需通过 validation 才能部署	评分最高直接上线，无二次验证层
误差叠加	各层评估独立	两层赛马均基于历史最优，误差叠加

核心差距在于：真正的 Harness 会追问”这个结果在样本外还成立吗”，而这个策略两层赛马选出来的”最优”，本质上都是历史最优——参数层面的过拟合，叠加了币种层面的过拟合，能否延续到未来，是一个永远开放的问题。

---

结语：刻舟求剑，还是值得一试？

在量化世界里，预测从来就是一件极难的事。

不少人会说，用历史数据选参数再去实盘，本质上是刻舟求剑——剑已经落水了，你在船上刻的那道痕，并不能帮你找到它。市场会变，有效的参数会失效，今天的妖币明天可能归于平淡，昨天的最优均线今天可能就是噪音。

这个批评并非没有道理。

但话说回来，该做的尝试，还是应该去做。

量化的本质，从来不是找到一个永远正确的答案，而是在不确定性中系统性地提高胜率。即便是刻舟求剑，你也得先有一条船、先刻上那道痕——定位了策略（舟），本身就是量化的开始。

当然，框架本身不保证盈利。有了框架只是起点，真正的价值在于持续执行和迭代：白名单可以调，评分权重可以改，参数空间可以扩，止盈止损可以优化。每一次调整，都是一次新的实验，都是在让这套框架更接近真正的 Harness。

路是走出来的，不是想出来的。

策略源码：Harness Engineer均线筛选量化策略