返回 Expert 笔记
Expert Day 119

撰写《Crypto量化研究方法论》

方法论文档的结构设计、机构研究报告写作规范、知识压缩与提炼

2026-08-28
Phase 2 - 收尾与作品集 (Day 117-120)
方法论白皮书写作Phase2收官作品集

日期: 2026-08-28 方向: 量化 / 方法论 / 写作 阶段: Phase 2 - 收尾与作品集 (Day 117-120) 标签: #方法论 #白皮书 #写作 #Phase2收官 #作品集

今日目标

类型内容
学习方法论文档的结构设计、机构研究报告写作规范、知识压缩与提炼
实操撰写20-25页《Crypto量化研究方法论》白皮书v1.0
产出docs/CRYPTO_QUANT_RESEARCH_METHODOLOGY.md（约1500行）+ 本日反思

这是一篇写作过程的元日记。Phase 1 的 Day 57-58 写过架构方法论，那次的经验是：写一篇能放进作品集的方法论文档，比连续做30天题更能巩固知识体系。今天把过去60天的Phase 2量化研究压缩成一份机构级方法论。

一、方法论白皮书架构与设计思路

1.1 为什么要写这篇文章

Phase 2从Day 61开始，到Day 116已经累积了:

Day 61-74  (14天) — 量化数学与衍生品定价（概率/SDE/BS/IV/SABR/利率/Greeks/PDE）
Day 75-88  (14天) — 微观结构与做市（LOB/A-S/GLFT/inventory/JIT/CEX×DEX对比）
Day 89-102 (14天) — 统计套利与Alpha Research（pairs/factor/funding/basis/三角/DN）
Day 103-116(14天) — MEV与DEX量化（Flashbots/PBS/MEV-Boost/DEX路由/mempool/strategy library）

总共56天的核心研究 + 4天复习 = 60天的quant深度内容。如果不通过一次"全局写作"做compress，知识会保留在每一天的细节里，无法形成可复用的方法论。

1.2 与传统量化研究方法论的区别

我读过的TradFi量化方法论书籍（Lopez de Prado的《Advances in FinML》、Ernie Chan的《Algorithmic Trading》、Vidyamurthy的《Pairs Trading》）有3个共同问题：

  1. 它们假设市场是9-5的、单一的、监管稳定的——直接套到crypto会大量失效。
  2. 它们没有链上数据这一维——MEV、whale tracking、链上活跃度等crypto-native alpha source完全缺席。
  3. 它们的regime change讨论局限于stock市场的bull/bear——crypto的crisis是另一个量级的尾部事件（FTX崩盘单日跌80%）。

所以这本《Crypto量化研究方法论》的定位是：填补TradFi方法论与crypto实操之间的gap，不是另一本"量化教程"，而是"crypto专属的研究框架"。

1.3 目录设计的取舍

最初我列出了15章，包括"高频技术架构"、"网络协议优化"、"硬件colocation"等。最终砍到10章 + 3个附录，原因：

章节保留/删减理由
引言（独特性）保留方法论开篇必须立论
数据保留数据是crypto量化首要瓶颈
模型保留但不是教程，只讲crypto-specific调整
回测5陷阱重点保留整本书最有价值的章节
风险管理3层保留实操核心
工程化路径保留这是从研究到实盘的桥梁
MEV与链上保留crypto独有
Alpha衰减保留长期视角必备
团队组织保留求职/创业有用
展望保留显示前瞻性
高频架构删除太工程化，不适合方法论
监管深度删除非量化核心
AI agent专章合并到展望篇幅不允许独立章节
案例研究3则保留为附录给读者"实在的东西"
工具链推荐保留为附录实用
推荐阅读保留为附录reference必备

最终结构是 理论3章 + 实操3章 + crypto专属2章 + 团队/展望2章 + 3个附录，比例合理。

1.4 预期读者

为3类读者写：

  1. TradFi转crypto的量化研究员：他们最需要"哪些假设失效"——所以第1章直接列5个独特性、第3章每个模型都讲"crypto-specific调整"。
  2. crypto-native做市/对冲基金的初级研究员：他们最需要"从代码到机构级"——所以第6章工程化5阶段最详细。
  3. 想转入crypto量化的金融工程师/PM：他们需要"值不值得做"——第9、10章直接回答。

不为这两类读者写：

  • 想学怎么写OU过程MLE代码的——这是Day 90的事。
  • 想系统学Black-Scholes的——这是Day 63-64的事。

1.5 核心论点（贯穿全书的5条）

  1. 数据质量决定模型上限的80%，复杂度只决定剩下20%（Ch2）
  2. 每个TradFi模型在crypto都需要parameter recalibration而非revolutionary重写（Ch3）
  3. 回测漂亮99%是掉进5个陷阱之一的结果（Ch4）
  4. 风控三层结构（pre-trade/runtime/post-trade）缺一不可（Ch5）
  5. alpha永远衰减，健康pipeline是3-5个alpha + 每月1-2个新idea（Ch8）

二、方法论7条核心

这是白皮书的"思想核心"，也是面试时被问"你的方法论是什么"的标准答案。下面也写入了白皮书第10章总结，但这里展开讲推导逻辑。

第1条：数据质量优先于模型复杂度

原命题：在crypto量化里，数据质量决定模型上限的80%，模型复杂度只决定剩下20%。

证据：

  • Day 75-77（订单簿）发现：用Subgraph的delayed数据回测的做市策略Sharpe 3.5，换成RPC实时数据后Sharpe降到1.2。模型一样，数据source不同导致差3倍。
  • Day 92（factor model）发现：用CoinGecko vs Tardis的minute-level价格做同样的momentum factor，Sharpe差0.4。差异完全来自数据source的aggregation方式。
  • 经典案例：3AC崩盘前，所有用Aggregator data的pairs trading没收到信号，用Tardis tick数据的及时检测到协整断裂。

对策：先建数据基础设施（hot/warm/cold三层 + 冗余订阅 + 数据回填能力），再做模型。许多新人反过来——先做模型，数据"差不多就行"，结果是noise里调参。

第2条：加密市场的5个独特性必须正视

5个独特性：

  1. 24/7运行
  2. 流动性碎片化
  3. 链上链下二元
  4. 监管不确定性
  5. Token economics内生

这5条不是"crypto的小特点"，而是"让TradFi方法论部分失效的根本原因"：

独特性直接影响方法论调整
24/7没有"close价"概念TWAP/VWAP重新定义切片
流动性碎片化单一venue不可信跨venue对齐 + 最佳执行
链上透明whale跟踪可行加链上alpha source
监管不稳定单点失败风险多管辖地分散
Token经济Supply动态变化加funding/staking/inflation维度

面试常问："crypto与传统市场最大不同是什么？"——不是"波动大"或"流动性差"那么浅，而是这5条结构性差异。

第3条：回测的5重陷阱

这是整套方法论里最重要的一条。回测漂亮99%概率掉进了下面5个陷阱之一：

3.1 Lookahead bias

crypto特有的子陷阱：

  • K线close用作信号触发但close自己是1m后才确定的
  • Funding rate的settlement时间混乱（你看到的rate已经是8h前的产物）
  • Subgraph落后链头2-10个block
  • 优化时walk-forward用错时间方向

3.2 Survivorship bias

  • 2024年初CoinGecko top-500中117个token到2026年Q3已实质性归零（市值<原来1%）
  • 必须用point-in-time universe
  • delist处理规则要clear

3.3 Transaction cost

  • CEX：maker/taker分开建模
  • DEX：gas按绝对dollar，不按比例
  • MEV：sandwich/JIT/backrun的隐性成本，回测里不模拟会高估10-50% PnL
  • 期权：fee加vega/delta cost

3.4 Regime change

  • 4-regime划分：bull/bear/sideway/crisis
  • 强要求：回测必须跨>=2个regime
  • crisis期VaR是平时5倍

3.5 Optimization bias

  • Bonferroni校正多重测试
  • Walk-forward必跑
  • White's reality check / Hansen SPA test
  • 隐性data snooping（"研究路径"也是参数）

总判断标准：把in-sample Sharpe按上面5条doubt一下，剩下的"真Sharpe"如果还>1，可以上paper trade。

第4条：链上数据 vs 交易所数据的取舍

默认偏好：可以从交易所拿到的数据就从交易所拿——延迟低、量大、结构整齐。链上数据是补充，不是替代。

何时用链上：

  • whale行为追踪（链上唯一）
  • MEV研究（链上唯一）
  • token launch早期分析（CEX未上）
  • LP流动性迁移研究

何时用交易所：

  • 做市策略（mid quote预测）
  • Funding/Basis arb（perp & spot）
  • 跨所价差套利
  • 期权smile/skew

何时融合：

  • Stablecoin de-peg（链上mint/burn + CEX交易）
  • Cross-chain liquidity研究

常见错误：用Subgraph/Dune拉Uniswap V3 swap做高频研究——延迟分钟级，远不如直接订阅Swap event log。

第5条：alpha decay的7种形态

基本规律：每个alpha都会衰减。健康pipeline是3-5个alpha同时运行 + 每月找1-2个新idea + 接受老的fade out。

7种形态：

  1. 信息扩散：你发现的pattern被别人也发现 → Sharpe monotonic下降
  2. 资金流入：alpha source容量挤满 → 收益率压缩
  3. 市场结构变化：交易所/链升级（如The Merge、UniV3）改变市场
  4. 监管压力：OFAC、SEC等监管行动直接关掉策略
  5. 技术升级：合约/链升级改变interface或经济
  6. 协议改版：fee/激励调整改变alpha source
  7. 规模约束：你自己的资金体量到达策略容量

不同类型的应对不同：

  • 信息扩散：放低预期但继续
  • 资金流入：限制自己仓位<10%总capacity
  • 市场结构变化：提前准备替代alpha
  • 监管：多管辖地分散
  • 技术升级：订阅GitHub release
  • 协议改版：参与governance
  • 规模约束：diversify

第6条：风险管理3层结构

Pre-trade（决定能不能下单）

  • Position limit（多维度：symbol/venue/strategy/total/concentration）
  • Risk budget（VaR分配到各策略）
  • 相关性约束
  • Counterparty exposure（FTX之后业内共识：单交易所<15%）
  • Pre-trade checklist 8项

Runtime（持续监控）

  • Historical VaR（不用parametric VaR，crypto fat tail）
  • 最大回撤熔断（soft/hard/total三档）
  • 流动性风险monitor
  • Greeks残留（衍生品）
  • Heartbeat监控

Post-trade（事后归因）

  • PnL归因（三层：alpha/beta/cost）
  • 实盘 vs 回测reconciliation（每周差异>20%必查）
  • Greeks残留累积管理
  • 数据/模型drift detection（KS test）

三层目标对应：不犯错 / 早发现 / 持续学习。

第7条：从研究到实盘的工程化路径

5阶段：

  1. 研究（Jupyter）：1-3周
  2. 回测（vectorbt + 自研框架）：2-4周
  3. Paper trading（沙盒/testnet）：2-4周
  4. 小资金主网（<$10k）：4-8周
  5. Scale up：6-24个月

每阶段核心通过标准：

  • 阶段1：IS Sharpe>1.5 AND OOS Sharpe>1.0
  • 阶段2：加完整成本后Sharpe>1.0；walk-forward Sharpe>0.8
  • 阶段3：7连续日无bug；paper PnL与回测差异<20%
  • 阶段4：实盘Sharpe下降30-50%是正常的
  • 阶段5：边际Sharpe下降>30%停止scale

工程化checklist：版本控制、测试覆盖、CI/CD、Logging、Monitoring、Alerting、On-call、DR plan、资金分散、Hot/Cold分离。

三、写作中的反思

写这篇方法论的过程本身就是一次大体检。下面记录三类发现。

3.1 写到哪几处发现自己理论不扎实需要回查

3.1.1 SVI参数化的constraint condition

写第3.1节"BS失效与SABR调整"时，提到"SVI 5参数 $(a,b,\rho,m,\sigma)$"，但临时不记得full constraint set是什么（防止arbitrage的条件）。回查Gatheral 2004原文，发现完整constraint：

  • $b \geq 0$
  • $|\rho| \leq 1$
  • $\sigma > 0$
  • $a + b\sigma\sqrt{1-\rho^2} \geq 0$ （ensures total variance > 0）

这些constraint本来Day 65有写，但当时没记牢。反思：拟合参数模型时不只是minimize loss，还要check constraint after每一步iteration。

3.1.2 Hansen SPA test vs White Reality Check

写第4.5节"Optimization bias"时，提到"White's reality check + Hansen's SPA test"，但临时不能精确说出二者差异。

回查后：

  • White RC: 测试一组trading rules里"最佳"是否真的有predictive ability over benchmark。
  • Hansen SPA: 改进White RC，对"poorly performing alternatives"做robust检验，p-value更tight。

反思：以后涉及多重比较，先用Hansen SPA，White RC作为supplement。

3.1.3 Engle-Granger两步法的小样本问题

写3.4节"协整稳定性"时，写到"crypto pairs的Engle-Granger协整在bull/bear切换时经常断裂"。但Engle-Granger本身在小样本（n<200）下有bias，crypto高频数据上可能呈现假阴性（漏掉真协整）或假阳性（误判协整）。

回查Phillips-Ouliaris 1990原文 + Johansen 1991的VECM方法，发现Johansen在小样本和multiple cointegration vector下更鲁棒。反思：白皮书v2应该补充Johansen方法。

3.1.4 Hawkes process在做市的应用

写第3.3"做市A-S/GLFT"时，提到"adverse selection term"。但严格的adverse selection建模应该用Hawkes process（Bacry-Muzy 2014），我Day 79虽然提了一下但没深入。

反思：v2应该把Hawkes process expand成单独section。crypto做市顶级团队（Wintermute/GSR）一定都在用。

3.2 写作中产生新认知的地方

3.2.1 把"alpha decay 7种形态"系统化

每天的研究都涉及alpha decay，但第一次把所有形态收集到一起做表格对比——发现7种形态的应对策略完全不同：

  • 信息扩散：放低预期继续做
  • 资金流入：限制自己仓位
  • 市场结构变化：提前准备替代
  • 监管：多管辖地分散
  • 技术升级：订阅release
  • 协议改版：参与governance
  • 规模约束：diversify

之前我笼统认为"alpha decay了就找新的"，这是hostile错的——根据原因不同，应对差别巨大。

3.2.2 数据基础设施的"3倍工作量"原则

之前以为数据infrastructure是model的"附属",写第2章时统计了Phase 2的60天里每天花在数据vs模型上的时间：

  • 数据相关（拉数据/清洗/对齐/补漏）：约40%
  • 模型相关（公式/校准/参数）：约15%
  • 回测/分析/写作：约45%

所以数据团队工作量是模型团队的~3倍。这是个真实的发现，对creating团队/招聘有直接influence。

3.2.3 风控3层结构的清晰边界

之前Pre-trade和Runtime的checking的边界我心里是模糊的。写第5章时强迫自己逐项归类：

  • "下单前必跑的check" → Pre-trade
  • "持仓中持续监控的metric" → Runtime
  • "事后做的归因/reconciliation" → Post-trade

发现一个edge case："Heartbeat监控"——心跳是runtime还是infra？我归到runtime是因为它会trigger动作（自动平仓），但严格说是infrastructure。这种边界模糊但写作过程强迫我take a position。

3.2.4 OFA对MM的冲击

写第7.3节OFA时，意识到一个之前没明白的事：

  • 传统DEX MM (Uniswap LP)的收入来自swap fee
  • OFA (CowSwap/UniswapX/1inch Fusion)把orderflow送去solver
  • Solver做内部batch + RFQ + 链下matching，绕过了传统pool
  • 结果：传统LP收益持续下降，但成为solver需要capital + simulation能力 + speed

新认知：crypto量化的"做市"角色正在bifurcate成两派——passive LP（被动赚fee，但被OFA压缩）和active solver（主动接orderflow，类似TradFi internalization）。这个trend对未来3-5年的方法论影响巨大。

3.2.5 "工程化路径"的非线性时间

阶段4（小资金实盘4-8周）远比阶段3（paper 2-4周）时间长——直觉上paper更复杂啊？写到这里我才理解：paper的bug是技术bug（一次性fix），实盘的bug是认知bug（要反复发现）。

  • Paper bug：API错码、连接断、数据延迟
  • 实盘bug：流动性比paper小、对手方reaction、自己的逻辑漏洞

实盘的认知bug是一个一个出现的，每个都需要1-2周才能彻底理解+fix，所以总时间长。这个发现应该刻在团队的工作流程里——给阶段4留足时间。

3.3 与传统TradFi方法论冲突的地方

3.3.1 "市场参与者理性假设"的彻底失败

TradFi方法论隐含市场参与者大致理性。crypto里:

  • 2021-Doge meme rally（Elon tweet driven）
  • 2024-Trump victory pump
  • 2025-AI agent driven Polymarket positions
  • Memecoin的纯community-driven price action

这些根本不能用efficient market的扰动来解释，是primary driver。所以传统的"alpha = mispricing - cost"框架在某些crypto子市场失效。

我的调整：在因子模型里加入"narrative score"或"social sentiment"作为factor。Day 92写过但写得偏弱。v2要补强。

3.3.2 "Counterparty risk可量化"的失败

TradFi里counterparty risk有CDS市场、信用评级。crypto里：

  • FTX崩盘（2022-11）：前几周还在募集流动性
  • Anchor Protocol UST崩盘（2022-05）：宣传"20% APY"到崩盘只有1周
  • Curve漏洞（2023-07）：合约bug导致$70M损失

这些都没有任何市场化信号提前warning。结论：crypto对counterparty risk 唯一有效的对策是物理分散+自托管，不是数学建模。

3.3.3 "市场流动性可估计"的失败

TradFi里bid-ask spread + volume给出可靠的流动性估计。crypto里：

  • 流动性可在30秒内100x波动（whale进出）
  • 链上池的TVL不等于真实可用liquidity（一笔大单瞬间price impact飙升）
  • Wash trading让volume metric不可信

结论：流动性必须实时实测，不能用历史平均。我的策略代码里加入"adaptive position sizing based on real-time liquidity probe"——下小单测试当前流动性，再决定真单size。

3.3.4 "市场是single venue"的失败

TradFi有consolidated tape，所有trade集中报告。crypto里根本没有"the market"——有100+个CEX、50+条链、数千个DEX。

  • BTC价格是Binance Spot、Coinbase Spot、CME Futures、Deribit、Bybit Perp的weighted blend？
  • 哪个是"true price"？

结论：放弃"true price"概念，所有策略的price input都是reference合成。这与TradFi思维方式根本不同。

3.3.5 "策略容量是慢慢hit的"的失败

TradFi里strategy capacity hit是渐进的，能提前几个月看到信号。crypto里：

  • 一个alpha可能在2周内被多家fund同时发现+复制
  • 突然容量打满，Sharpe从2跌到0.3

结论：crypto策略要有"capacity exit plan"——一旦发现alpha开始衰减，几天内决定是减仓还是切换，没有从容退出的时间窗口。

四、白皮书自评与v2规划

4.1 v1的优点

  • 结构完整：10章 + 3附录，覆盖数据→模型→回测→风控→实盘→MEV→团队，体系性强。
  • 真实数据：每章有具体数字（FTX崩盘日期、Deribit IV typical range、各CEX fee率）。
  • 实操导向：附录B"真实策略案例3则"给读者具体可对比的baseline。
  • 取舍有据：从15章砍到10章，每章的"关键洞察"提炼到位。

4.2 v1的不足

4.2.1 高频与tick-level讨论不够深

由于"方法论文档"定位，HFT/colocation/网络优化基本被舍弃。但crypto顶级做市team（Wintermute/Jane Street）的核心能力就是这些。v2考虑加单独appendix讨论HFT工程。

4.2.2 跨链/L2的处理太薄

第7章"链上量化"大部分围绕Ethereum mainnet，但2026年大量crypto量化在L2 (Arbitrum/Base)和alt-L1 (Solana/Sui)。v2需要加一章"多链量化的特殊性"：

  • L2 sequencer风险
  • Solana的reorg/MEV特点（Jito vs Helius）
  • Cross-chain MEV（intent-based）

4.2.3 AI/LLM的integration缺失

整本书提了AI agent作为新参与者，但没有讨论AI/LLM如何集成到量化研究流程本身：

  • LLM做hypothesis generation
  • LLM分析governance proposals做调仓
  • LLM做news/sentiment factor
  • AutoML for parameter optimization

这是2026年的trend，v2必加章节。

4.2.4 心理学与连续运营

完全没讲：

  • 怎么应对连续亏损
  • 怎么避免over-trade
  • 怎么管理研究员/操作员的情绪
  • "Trader burnout"的管理

TradFi书有专门讨论（Steenbarger, Douglas等），crypto版本应该有。v2会加心理学chapter。

4.2.5 真实performance data较少

虽然附录B有3个真实策略，但其他章节的claim "Sharpe XX"多是回测estimate。v2希望加更多full transparency披露：每周PnL曲线、月度归因、ad hoc events处理。这需要至少12-24个月真实运营才能写好。

4.2.6 链上forensics/合规

完全没讲：

  • 如何审查交易对手是否OFAC sanction list
  • 钱包/地址的KYT (Know Your Transaction)
  • 合规reporting（FATF, MiCA要求）

机构级团队这是必须的，v2加合规章。

4.3 v2规划（预计2027-Q1）

新增章节：

  • Ch11: 多链量化的特殊性（Solana/L2/cross-chain）
  • Ch12: AI/LLM在量化研究中的集成
  • Ch13: 交易心理学与连续运营
  • Ch14: 合规、KYT与机构级运营

补充章节：

  • Ch3.5重写：更深的Hawkes process / Cartea-Jaimungal的微观结构
  • Ch4补充Johansen多协整测试
  • Ch5补充Stress testing方法
  • Ch7补充Solana / Sui的MEV
  • Ch8补充sentiment / narrative作为factor

附录扩展：

  • 附录D：HFT工程深入
  • 附录E：合规checklist
  • 附录F：完整Trading Journal模板（连续90天的范例）

五、写作过程的工具与时长

5.1 时间分配

实际写作12小时，分配如下：

  • 阅读/回顾60天笔记: 2小时（速读，找gold）
  • 大纲设计 + 砍章节: 1.5小时（最重要的1.5小时）
  • 第1-3章写作: 3小时（理论部分，引用多）
  • 第4-6章写作: 2.5小时（最长，回测+风控+实盘）
  • 第7-10章写作: 2小时（crypto专属和展望）
  • 附录: 0.5小时（清单类，快）
  • 修订/格式/cross-reference: 0.5小时

5.2 工具

  • 大纲工具：直接Markdown列大纲，砍2轮
  • 写作工具：VSCode + markdown preview
  • 数据回查：Day 61-116 笔记grep
  • 表格设计：先用csv画在脑里，再markdown

5.3 经验教训

  • 大纲花的时间不要省：1.5小时大纲省了至少3小时返工
  • 每章独立写：先Ch1独立完整，再Ch2独立，不来回切换
  • 关键洞察写在最后：每章写完再回头提炼"关键洞察"，比一边写一边强行总结好
  • 数据精确度：所有数字（fee率、IV值、cap规模）写完后grep一遍核对，避免manual error

六、对Phase 2的思考

写完这篇方法论，是Phase 2 (Day 61-120)的真正完结。回望60天：

  • 数学功底从"会用BS公式"到"理解BS的5个失效假设并能调整SVI/SABR/Heston"
  • 从"知道做市概念"到"完整推导A-S/GLFT在crypto的参数选择"
  • 从"知道协整概念"到"识别协整的小样本/regime-dependent issues"
  • 从"知道MEV存在"到"能搭建mempool listener、bundle simulator、searcher bot"
  • 从"用vectorbt回测"到"识别5重陷阱并设计robust validation"

最重要的元能力收获：

  1. 看到一个市场现象，能"解剖"出数据/模型/执行三层
  2. 看到一个回测结果，能本能怀疑5个陷阱
  3. 看到一个alpha，能预估它的衰减路径
  4. 看到一个团队/产品，能识别其在crypto量化栈中的位置

这些不是知识，是直觉。直觉是60天每天写笔记+做实操+反思才能长出来的。

七、明日预告

Day 120是Phase 2的真正最后一天。计划做：

  1. 整理作品集index：把60天的所有产出（代码 + 笔记 + 报告 + 白皮书）整理成portfolio README
  2. 写Phase 2总结报告：Sharpe contribution by alpha, capacity estimate, lessons learned
  3. 拟定Phase 3规划：下一阶段是 "AI×Web3 / DeFi产品" 还是 "自主交易fund / Solo prop shop"，要做决策
  4. 发布白皮书的初版：考虑发到Mirror或个人GitHub Pages

Phase 2量化与市场微观结构 Day 61-120 即将收官。从概率论基础到MEV bot，从手写OU校准代码到撰写20页方法论白皮书，这60天是过去10年学习生涯里密度最高的一段。

今日小结

维度内容
新做撰写20页《Crypto量化研究方法论》白皮书v1.0（约1500行）
新学方法论写作的取舍框架、知识压缩的具体技巧
新错SVI constraint忘了细节、Engle-Granger小样本问题没充分考虑、Hawkes process应用应该展开
新见Alpha decay 7形态首次系统化、数据团队工作量是模型3倍、OFA bifurcate做市角色
明日Day 120 — Phase 2收官 + Portfolio整理 + Phase 3决策

附：本日产出的白皮书路径：

  • E:\code\momofinance\momoweb3\docs\CRYPTO_QUANT_RESEARCH_METHODOLOGY.md
  • 行数：约1500行
  • 章节：10章主体 + 3个附录
  • 状态：v1.0 完成，v2规划已起草

END OF DAY 119

上一篇
Day 118: EXPERT Day 118: MEV 搜索器开发——从原子套利到 Flashbots 提交
下一篇
Day 120: Phase 2 总结 — 60天量化深度学习回顾