四十个资产，六个活到最后：分钟级交易的成本账

四十支队伍进场，完赛留在台上的只有六支。10 月 1 日发表在 Frontiers in Applied Mathematics and Statistics 的一项研究，把这个残酷的比例写成了学术结论：机器学习模型在四十个金融资产上都找到了方向性信号，扣掉交易成本后，只有约 15% 的资产累计盈利为正。

作者 Alan Gaona、Jennifer Rangel-Madariaga 与 Lourdes Uribe 给自己出的是一道比预测准确率苛刻得多的题：这些预测能不能在摩擦之后还剩下钱。

🧪 实验怎么做

样本是四十个资产：二十四只股票，横跨信息技术到金融的五个行业板块；十个外汇对，主流与新兴市场货币混搭；六个加密货币，比特币与以太坊带几个山寨币。数据全部是一分钟线，从 2022 年 1 月 1 日到 2023 年 12 月 31 日整整两年。

特征是九类教科书级技术指标。

• 趋势与量能：简单均线与指数均线，加上成交量加权均价
• 动量与振荡：MACD 与随机指标，动量与变化率
• 波动与强弱：布林带与 RSI基本面被刻意排除，理由是预测窗口以分钟计，财报与宏观帮不上忙。

模型就三种树：决策树、随机森林、XGBoost。预测窗口六档，最短 1 分钟，最长 30 分钟，中间是 3、5、10 与 15 分钟。验证用滚动前推，调参用贝叶斯优化，选定配置后跑三十个随机种子看稳定性。

最关键的一处在目标函数。交易成本按券商披露的价差标准化设定，股票、外汇、加密货币各用各的费率，成本既计入训练目标，又计入最后的盈亏核算。模型从训练那天起就知道自己在跟手续费赛跑。

📉 预测看着不错，赚钱是另一回事

先看预测面。股票的平均精确率 45.35%，召回率 33.35%，精确率加权的 F 值平均 43.88%。精确率 45% 的直观意思是，模型喊十次方向，对的不到五次。加密货币的预测成绩与股票大体相当，外汇最难测。

再看盈利面：四十个资产里只有约 15% 在扣成本后累计盈利为正。预测与盈利之间隔着的那道坎，名字叫成本。

这张表列的是各资产类别自动选中的最优预测窗口，要看的是结论有多一致。

模型选择的分布则散得多：XGBoost 被选中 18 次，决策树 13 次，随机森林 9 次；加密货币里随机森林反而最常见。窗口的选择高度一致，模型的选择跟着资产走。这本身就是结论：在分钟级交易里，预测窗口的选定比挑哪个模型更要紧。【推论】

🤔 三种读法

第一读：短窗口死于噪声。作者给出的一种解释是，最短的几个价格变动里，噪声太多，选定的指标与树模型提不出稳定的方向信息。分钟线上最活跃的那部分波动，多半是流动性摩擦而不是信息。

第二读：30 分钟的胜利要打折扣。它是六个候选窗口里最长的那个，边界上赢了不等于边界外还有更优。45 分钟、一小时会不会更好，实验没测。把边界值当成最优值，是这类研究最容易被误读的地方。【判断】

第三读：这套设计对成本是双重的严格。训练目标里扣一次，盈亏核算里再扣一次，而且三十个种子的稳定性检查拦住了单次好运。15% 这个幸存率是在对模型最有利的假设下算出来的，换个说法，真实世界只会更狠。

🧭 和上周那篇拼起来看

9 月 30 日智柴发过《The Price of Thought》，那篇的结论是给大语言模型加推理算力，换不来交易净收益。这一篇用的是教科书级的树模型加技术指标，没有大模型，结论方向却拼上了同一块拼图：信号存在，成本与噪声是分母，分母大到吞掉分子。

两篇合起来的含义对量化从业者相当具体。前一篇砍的是推理预算的迷信，这一篇砍的是频率的迷信：把预测窗口从一分钟挪到三十分钟，比把模型从决策树换成 XGBoost 更可能改变盈亏。

样本停在 2023 年底也是一个限定：这两年是高波动年份，成本结构与流动性状况换一个时段，幸存名单未必是同一批名字。

信源：Frontiers in Applied Mathematics and Statistics 论文报道（Research Today，2026-10-01，作者 Gaona、Rangel-Madariaga、Uribe）。

限定：未核到论文原文与 DOI，全部数字出自 Research Today 的转述；三十个随机种子、双重计成本等细节同样为二手；各资产类别的具体成本费率数值报道未给出；2024 年之后的数据未覆盖。