Gần đây, từ "chưng cất" (distillation) ngày càng được sử dụng thường xuyên. Trong lĩnh vực AI, nó thường có nghĩa là tinh luyện các khả năng phức tạp thành một cấu trúc nhỏ gọn hơn, có thể tái sử dụng; và khi áp dụng vào nghiên cứu chiến lược, tư duy này cũng hoàn toàn có giá trị. Nói một cách trực tiếp hơn, đó là chuyển đổi những kiến thức vốn rời rạc, mơ hồ và phụ thuộc vào kinh nghiệm chủ quan thành một hệ thống có thể tính toán, có thể kiểm chứng và có thể tiếp tục sửa đổi.

Dự án crypto-kol-quant gần đây rất nổi, và điều thực sự thú vị ở nó không phải là nó thu thập được bao nhiêu KOL, cũng không phải nó sử dụng LLM, mà là nó cố gắng làm một điều không thường thấy trong nghiên cứu định lượng: chưng cất kinh nghiệm của các trader thành một tập hợp các yếu tố năng lực có thể tính toán, sau đó tổng hợp thành tín hiệu đồng thuận. Bản thân vấn đề này rất đáng được xem xét nghiêm túc. Bởi vì nếu một nhóm các trader hoạt động lâu dài, phong cách ổn định, thực sự đã hình thành các khung nhận thức riêng của họ trên thị trường, thì về mặt lý thuyết, các khung này không chỉ tồn tại trong các bài đăng, biểu đồ và những câu nói rời rạc, mà còn có cơ hội được trích xuất, sắp xếp và đưa vào một chuỗi chiến lược có thể vận hành.

Dựa trên ý tưởng này, chúng tôi đã thực hiện một triển khai ban đầu trong môi trường định lượng của FMZ. Trọng tâm không phải là "sao chép" dự án một cách đơn giản, mà là kết nối thực sự logic cốt lõi nhất của nó: đầu tiên, lấy dữ liệu thị trường, sau đó dịch thị trường thành trạng thái có cấu trúc; sau đó dựa trên các trạng thái này để đánh giá khả năng giao dịch nào đang được kích hoạt; tiếp theo, ánh xạ các khả năng này trở lại chân dung của trader; cuối cùng, tổng hợp các phán đoán cá nhân của các trader khác nhau thành một tín hiệu đồng thuận có trọng số. Rõ ràng nó chưa phải là một hệ thống giao dịch hoàn chỉnh, nhưng ít nhất nó đã hoàn thành một việc quan trọng: chứng minh rằng kinh nghiệm của trader thực sự có thể được nén lại, có cấu trúc và thực sự đi vào quy trình ra quyết định chiến lược.

Đối tượng của chưng cất không phải là quan điểm, mà là khả năng giao dịch

Nhiều người khi lần đầu tiếp xúc với loại dự án này thường dễ hiểu nhầm nó thành "chiến lược cảm xúc KOL". Nhưng điều này thực sự không chính xác. Điều mà dự án gốc thực sự làm không phải là đơn giản đánh giá hôm nay ai lạc quan hơn, cũng không phải thống kê ai kêu nhiều, ai kêu ít, mà là tiến xa hơn để truy vấn: Trader này thực sự hiểu thị trường như thế nào? Trong cấu trúc nào anh ta sẽ thiên về mua? Anh ta quan tâm nhiều hơn đến xu hướng, vị trí, hình thái, biến động, hay môi trường vĩ mô? Những cách phán đoán này có thể được sắp xếp thành một tập hợp các thẻ năng lực ổn định không?

Một khi vấn đề được đặt ra như vậy, trọng tâm của chiến lược sẽ thay đổi. Hệ thống không còn quan tâm đến một câu nói cụ thể nào đó, mà quan tâm đến phương pháp luận đằng sau câu nói đó. Nói cách khác, đối tượng thực sự mà chiến lược này chưng cất không phải là văn bản, mà chính là kiến thức giao dịch. Nó cố gắng dịch những kiến thức chủ quan mà vốn dựa vào con người để hiểu, thành các khả năng quy tắc hóa mà chương trình có thể nhận diện và gọi. Đây cũng là điểm khác biệt lớn nhất giữa nó và các mô hình cảm xúc thông thường: nó không phải để đánh giá thị trường cảm xúc nóng đến đâu, mà là để tái tạo cách phản ứng của các khung giao dịch khác nhau trong thị trường hiện tại.

Bước một: Trước tiên dịch thị trường thành các biến trạng thái

Để chưng cất thực sự đi vào thực tế, bước đầu tiên chắc chắn không phải là dự đoán, mà là kỹ thuật đặc trưng (feature engineering). Lý do rất đơn giản, ngôn ngữ của trader là để cho con người xem, không phải cho chương trình xem. Ví dụ, câu "Giá quay lại kiểm tra đường trung bình động quan trọng, là điểm vào lần hai tốt" đối với trader rất dễ hiểu, nhưng đối với chương trình, nó trước tiên phải được tách ra: Đường trung bình động quan trọng là gì, là 50 ngày hay 200 ngày? Giá hiện tại có gần đường trung bình này không? Xu hướng có bị phá vỡ không? Có tín hiệu hấp thụ (承接) xuất hiện không.

Vì vậy, điều hệ thống cần làm trước tiên không phải là đưa ra kết luận mua/bán, mà là chuyển đổi dữ liệu thị trường gốc thành một tập hợp các trạng thái có cấu trúc. Lớp cơ bản nhất ở đây là sử dụng giá để xây dựng các đặc trưng xu hướng và động lượng. Các biến như đường trung bình động, đường trung bình động hàm mũ, RSI, MACD không phải để chất đống chỉ báo, mà để trả lời một câu hỏi đơn giản: Thị trường hiện tại đang ở trạng thái chung nào.

Mã nguồn chính như sau:

            python
            
            
# Sử dụng đường trung bình động với các chu kỳ khác nhau để mô tả vị trí xu hướng của giá
f['ma20']   = _sma(c,20)
f['ma50']   = _sma(c,50)
f['ma100']  = _sma(c,100)
f['ma200']  = _sma(c,200)

# Đường trung bình động hàm mũ nhạy hơn với sự thay đổi giá gần đây
f['ema20']  = _ema(c,20)
f['ema50']  = _ema(c,50)

# RSI được sử dụng để mô tả thị trường có đang ở vùng quá mua/quá bán, hoặc động lượng có suy giảm không
f['rsi14']  = _rsi(c,14)

# MACD và đường tín hiệu, histogram, để quan sát sự thay đổi xu hướng và động lượng
ml, ms, mh  = _macd(c)
f['macd']      = ml
f['macd_sig']  = ms
f['macd_hist'] = mh

Đoạn mã này làm những việc không quá phức tạp. Đường trung bình động giúp hệ thống đánh giá vị trí của giá hiện tại so với xu hướng dài hạn, RSI và MACD được sử dụng để mô tả động lượng đang tăng cường hay suy yếu. Nó chưa đi vào phán đoán giao dịch, chỉ đang thiết lập một lớp "mô tả trạng thái thị trường".

Tiếp theo, hệ thống cũng phải bổ sung thêm mối quan hệ giữa biến động và vị trí, bởi vì nhiều phán đoán giao dịch không chỉ phụ thuộc vào xu hướng, mà còn phụ thuộc vào "bây giờ có phải thời kỳ biến động co lại không", "giá có gần đỉnh hay đáy của vùng không".

Mã tương ứng là:

            python
            
            
# Tỷ suất lợi nhuận log là cơ sở để tính biến động
logr = np.log(c / c.shift(1))

# Biến động hàng năm hóa 30 ngày gần nhất, dùng để đo mức biến động thị trường hiện tại
f['rv30'] = logr.rolling(30, min_periods=10).std() * np.sqrt(365)

# Đỉnh và đáy trong 20 ngày và 50 ngày gần nhất, dùng để đánh giá vị trí của giá
f['high_20d'] = h.rolling(20, min_periods=1).max()
f['low_20d']  = l.rolling(20, min_periods=1).min()
f['high_50d'] = h.rolling(50, min_periods=1).max()
f['low_50d']  = l.rolling(50, min_periods=1).min()

Ở đây, rv30 đại diện cho mức biến động hàng năm hóa trong 30 ngày gần nhất, trong khi đỉnh đáy vùng được sử dụng để giúp hệ thống xác định vị trí của giá hiện tại trong cấu trúc giá gần đây. Ngoài ra, bối cảnh vĩ mô cũng được đưa vào không gian trạng thái cùng lúc. Bởi vì có một loại trader không chỉ nhìn vào giá coin, họ cũng quan sát đồng thời chỉ số DXY, khẩu vị rủi ro của thị trường chứng khoán Mỹ và môi trường lãi suất. Cách xử lý tương ứng trong mã nguồn là trước tiên căn chỉnh các biến này theo ngày, sau đó chuyển đổi thành trạng thái có thể đọc được:

            python
            
            
# DXY là biến nền cho sức mạnh của đồng đô la
if 'DXY' in macro:
    dxy = _align(macro['DXY'])
    f['dxy_ret_20d']    = dxy.pct_change(20)
    f['dxy_trend_down'] = (dxy.pct_change(20) < -0.01).astype(int)

# SPX là biến nền cho khẩu vị rủi ro
if 'SPX' in macro:
    spx = _align(macro['SPX'])
    f['spx_ret_20d']  = spx.pct_change(20)
    f['spx_trend_up'] = (spx.pct_change(20) > 0).astype(int)

Ý nghĩa của bước này có thể tóm gọn trong một câu: Trước tiên, dịch "thị trường hiện tại thế nào" thành trạng thái có cấu trúc mà máy có thể đọc liên tục. Nếu không có lớp này, việc chưng cất sau đó sẽ không thể thực hiện.

Bước hai: Viết kinh nghiệm chủ quan thành các yếu tố năng lực

Chỉ có đặc trưng là chưa đủ, bởi vì đặc trưng chỉ mô tả thị trường, không trực tiếp diễn đạt "trạng thái này có nghĩa là gì". Bước tiếp theo phải viết kinh nghiệm của trader thành các quy tắc, tức là dựa trên các biến trạng thái hiện tại này để đánh giá khả năng giao dịch nào đang được kích hoạt.

Bước này là phần có hương vị chưng cất mạnh nhất trong toàn bộ chiến lược. Bởi vì ở đây không còn nói trừu tượng rằng "một khung nào đó rất quan trọng", mà thực sự viết nó thành điều kiện chương trình. Các yếu tố năng lực được bao gồm trong triển khai hiện tại bao gồm các cấp độ: hình thái, cấu trúc, chỉ báo, chu kỳ và vĩ mô. Ví dụ, một số khả năng đến từ nhận dạng hình thái, như cờ tăng, cờ giảm, hai đỉnh hai đáy, cấu trúc vai đầu vai, tam giác; một số đến từ phân tích cấu trúc, như khuôn khổ Wyckoff, SMC, ICT; một số đến từ bản thân các chỉ báo, như phân kỳ RSI, giao cắt vàng/tử của đường trung bình động, bứt phá nén Bollinger; và một số đến từ chu kỳ và môi trường vĩ mô, như chu kỳ halving, chuyển đổi giữa thị trường xu hướng và đi ngang, DXY giảm, khẩu vị rủi ro tăng.

Một ví dụ điển hình là "tiếp diễn xu hướng sau khi quay lại kiểm tra". Nhiều trader có kinh nghiệm tương tự: Nếu xu hướng lớn vẫn đi lên, giá quay lại kiểm tra đường trung bình động quan trọng, và cây nến hiện tại có dấu hiệu hấp thụ, thì điều này thường có nghĩa là xu hướng tiếp diễn. Biểu hiện của chương trình rất trực tiếp:

            python
            
            
# Kiểm tra xem giá hiện tại có gần đường trung bình động 50 ngày không
near_ma50 = abs(close - ma50_v) / close < 0.02 if close > 0 else False

# Nếu đường trung bình động 50 ngày vẫn nằm trên đường 200 ngày, và sau khi quay lại kiểm tra có cây nến xanh hấp thụ
# thì ghi nhận là tín hiệu khả năng tiếp diễn xu hướng
s['cap_014_trend_pullback_continuation'] = 0.6 if (ma50_gt and near_ma50 and is_green) else 0.0

Ở đây không có gì bí ẩn, nó chỉ tách một câu nói của con người thành nhiều điều kiện mà máy có thể đánh giá từng cái. Một ví dụ khác là "bứt phá nén Bollinger". Đối với nhiều trader, khi biến động co lại trong thời gian dài rồi đột ngột mở rộng lên trên hoặc xuống dưới, thường có nghĩa là sự lựa chọn hướng mới. Cách viết quy tắc tương ứng là:

            python
            
            
# Nếu độ rộng dải Bollinger của cây nến trước đó thấp hơn ngưỡng nén, thì coi là biến động co lại
squeezed = bb_w_p1 < bb_w20_p1 if bb_w20_p1 > 0 else False

# Sau khi co lại, nếu phá vỡ lên trên dải trên, cho tín hiệu dương; nếu phá vỡ xuống dưới dải dưới, cho tín hiệu âm
s['cap_021_bollinger_squeeze_breakout'] = (
    0.6 if (squeezed and close > bb_u) else
    -0.6 if (squeezed and close < bb_l) else 0.0
)

Cách xử lý yếu tố vĩ mô cũng tương tự. Đối với một loại trader thiên về vĩ mô hơn, BTC không phải là một chuỗi giá hoàn toàn độc lập, nó bị ảnh hưởng bởi đồng đô la, thị trường chứng khoán và môi trường lãi suất, vì vậy những hiểu biết này cũng được viết thành các phán đoán khả năng:

            python
            
            
# DXY giảm thường được xem là bối cảnh tích cực đối với BTC
s['cap_027_dxy_inverse_btc'] = 0.4 if (not _nm(dxy_r20) and dxy_r20 < -0.01) else 0.0

# S&P tăng có thể xem là cải thiện khẩu vị rủi ro
s['cap_028_spx_risk_on_off'] = 0.4 if (not _nm(spx_r20) and spx_r20 > 0.02) else 0.0

# Lãi suất ngắn hạn giảm có thể xem là cải thiện thanh khoản biên
s['cap_029_yields_liquidity'] = 0.4 if (not _nm(y_r20) and y_r20 < -0.02) else 0.0

Điều thực sự quan trọng ở tầng này không phải là nó viết bao nhiêu quy tắc, mà là nó đã hoàn thành bước quan trọng nhất của quá trình chưng cất: nén những phán đoán vốn chỉ có thể hiểu một cách chủ quan thành các điều kiện có thể tính toán được. Cần chỉ ra rằng, hầu hết các nhân tố năng lực trong phiên bản hiện tại vẫn là dạng kích hoạt theo điều kiện, chứ không phải dạng chấm điểm liên tục. Điều này có nghĩa là hệ thống thiên về phán đoán xem một cấu trúc nào đó có được thiết lập hay không, thay vì liên tục định giá lại từng biến động nhỏ. Điều này cũng quyết định rằng hiện tại nó phù hợp hơn với phán đoán ngày hoặc tần suất trung bình thấp, chứ không phải giao dịch tần suất cao.

Bước thứ ba: Các nhân tố không được cộng trực tiếp, mà được ánh xạ trở lại chân dung nhà giao dịch

Nếu chiến lược chỉ dừng lại ở tầng nhân tố, thì nó vẫn chỉ là một hệ thống quy tắc thông thường. Điểm đặc biệt hơn của dự án gốc là nó không dừng lại ở đây, mà tiếp tục tiến thêm một bước: các nhân tố không trực tiếp quyết định hướng đi, mà trước tiên được ánh xạ trở lại chân dung nhà giao dịch.

Điều này rất quan trọng. Bởi vì trong thực tế, các nhà giao dịch không "sử dụng trung bình tất cả các năng lực". Có người thiên về xu hướng, có người thiên về cấu trúc, có người thiên về chu kỳ, có người thiên về vĩ mô. Ngay cả khi đối mặt với cùng một trạng thái thị trường, những người khác nhau tập trung vào những điểm hoàn toàn khác nhau. Vì vậy, hệ thống không đơn giản lấy trung bình tất cả các nhân tố, mà trước tiên đọc sở thích năng lực của từng nhà giao dịch, sau đó tính toán tín hiệu cá nhân cho họ dựa trên trạng thái nhân tố hiện tại.

Logic đọc chân dung tương ứng như sau:

            python
            
            
# Đọc các nhân tố năng lực và trọng số của chúng được sử dụng trong chân dung của mỗi nhà giao dịch
caps = {c['id']: float(c.get('weight', 0.5))
        for c in p.get('capabilities_used', [])}

profiles.append({
    'handle': p.get('handle', item['name'][:-5]),
    'caps': caps
})

Mỗi chân dung về cơ bản trả lời một câu hỏi: nhà giao dịch này phụ thuộc nhiều hơn vào những nhân tố năng lực nào, và các năng lực đó có trọng số bao nhiêu trong khuôn khổ của họ. Sau khi có chân dung này, hệ thống mới tính toán "tín hiệu cá nhân" của mỗi nhà giao dịch trong thị trường hiện tại:

            python
            
            
for p in profiles:
    sig = 0.0
    wt = 0.0

    # Duyệt qua tất cả các nhân tố năng lực mà nhà giao dịch này quan tâm
    for cap_id, w in p['caps'].items():
        score = factor_scores.get(cap_id, 0.0)

        # Điểm nhân tố hiện tại nhân với trọng số ưu tiên của nhà giao dịch đối với nhân tố đó
        sig += w * score
        wt += abs(w)

    # Chuẩn hóa để có tín hiệu cá nhân của nhà giao dịch trong thị trường hiện tại
    trader_raw = sig / wt if wt > 0 else 0.0

Nhìn vào đây, hương vị của hệ thống này đã rất khác biệt. Nó không chỉ xem "nhân tố nào sáng lên", mà đang tái tạo gần đúng một điều: nếu giao thị trường hôm nay cho 99 nhà giao dịch này, thì mỗi người sẽ phán đoán thế nào.

Bước thứ tư: Từ tín hiệu cá nhân đến đồng thuận có trọng số

Khi tín hiệu cá nhân của mỗi nhà giao dịch đã được tính toán, hệ thống mới bước vào tầng đồng thuận thực sự. "Đồng thuận" ở đây không phải là bỏ phiếu đơn giản, cũng không phải ai to tiếng hơn thì thắng, mà là xem xét thêm hiệu quả lịch sử.

Hai kết quả quan trọng nhất trong mã hiện tại là ic_weighted và trust_adjusted. Logic cốt lõi tương ứng là:

            python
            
            
# Đầu tiên, lấy trọng số dương cho các nhà giao dịch có IC dương, để có ic_weighted
pos_w = sum(max(t['ic'], 0) for t in trader_signals)
ic_wt = (
    sum(t['signal'] * max(t['ic'], 0) for t in trader_signals) / pos_w
    if pos_w > 0 else 0.0
)

# trust_adjusted đi xa hơn:
# IC dương được sử dụng cùng chiều, IC âm được sử dụng ngược chiều, sau đó lấy trọng số theo giá trị tuyệt đối của IC
abs_w = sum(abs(t['ic']) for t in trader_signals)
trust = (
    sum((t['signal'] if t['ic'] >= 0 else -t['signal']) * abs(t['ic'])
        for t in trader_signals) / abs_w
    if abs_w > 0 else 0.0
)

Đoạn mã này thể hiện hai nguyên tắc rất đơn giản nhưng quan trọng. Thứ nhất, các nhà giao dịch hiệu quả hơn trong lịch sử có trọng số lớn hơn trong hôm nay. Thứ hai, các nhà giao dịch có IC lịch sử âm không bị loại bỏ, mà có thể được sử dụng như chỉ báo ngược. Do đó, trust_adjusted đầu ra không phải là "mọi người nghĩ thế nào" một cách đơn giản, mà là "ai nghĩ thế nào, và ai đáng tin hơn".

Đây cũng là lý do hệ thống này khác với các mô hình cảm xúc thông thường. Nó không thống kê số lượng ý kiến, mà thực hiện một vòng tổng hợp nhận thức có kiểm chứng lịch sử. Nếu nén toàn bộ phương pháp thành một câu, thì đó là: trước tiên chuyển thị trường thành các biến trạng thái, sau đó ánh xạ các biến trạng thái thành các nhân tố năng lực, rồi ánh xạ các nhân tố năng lực thành tín hiệu cá nhân của nhà giao dịch, và cuối cùng tổng hợp các tín hiệu cá nhân này thành phán đoán đồng thuận dựa trên hiệu quả lịch sử.

Việc triển khai trên Inventor đã thực sự chạy được gì

Nếu chỉ nằm trong dự án nghiên cứu, hệ thống này giống một "trình phân tích đồng thuận" hơn; còn việc triển khai trên Inventor tập trung vào việc kết nối toàn bộ chuỗi để nó có thể chạy liên tục. Mã cốt lõi nhất thực ra chỉ có ba dòng:

            python
            
            
# Bước 1: Chuyển đổi dữ liệu thị trường gốc và biến vĩ mô thành trạng thái có cấu trúc
feat_df = build_features(records, macro if macro else None)

# Bước 2: Đánh giá các nhân tố năng lực nào được kích hoạt dựa trên biến trạng thái
factor_scores = evaluate_factors(feat_df)

# Bước 3: Ánh xạ các nhân tố năng lực trở lại chân dung nhà giao dịch và tổng hợp thành kết quả đồng thuận
consensus = compute_consensus(factor_scores)

Ba dòng này hầu như là ba tầng trừu tượng quan trọng nhất của toàn bộ chiến lược. Tầng thứ nhất chịu trách nhiệm về trạng thái thị trường, tầng thứ hai chịu trách nhiệm về phán đoán năng lực, tầng thứ ba chịu trách nhiệm về đồng thuận nhà giao dịch. Tất nhiên, phía sau chúng còn có tầng thực thi, tầng quản lý rủi ro và hiển thị trạng thái, nhưng từ góc độ logic nghiên cứu, phần quan trọng nhất đã được hoàn thành. Nói cách khác, ý nghĩa quan trọng nhất của việc triển khai này không phải là nó có thêm bao nhiêu chi tiết vận hành, mà là trong dự án gốc, chân dung năng lực không còn chỉ là tệp tĩnh, nhân tố không còn chỉ là đầu ra nghiên cứu, đồng thuận không còn chỉ là con số trong báo cáo – chúng đã được kết nối vào một quy trình phán đoán liên tục.

Tại sao nó vẫn chỉ là một nguyên mẫu

Tất nhiên, việc triển khai này không phải là điểm kết thúc. Mã hiện tại sử dụng khung thời gian ngày của BTC, vì vậy nó phù hợp hơn cho phán đoán đồng thuận tần suất trung bình thấp, chứ không phải hệ thống giao dịch tần suất cao. Cốt lõi của nó vẫn xoay quanh cấu trúc ngày, vị trí chu kỳ, bối cảnh vĩ mô và sở thích năng lực của nhà giao dịch. Ngoài ra, chân dung nhà giao dịch và IC hiện tại vẫn là đầu vào tĩnh, chưa bước vào giai đoạn tiến hóa trực tuyến. Nghĩa là, mặc dù hệ thống đã hoàn thành bước đầu tiên của "chưng cất tri thức", nhưng chưa hoàn toàn đạt được "tri thức sau chưng cất tự điều chỉnh".

Tuy nhiên, điều này không ngăn cản nó đã chứng minh một điều rất quan trọng: kinh nghiệm của nhà giao dịch có thể được nén, cấu trúc hóa từng lớp và thực sự đi vào chuỗi chiến lược. Giá trị của nó không nằm ở chỗ đã tạo ra lợi nhuận ổn định, mà ở chỗ nó đã đẩy một con đường nghiên cứu vốn chỉ dừng lại ở khái niệm đến giai đoạn có thể vận hành. Còn việc các nhân tố năng lực này sẽ tiến hóa như thế nào, trọng số nhà giao dịch được cập nhật ra sao, đồng thuận được hiệu chỉnh liên tục trong thị trường thực ra sao, vẫn cần nhiều dữ liệu vận hành hơn để trả lời.

Kết luận

Điều thực sự khai sáng của crypto-kol-quant không nằm ở việc nó sử dụng bao nhiêu khái niệm phổ biến, mà ở chỗ nó đã đẩy một điều rất khó hệ thống hóa tiến thêm một bước: biến kinh nghiệm của nhà giao dịch từ biểu đạt thành năng lực, từ năng lực thành nhân tố, và từ nhân tố thành đồng thuận. Và việc triển khai trên Inventor chính là làm cho chuỗi chưng cất này thực sự chạy được. Nó không phóng đại rằng mình đã là điểm kết thúc, cũng không cố che giấu sự thật rằng nó vẫn chỉ là một nguyên mẫu ban đầu. Nhưng ít nhất nó đã chứng minh rằng kinh nghiệm giao dịch không nhất thiết chỉ tồn tại trong biểu đồ và ngôn ngữ, nó có thể được chưng cất, cấu trúc hóa, vận hành, và thậm chí được đặt vào một hệ thống liên tục phán đoán thị trường.

Nếu nói quant truyền thống giỏi tìm quy luật từ chuỗi giá, thì hướng đi thực sự đáng để tiếp tục đẩy mạnh của loại chiến lược này có lẽ là: trích xuất quy luật từ nhận thức của con người, rồi để những quy luật đó tham gia ngược lại vào thị trường. Và đây có thể chính là điều đáng chú ý nhất của "chưng cất" trong nghiên cứu chiến lược.

Dự án gốc: Tháp trấn yêu Skill — Luyện hóa 99 nhà giao dịch tiền mã hóa

Đặc biệt cảm ơn người dùng "GiantBin" đã cung cấp ý tưởng và suy nghĩ. Nếu mọi người có ý tưởng và suy nghĩ hay, hoan nghênh trao đổi và chia sẻ.