AlphaNet 引擎释放
引擎发布·2026 年 6 月

Hackworth系列V3：系统化交易引擎

四项优化 deep learning 模型发现、评估和执行阿尔法

AlphaNet2026 年 6 月V3引擎·3种变体·4项优化

Hackworth系列V3改进了AlphaNet的 系统化的交易策略 通过动态位置调整，更大的阿尔法搜索空间， 市场状态 detection 优化动态 TWAP 执行。

我们的定量人工智能策略引擎的下一步发展。四大优化带来卓越表现 风险调整后 返回。 V3 代表了深度学习模型如何在波动的加密市场中发现、评估和执行阿尔法的阶跃函数改进。

策略变体

变体简介设计
Hackworth Prime中性且平衡平衡旗舰。所有 alpha 的权重相对相等，定向敞口约为 25%。旨在应对所有市场条件，同时捕捉肥尾走势。最适合一般部署。
Hackworth Trend长肥尾重针对定向市场优化的长偏变体。通过减少但维持空头敞口，最大化上升趋势中的回报。当宏观趋势信号一致时进行部署。
Hackworth OptimaShort短期和均值回归重最规避风险的变体。均值回归和短期偏差阿尔法的权重较大。以较小的回撤提供较低但稳定的回报。在波动、范围受限的条件下表现出色。

系统化交易引擎：V3升级

Hackworth系列V3建立在V2的多阿尔法集成架构的基础上，具有四个有针对性的优化。每个都涉及战略生命周期的关键组成部分：风险管理、阿尔法发现、制度适应和执行质量。结果是一个更强大、反应更灵敏、盈利能力更强的引擎——现在为 HYPE、TAO、NEAR 和 TRX 具有相同的深度学习驱动智能，在 6 月 5 日 ZEC 崩盘中实现了 +17.2% 的增长。

01 系统交易风险管理的头寸规模

为什么止损很重要

在 V2 中，所有退出都是模型驱动的——深度学习整体决定何时平仓。这在正常条件下效果很好，但在极端波动峰值期间，当模型推理周期错过最佳退出窗口时，可能会滞后。 V3 添加了硬止损机制作为熔断机制：当已实现波动率超过根据资产历史波动率表面校准的动态阈值时，止损将覆盖模型并立即退出头寸。这可以防止黑天鹅事件期间发生灾难性的亏损。

为什么头寸规模很重要

V3中的头寸大小不再是静态的或均匀分布的。它是根据三个输入进行动态计算的：阿尔法信号强度（模型的置信度）、当前波动率（较高的波动率=较小的规模）和可用的风险预算（剩余回撤能力）。更强的信号接收更大的分配；较弱的信号会被缩小或完全过滤掉。这意味着资本被有效地配置——集中在优势最高的地方，保守在不确定性占主导地位的地方。

风险管理和头寸规模调整流程
INPUT SIGNAL      Core model prediction (DL signal output)
                  Volatility assessment (realized / implied)
                  Alpha strength score (signal confidence)
                         |
DECISION ENGINE   DYNAMIC POSITION SIZING ENGINE
                  Size = f(alpha strength, volatility, risk budget)
                         |
  MODEL EXIT      Standard regime-based signal      (low-medium volatility)
  STOP LOSS       Hard exit when vol threshold      (high volatility override)
  SIZE SCALING    Reduce exposure when alpha signal weakens
                         |
IMPACT            OPTIMIZED TRADE EXECUTION
                  Position sized to signal strength + risk budget

影响

止损保护和动态头寸规模的组合创建了两层防御系统。止损充当外围——它们可以防止模型滞后时发生灾难性损失。动态规模调整充当内部过滤器——它确保部署的每一美元都有相称的风险调整后预期回报。它们共同将最大回撤减少了约 15-25%，同时维持或提高了整体回报，特别是在高波动性的情况下，V2 策略偶尔会因不确定信号而遭受过大头寸的影响。

Hackworth 系列策略利用 AI 计算来发现 alpha 来源和相关的基于深度学习的基质。每个 alpha 都是一个独特的深度学习模型，根据数据、架构、交易规则和参数的特定组合进行训练。 V3 计算优化搜索空间是以下各项的多维组合：

尺寸搜索空间
数据集OHLCV、订单簿、资金、链上、跨市场、波动面
核心模型Transformer、LSTM、GRU、CNN、混合架构
交易层进入/退出逻辑、头寸规模、机制触发
参数视野、阈值、特征子集、集成权重

每个策略的搜索空间已增加至 每个策略超过100,000次模拟 ，高于 V2 中的大约 50,000。这种 2 倍的扩展是通过遗传算法修剪逻辑中的计算优化实现的，它消除了管道中早期的低概率配置，而不牺牲发现质量。

为什么这很重要

更大的搜索空间意味着在部署之前评估更多的阿尔法候选者。更多候选者意味着发现不相关信号源的可能性更高——这是平滑资产曲线的关键。在 V2 中，50,000 次模拟的限制有时会删除通过更多计算才能发现的可行配置。 V3 的 100,000 多次模拟与更智能的修剪相结合，抓住了这些错失的机会。四种新策略（HYPE、TAO、NEAR、TRX）在开发过程中均经过了 100,000 多次模拟运行，从而产生了更稳健的 alpha 投资组合，具有更好的样本外性能特征。

03 市场机制检测和动态交易层

核心深度学习模型仅生成预测——原始信号输出。如何将这些信号转化为交易决策是交易者的工作 动态交易层.这是 V3 最重要的升级。专有的无监督学习制度检测系统现在涵盖了 12种市场状态模型，识别超过 27种不同的制度 跨越多个时间范围和市场因子。每个机制都提供了一个可解释的动作触发器，决定如何对模型预测进行操作。

市场状态家族状态
趋势强上·弱上·强下·弱下
熵高无序性·低无序性·过渡
波动与风险扩张·收缩·尖峰·粉碎
宏观相关性风险开启·风险规避·脱钩
体积激增·枯竭·分布·积累
跨资产相关·不相关·领先·滞后

V3补充

V3引入了三个新的市场状态模型系列： 宏观相关性 （跟踪跨资产风险开启/风险规避动态）， 波动机制 (区分扩张、收缩、尖峰和挤压模式），以及 跨资产相关性 （检测资产何时与其行业脱钩或引领其行业）。这些增加了对更广泛市场因子而非特定资产信号驱动的走势的解释力。

响应能力

V3的状态检测比V2更灵敏。该系统现在包括 较短时间范围的状态模型 (1H、2H、4H)以及现有的较长视界模型(1D、3D、7D)。这种多时间范围的方法允许交易层对快速的市场状态变化做出反应，而这些变化以前只是在显着滞后的情况下才被检测到。当 1H 模型发出市场状态转变信号时，交易层可以在几分钟而不是几小时内调整头寸规模。

可解释的动作触发器

V3交易层的一个关键特征是 可解释性.每个交易决策都可以追溯到：(1) 哪些机制模型处于活跃状态，(2) 它们产生了什么机制分类，(3) 该机制如何映射到行动触发器（例如，“高波动性 + 趋势下降 = 头寸规模减少 50%”），以及 (4) 所产生的头寸调整是什么。每笔交易都会记录这四步审计跟踪，使黑匣子在合规性和绩效归因方面变得透明。

04 系统交易引擎中的动态TWAP执行

时间加权平均价格(TWAP)执行引擎已升级为作为多源智能系统运行。在 V3 中，TWAP 引擎从以下位置获取实时数据： 币安期货和Hyperliquid 同时做出执行决策。这种双交易所可见性提供了卓越的价格发现、更深入的流动性意识和更准确的滑点估计——对于部署在具有不同流动性状况的市场上的四种新 V3 策略（HYPE、TAO、NEAR、TRX）尤其重要。

双汇智能

通过从币安期货和 Hyperliquid 提取订单簿深度、近期交易历史和资金费率数据，TWAP 引擎构建了市场状况的综合视图。这很重要，因为：

备份执行机制

V2偶尔会遇到交易优势情况，其中TWAP引擎由于API超时、速率限制或流动性突然消失而无法执行。 V3 解决了这个问题 及时备份机制:

公制V2V3
执行失败~1.2%~0.05%
平均滑点4.2 基点2.8bps
成交率96.8%99.4%
备份激活不适用<0.3%

执行质量影响

TWAP优化直接提高了实现的性能。较低的滑点（4.2 bps → 2.8 bps）意味着策略捕获更多它们识别的阿尔法信号。更高的填充率 (96.8% → 99.4%) 降低了错过执行的机会成本。而且备份机制实际上消除了罕见但成本高昂的“无填充”场景，这种场景偶尔会侵蚀 V2 的回报。对于 HYPE 和 TRX 等高频策略来说，执行精度至关重要，随着时间的推移，这些改进将变得有意义。

更多来自AlphaNet