写一个动量因子并不难，写一个反转因子也不难。真正让人犹豫的是：两个因子今天给出了相反的意见，资金应该听谁的？如果某个因子连续一段时间表现不好，是降低权重、暂时停用，还是把方向反过来？新发现的公式，又凭什么获得真实仓位？

这些问题很难靠增加几个指标解决。因子越多，越需要一套统一的考核和使用规则。

APFF，全称 Adaptive Perpetual Factor Factory，中文名称是“多品种永续合约自适应因子工厂策略”。它在一组永续合约之间比较相对强弱，让少量可解释因子共同形成多空组合，同时持续记录每个因子的前向表现，逐步调整权重，并让新候选经过观察和小权重试用。

这篇文章以已经完成运行修复的 FMZ JavaScript 版本为基础，讲清楚从数据、因子到实际订单的完整过程。对应版本为 v0.1.0，build 20260905-05，研究口径版本 2。目前的运行和模拟测试验证了主要工程流程，长期收益效果仍需后续样本检验。

一、先把交易问题变成“谁相对更强”

APFF 每次面对的是一个横截面：同一时刻的一组不同合约。

假设两个篮子各配置 3,000 USDT 的初始名义金额，一个做多，一个做空。在不考虑费用、资金费和调仓的简化情形下，多头篮子上涨 4%，空头篮子上涨 1%，价格盈亏就是：

            text
            
            
多头盈利 = 3,000 × 4%   = 120 USDT
空头亏损 = 3,000 × 1%   =  30 USDT
合计盈亏 = 120 - 30     =  90 USDT

如果多头篮子下跌 2%，空头篮子下跌 5%，相同名义金额下，价格盈亏也可以是正的。这个例子说明，多空组合关心的是两组品种之间的收益差。

但多空金额接近，并不能消除市场风险。如果多头集中在高波动品种，空头集中在低波动品种，市场突然下跌时，两侧损益仍可能严重失衡。因此，APFF 在相对强弱排序之外，还需要波动率缩放、单品种上限和有限的 BTC Beta 对冲。

整个系统使用几个不同的时间尺度：

行情需要及时，因子权重则需要慢一些。盘口每次跳动，都触发一次权重重算，会把一个中低频组合变成追逐噪声的调仓系统。

二、交易池决定了因子在比较什么

当前版本只适配 Binance U 本位 USDT 线性永续合约，默认交易池规模为 30 个。

程序通过 GetMarkets 读取合约规格，通过 GetTickers 和实时行情维护成交额、价格及价差。基础筛选包括合约交易状态、有效报价、价差限制，以及能够取得上市时间时的 90 天上市要求。然后，按当前 24 小时成交额排序。

这里采用了排名缓冲。默认情况下，旧成员只要仍在符合条件品种的前 40 名内，就优先保留，再用排名靠前的其他合约补齐交易池。这样，两个成交额接近的品种不会因为每天交换一下排名，就反复进出组合。

BTC 被单独用作市场基准和对冲工具，进入交易池后也会从普通 Alpha 排名中排除。实际决策还要求至少有 15 个通过数据检查的非 BTC 品种，交易池配置数量和最终可用数量需要分开看。

这部分实现有明确边界：当前采用的是 24 小时成交额及基础过滤，参考方案中的 30 天平均成交额、历史时点交易池、连续数据完整率和盘口深度筛选还没有完整落地。上市时间缺失时，代码也不能独立证明该品种已上市 90 天。分析策略效果时，需要保留这些差异。

三、五个种子因子，各自提出一个可检验的假设

首批种子因子来自五个家族：动量、反转、资金费、溢价和持仓量。

下表中，RET 表示价格对数收益；RV 表示对应窗口内 4 小时对数收益的样本标准差，并非年化波动率；Z_TS 表示单品种时间序列标准分。

OI 的价格方向项在 24 小时收益非负时取 +1，为负时取 -1。这些解释是研究假设，是否成立要由成熟样本来回答。比如，“资金费高”不意味着价格马上下跌，拥挤交易完全可能持续很久。

动量因子的核心可以直接从源码中看到：

            javascript
            
            
var full = returnBars(prices, p.longBars)
var recent = returnBars(prices, p.skipBars)
var rv = realizedVol(prices, p.longBars)
return finite(full) && finite(recent) && rv > 0
    ? direction * (full - recent) / rv
    : NaN

种子参数使用 42 根 4 小时 K 线表示 7 天，跳过最近 1 根。无效数据返回 NaN，随后退出有效值集合。

Funding 要先统一时间尺度

不同记录的资金费结算间隔可能不同。当前代码依据记录间隔，将费率折算到统一的 8 小时尺度，再计算时间序列标准分。种子使用约 30 天的时间窗口，并检查历史覆盖和最新记录是否足够新。

当期费率和历史结算费率也必须分开。FMZ 的 GetFundings 提供当前周期资金费率数据；APFF 把它保存为当期信息，研究收益和结算记账另外读取历史记录。FMZ GetFundings 文档

Binance 的 /fapi/v1/fundingRate 历史接口提供 fundingTime、fundingRate，以及与该次资金费对应的 markPrice，这是当前实现计算历史资金费现金流的依据。Binance 历史资金费文档

Premium 和 OI 要认清数据来源

生产环境的 Premium 使用交易所 Premium Index K 线历史；模拟环境则逐步积累 Mark / Index - 1 的快照代理序列。两种序列的定义并不完全相同，因此不能直接用模拟环境的因子表现推断生产环境效果。

OI 的生产历史只接受报价币名义价值口径。模拟快照则根据可获得的持仓量与价格积累，并按 4 小时时间桶保存，避免把六次分钟快照误当成六根 4 小时观察值。

辅助历史不足时，相应因子可以暂时缺省。对一套需要长期运行的程序而言，能够明确知道“这个因子暂时没有足够数据”，比勉强计算出一个数字更有意义。

四、统一排名，让不同因子能够共同投票

五个原始因子的量纲不同，不能直接相加。APFF 对每个因子做横截面处理：先过滤无效值，再按 5% 和 95% 分位缩尾，最后按排名映射到 [-1, +1]。

若排名从 0 开始，映射公式为：

            text
            
            
标准分 = 2 × 排名 / (有效品种数 - 1) - 1

最高分表示该因子最看好的品种，最低分表示最不看好的品种。相同原始值获得平均名次；整个截面没有有效差异时，该因子判为无效，避免数组顺序凭空制造信号。

单个因子至少要覆盖当轮 80% 的品种。形成综合分数时，某个品种又必须覆盖至少 80% 的当轮有效因子权重。两道检查分别控制“因子是否有足够横向信息”和“这个品种是否有足够综合信息”。

对通过检查的品种，综合分数可写为：

            text
            
            
Alpha_i = Σ(可用因子权重_j × 标准分_ij) / Σ(该品种可用因子权重_j)

这个分数负责相对排序。组合能够使用多少资金，还要看另一项：真正可用的因子预算。

五、缺少两个因子，为什么总仓位也应该缩小

初始五个种子因子各分配 20% 权重。假设动量、反转、Funding 可用，而 Premium 和 OI 还没有积累足够历史，此时有效因子预算为：

            text
            
            
20% + 20% + 20% = 60%

如果把剩余三个因子都放大到 33.33%，虽然权重加起来重新变成了 100%，但同一组仓位实际上由更少的信息支撑，每个因子承担的风险也扩大了。

APFF 保留每个因子原有的预算含义，让尚未分配的部分闲置。组合初始总名义金额的计算为：

            text
            
            
总名义预算 = 账户权益
           × 配置总敞口比例
           × 选择器置信系数
           × 有效因子预算之和
           × 回撤缩放系数

举一个纯粹用于说明计算方式的例子：账户权益 10,000 USDT，总敞口配置为 60%，有效因子预算之和为 60%，置信系数和回撤系数都为 1，那么：

            text
            
            
总名义预算 = 10,000 × 60% × 1 × 60% × 1
           = 3,600 USDT

初始多空两侧各分配约 1,800 USDT，随后还要接受单品种、对冲及换手约束。这个数字不代表最终一定成交到位，也不代表保证金占用比例。

当前有效权重还受到以下上限限制：

这些比例约束的是因子预算。它们会进一步影响组合名义敞口，不能直接解释为某个币占账户权益的比例。

对应代码分成两步：effectiveWeights 取出当轮有有效分数的正式、试用因子，再调用预算约束函数。下面摘出两处衔接的核心代码，第二部分位于 normalizeWeightTargets 的因子遍历内部：

            javascript
            
            
function effectiveWeights(matrix) {
    var raw = {}
    factorIdsByStatus(["ACTIVE", "TRIAL"]).forEach(function(id) {
        if (Object.keys(matrix[id] || {}).length)
            raw[id] = Math.max(0, num(G.registry[id].weight, 0))
    })
    return normalizeWeightTargets(raw, G.registry, true)
}

// normalizeWeightTargets 内部的单因子约束片段
var cap = factor.status === "TRIAL"
    ? FIXED.trialFactorCap : FIXED.activeFactorCap
result[id] = Math.min(
    cap,
    Math.max(0, num(raw[id], 0))
        / (preserveBudget ? Math.max(1, total) : total)
)

关键是最后传入的 true，对应 preserveBudget。假设有效权重之和 total 只有 0.6，分母取 Math.max(1, 0.6)，每个 0.2 就仍然是 0.2；若直接除以 0.6，它们就会被放大为约 0.3333。当合计预算超过 1 时，这个分母又会将其压回总预算范围。后续函数还会检查家族上限和试用合计上限，截掉的预算不会重新摊给其他因子。

六、先保存今天的判断，再等待明天的答案

自适应系统最容易犯的错误，是在考核时不知不觉改变了题目。

APFF 生成一轮决策时，会保存当时的交易池版本、入场参考价格、因子分数和覆盖率，并创建一个 8 小时后到期的研究样本。因子成绩只在这个样本成熟后更新。

初次启动后，状态栏出现“有效样本 0”可能完全正常。历史 K 线已经可以计算动量，和策略已经积累了完整的前向考核样本，是两个不同的条件。五个种子的 ACTIVE 表示初始运行身份，也不意味着它们已经通过了统计检验。

1. 固定样本成员和到期时间

每个因子的研究组合在入场时，根据当时评分选择顶部约 20% 做多、底部约 20% 做空，两侧各分配一半名义预算，侧内等权。分位边界上的并列成员共同纳入，再分配侧内权重。

到期后，不能因为某个品种缺少价格，就删除它、重新排名并换入其他品种。否则，恰好无法取到数据的亏损持仓可能从统计里消失。

当前实现最多允许 60 秒的期末价格采集窗口。采集到的期末价格一经固定，即使资金费历史晚到，也不再换成后来的价格。资金费最多再等待到原到期时刻之后 5 分钟；资料仍不完整，整期样本作废。

这使时间误差受到明确约束，但标签仍是中间价研究近似，不能等同于被动挂单在真实队列中的成交收益。

2. 价格特征和交易收益使用不同口径

对数收益适合计算动量和波动特征。固定数量的线性永续持仓，在计算损益时则应使用简单价格收益，并叠加资金费现金流。

设入场参考价格为 P0，期末价格为 P1，期间第 k 次结算费率为 f_k，结算标记价格为 M_k。单位初始名义本金的多头研究收益为：

            text
            
            
r_long = P1 / P0 - 1 - Σ(f_k × M_k / P0)

代码在存在历史标记价时使用上述口径；缺少标记价时，以初始名义金额近似资金费影响。这里尚未扣除交易费用。

因子多空组合再按带符号权重汇总收益，并扣除估算换手成本：

            text
            
            
换手量 = Σ |新权重_i - 旧权重_i|
净收益 = Σ(新权重_i × r_long_i) - 换手量 × 单边成本

例如，一个品种从 +5% 多头变成 -5% 空头，权重差绝对值已经是 10%，包含平多和开空两段交易。若再额外乘一次 2，就会重复计算成本。

七、让新因子经历观察、试用和退出

当前“因子工厂”从有限模板中生成候选。模板覆盖不同期限的动量、反转、Funding、Premium、OI，以及量价和低波动等方向。

每批最多补充 12 个未注册候选。公式类型、参数和方向组成固定身份，用于去重；模板耗尽后，后续批次可能不再产生新候选。当前没有在线调用大模型生成交易代码，也没有开放式公式搜索。

候选的主要路径是：

观察期至少需要 180 个有效的 8 小时样本，理想连续情况下约 60 天；进入试用后，还要单独积累至少 90 个有效样本，约 30 天。缺失样本和每周筛选节奏都可能让日历时间更长。

试用期成绩单独记录，不能把观察期积累的好成绩搬过来，凑满试用门槛。

考核看哪些东西

当前主要考核 Rank IC、成本后的多空收益、分段稳定性、分组单调性、换手率和数据覆盖率。

Rank IC 衡量入场分数排名与随后收益排名是否一致。为了减轻小样本的乐观偏差，均值会做一次收缩：

            text
            
            
收缩后的平均 IC = n / (n + 60) × 平均 IC

稳定性则把可用收益序列分成四个时间段，统计多少段的平均净收益为正。这是四段检查，不能理解成已经经历四个真实季度或四种完整市场状态。

候选除了要求正的收缩 IC，还需要通过更严的成本检查：基础净收益已经扣过一次估算成本，晋升时再扣一次相同成本，检验成本加倍后是否仍为正。

系统还使用分块 bootstrap 观察结果稳定性，并单独在零均值假设下估计尾概率，再应用带依赖修正的多重比较阈值。两项统计不能混淆：状态栏中的 bootstrap 正收益频率，是重采样结果的描述，不是“未来盈利概率”。

这些规则用于抑制小样本、重复筛选和偶然胜出的影响。固定块长度、有限重采样次数和持续在线筛选仍有近似及选择偏差，不能据此宣称已经严格控制所有误判。

此外，候选与现有组合因子的同期研究收益绝对相关系数高于 0.85 时，会被视为高度重复。每个候选批次最多允许 2 个进入试用，同一批次同一家族最多 1 个；同时试用的因子最多 2 个，正式因子最多 6 个。

筛选中的基础准入函数如下。这里保留原函数逻辑，只将条件拆行并补充注释：

            javascript
            
            
function factorPasses(factor, minimumSamples) {
    var s = summarizeFactor(factor)
    return s.samples >= minimumSamples
        && s.shrunkIc > 0
        // meanNet 已扣过基础成本，这里再扣一次，检查双倍成本
        && s.meanNet - num(s.turnover, 0)
            * G.cfg.oneWayCostBps / 10000 > 0
        && s.stability >= 0.75
        && s.pPositive >= 0.90
        && s.coverage >= 0.98
}

这里所有条件都要同时成立。stability >= 0.75 要求四个时间段中至少三个平均净收益为正；coverage >= 0.98 检查考核样本中的平均因子覆盖率，比单轮参与计算的 80% 门槛更严格。观察期调用时传入 180 个样本门槛，试用期则用独立的 trialMetrics 和 90 个样本门槛。这个函数通过后，调用方仍会检查相应的多重检验、相关性或名额限制，不能仅凭一次 true 就认定因子已经晋升。

八、自适应调权，需要克制地响应成绩

样本尚不足时，系统使用种子等权预算。达到自适应样本条件后，才根据各因子的考核结果形成目标权重。

实现中的证据分由经过缩放的 IC 得分、净收益得分、稳定性和单调性组成，再减去换手及缺失惩罚。它是程序内部的综合评分，不是经过校准的概率。

目标权重还会参考因子研究收益的波动。随后，旧权重和新目标进行平滑：

            text
            
            
平滑权重 = 70% × 旧权重 + 30% × 新目标权重

普通每周调权将单个因子的变动限制在 5 个百分点以内，再重新施加各类预算上限。因子休眠和硬约束可以让权重下降得更快，不能把这个平滑限制理解为任何情况下都只能慢慢减仓。

正式因子至少积累 180 个有效样本后，如果最近 90 个样本的平均 IC 和平均净收益同时为负，会进入休眠、权重归零。当前逻辑会降低或停用因子，不会因为近期亏损就自动反转其交易方向。

方向反转本身就是一个新假设，应当重新接受考核。否则，系统很容易在一个持续无效的信号上，来回追逐正负两端的噪声。

九、从综合分数到可执行的目标仓位

实际组合与前面用于考核单因子的等权研究篮子有所区别。

实际组合按综合分数选择两端品种，新进入的目标规模参考前后约 20%，每侧最多 6 个。已有目标只要仍处于相应一侧约 35% 的排名区域，就优先保留，以减少边界附近的反复换仓。

侧内原始权重为：

            text
            
            
原始权重_i ∝ max(0.05, |Alpha_i|) / RV_7D_i

相对强度越明显，原始权重越高；历史波动越大，分配受到的压低越明显。随后施加单品种上限，默认不超过账户权益的 8%。

BTC 对冲使用对齐时间戳后的 4 小时收益估计 Beta。当组合估算 Beta 敞口的绝对值超过权益的 2% 时，程序尝试用 BTC 调整；对冲量自身有上限，也继续受单品种和组合总敞口约束。经过截断后，组合仍可能保留 Beta，因此这是一种有限对冲。

最后处理换手。普通目标调仓名义金额默认以账户权益的 20% 为软上限，超过时按比例向新目标移动。若当前目标已超过风控硬上限，则必要降仓优先，不能为了限制换手继续保留超限风险。

所有对冲和换手处理完成后，还要重新检查一次单品种与总敞口。 前面通过检查的目标，经过后续加工仍可能重新超限，这一步必须放在最终目标形成之前。

由于实际组合有波动率权重、排名缓冲、BTC 对冲和换手处理，单因子研究收益不能直接相加成策略账户收益。研究层评价排序信息，执行层还要评价这些信息能否以合理成本转化为持仓。

十、订单成交以后，还要等持仓给出同一个答案

多品种策略一旦异步运行，行情、订单回包、成交记录和持仓快照就可能以不同顺序到达。

FMZ 的 exchange.Go 可以异步调用交易接口，并通过返回对象的 wait 方法取得结果。APFF 利用这一机制错峰安排数据和账户查询，当前并发任务上限为 8。FMZ exchange.Go 文档

异步执行需要额外回答一个问题：这次请求究竟有没有在交易所生效？

下单前先保存意图

每次发单前，程序先生成客户端订单号，记录品种、方向、数量、当时持仓和对应目标，再持久化这条意图。保存失败，就不继续发送。

每个品种最多保留一个活动意图，全局最多同时有四个。反向调仓先平原方向，再考虑建立反向仓位。普通执行使用 GTX 被动限价，新目标默认有 15 分钟执行窗口；窗口结束后停止继续增加风险，必要减仓和对账仍继续。

请求超时，先确认结果

明确拒单和结果未知必须分开。余额不足、精度错误等明确拒绝，可以按拒单处理；超时、连接中断或未知应答，则可能发生在交易所已经接受订单之后。

当前代码会按订单号或客户端订单号持续核对订单、挂单列表和历史订单。仅凭“挂单列表为空”或“已经过了几十秒”，不会解除未知意图并重复发单。

订单终态之后，还有持仓确认

假设原持仓为 100 张，卖出平仓订单累计成交 30 张，那么随后取得的新持仓快照应该确认剩余约 70 张。这次查询必须在订单终态之后新发起，旧请求迟到的回包不能代替确认。如果仍然返回 100 张，程序显示 WAIT_POSITION，继续查询并锁定该品种。

预期持仓按“初始持仓 + 带方向的累计成交量”计算，保存为 barrier.expected。收到持仓应答后，applyPositions 再检查能否解除确认锁。下面节选当前版本订单的核心路径，省略了诊断日志和旧版状态迁移分支；positions 是此前已解析好的持仓映射：

            javascript
            
            
var snapshotAt = num(requestedAt, nowMs())
Object.keys(G.execution.positionBarriers || {}).forEach(function(symbol) {
    var barrier = G.execution.positionBarriers[symbol]
    // 必须是终态后新发起的查询；同品种双向持仓也不能解锁
    if (snapshotAt <= barrier.at || (G.actual.hedgedSymbols || {})[symbol])
        return

    var spec = G.universe.markets[symbol]
    var tolerance = Math.max(1e-12, num(spec && spec.step, 0) / 2)
    if (finite(barrier.expected)
        && Math.abs(num(positions[symbol], 0) - barrier.expected) > tolerance)
        return

    delete G.execution.positionBarriers[symbol]
    clearIssue("POSITION_RECONCILE_" + symbol)
})

snapshotAt 使用请求发起时间判断先后顺序；数量比较允许半个下单数量步长的误差，并设有极小的数值误差下限。任一检查未通过就提前返回，品种锁继续保留，执行层也会继续阻止该品种发单。只有检查通过，才删除 positionBarriers[symbol]。这避免了“订单已经成交，持仓接口暂时还没更新，于是又下了一遍”的重复交易。

一次已有的 Binance 模拟环境测试提供了具体例子：TAC 的一笔减仓单累计成交 17,990 张，原持仓从 37,062 张降至 19,072 张。期间撤单请求与成交发生竞态，出现一次 -2011 应答，随后通过订单查询在约 2.17 秒内确认剩余成交，结束对账。

这条测试记录说明的是该次竞态如何恢复。错误消息本身无法证明订单成交，也无法证明撤单成功，最终仍要让订单终态和持仓数量相互吻合。

十一、风控要在程序继续运行时发挥作用

APFF 按权益相对历史峰值的回撤，分级缩减目标预算：

4% 和 7% 档位会立即作用于当前目标，不必等下一次 8 小时决策。清零状态持续限制开仓，执行层在取得所需行情和账户状态后推进减仓。它约束的是程序目标及执行行为，不能保证极端行情中最大亏损恰好止于 10%。

交互按钮也区分了三种操作：PAUSE_NEW 暂停新增风险，RESUME 恢复组合执行，REDUCE_TO_ZERO 撤销本策略订单、完成对账，再平掉本策略管理的仓位。

策略通过自己的持仓归属标记识别管理范围。目标品种已经存在未归属本策略的持仓，或者检测到同品种同时有多空仓位时，会阻止该品种自动下单。

停止进程也不会自动清仓。希望清零时，应当让清零流程完成并核对结果，单纯停止机器人会保留持仓。对于多品种组合，这个区别直接关系到停止后账户还承担多少风险。

十二、在 FMZ 上运行时，怎样理解模式和状态栏

当前版本提供三种运行模式：

LIVE 走的是交易接口。如果交易所对象配置为 Binance 模拟环境，实际发生的是交易所模拟撮合；连接真实资金账户，才是真实资金交易。模式名称和账户环境要同时确认。

当前程序依赖实时 WebSocket，并在初始化时阻止进入 FMZ 历史回测环境。因此，PAPER 应通过实时运行积累前向结果，不能把它当成“选择一个历史区间即可回测”的模式。

导入完整策略文件、添加一个对应的 Binance 期货交易所对象后，主要界面参数如下：

这组数值是程序默认设置，没有经过收益最优参数认证。成本参数尤其需要按使用场景理解：研究层从参考价收益中扣除估算成本；PAPER 买入用 Ask、卖出用 Bid，已经体现买卖价差，再额外扣除该参数对应的费用。成本校准时应注意避免重复覆盖同一成本项。

观察运行情况时，可以按以下顺序阅读状态栏：

1. 行情和数据门禁：两条行情连接是否持续更新，可用交易品种是否足够。
2. 研究样本及成熟时间：当前只是数据预热完成，还是已经积累了有效前向样本。
3. 配置权重和目标有效权重：哪些因子实际参与了这轮组合。
4. 目标与持仓：偏差来自执行窗口、最小交易金额、交易所限制，还是尚待确认的成交。
5. 订单意图和持仓确认锁：UNKNOWN、WAIT_POSITION 是否持续存在，相关查询是否继续推进。

PAPER 的账本会拆分已实现盈亏、未实现盈亏、资金费和估算费用。资金费按结算时的历史持仓补记，晚到的历史记录不会直接套用当前持仓。

LIVE 当前主要以账户权益相对基准权益的差额展示收益，尚未完整排除出入金和其他策略的影响，也未完整拆分实际已实现、未实现和资金费。未拆分项目显示 -，不能当作零值。

十三、当前验证到了哪里

截至本文所依据的构建，项目已完成基础逻辑检查、23 项订单回归检查和 34 项专项审核测试。专项测试包含 36 个加速决策周期，以及 500 组随机权重约束检查。

这些数字分别说明了什么，需要交代清楚：36 个周期使用合成数据和受控时钟，验证采样、成熟、记账及恢复流程，并不构成 12 天真实历史收益回测；随机约束检查验证预算上限，也不验证因子预测能力。

Binance 模拟环境中的运行复测，则覆盖了实际模拟撮合、重启恢复、撤单与成交竞态、明确拒单和持仓对账。这些结果让系统可以继续积累前向证据，但还不足以给出年化收益率、夏普比率或长期胜率结论。

后续值得优先补齐的，是历史时点数据和独立的滚动样本外验证、按品种及行情状态校准的成交成本、相关性分组仓位限制，以及预期收益覆盖交易成本的开仓门槛。这些内容在研究方案中已有方向，当前代码还没有全部实现。

APFF 已经把一个因子从产生、记录成绩，到获得预算、参与下单和退出组合的过程写进了程序。接下来最有价值的数据，是每一次当时留下的判断，以及八小时后按同一规则得到的答案：哪些信号持续有效，哪些只在某段行情里有效，又有多少优势在真正成交后仍然保得住。

策略源码：https://www.fmz.com/strategy/548843