Gate 研究院：AI 驅動的跨資產交易策略，GCRA 模型與 Gate 多產品執行

摘要

• AI 交易系統的應用重心正從短週期價格預測轉向市場狀態識別、跨資產排序、風險預算、事件提取與執行成本控制，模型價值將更多由成本後收益和風險穩定性衡量。

• 加密資產與股票市場共享流動性、風險偏好和成長風格等驅動因素，BTC、ETH、SOL、科技指數及 AI 龍頭需要納入統一風險框架，避免資產類別分散掩蓋因子集中。

• GCRA 策略（Gate Cross-Asset Regime Allocation）透過多週期趨勢、擁擠度、波動率和相關性信號形成日頻倉位，並設置槓桿、回撤、保證金和模型失效約束，為模擬盤及小規模實盤驗證提供清晰路徑。

• Gate 現貨、永續合約、股票直連、TradFi CFD 與 TradFi Perps 構成跨資產執行體系，產品選擇取決於持有週期、交易方向、流動性、資金費率、隔夜成本和帳戶規則。

引言

AI 交易系統的研究價值，集中在市場狀態識別、跨資產排序、風險預算、文本事件提取與執行成本控制。把下一根 K 線方向交給單一模型，容易受到噪聲、過擬合和市場制度變化影響。本報告構建一套可按日運行的實盤驗證跨資產策略，將 BTC、ETH、SOL、SPY、QQQ 與 AI 產業鏈股票納入統一框架，並依據 Gate 不同產品的交易時段、資金成本、帳戶結構和做空能力完成產品路由。

加密部分同時使用 7 日收益、7/30/90 日波動率、日線 RSI、ADX、資金費率、多空比及 24 小時未平倉量變化；股票部分觀察近一個月路徑、指數相對強弱、個股相對指數收益和事件窗口。Gate 數據顯示，BTC、ETH、SOL 近 7 日分別上漲約 21.3%、27.4% 和 25.3%，三項資產的日線 RSI 均高於 75，未平倉量在最近 24 小時下降 1.84%—3.31%。市場處於中期趨勢延續、短線擁擠升高、槓桿邊際收縮的混合狀態。

本文提出多週期狀態、趨勢與擁擠雙評分、波動率目標、跨資產相關性約束和 Gate 產品執行的實盤框架。系統每日形成一次目標倉位，盤中模型只負責執行和熔斷，不根據短時噪聲頻繁翻轉方向。

本文僅供研究與教育使用，不構成投資建議、交易邀約、收益承諾或自動下單指令。股票、加密資產、CFD 與永續合約均可能產生本金損失。槓桿、跳空、資金費率和流動性下降會放大損失。

一、數據框架：從快照轉向多週期證據

1.1 加密市場的週期分層

數據截止：2026 年 8 月 26 日（本文數據均截止至該日）

三項資產的 7 日收益均顯著為正，單日回調沒有破壞週度趨勢。ETH 的 7 日波動率達到 7.14%，接近其 30 日波動率的 1.86 倍，表明短週期波動擴張集中在 ETH。BTC 的 7/30/90 日波動率依次為 3.68%、2.32% 和 2.13%，短期風險同樣抬升，但幅度低於 ETH。

多週期判斷採用以下順序：

• 90 日指標界定基礎風險環境；

• 30 日指標決定趨勢與波動率預算；

• 7 日指標識別加速、擁擠和波動擴張；

• 24 小時數據只用於確認倉位變化與執行條件。

1.2 加密市場廣度與資金結構

恐懼與貪婪指數處於高位，而 AHR999 仍處於較低區域，兩項指標覆蓋不同週期。策略在長週期保留配置敞口，在短週期降低新增槓桿。BTC 市佔率接近 60%，山寨幣季節指數只有 37，市場上漲仍偏向高流動性資產，廣泛山寨擴散尚未得到確認。

1.3 衍生品倉位：趨勢強度與擁擠度分開處理

價格回落與未平倉量下降並行，槓桿資金處於退出階段。BTC 主動買賣比仍略高於 1，ETH 與 SOL 已低於 1。SOL 多空比達到 1.82，擁擠度高於 BTC 與 ETH。系統在此階段削減多頭規模，但不依靠 RSI 高位直接建立逆向倉位。

1.4 股票市場採用月度路徑與相對強弱

SPY 在 2026 年 7 月 27 日至 8 月 25 日區間累計變化約 +3.66%，區間高低點約為 778.98 與 731.00。QQQ 在 7 月出現 -6.60% 的月度回撤，8 月初由 7 月 31 日的 687.99 回升至 8 月 12 日的 723.70，成長風格經歷快速修復。NVIDIA 8 月 17 日至 24 日由 225.01 回落至 208.48，隨後 8 月 25 日反彈至約 213 美元，個股事件風險高於指數風險。

股票模組不依據某一天 QQQ 或 NVIDIA 的漲跌發出交易信號。系統使用三條相對價格序列：

• QQQ / SPY：成長風格相對大盤；

• NVDA / QQQ：AI 龍頭相對科技指數；

• BTC / QQQ：加密風險偏好相對美股成長風格。

相對價格的 20 日斜率、60 日相關性及波動率變化共同決定股票與加密風險預算。財報日前後三個交易日單獨標記為事件窗口，模型不得把事件跳空當成普通趨勢樣本。

二、可進入小規模實盤的策略

2.1 策略名稱與目標

策略名稱：Gate Cross-Asset Regime Allocation，簡稱 GCRA。

策略頻率為日頻決策、小時級執行。觀察池包括 BTC、ETH、SOL、SPY、QQQ、NVDA，以及可在 Gate 實際帳戶中訪問的對應股票、CFD 或 TradFi Perps。策略目標是獲取中期趨勢與跨資產相對強弱收益，同時把組合年化目標波動率控制在 10%—12%。

2.2 每日運行時間

• UTC 00:10：讀取 Gate 加密日線、資金費率、OI 和成交數據；

• 美股收盤後 30 分鐘：更新 SPY、QQQ、NVDA 等股票數據；

• UTC 01:00：計算狀態概率、資產分數和次日目標風險；

• UTC 01:00—03:00：執行加密資產調倉；

• 下一美股交易日開盤 30 分鐘後：執行股票或 CFD 調倉；

• 盤中每 15 分鐘：檢查熔斷條件，只允許減倉、暫停或繼續執行。

2.3 市場狀態評分

RegimeScore = 0.30 × Trend + 0.20 × Breadth + 0.20 × Liquidity + 0.15 × Volatility + 0.15 × Leverage

各因子先在本市場內進行滾動標準化，範圍壓縮到 -1 至 +1。RegimeScore 高於 0.35 進入風險擴張狀態；低於 -0.35 進入防禦狀態；其餘區間採用中性預算。

2.4 資產信號

每項資產獲得趨勢分數與擁擠分數：

TrendScore(i) = 0.35 × Mom20 + 0.25 × Mom60 + 0.20 × ADX + 0.20 × MA_Structure

CrowdingScore(i) = 0.30 × RSI + 0.25 × Funding + 0.25 × LongShortRatio + 0.20 × VolExpansion

FinalSignal(i) = TrendScore(i) − 0.50 × max(CrowdingScore(i), 0)

所有輸入均為標準化值。擁擠度只削弱多頭信號，不自動生成空頭信號。空頭需要 FinalSignal 低於 -0.25，同時滿足價格跌破 20 日均線、ADX 不再上升、OI 在下跌中增加三項確認。

2.5 倉位公式

RawWeight(i) = FinalSignal(i) ÷ ForecastVol(i)

ScaledWeight(i) = RawWeight(i) ÷ Σ abs(RawWeight)

PortfolioLeverage = min(1.5, TargetVol ÷ ForecastPortfolioVol)

TargetWeight(i) = ScaledWeight(i) × PortfolioLeverage × RegimeMultiplier

TargetVol 默認為 10%。RegimeMultiplier 在風險擴張、中性和防禦狀態下分別取 1.00、0.70 和 0.35。ForecastVol 使用 10 日與 60 日估計值中的較高者，防止波動率快速上升時倉位調整過慢。

2.6 實盤風險限制

• 單一資產風險貢獻上限：20%；

• 加密資產合計風險貢獻上限：45%；

• AI 產業鏈主題風險貢獻上限：30%；

• 槓桿產品保證金使用率上限：帳戶權益的 25%；

• 單日組合虧損達到 1.5%：停止新增倉位；

• 單日組合虧損達到 2.5%：把總風險預算降至常態的 35%；

• 滾動 20 日回撤達到 6%：退出全部槓桿產品，進入模型複核；

• 實際滑點超過預測滑點兩倍：暫停該產品執行；

• 行情源延遲超過兩個決策週期：保持或減倉，不生成新倉位。

2.7 當前數據下的策略輸出示例

註：以上為模型演示，不代表具體交易建議。正式實盤需要使用 Gate 當時可交易標的、實時成本和帳戶權限重新計算。

三、Gate 多產品執行路由

股票直連、CFD 與 TradFi Perps 不能按照代碼名稱直接互換。路由引擎在下單前計算預期持有成本：

TotalCost = Fee + Spread + ExpectedSlippage + FundingCost + OvernightCost

NetEdge = ExpectedAlpha − TotalCost

NetEdge 小於預測波動的 0.10 倍時取消訂單。該閾值用於過濾交易優勢不足、成本佔比過高的信號。

四、執行算法與訂單管理

4.1 訂單拆分

ImpactEstimate = η × ShortVol × sqrt(OrderSize ÷ AverageDailyVolume)

η 由歷史成交擬合。訂單規模超過盤口前五檔可成交量的 20% 時，系統改用分批限價或時間加權執行。加密市場在週末、結算時段和宏觀數據公佈前降低參與率；股票與 CFD 在開盤前 30 分鐘和收盤前 15 分鐘使用單獨成本參數。

4.2 AI 在執行層的職責

• 把公告、財報和宏觀事件轉化為事件類別、方向、持續週期與置信度；

• 識別滑點異常、行情延遲、帳戶餘額不足和產品交易時段衝突；

• 生成交易後歸因，區分信號損失、成本損失與執行偏差；

• 觸發減倉或暫停，但不得自行突破倉位、槓桿和損失限額。

五、回測、模擬盤與實盤上線流程

5.1 回測設計

建議採用 24 個月訓練、3 個月驗證、3 個月測試的滾動窗口，每三個月向前移動。所有標準化參數只使用當時可獲得的數據。股票數據需要使用復權價格，財務和宏觀數據保留首次發佈時間，新聞模型禁止讀取事後摘要。

回測必須納入手續費、點差、滑點、資金費率、CFD 隔夜費、股票交易時段和跳空。歷史盤口缺失時，使用成交量參與率模型估計衝擊，並執行 1 倍、1.5 倍和 2 倍成本壓力測試。

5.2 上線門檻

5.3 評價指標

• 年化收益、年化波動、最大回撤、Calmar 與 Sortino；

• 不同市場狀態下的收益分佈；

• 成本前後收益差、換手率和容量；

• Rank IC、信號半衰期和概率校準；

• 壓力期相關性、保證金佔用和強平距離；

• 模型收益、產品選擇收益和執行收益的分項歸因。

六、模型失效與熔斷

系統監控輸入漂移、關係漂移和執行漂移。以下任一條件觸發模型降級：

• 20 日 Rank IC 低於歷史第 10 百分位；

• 成本後收益連續兩個評估期為負；

• 實際滑點連續五次超過預測值兩倍；

• 組合相關性顯著高於壓力矩陣假設；

• 單一特徵貢獻超過模型總貢獻的 50%；

• 產品規則、