多品种验证：在所有交易对上检验你的策略

"无幻觉回测"系列文章

你在ETHUSDT上优化了策略。25个月的数据，12+个参数。回测显示PnL +55%，500笔交易，MaxDD -0.9%，持仓时间占15%。权益曲线平滑上升。参数通过了plateau分析——最优解看起来范围很宽。Walk-forward给出WFER > 0.6。蒙特卡洛自助法显示第5百分位为正。

一切看起来完美。除了一点：你只在一个品种上测试了策略。

用相同的算法和相同的参数在BTCUSDT上运行——PnL +8%。在SOLUSDT上——PnL -12%。在DOGEUSDT上——PnL -34%。一个通过了所有ETH检验的策略，在大多数其他交易对上都是亏损的。

这不是bug。这是单品种陷阱（single-symbol trap）——算法交易中最常见且最隐蔽的过拟合形式之一。

单一品种的陷阱

在单一品种上优化策略，本质上就是对特定资产的价格动态进行拟合。即使你进行了walk-forward，即使自助法显示了宽置信区间——所有这些检验都是在同一个时间序列内部完成的。

Walk-forward检验的是时间维度的鲁棒性：参数在同一品种的未来数据上是否有效。蒙特卡洛检验的是交易顺序维度的鲁棒性：策略能否承受不同的交易序列。但这两种方法都无法检验品种维度的鲁棒性：策略在具有不同特征的其他资产上是否有效。

如果策略只在ETHUSDT上盈利——它捕获的不是市场低效性，而是ETH价格序列的特定结构：

• ETH独有的K线形态
• 针对特定波动率水平调整的阈值
• 该交易对特有的流动性和微观结构
• 特定时期内与BTC的相关性

这些都不是edge，而是品种层面的曲线拟合。

加密市场的品种分组（tiers）

并非所有加密货币都是相同的。要进行有意义的多品种验证，必须理解品种按具有根本不同特征的组别进行划分。

Tier 1：蓝筹（BTC、ETH）

高流动性，相对较低的波动率，机构资金流。与宏观因素相关（S&P 500、DXY、美联储利率）。深度订单簿，窄价差，稳定的资金费率。典型日波动率：2-4%。

Tier 2：大市值（SOL、BNB、ADA、XRP、AVAX）

中等流动性，较高波动率。行情通常由板块动态驱动（L1 vs L2，DeFi vs 基础设施）。资金费率波动更大。价差更宽。典型日波动率：4-6%。

Tier 3：中等市值（DOGE、SHIB、PEPE、ARB、OP）

Meme币和叙事型代币。高波动率，与基本面因素的相关性低。行情由社交媒体、上线公告、叙事驱动。部分交易所订单簿较薄。典型日波动率：6-10%。

Tier 4：小市值（新上线代币）

极端波动率，薄订单簿，存在操纵风险。通常没有足够的历史数据进行完整回测。典型日波动率：10-20%+。

特征汇总表

每个tier都是一个拥有独特微观结构的"世界"。针对Tier 1调整的策略，在切换到Tier 3时会进入一个完全陌生的环境。

多品种验证方法论

步骤1：在单一品种上优化

选择一个品种进行优化——例如ETHUSDT。执行完整的流程：Optuna优化、plateau分析、walk-forward。锁定参数。

步骤2：在同tier品种上测试

用相同的参数在同tier的5-10个品种上运行策略。对于Tier 1来说选择有限（BTC + ETH），但Tier 2和Tier 3有足够多的品种。

步骤3：在其他tier品种上测试

在每个其他tier的3-5个品种上运行策略。这是最严格的测试：如果策略在ETHUSDT（Tier 1）和DOGEUSDT（Tier 3）上都有效，曲线拟合的可能性极低。

步骤4：按组分析结果

按tier汇总指标并评估cross-symbol鲁棒性。

每个品种的指标

对每个品种记录：

• PnL — 最终收益率
• MaxDD — 最大回撤
• N trades — 交易次数
• Win rate — 盈利交易比例
• PnL/active day — 每单位活跃时间的收益率（详见按活跃时间计算PnL）

通过标准

策略通过多品种验证的条件：

1. 在同tier >= 60%的品种上盈利
2. 该组的平均PnL为正
3. MaxDD不会急剧增加（相对于优化品种不超过2-3倍）
4. 如果策略仅在优化品种上盈利——拒绝

示例：三个策略，三种结果

来看一个具体示例。三个策略（Strategy A、Strategy B、Strategy C），在ETHUSDT上优化，在四个tier的12个品种上测试。

Strategy A（在ETHUSDT上优化）

参数：PnL +55%，约500笔交易，约15%活跃时间，MaxDD约0.9%。

* — 优化品种

各tier结果：

结论： Strategy A在Tier 1-2上有效，但在Tier 3上完全失败。这是典型的针对低波动率环境调整的策略。用于蓝筹和大市值组合——可以接受。用于通用目的——不行。

Strategy B（在ETHUSDT上优化）

参数：PnL +25%，约40笔交易，约5%活跃时间。

各tier结果：

结论： Strategy B在11个品种中有9个盈利（82%）。所有tier的平均PnL均为正。MaxDD随tier级别可预测地增长。这是一个具有真实市场edge的鲁棒策略。尽管在优化品种上的PnL较为温和（+25% vs +55%），Strategy B远比Strategy A可靠。

Strategy C（在ETHUSDT上优化）

参数：PnL +300%，约400笔交易，约45%活跃时间，MaxDD约17%。

结论： Strategy C是典型的过拟合。在ETHUSDT上+301%，但在大多数其他交易对上出现灾难性亏损。Tier 3的MaxDD超过70%——这意味着资金毁灭。策略捕获了ETH独有的模式，而非市场低效性。拒绝。

策略在其他品种上失效的原因

1. 波动率不匹配

最常见的原因。策略参数针对特定的波动率水平进行了调整。如果策略使用2%的入场阈值——对于日波动率3%的ETH来说，这是合理的过滤器。但对于日波动率8%的DOGE来说——这个阈值触发过于频繁，产生大量虚假信号。

同样，1%的止损对ETH来说是合理的，但对PEPE来说这只是正常的"噪音"，止损会在一天内被触发数十次。

2. 流动性差异

策略假设订单按当前价格即时成交。在订单簿深度为$50M（5 bps范围内）的BTCUSDT上——这是现实的。在深度仅$200K的ARBUSDT上——你$10K的订单会推动价格，实际成交价会差0.05-0.2%。500笔交易下来，仅滑点就会造成25-100%的损失。

3. 市场微观结构

每个品种都有自己的微观结构：

• 资金费率： 在牛市中，BTC的资金费率稳定为正（每8小时+0.01%）。Meme币的资金费率可能在-0.3%到+0.5%之间剧烈波动。详见资金费率如何吞噬你的杠杆。
• 价差： Tier 1的价差为0.01%，Tier 4为0.5%。止盈较小的策略在价差超过止盈幅度时无法盈利。
• 操纵模式： 插针、欺骗挂单、刷量交易——在每个tier中表现不同。

4. 市场状态敏感性

山寨币在不同市场阶段表现各异：

• 在牛市中，山寨币跑赢BTC（beta > 1）
• 在熊市中，山寨币跌幅超过BTC
• 在横盘中，山寨币可能与BTC相关，也可能按自身叙事波动

在某一阶段对某一品种优化的策略，可能恰好针对该品种相对于BTC的领先/滞后关系进行了最优调整——而这种领先/滞后关系在市场状态切换时会改变。

自适应参数缩放

用完全相同的参数在所有品种上运行策略是不正确的。但对每个品种进行完全重新优化会使多品种验证本身失去意义（参数会变成每个品种"自己的"）。

折中方案是按波动率归一化参数：

import numpy as np

def scale_params_by_volatility(
    base_params: dict,
    optimization_symbol_vol: float,
    target_symbol_vol: float,
    vol_sensitive_params: list[str],
) -> dict:
    """
    根据目标品种的波动率缩放策略参数。

    Args:
        base_params: 在原始品种上优化的参数
        optimization_symbol_vol: 优化品种的日波动率
        target_symbol_vol: 目标品种的日波动率
        vol_sensitive_params: 对波动率敏感的参数列表
    """
    vol_ratio = target_symbol_vol / optimization_symbol_vol
    adjusted = base_params.copy()

    for param in vol_sensitive_params:
        if param in adjusted:
            adjusted[param] = adjusted[param] * vol_ratio

    return adjusted

base_params = {
    "entry_threshold": 0.02,     # 2% — 入场阈值
    "stop_loss": 0.01,           # 1% — 止损
    "take_profit": 0.03,         # 3% — 止盈
    "trailing_stop": 0.008,      # 0.8% — 追踪止损
    "atr_multiplier": 2.5,       # ATR乘数（不缩放）
    "rsi_period": 14,            # RSI周期（不缩放）
    "ma_fast": 10,               # 快速MA（不缩放）
    "ma_slow": 50,               # 慢速MA（不缩放）
}

vol_sensitive = ["entry_threshold", "stop_loss", "take_profit", "trailing_stop"]

eth_vol = 0.032     # 3.2%
doge_vol = 0.081    # 8.1%

doge_params = scale_params_by_volatility(
    base_params, eth_vol, doge_vol, vol_sensitive
)

print("ETH params:", {k: f"{v:.4f}" for k, v in base_params.items() if k in vol_sensitive})
print("DOGE params:", {k: f"{v:.4f}" for k, v in doge_params.items() if k in vol_sensitive})

输出：

ETH params:  {'entry_threshold': '0.0200', 'stop_loss': '0.0100', 'take_profit': '0.0300', 'trailing_stop': '0.0080'}
DOGE params: {'entry_threshold': '0.0506', 'stop_loss': '0.0253', 'take_profit': '0.0759', 'trailing_stop': '0.0203'}

止损从1%增加到2.53%——对于日波动率8.1%的DOGE来说是合理的。不进行缩放的话，1%的止损会因为"噪音"被触发数十次。

重要： 只缩放价格阈值（入场、止损、止盈）。指标周期（RSI、MA）和乘数（ATR multiplier）通常不需要缩放——它们通过指标本身已经按波动率归一化了。

两种验证模式

1. 严格模式（不缩放）： 使用完全相同的参数运行。测试绝对鲁棒性。如果策略仍然盈利——edge很强。

2. 自适应模式（带缩放）： 使用归一化后的参数运行。测试策略逻辑的鲁棒性，允许波动率水平存在差异。

建议两种测试都进行。严格模式——评估edge的"强度"。自适应模式——用于实际应用。

Cross-symbol鲁棒性评分

为了量化评估多品种鲁棒性，我们引入一个复合指标——Cross-Symbol Robustness Score (CSRS)。

公式

$\text{CSRS} = w_1 \cdot R_{profit} + w_2 \cdot R_{pnl} + w_3 \cdot P_{consistency} - w_4 \cdot P_{variance}$

其中：

• $R_{profit}$ — 盈利品种占比：

$R_{profit} = \frac{N_{profitable}}{N_{total}}$

• $R_{pnl}$ — 归一化加权平均PnL（按流动性加权）：

$R_{pnl} = \frac{\sum_{i=1}^{N} l_i \cdot \text{PnL}_i}{\sum_{i=1}^{N} l_i}$

其中 $l_i$ 为品种 $i$ 的流动性（平均日成交量）。

• $P_{consistency}$ — 跨tier一致性奖励：

$P_{consistency} = \frac{N_{profitable\_tiers}}{N_{total\_tiers}}$

• $P_{variance}$ — 品种间PnL高方差惩罚：

$P_{variance} = \frac{\sigma(\text{PnL}_1, \ldots, \text{PnL}_N)}{\max(|\bar{\text{PnL}}|, 0.01)}$

默认权重

CSRS解读

完整实现：多品种验证流水线

import numpy as np
import pandas as pd
from dataclasses import dataclass, field
from typing import Callable, Optional

@dataclass
class SymbolResult:
    """单个品种上的策略结果。"""
    symbol: str
    tier: int
    pnl: float
    max_dd: float
    n_trades: int
    win_rate: float
    pnl_per_active_day: float
    avg_daily_volume: float  # 流动性

@dataclass
class TierResult:
    """按tier汇总的结果。"""
    tier: int
    symbols: list[SymbolResult]
    n_symbols: int
    n_profitable: int
    profit_ratio: float
    avg_pnl: float
    avg_max_dd: float
    pnl_std: float

@dataclass
class MultiSymbolResult:
    """多品种验证的完整结果。"""
    symbol_results: list[SymbolResult]
    tier_results: list[TierResult]
    csrs: float
    passed: bool
    optimization_symbol: str
    report: str

SYMBOL_TIERS = {
    1: ["BTCUSDT", "ETHUSDT"],
    2: ["SOLUSDT", "BNBUSDT", "ADAUSDT", "XRPUSDT", "AVAXUSDT"],
    3: ["DOGEUSDT", "SHIBUSDT", "PEPEUSDT", "ARBUSDT", "OPUSDT"],
}

SYMBOL_VOLATILITY = {
    "BTCUSDT": 0.028, "ETHUSDT": 0.032,
    "SOLUSDT": 0.052, "BNBUSDT": 0.038, "ADAUSDT": 0.048,
    "XRPUSDT": 0.045, "AVAXUSDT": 0.055,
    "DOGEUSDT": 0.081, "SHIBUSDT": 0.092, "PEPEUSDT": 0.105,
    "ARBUSDT": 0.068, "OPUSDT": 0.063,
}

SYMBOL_VOLUME = {
    "BTCUSDT": 15e9, "ETHUSDT": 8e9,
    "SOLUSDT": 2e9, "BNBUSDT": 1.5e9, "ADAUSDT": 800e6,
    "XRPUSDT": 1.2e9, "AVAXUSDT": 500e6,
    "DOGEUSDT": 1e9, "SHIBUSDT": 400e6, "PEPEUSDT": 600e6,
    "ARBUSDT": 300e6, "OPUSDT": 250e6,
}


def run_multi_symbol_validation(
    strategy_fn: Callable,
    base_params: dict,
    optimization_symbol: str,
    data_loader: Callable,
    vol_sensitive_params: list[str],
    adaptive: bool = True,
    csrs_weights: tuple = (0.35, 0.25, 0.25, 0.15),
    min_profit_ratio: float = 0.6,
) -> MultiSymbolResult:
    """
    完整的多品种验证流水线。

    Args:
        strategy_fn: 策略函数 (data, params) -> (pnl, max_dd, n_trades, win_rate, returns)
        base_params: 在optimization_symbol上优化的参数
        optimization_symbol: 优化品种
        data_loader: 数据加载函数 (symbol) -> np.ndarray
        vol_sensitive_params: 需要按波动率缩放的参数
        adaptive: 是否使用波动率缩放
        csrs_weights: CSRS的权重 (w1, w2, w3, w4)
        min_profit_ratio: tier内最低盈利品种占比
    """
    w1, w2, w3, w4 = csrs_weights
    opt_vol = SYMBOL_VOLATILITY.get(optimization_symbol, 0.03)

    symbol_results = []

    for tier, symbols in SYMBOL_TIERS.items():
        for symbol in symbols:
            data = data_loader(symbol)
            if data is None or len(data) < 100:
                continue

            if adaptive and symbol != optimization_symbol:
                sym_vol = SYMBOL_VOLATILITY.get(symbol, 0.05)
                params = scale_params_by_volatility(
                    base_params, opt_vol, sym_vol, vol_sensitive_params
                )
            else:
                params = base_params.copy()

            pnl, max_dd, n_trades, win_rate, returns = strategy_fn(data, params)

            active_days = max(n_trades * 0.5, 1)  # 粗略估计
            pnl_per_day = pnl / active_days

            symbol_results.append(SymbolResult(
                symbol=symbol,
                tier=tier,
                pnl=pnl,
                max_dd=max_dd,
                n_trades=n_trades,
                win_rate=win_rate,
                pnl_per_active_day=pnl_per_day,
                avg_daily_volume=SYMBOL_VOLUME.get(symbol, 1e6),
            ))

    tier_results = []
    tiers_present = sorted(set(r.tier for r in symbol_results))

    for tier in tiers_present:
        tier_symbols = [r for r in symbol_results if r.tier == tier]
        n_profitable = sum(1 for r in tier_symbols if r.pnl > 0)
        pnls = [r.pnl for r in tier_symbols]

        tier_results.append(TierResult(
            tier=tier,
            symbols=tier_symbols,
            n_symbols=len(tier_symbols),
            n_profitable=n_profitable,
            profit_ratio=n_profitable / len(tier_symbols) if tier_symbols else 0,
            avg_pnl=np.mean(pnls),
            avg_max_dd=np.mean([r.max_dd for r in tier_symbols]),
            pnl_std=np.std(pnls),
        ))

    all_pnls = [r.pnl for r in symbol_results]
    all_volumes = [r.avg_daily_volume for r in symbol_results]
    n_total = len(symbol_results)
    n_profitable = sum(1 for r in symbol_results if r.pnl > 0)

    r_profit = n_profitable / n_total if n_total > 0 else 0

    total_vol = sum(all_volumes)
    r_pnl_raw = sum(r.pnl * r.avg_daily_volume for r in symbol_results) / total_vol
    r_pnl = 1 / (1 + np.exp(-r_pnl_raw * 5))

    profitable_tiers = sum(1 for tr in tier_results if tr.avg_pnl > 0)
    p_consistency = profitable_tiers / len(tier_results) if tier_results else 0

    pnl_std = np.std(all_pnls) if len(all_pnls) > 1 else 0
    pnl_mean = np.mean(all_pnls) if all_pnls else 0.01
    p_variance = pnl_std / max(abs(pnl_mean), 0.01)
    p_variance = min(p_variance, 5.0)  # 限制惩罚上限

    csrs = w1 * r_profit + w2 * r_pnl + w3 * p_consistency - w4 * (p_variance / 5.0)
    csrs = max(0, min(1, csrs))  # 限制在[0, 1]

    opt_tier = None
    for tier, symbols in SYMBOL_TIERS.items():
        if optimization_symbol in symbols:
            opt_tier = tier
            break

    same_tier_result = next((tr for tr in tier_results if tr.tier == opt_tier), None)
    passed = (
        csrs >= 0.5
        and (same_tier_result is None or same_tier_result.profit_ratio >= min_profit_ratio)
        and np.mean(all_pnls) > 0
    )

    report = _generate_report(
        symbol_results, tier_results, csrs, passed,
        optimization_symbol, adaptive
    )

    return MultiSymbolResult(
        symbol_results=symbol_results,
        tier_results=tier_results,
        csrs=csrs,
        passed=passed,
        optimization_symbol=optimization_symbol,
        report=report,
    )


def _generate_report(
    symbol_results, tier_results, csrs, passed,
    opt_symbol, adaptive
) -> str:
    """生成文本报告。"""
    lines = []
    lines.append("=" * 60)
    lines.append("MULTI-SYMBOL VALIDATION REPORT")
    lines.append(f"Optimization symbol: {opt_symbol}")
    lines.append(f"Mode: {'adaptive' if adaptive else 'strict'}")
    lines.append(f"CSRS: {csrs:.3f}")
    lines.append(f"Passed: {'YES' if passed else 'NO'}")
    lines.append("=" * 60)

    for tr in tier_results:
        lines.append(f"\n--- Tier {tr.tier} ---")
        lines.append(f"  Symbols: {tr.n_symbols}, Profitable: {tr.n_profitable} "
                      f"({tr.profit_ratio:.0%})")
        lines.append(f"  Avg PnL: {tr.avg_pnl:.2%}, Avg MaxDD: {tr.avg_max_dd:.2%}")
        lines.append(f"  PnL StdDev: {tr.pnl_std:.2%}")

        for sr in tr.symbols:
            marker = "*" if sr.symbol == opt_symbol else " "
            status = "+" if sr.pnl > 0 else "-"
            lines.append(
                f"  {marker} [{status}] {sr.symbol:12s} "
                f"PnL={sr.pnl:+.2%}  MaxDD={sr.max_dd:.2%}  "
                f"Trades={sr.n_trades:4d}  WR={sr.win_rate:.1%}"
            )

    lines.append("\n" + "=" * 60)
    return "\n".join(lines)

流水线使用示例

def my_strategy(data, params):
    """你的策略。返回 (pnl, max_dd, n_trades, win_rate, returns)。"""
    pass

def load_ohlcv(symbol):
    """加载品种的OHLCV数据。"""
    pass

base_params = {
    "entry_threshold": 0.02,
    "stop_loss": 0.01,
    "take_profit": 0.03,
    "trailing_stop": 0.008,
    "atr_multiplier": 2.5,
    "rsi_period": 14,
    "ma_fast": 10,
    "ma_slow": 50,
}

result = run_multi_symbol_validation(
    strategy_fn=my_strategy,
    base_params=base_params,
    optimization_symbol="ETHUSDT",
    data_loader=load_ohlcv,
    vol_sensitive_params=["entry_threshold", "stop_loss", "take_profit", "trailing_stop"],
    adaptive=True,
)

print(result.report)
print(f"\nCSRS: {result.csrs:.3f}")
print(f"Passed: {result.passed}")

何时可以接受单品种验证

并非每个策略都必须在多个品种上有效。在以下合理情况下，单品种验证是正常的做法：

特定订单簿上的做市

做市策略（例如基于Avellaneda-Stoikov模型）天然绑定到特定订单簿。参数依赖于具体的微观结构：深度、价差、队列位置、成交率。在其他品种上测试没有意义——那是另一个订单簿。

特定交易对之间的套利

资金费率套利或跨交易所套利天然绑定到特定的品种对。这里的验证应该在相同交易对的不同交易所上进行，而非在不同品种上。

明确利用资产独有属性的策略

如果策略基于某个资产的特定属性（例如BTC与算力的相关性，或ETH与gas费的相关性），多品种验证不适用。但这类策略非常少见。

在所有其他情况下——如果策略基于"通用"信号（MA交叉、RSI、动量、均值回归）——多品种验证是必须的。如果通用策略只在一个品种上有效，这不是edge——这是过拟合。

与其他验证方法的关系

多品种验证是三种正交的样本外测试方法之一：

每种方法沿各自的维度检验鲁棒性。策略可能通过walk-forward，但在多品种验证上失败（对品种的曲线拟合）。可能通过多品种验证，但在蒙特卡洛上失败（依赖于特定的交易顺序）。

最大程度防止过拟合：三种方法全部使用。

完整验证流水线：

1. 在单一品种上优化参数
2. Plateau分析——检验最优解的稳定性
3. Walk-forward——时间维度检验（WFER > 0.5）
4. 多品种验证——品种维度检验（CSRS > 0.5）
5. 蒙特卡洛自助法——置信区间（第5百分位 > 0）
6. 考虑资金费率和亏损不对称性

通过全部六项检验的策略，成为过拟合产物的概率最小。

扩展：品种相关性与级联策略

多品种验证还揭示了另一个维度：品种间的相关性。如果策略在BTC和ETH上盈利，但在所有山寨币上亏损——这说明edge绑定在BTC-ETH的高相关性上。关于相关性结构的详细分析，请参阅信号相关性与配对交易。

对于策略组合，多品种结果决定了应该在哪些品种上运行策略。上述示例中的Strategy A——仅限Tier 1-2。Strategy B——Tier 1-3。这些是级联编排的输入数据，其中不同策略根据其鲁棒性特征在不同品种上运行。

结论

多品种验证不是可选项，而是任何声称具有泛化市场edge的策略的必要步骤。核心要点：

1. 只在一个品种上有效的策略，很可能对该品种的特性过拟合了。 例外情况：做市、套利、基于资产独有属性的策略。

2. 按tier分组是必须的。 不能在不理解波动率、流动性和微观结构差异的情况下，将BTC（Tier 1）的结果与PEPE（Tier 3）的结果进行比较。

3. 自适应参数缩放——按波动率缩放阈值——显著提高了多品种测试的现实性。

4. CSRS > 0.5——合理的最低门槛。策略应在同tier >= 60%的品种上盈利，且所有品种的平均PnL为正。

5. Walk-forward + 多品种验证 + 蒙特卡洛——三个正交的验证维度。每种方法能捕获其他方法遗漏的问题。三者都要使用。

PnL +25%且CSRS 0.72的策略，比PnL +300%且CSRS 0.18的策略更可靠。前者从市场低效性中获利。后者只是记住了一条价格序列。

参考链接

1. Lopez de Prado, M. — Advances in Financial Machine Learning (Wiley)
2. Pardo, R. — The Evaluation and Optimization of Trading Strategies (Wiley)
3. Bailey, D.H. et al. — The Probability of Backtest Overfitting
4. Aronson, D.R. — Evidence-Based Technical Analysis
5. Kevin Davey — Building Winning Algorithmic Trading Systems (Wiley)
6. Harvey, C.R. & Liu, Y. — Backtesting (2015)
7. Chan, E. — Algorithmic Trading: Winning Strategies and Their Rationale (Wiley)
8. Binance Research — Cryptocurrency Correlation Analysis
9. NumPy — numpy.random.choice
10. Pandas — DataFrame

引用

@article{soloviov2026multisymbolvalidation,
  author = {Soloviov, Eugen},
  title = {Multi-symbol валидация: проверяйте стратегию на всех парах},
  year = {2026},
  url = {https://marketmaker.cc/ru/blog/post/multi-symbol-validation},
  version = {0.1.0},
  description = {为什么在ETHUSDT上优化的策略可能在山寨币上失败。如何正确按交易对分组（蓝筹、大市值、垃圾币）进行测试，以及什么水平的cross-symbol robustness score才算足够。}
}