交易机器人与买入持有：我们比较的是相同风险吗？

先问账户究竟要胜过什么替代方案

机器人赚30.74%，买入持有赚96.28%，但机器人的年化日收益波动率与最大回撤大约只有一半。这些信息有用，却不足以判定机器人增加了价值。想少承担比特币风险的投资者，也可以多留现金，无需运行预测模型。

基准必须回答明确的问题。直接持有衡量没有长期维持高仓位的机会成本；现金配比考察简单缩小配置会如何；波动目标考察预先规定的动态风险预算会如何。它们是不同替代方案，不是普适合格标准。SEC投资者教育材料同样强调基准适用性及绩效比较中的成本范围。[1]

公平首先取决于政策可被选择时的信息与约束。看完整个评估后再匹配实际风险，可以做描述性分析，却不是当时能执行的决策规则。因此本研究只用较早观察构造基准，并如实保留实际风险差异。

保留既有机器人，披露已经知道什么

我们沿用再训练比较中的固定逻辑回归模型。为保持研究连续性而保留它时，其排名已知。我们没有在未触碰数据上独立选出新策略，本文也不是阿尔法检验。2024—25年的比特币观察已在此前TensorParadigm研究中使用。

标准化器与系数仅在2024年1月1日完整收盘时拟合一次，训练采用此前730日历日窗口内725个标签已到期样本。六项特征概括完整收益、波动、振幅与成交量。空仓且概率至少0.55时，安排下一开盘买入，五个开盘到开盘日之后退出。使用可用现金90%，包含入场佣金；无杠杆、无重叠持仓，并阻止退出超出报告期的入场。完整模型规格见所链接研究。

我们复用humblefool06声明CC BY 4.0的BTCUSDT日线序列，共2,142根K线，从2020年2月20日至2025年12月31日。标准化SHA-256为43655a51e6cb41c2ee087bd947f4cefb7dd4151617a29d7f75a3cda471ae5cbb。继承的10月18日记录显示731根评估K线、3,655个OHLCV单元与Binance日线端点一致；本次未重做外部检查。较早训练观察仍未经外部验证，档案的上游交易场所也未明确确立。日期按UTC交易日开盘日期标识。[4][5]

不使用机器人未来风险，定义三种替代方案

运行基准账户前，我们固定以下规则。每个账户在2024年1月1日开始时均有10,000 USDT，统一在2025年12月31日收盘估值。现金收益假设为零，不代表USDT或托管方无风险。所有组合都不借贷、不做空。

固定配比采用2022年1月1日至2023年12月30日的比特币日简单收盘收益样本标准差，再乘√365。729个收益给出评估前年化波动率55.007239%。预定10%风险预算除以该估计，得到固定BTC目标18.179425%，低于90%目标上限。每月UTC首日开盘恢复这一配比，权重不是根据机器人未来平均敞口推出来的。

动态基准将同样10%预算除以最近60个合格日收益的波动率，上限90%。每个首月日开盘，允许的最新K线日期为执行日减两天。因此首个窗口是2023年11月1日至12月30日，最后收盘在12月31日00:00 UTC已可得，距1月1日执行整整24小时。本次每月权重范围15.53%至34.47%。上限在再平衡时适用，期间权重可漂移；不借贷使敞口低于100%。

让基准承担每次再平衡成本

全部交易允许小数BTC，假设单边佣金10基点，成交价相对开盘参考价不利5基点。不再扣价差或同一笔滑点。每月配比账户求解买卖数量，使参考开盘价下的BTC价值，等于扣模拟成本后权益的目标比例，现金必须非负。直接持有沿用此前初始现金90%含手续费买入的规则；资产上涨后并非持续限制在90%。

固定配比首笔买入说明目标与近似现金分配的区别。参考开盘42,283.58时，模拟买价42,304.721790。买入0.042982329393 BTC，名义金额1,818.355487 USDT，加佣金1.818355，剩现金8,179.826158。按参考价计算BTC值1,817.446763，扣成本权益9,997.272921，资产占比恰为目标18.179425%。2月1日维持该配比需卖出10.422243 USDT的BTC，支付0.010422佣金；小额交易同样有成本。

全部731个收盘权益观察都包括现金及未平仓资产。机器人期末为空仓，三个替代方案仍持有BTC，统一估值且不假定最终卖出。固定配比期末净盈亏1,809.983898 USDT，由已实现1,225.864569与未实现584.119329组成；动态基准净盈亏1,734.388210，由1,663.694161与70.694048组成。强制平仓是另一种报告政策，需要额外成交与费用。无入金或出金。

相同资金产生四种不同风险画像

直接持有期末19,627.85 USDT，机器人13,073.92，固定配比11,809.98，波动目标11,734.39。直接持有收益最高，每日收盘最大回撤也最大。机器人回撤较低，但两个减风险基准的回撤与实际波动率都比机器人低。

年化波动率定义为731个账户净日收益的样本标准差乘√365。它是该观察路径的报告口径，不是预测、长期独立性主张或最大损失指标。每日收盘回撤可能遗漏盘中亏损。各自最差一天提供另一视角：机器人最差日亏损7.53%，在2024年3月19日；直接持有最差8.13%，在2025年3月3日。它们是不同日期的样本极值，而机器人平均敞口显著更低。

10%目标实际得到10.87%波动率，固定配比为8.88%。历史估计、每月执行滞后与市场变化，不会保证实现目标风险。它们是事前风险预算规则，不是事后设计到与机器人风险恰好相同的组合。

平均敞口相近，不代表风险分布相同

机器人平均BTC敞口20.33%，固定配比18.56%，但实际波动率分别22.33%与8.88%。机器人在731个收盘观察中仅165天持有BTC，持仓时大部分资金已投入；固定配比则始终维持较小配置。把敞口集中到较少天数，会改变损失大小与时点，平均敞口无法概括这种模式。

机器人收益超过固定配比12.64个百分点，但承担的实测波动率超过两倍。用收益除以回撤，并不能使它们具有相同风险。最大回撤是已发生的一个极端值，波动率描述另一性质；两者都不能分离预测能力、机械敞口、有利择时、交易摩擦和选定样本分别贡献多少收益。

年度结果展示不同路径，却不制造独立重复试验。2025年机器人赚8.49%，直接持有亏6.03%，固定配比亏0.27%，动态基准亏3.41%。该段对机器人相对有利，但只选2025年会掩盖2024年大得多的机会成本。它们是原账户的连续部分，不是逐年重启。

统计每种敞口路径需要多少交易

机器人记录66次成交，直接持有1次，每个每月基准24次。下表换手定义为全部买卖成交名义金额之和除以10,000 USDT，两侧都计入，使机器人实现成本清晰可见。毛收益是在相同模型或基准规则下，另行将费用与滑点设零后模拟账户；与净收益之差受数量及复利影响，并不只是美元手续费相加。

佣金固定单边10基点，不利滑点从5提高到20基点，机器人收益从+30.74%降到+19.59%，直接持有从+96.28%到+96.00%，固定配比从+18.10%到+18.00%，波动目标从+17.34%到+17.14%。较低换手让基准对这一特定成本变化不太敏感。计算、监控、税、托管或违约风险、数量过滤、延迟和市场冲击仍未建模。

波动管理基准也是策略，不是中性缩放

动态基准根据先前波动改变敞口，即使不预测价格方向，也属于基于规则的择时。成熟风险控制方法会分别规定波动估计、滞后、敞口上限及再平衡成本或缓冲。我们的每月无杠杆比特币规则是自定义示例，并非复制MSCI指数。[2]

Moreira与Muir的波动管理研究按先前方差的倒数缩放，本例则除以波动率，而不是方差。我们不复制其因子研究，也不把其阿尔法发现移植到比特币。相关的方法论问题是：比较当时可执行的完整配置规则，而不是把风险调整当成免费的操作。[3]

若使用机器人的全期实际波动率、平均敞口或最大回撤来选基准权重，就用了期初未知的信息。这可以明确标注为事后归因，却不能当作投资者当时可选择的配置。固定权重只用评估前收益，动态权重采用规定滞后，均不声称恰好匹配机器人未来风险。

评估不确定性时，保留共同市场日期

作为条件敏感性诊断，我们将四组已观察账户日收益按循环20日块联合重采样，使用种子6142026，生成5,000个731日样本。每次对所有政策采用相同日期索引，保留块内顺序与政策间依赖。官方时间序列自助法文档介绍固定长度及多变量分块重采样，本研究实际实现使用Python。[6]

统计量为机器人减基准的日净收益均值乘365，以百分点／年表示。这是日算术均值差的年化，不是复利期末收益差、CAGR差或阿尔法。下表5至95百分位范围全部跨零。它们是条件重采样范围，不是经过校准的选择后显著性检验，也不保证置信区间覆盖率。

重采样账户收益，不会重训模型、重算波动权重，也不会在新市场历史上重新运行交易状态。它假定所选区块能说明关注的变化；长期市场状态变化或未观察冲击可能破坏该前提。增加生成样本不会增加市场证据，也不能消除已知的策略选择。

用比较决定下一个问题，而不是给赢家贴标签

账户在模型中取得正收益，回撤小于高仓位持有；同时实际波动率明显高于两个减风险方案，交易成本也高得多。这些陈述可以同时成立。现有记录没有分离因果择时溢价，也没有证明未来风险调整后更优。

有价值的下一步，应在新观察到来前固定目标风险预算、合格基准和选择规则，再比较完整账户结果与运行要求。实盘测试方案讨论这个前瞻阶段。本回溯比较通过输入哈希、独立十进制基准账户、准确扣成本目标及未来价格扰动检查；机器人也完全重现保留路径。这支持实现忠实性，不支持超出已观察模型的盈利声明。

ChatGPT或Claude可以把模糊的“打败买入持有”转成明确规则；Codex或Claude Code可帮助审查账户与数据时序。本研究分析使用AI辅助，计算由Python执行，没有比较这些产品作为交易智能体的能力。应要求助手保留基准集合，并区分事后报告的风险统计量与配置资金时已可用的信息。

先定义账户要胜过什么。在查看结果前固定基准配置、风险输入、滞后、资金、现金收益、费用及再平衡。配置规则不得使用评估期已实现波动率。在相同时间戳核对现金与未平仓资产，每笔成本仅计一次。报告收益、敞口路径、波动率、回撤、换手、亏损期间及配对不确定性。区分描述性归因、可执行策略与阿尔法证据。保留全部预定基准，包括不利比较。