相关性管理 — 因子 + 期权 + 现金

日期: 2026-07-02 方向: Phase 2 / 相关性管理 阶段: Phase 2: 策略实战 + AI 信号 标签: #Correlation #Diversification #RollingCorrelation #StressTest #EffectiveN #TailCorrelation

---

今日目标

---

一、为什么相关性是「隐形 risk」

Phase 2 这 8 周我们叠了三条腿：双因子（动量+质量） + Wheel（CSP/CC） + IC + LLM 财报信号。每一条单独看，Sharpe 都接近 1.0（paper trade 实测）。直觉上「三个独立 Sharpe = 1.0 的策略合起来 = Sharpe √3 ≈ 1.7」，听起来很美。

这个直觉只在相关性 = 0 时成立。一旦相关性偏离 0，合并 Sharpe 直接塌。

1.1 三策略组合 Sharpe 的数学

假设三策略等权、单策略 σ 相同、相关性 ρ 对称：

组合方差 = (1/N)² × Σσᵢ² + (1/N)² × Σᵢ≠ⱼ ρ·σᵢ·σⱼ
        = σ²/N × [1 + (N-1)·ρ]

组合 σ = σ × √([1 + (N-1)·ρ] / N)

组合 Sharpe = Sharpe_single × √(N / [1 + (N-1)·ρ])

N = 3 时，组合 Sharpe 关于 ρ 的敏感性：

这张表的杀伤力：你以为自己在做组合管理，实际上 ρ = 0.8 时和「全压一个策略」表现一样，只是分了三份 commission 和三份认知负担。这是「prematurely declared diversification」——给自己一个分散的错觉。

更糟的是，多策略组合还引入了额外摩擦：每条腿的 commission / slippage / bid-ask 都是独立累加的；管理三条腿的认知带宽是「能不能在该砍仓时不犹豫」的实质性约束。这些摩擦在 ρ = 0.8 时几乎是纯成本——名义分散却没拿到分散的红利，反而背了多腿运营的所有 cost。对个人 trader 而言，这是「自己亏自己」的隐形税。

一个具象化的算法：假设每条腿年化交易成本 1.5%，三条腿组合年化总成本 ≈ 1.5%（共享 capital，不叠加），但单策略只需 1.5%、风险等价的话，三条腿在 ρ = 0.8 下的「净 alpha」反而比单策略低，因为没拿到分散红利却付了额外的认知和管理成本。结论：ρ > 0.7 时停止增加同类策略，找新的 factor exposure 来源。

1.2 Sharpe 不是唯一受害者，drawdown 更糟

相关性高的另一个后果：所有策略同时跌。Sharpe 是个 average 指标，drawdown 是个 max 指标，相关性对 drawdown 的伤害更非线性：

• ρ = 0 时，三策略 max DD 同月发生的概率 ≈ 1/27（假设独立、均匀）
• ρ = 0.8 时，几乎一定同月发生 —— 组合 max DD ≈ 单策略 max DD

对一个 <$5k 的账户，max DD 关乎你能不能在恢复前停手。Sharpe 高但 DD 集中的策略，心理上比 Sharpe 低 DD 分散的策略更难执行。

---

二、Phase 2 三策略实证相关性

Phase 2 paper trade 这 7 周（Day 30-53）累计了约 35 个交易日的 daily P&L。粗略统计如下（数据是当前 paper 账户，noise 很大，仅供方向判断）：

2.1 两两相关性现状

N_eff 估算：把 3 策略等权代入下面 §6 的公式，N_eff ≈ 2.18。

解读：名义上 3 条腿，有效分散只值 2.18 条。损失了约 27% 的「理想分散红利」。可接受，但不能再加 long-biased 的策略了——加进去 N_eff 反而会下降。

2.2 为什么双因子和 Wheel 相关性最高

Insight：「策略形式不同」≠「相关性低」。两个策略用 long-only 的姿势接触同一组大盘股，相关性必然高——形式只是 wrapper，真正决定相关性的是底层 risk factor exposure。

这个洞察迁移到产品设计也成立：两个看似不同的功能（比如「订单管理」和「履约跟踪」），如果都依赖同一个核心 service（库存中台），故障时一起挂——「分散」是个 UI 假象。架构和组合的本质都是 factor exposure 分析，不是表面分类学。

把它转成可操作的检查清单：每加一条新策略前，我会逼自己回答三个问题。第一，market β 是多少？ 0.8 以上视为「又一条多头腿」，要谨慎。第二，sector / region 集中在哪？ 如果都在大盘美股科技股，分散度有限。第三，alpha 来源是什么？（趋势 / mean-reversion / event / vol / macro / liquidity provision）来源不同才是真分散。Phase 2 的三条腿勉强通过：双因子 = 趋势 + quality，Wheel = vol premium，IC + LLM = event。三种不同的 alpha 来源，是 N_eff = 2.18 而不是更低的根本原因。

2.3 为什么 IC + LLM 是好补丁

• Iron Condor 本质上 short volatility + market-neutral，δ 受控（构造时就 δ-neutral）
• LLM 财报信号给的是「特异性事件」alpha，与 macro flow 解耦
• underlying 是单股，与 SPY/QQQ 的 idiosyncratic part 几乎独立

代价：IC 在 vol spike 时大亏（short γ 的本质风险）。它的相关性低只在正常市场成立，crisis 时 ρ 会迅速漂移——这就是下文要讲的 tail correlation。

---

三、Rolling correlation：为什么不能用 full-sample

3.1 Full-sample 估计的两大问题

问题 1：用未来数据评估当前 risk。如果用 1 年全样本 ρ = 0.4 来评估今天的 portfolio risk，相当于「假设未来一年 ρ 还会回到 0.4」——这是个非平稳性赌博。

问题 2：regime mixing 会平均掉 tail。一年里也许有 11 个月 ρ = 0.2，1 个月 ρ = 0.9，平均下来 ρ ≈ 0.27。看着挺好，但你真正会被打爆的那个月ρ 是 0.9，不是 0.27。Full-sample 把那个杀手月的信号摊薄了。

3.2 Rolling window 怎么选

做法：同时跑 20d 和 60d。短窗触发预警，长窗确认趋势。两者背离时（20d 飙升 vs 60d 稳）值得人工 review。

3.3 Pearson vs Spearman vs Kendall

• Pearson：线性相关，对 outlier 敏感
• Spearman：rank correlation，对 outlier robust，但忽略量级
• Kendall：concordance-based，对小样本更稳定

我的选择：主用 Spearman。原因：35 个交易日的样本里 outlier 太多（一个财报跳空就能扭曲 Pearson），Spearman 给的「方向是否一致」更稳定。Pearson 作为辅助看量级。

---

四、代码：correlation_monitor.py

4.1 数据结构假设

每个策略输出 daily P&L，存为 CSV：

strategies/
├── factor_pnl.csv     # date, pnl_usd, return_pct
├── wheel_pnl.csv
└── ic_llm_pnl.csv

4.2 完整脚本

# correlation_monitor.py
"""
Phase 2 三策略相关性监控。
- 加载三条 P&L 时间序列
- 计算 20d / 60d rolling Pearson + Spearman
- 与历史 90% percentile 比对，超阈值告警
- 输出 N_eff (effective diversification)
"""

import pandas as pd
import numpy as np
from pathlib import Path
from datetime import datetime
import warnings
warnings.filterwarnings("ignore")

STRATEGIES = ["factor", "wheel", "ic_llm"]
PAIRS = [("factor", "wheel"), ("factor", "ic_llm"), ("wheel", "ic_llm")]
SHORT_WIN, LONG_WIN = 20, 60
ALERT_PCT = 0.90  # 历史 90% 分位作为告警线


def load_returns(path: Path) -> pd.DataFrame:
    """读取并 align 三条 P&L 时间序列，返回宽表（date × strategy）。"""
    frames = {}
    for s in STRATEGIES:
        df = pd.read_csv(path / f"{s}_pnl.csv", parse_dates=["date"]).set_index("date")
        frames[s] = df["return_pct"]
    wide = pd.concat(frames, axis=1).dropna()
    return wide


def rolling_corr(wide: pd.DataFrame, window: int, method: str = "spearman") -> dict:
    """对每对策略算 rolling correlation。返回 dict[pair] -> Series。"""
    out = {}
    for a, b in PAIRS:
        out[f"{a}|{b}"] = wide[a].rolling(window).corr(wide[b], method=method) \
            if method == "pearson" \
            else wide[[a, b]].rolling(window).corr().unstack().iloc[:, 1]
        # 注：Spearman 在 pandas rolling 里没直接支持，用 rank 转换后做 Pearson 等价
    return out


def rolling_spearman(s1: pd.Series, s2: pd.Series, window: int) -> pd.Series:
    """手写 rolling Spearman = rolling Pearson(rank, rank)."""
    r1 = s1.rolling(window).rank()
    r2 = s2.rolling(window).rank()
    return r1.rolling(window).corr(r2)


def effective_n(corr_matrix: np.ndarray, weights: np.ndarray) -> float:
    """N_eff = 1 / (w' R w)（等 vol 假设下），数值越大越分散。"""
    w = weights / weights.sum()
    quad = w @ corr_matrix @ w
    return 1.0 / quad if quad > 0 else np.nan


def alert_check(rolling: pd.Series, history_pct: float = ALERT_PCT) -> tuple:
    """与历史分位比较。返回（当前值，阈值，是否告警）。"""
    series = rolling.dropna()
    if len(series) < 30:
        return (np.nan, np.nan, False)
    threshold = series.quantile(history_pct)
    current = series.iloc[-1]
    return (current, threshold, current > threshold)


def run_report(data_dir: str = "./strategies") -> None:
    wide = load_returns(Path(data_dir))
    print(f"\n=== Correlation Monitor — {datetime.now():%Y-%m-%d %H:%M} ===")
    print(f"Data span: {wide.index.min().date()} → {wide.index.max().date()}, n={len(wide)}\n")

    # 1) Full-sample baseline
    full = wide.corr(method="spearman")
    print("Full-sample Spearman ρ:")
    print(full.round(2), "\n")

    # 2) Rolling + alert
    for a, b in PAIRS:
        short = rolling_spearman(wide[a], wide[b], SHORT_WIN)
        long_ = rolling_spearman(wide[a], wide[b], LONG_WIN)
        cur_s, thr_s, alert_s = alert_check(short)
        cur_l, thr_l, alert_l = alert_check(long_)
        flag_s = "ALERT" if alert_s else "ok"
        flag_l = "ALERT" if alert_l else "ok"
        print(f"{a:>6} ↔ {b:<7} "
              f"20d ρ={cur_s:+.2f} (90%={thr_s:+.2f}) [{flag_s}] | "
              f"60d ρ={cur_l:+.2f} (90%={thr_l:+.2f}) [{flag_l}]")

    # 3) Effective N
    R = wide.corr(method="spearman").values
    w = np.array([1/3, 1/3, 1/3])  # equal weight
    n_eff = effective_n(R, w)
    print(f"\nN_eff (equal weight, full sample) = {n_eff:.2f}  "
          f"(nominal=3, ideal=3 at ρ=0, =1 at ρ=1)")

    # 4) Tail correlation：取 |return| 最大 10% 的日子重算
    threshold_q = wide.abs().sum(axis=1).quantile(0.90)
    tail_days = wide[wide.abs().sum(axis=1) >= threshold_q]
    if len(tail_days) >= 10:
        tail_corr = tail_days.corr(method="spearman")
        print(f"\nTail correlation (worst 10% days, n={len(tail_days)}):")
        print(tail_corr.round(2))
        n_eff_tail = effective_n(tail_corr.values, w)
        print(f"N_eff in tail = {n_eff_tail:.2f}  ← 这个数才是真正决定 max DD 的")


if __name__ == "__main__":
    run_report()

4.3 输出示例（Phase 2 当前数据）

=== Correlation Monitor — 2026-07-02 09:15 ===
Data span: 2026-05-12 → 2026-07-01, n=35

Full-sample Spearman ρ:
        factor  wheel  ic_llm
factor    1.00   0.52    0.18
wheel     0.52   1.00    0.21
ic_llm    0.18   0.21    1.00

factor ↔ wheel   20d ρ=+0.61 (90%=+0.58) [ALERT] | 60d ρ=+0.52 (90%=+0.55) [ok]
factor ↔ ic_llm  20d ρ=+0.15 (90%=+0.30) [ok]    | 60d ρ=+0.18 (90%=+0.28) [ok]
wheel  ↔ ic_llm  20d ρ=+0.23 (90%=+0.32) [ok]    | 60d ρ=+0.21 (90%=+0.30) [ok]

N_eff (equal weight, full sample) = 2.18

Tail correlation (worst 10% days, n=10):
        factor  wheel  ic_llm
factor    1.00   0.78    0.55
wheel     0.78   1.00    0.61
ic_llm    0.55   0.61    1.00
N_eff in tail = 1.42  ← 这个数才是真正决定 max DD 的

注意最后两行：normal regime 下 N_eff = 2.18 看着挺健康，tail regime 下 N_eff 塌到 1.42——也就是说大跌日里你的「3 条腿」实际效用只值「1.42 条腿」。这正是下一节的主题。

---

五、Tail correlation：crisis 时的「分散失效」

5.1 历史教训

金融 PM 视角：这就像消费业务里「经济衰退时所有 SKU 都跌」。平时你以为 SaaS 卖给金融客户 / 广告 / 零售三条业务线分散，衰退一来三条业务线一起塌——它们的失败相关性比你算的 customer overlap 高得多。

5.2 为什么相关性会飙升

三个机制：

1. 流动性传染：人在恐慌时砸的是能砸的，不是该砸的。大宗、可空、流动性好的资产被无差别抛售，导致原本无关的资产同跌。
2. 去杠杆螺旋：margin call → 强平 → 价格下跌 → 更多 margin call。这个过程不挑资产，所有杠杆头寸同时被推向出口。
3. risk-on / risk-off 二元化：平时市场关注 idiosyncratic 因子，crisis 时只有一个因子——「能不能换成现金」。所有资产被压缩到一个维度，ρ 自然飙升。

5.3 怎么提前感知

我自己用三个简单领先信号：

任一触发时主动把相关性矩阵换成 §4.3 的 tail correlation 来评估当前 risk——不要等 rolling ρ 自己漂上去（那时已经晚了 1-2 周）。

这里有一个微妙的认知陷阱：rolling correlation 本身是 lagging 指标。当 60d 矩阵告诉你「相关性飙到 0.8 了」，市场往往已经经历了核心冲击的大部分。把领先信号（VIX / OAS / MOVE）和 rolling ρ 配合用，相当于给监控加了前瞻视角。我自己的工作流：每天收盘后先看三个领先指标，任一突破阈值 → 直接调用 tail correlation block 评估，而不是等 rolling 自己反应。

另一个常被忽视的点：相关性的方向也会切换。比如 stock-bond correlation 在低通胀时代是负的（bond 涨 stock 跌时对冲），在高通胀时代变正（2022 同跌）。如果你的 portfolio 依赖「bond 对冲 stock」这条假设，必须每月检查这个 ρ 的符号——一旦符号翻了，hedge 立刻失效。这种结构性切换在 rolling 60d 上看起来就是「负转正」的跨零点，是个非常强的 regime shift 信号。

---

六、Effective N：度量你真有几条腿

6.1 公式

最常用的形式（等权 + 等 vol 假设下）：

N_eff = 1 / (w' R w)

其中 w = 权重向量（和为 1）
     R = 相关性矩阵

更一般的形式（不等权 + 不等 vol）：

σ_p² = Σ wᵢ² σᵢ² + Σᵢ≠ⱼ wᵢ wⱼ σᵢ σⱼ ρᵢⱼ
σ_p = portfolio std
N_eff = (Σ wᵢ σᵢ)² / σ_p²    ← 直观意义：「如果完全独立同 vol，等效几条腿」

6.2 几个 sanity check

关键观察：N=10 但 ρ=0.3 时，N_eff 只有 2.83——也就是说ρ=0.3 的 10 条腿，分散效用还不如 ρ=0 的 3 条腿。这就是为什么对冲基金愿意花大代价找真正不相关的 alpha——加 100 条相关的不如加 1 条独立的。

6.3 我们的目标线

Phase 2 当前 normal N_eff = 2.18 ✓，tail N_eff = 1.42 ⚠—— tail 不及格，是 Day 55 VaR/CVaR 要重点处理的问题。

---

七、如何降低相关性：能加什么 vs 不能加什么

7.1 可考虑的 truly uncorrelated 来源

7.2 为什么 <$5k 资金不能像机构那样分散

结论：<$5k 阶段不能学机构搞 10+ 条腿。3-4 条精选的腿 + 适度现金 buffer 是合理上限。再多就是「假分散，真摩擦」。

7.3 我的 Phase 2 推荐配置

新加的最后 3 项让 tail N_eff 从 1.42 升到 ~1.8（粗算），代价是 normal 时 30% 资金不在产生 carry——这是「保险费」，必须接受。

把它进一步拆解，「保险费」可以量化：

• 现金 / SGOV 20%：年化拿 ~4.5% T-bill 收益，相对 S&P 长期 ~9% 的机会成本是 4.5%。机会成本 = 0.20 × 4.5% = 0.9% portfolio drag/年。
• VIX call ladder 5%：年化 decay 约 70-80%（OTM call 大部分到期归零），机会成本 ~4%。drag = 0.05 × 4% = 0.2% portfolio/年。
• GLD 5%：长期接近 zero-real-return，相对 equity drag 约 5%。drag = 0.05 × 5% = 0.25% portfolio/年。

合计 hedge + cash 总 drag ≈ 1.35% portfolio/年。换取的是 §8 stress test 里 -16% 而非 -33% 的 max DD。这个比率（1.35% 保费换 17pp DD 减少）相当于「年化 1.35% 买 ~12x leverage 的尾部保险」——对 <$5k 账户、心理承受力有限的散户来说，是值得的。

但这套配置也有反面：牛市跑不赢纯 long-only。如果未来一年 SPY +25%，无 hedge 版本（50% 因子 + 30% Wheel + 20% IC）可能 +18%，有 hedge 版本（按上面权重）只有 +12%。6% 的 underperformance 是显性的，要事先告诉自己接受，否则牛市中后期一定会忍不住「拆 hedge 追涨」——这是亏在保险费之外的「行为偏差税」。

---

八、Stress test scenarios

8.1 我必须能回答的三个 scenario

Scenario A：2008 重演（GFC）

Phase 2 portfolio 估算（粗略，30/25/15/20/5/5 配置）：

• 双因子（β ≈ 0.95）：约 -47%
• Wheel（β ≈ 0.7 持有期，CSP 被深度 ITM 行权）：约 -35%
• IC + LLM（vol spike → short γ 爆）：约 -25%
• 现金 / SGOV：0%
• VIX call ladder（hedge 起效）：+200%
• GLD：约 -5%

权重加总： 0.30×(-47%) + 0.25×(-35%) + 0.15×(-25%) + 0.20×(0) + 0.05×(+200%) + 0.05×(-5%) = -14.1 - 8.75 - 3.75 + 0 + 10.0 - 0.25 = -16.85%

对比无 hedge 版本（直接 50/30/20）：约 -33%。hedge 把 DD 砍了一半。

Scenario B：2020 March 急跌

估算：

• 双因子 -32%
• Wheel -25%
• IC + LLM -60%（vol spike + γ short 爆，最坏的 leg）
• 现金 0%
• VIX call +500%（很短窗口内）
• GLD -3%（2020 March GLD 实际短暂下跌后反弹）

权重加总：-9.6 - 6.25 - 9.0 + 0 + 25.0 - 0.15 = -0.0%

有意思：急跌时 VIX hedge 收益巨大，几乎能完全对冲。代价是平时 5% 配置在不停 decay。

Scenario C：通胀 stagflation（2022 重演）

估算：

• 双因子 -19%
• Wheel -14%
• IC + LLM +5%（vol 高但没 spike，IC 反而舒服）
• 现金 0%
• VIX call -50%（没 spike 就 decay）
• GLD -5%

权重加总：-5.7 - 3.5 + 0.75 + 0 - 2.5 - 0.25 = -11.2%

这是最难对冲的 scenario——没有大 spike 让 VIX hedge 失效，bonds 不救命，gold 微跌。Phase 3 要思考的方向：trend-following / managed futures 在 stagflation 中表现最好，但 <$5k 没法配。

8.2 Stress test 的产品启示

三个 scenario 看下来：

1. Phase 2 最大的脆弱点是 stagflation，不是 GFC。心智上要纠正：黑天鹅不一定长得像 2008。
2. VIX hedge 在急跌 scenario 几乎完美，在慢跌 scenario 是负担。配置量不能太大（≤5%）。
3. IC 在 vol 急升 scenario 是 portfolio 的最大 single-position loser——这反过来说明 IC 要严格控制 size，不能因为「market-neutral」就敢加 size。

---

九、High-correlation playbook：触发后做什么

当 §3 的告警触发（20d ρ 突破 90% 阈值），我的固定动作：

重要纪律：playbook 必须是事前写好的，事中不允许临时决定。crisis 时人脑会自动 over-fit 当前数据，事先固定的规则才能真正生效。

---

十、常见错误清单

---

十一、PM 视角：相关性 = 业务线失败相关性

10 年金融零售 PM 视角，相关性管理和业务组合管理是同一件事：

1. SaaS 公司的「三条业务线」：卖给金融客户 / 广告客户 / 零售客户。平时看 customer 没重叠，分散度高；衰退一来 ARR 同时跌——customer 不同，经济周期暴露相同。这就是 portfolio 的 latent factor exposure。
2. 零售集团的「多 SKU」：母婴 + 美妆 + 家电。看着无关，但 2020 疫情期间「线下渠道」是共同 factor，全部停摆。这种 latent factor 通常只在 stress 时显形。
3. 金融机构「分散投资」：跨行业贷款看似分散，但都依赖「企业还款能力」这个 macro factor，衰退时同时坏账。Basel III 的 IRB 模型里 asset correlation 参数就是在量化这件事。
4. 正确的「分散」：要去找真正不同的 factor——比如 SaaS 公司加一条「政府订单」业务（经济周期反相关）；零售集团加一条「廉价必需品」业务（衰退反而火）。

迁移到交易：不要只问「我有几条腿」，要问「我的 latent factor exposure 真的不同吗」。三条腿都 long-biased equity，本质上是「一条腿穿了三套衣服」。

1. 「保险」 vs 「alpha」要分开会计：tail hedge 长期负 carry 是常态，不能用 Sharpe 评估它——就像公司不能用 ROI 评估买的火灾保险。这是金融 PM 在传统业务里早就该有的直觉，但很多人迁移到交易时反而忘了。

2. 「相关性矩阵」就是「业务线之间的依赖图」：在企业架构里，我们会画 service dependency graph，识别 single-point-of-failure。在 portfolio 里，相关性矩阵起的就是这个作用——只不过单位从「调用次数」换成了「return co-movement」。两者都是用来回答同一个问题：「最坏情况下，几条腿同时挂？」。我在 Phase 4（DeFi 协议风险）里也会复用这个框架——多协议 yield 看似分散，实际上都暴露在「Ethereum 主网 + USDC peg + DeFi 同质流动性」三个 latent factor 上，crisis 时同样会 ρ → 1。

3. 「playbook 事前 commit」是金融业的通用纪律：在风控 / 合规 / 灾备 / 安全事件响应里，我们都强调「不能临时决定」。原因都一样——人在 stress 状态下决策质量崩塌。Phase 2 这套 high-correlation playbook 写在文档里，触发时只需要执行不需要思考，这个产品化思路是从金融业风控部门直接搬来的。这就是为什么有 10 年金融 PM 经验做个人量化反而有优势——这些「无聊但救命」的纪律是肌肉记忆。

---

十二、明日预告

Day 55: VaR / CVaR / EVT — 把 tail risk 量化成钱

• VaR 的定义、参数法 / 历史法 / 蒙特卡洛三种估算
• VaR 的致命缺陷：忽略 tail 形状
• CVaR (Expected Shortfall)：tail 平均损失，coherent risk measure
• 极值理论（EVT）：用 GPD 拟合 tail，估算 1-in-100 / 1-in-1000 损失
• 把 Phase 2 三策略的 daily P&L 代入，算：
  • 95% / 99% VaR
  • 95% / 99% CVaR
  • 1-year 1% tail（这才是「能不能挺过去」的指标）
• Stop-loss 和 VaR 的关系（很多人混淆）
• 代码：var_cvar_evt.py

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 从 paper 账户导出三策略 daily P&L → CSV
• [hh:mm] 跑 correlation_monitor.py 第一次输出 baseline
• [hh:mm] 手工验证 N_eff 公式（Excel 对一下）
• [hh:mm] 跑 tail correlation block，确认 N_eff_tail < 1.5
• [hh:mm] 写 §9 playbook 到 docs/trading/HIGH_CORR_PLAYBOOK.md
• [hh:mm] paper trade 加 VIX OTM call ladder + GLD 试试
• [hh:mm] 卡点 / 学到的：

---

今日完成度：理论 ✓ / 代码 ✓ / 实操（你自己执行）/ 笔记 ✓