研究

提炼自主研究：TheKingfisher 如何将市场微观结构转化为风险情报

从清算地图到专门的风险模型，TheKingfisher 正在为交易者和开发者开放新的量化情报层，结合自主研究、可验证实验与市场微观结构分析。

发布 October 21, 2026⏱ 1 分钟阅读研究The Kingfisher市场微观结构

多年来，加密市场的量化分析一直遵循一种简单模式：数据提供商提供指标，交易者尝试把这些信息转化为决策。但当市场加速运行时，这种方法的局限便显现出来。仅仅知道清算集中区的位置并不够。还需要理解订单如何与该价位相互作用、现有流动性能否吸收价格变动，以及看似有利的机会何时会转化为风险。

过去几个月，TheKingfisher 一直在研究这些问题。如今，我们使用自主 AI 系统来提出假设、开展受控实验、验证结果，并保留每次失败实验带来的经验。我们的目标并不是构建一个声称能够预测所有市场走势的单一 AI 模型。相反，我们将复杂的市场问题拆解为更小的机制，衡量其价值，再把最可靠的组件组合成紧凑的风险模型。

我们正通过 Premium 和 Pro 服务开放这些研究成果，用户可以通过产品界面、API 和 MCP（Model Context Protocol，模型上下文协议）集成访问。以下是我们的主要发现。

将市场直觉转化为可验证的研究

让 AI 模型生成交易策略，并不等同于开展科学研究。模型可能发现误导性的相关关系，围绕历史噪声优化参数，或引入交易执行时尚不可获得的信息。这些错误可能带来亮眼的回测表现，却没有多少预测价值。为降低这些风险，我们建立了以四项原则为基础的自主研究环境。

在实验之前定义假设

每个研究智能体都必须说明要检验的机制、预期结果，以及哪些条件会推翻假设。这样可以避免智能体在看到有利结果之后才编造解释。

隔离每项变更

如果某项实验改善了表现，我们必须确定改善来自哪里。受控变更有助于避免把无关机制混合在同一个实验中。

尝试证伪每个结果

我们的实验包含负向对照、按时间顺序划分数据，以及使用开发阶段未曾使用的数据进行测试。一个有前景的信号，必须经受住与其发现环境不同的条件。

将发现与验证分开

提出假设的智能体，不应成为判断假设是否有效的唯一裁决者。独立验证会检查可复现性、交易成本、滑点、资金费用和市场约束。这套框架改变了 AI 在研究中的角色。

AI 并不取代科学方法。它让我们能够按照一致的验证规则，将科学方法应用于更多实验。

为什么更多智能体不会自动带来更多发现

我们最重要的发现之一，与 AI 智能体之间的协作有关。增加参与研究的智能体数量，并不保证生产力提升。缺乏协调时，它们会重复实验、传播未经验证的结论，并收敛到相似的想法。我们在自己的多智能体研究中也观察到了这些局限。因此，我们从不受约束的智能体对话，转向以结构化假设和可验证证据为基础的架构。

系统会保存研究问题、实验、观察和结论之间的关系。每项发现都能关联到支撑它的证据，每个被否定的假设都保留失败原因。这改变了智能体的协作方式：它们不必重复已经完成的实验，而可以利用已有结果、识别尚未解决的问题，并探索新的方向。我们也研究了如何让不同推理能力协同工作，包括提出假设、批判性评估和独立核验。

这种方法减少了重复工作，提高了实验研究的效率。但它最大的价值更加根本：

失败的实验会变成可复用的知识。

在特定市场条件下失败的策略、过滤掉太多机会的筛选器，或计入交易成本后失去优势的模型，依然能够提供有用信息。保存这些发现，可以避免反复犯下同样的错误。随着时间推移，系统积累的不仅是成功的想法，还有对哪些方法无效的结构化理解。

为什么我们选择专门模型，而不是单一的大型预测器

加密市场由多个以不同速度运行的过程构成。订单簿描述可用流动性，已成交交易揭示真实的买卖压力，潜在清算价位则标示价格变化可能触发强制交易的区域。没有任何单一指标能够涵盖整个过程。因此，我们的研究逐步转向模块化方法：用数学变换或紧凑模型解决具体问题，再评估这些组件组合后的表现。

这样更容易独立验证组件、控制复杂度，并在市场条件变化时替换失效机制。以下三个领域体现了这种方法。

在清算背景下理解订单流

订单流失衡指标，包括 VPIN 等度量，试图衡量潜在的有毒交易活动。它们可以帮助识别主动成交对可用流动性施加异常压力的情况。但同样的失衡，在不同市场环境中的含义并不相同。深度充足、流动性良好的市场中出现强大卖压，与潜在清算集中区附近出现类似活动，可能产生不同结果。

因此，我们研究了清算数据如何改善对订单流的解读。实验表明，与单独使用某些微观结构信号相比，加入清算背景可以提高这些信号的实用性。 这支持了 TheKingfisher 的一项重要原则：清算地图不只是市场活动的可视化表示。它提供的信息可以与其他市场数据结合，用于评估风险情景。

为什么良好的入场和退出规则组合后可能表现不佳

即使一套策略同时具备有用的入场信号和合理的退出规则，两者组合后也未必产生良好结果。原因在于执行。交易不仅是一个理论决策，还必须经过真实订单簿执行，面对不断变化的流动性、排队位置、价差和逆向选择。实验显示，如果组合时不考虑这些约束，一些单独有效的改进就会失去价值。

例如，信号可能发现一个有吸引力的机会，但订单实际成交的条件会改变预期结果。这可能产生逆向选择：订单在成交后不久就变得不利的条件下得到执行。结论很直接：

执行质量是信号质量的一部分。

入场逻辑、退出逻辑、风险管理和订单提交方式，并不总能独立优化。它们也必须作为一个完整系统来评估。

识别正在失去优势的机会

并非所有亏损交易都始于价格突然朝不利方向移动。有些交易恶化，是因为预期行情始终没有出现。当波动率收缩、流动性变化或市场进入盘整时，最初有吸引力的机会可能失去价值。因此，我们研究了轻量模型，用来评估机会在初始条件出现之后如何演变。

这些模型并不试图预测每一次未来价格变化，而是帮助识别某个仓位可能已不值得承担其风险的情况。在历史验证中，选择性过滤减少了对某些不利市场条件的暴露，并改善了所研究策略的结果。这些发现取决于评估区间、市场环境和执行假设，但仍展示了将多个专门模型组合为协调风险框架的潜在价值。

更快的研究需要更严格的验证

自主研究让我们可以探索更多假设，同时也增加了出错的机会。在开发过程中，历史模拟与前瞻观察之间的差异，促使我们加强软件控制和验证流程。这些调查再次确认了一个重要教训：数据处理、系统集成或实验配置中的错误，都可能改变模型表面上的表现。即使数学模型本身正确，将它集成到更大的系统中也可能产生意外行为。

因此，我们扩大了一致性检查、可复现性要求，以及模拟结果与观察结果之间的比较。研究环境也在帮助改进自身工具。数值优化、计算性能分析和自动化测试，降低了评估新假设的成本，使我们能够开展更多实验，并投入更多资源进行独立核验。但实验速度更快，并不自动意味着发现更好。

只有证据质量同步提高，研究速度才有意义。

自动化交易的真正约束：执行成本

许多交易策略主要使用历史价格数据开发和评估。这有助于探索想法，却无法完整描述策略在生产环境中的表现。从发现信号到执行交易之间，有多个因素可能改变结果：

交易手续费和买卖价差
滑点与可用流动性
资金费用
执行延迟和订单排队位置

在计入这些成本之前看似盈利的策略，加入现实执行假设后可能失去优势。我们的模拟研究确认，多种方法对这些约束十分敏感。模拟也展示了结合清算信息、微观结构信号与风险控制的潜在收益。这并不意味着任何模型能够保证盈利执行，而是说明决策系统必须评估表面机会之外的因素。

它还必须考虑采取行动的成本与风险。在从研究走向实际执行时，这一区分尤其重要。

由用户自己构建的新一代交易工具

AI 编程助手和智能体协议，正在改变交易者开发软件的方式。开发者和独立交易者如今能够用更少的工程资源，创建定制分析、连接多个数据源并自动化研究流程。这加速了自建交易基础设施，即 Do-It-Yourself（DIY）的发展。用户可以围绕自己的账户规模、风险限制和执行要求构建工具。但开发软件更容易，并不意味着量化交易的根本难题已经消失。

交易者仍然需要可靠的数据、经过验证的假设、有效的风险控制，以及对执行约束的清晰认识。这正是 TheKingfisher 希望提供价值的地方。我们的目标不是让用户被迫使用另一个封闭交易平台，而是提供一层量化情报，让它能融入用户已经使用或选择自行构建的工具。