流动性周期与风险偏好

市场常见的误判之一，是把上涨全部归因于“基本面变好”，把下跌全部归因于“基本面变差”。在更长时间尺度里，价格变化往往先反映流动性松紧，再反映盈利兑现。流动性可以理解为“交易系统里可用资金与可承受风险的总和”，当融资成本下降、信用扩张、风险预算提升时，风险资产估值通常先被抬高；当融资成本上升、信用收缩、风险预算下降时，估值会优先压缩。这个顺序在 2008 年后、2020 年后、2022 年紧缩期都能观察到。

从工程角度看，流动性不是一句抽象口号，而是可被拆解的变量。Lean 的事件驱动框架能够把“宏观数据发布时间、市场开闭市、订单执行时段”放到同一时间轴上，帮助识别价格波动究竟来自信息更新还是流动性缺口。Lean 例如同样是非农数据公布，若叠加低流动性时段，盘口深度变薄会放大价格跳跃；若在深度较好的核心时段，冲击会更快被吸收。这个差异在研究层面可见，在实盘层面会直接体现为滑点和成交概率差异。

风险偏好是流动性周期的行为面。风险偏好上升时，市场倾向提前交易远期叙事，高估值、高弹性、长久期资产更受追捧；风险偏好下降时，现金流确定性、分红稳定性、资产负债表质量重新获得溢价。2023 年以来部分科技龙头在 AI 叙事推动下上涨，既有盈利预期改善，也有风险偏好回升的贡献。若只看单一估值指标，容易误判“全面泡沫”或“全面合理”，而忽略了资金在不同久期资产之间的再配置。

在数据研究中，可以用 vectorbt 做“风险偏好代理指标”的联合观测：波动率指数、信用利差、成长/价值相对强弱、成交额结构等，组合成状态分类，再看各状态下策略表现的稳定性。vectorbt 这样做的意义不是追求完美预测，而是明确“什么市场状态不做交易”。很多策略并非逻辑错误，而是被放在不适配的流动性环境里运行，结果自然失真。

流动性周期对不同市场的影响节奏也不一致。美股因机构深度和回购机制，往往先在龙头资产反映风险偏好变化；港股对全球美元流动性更敏感，外部风险事件传导更快；A 股在政策预期驱动下常出现行业间风格切换。把这三类市场并列观察，可避免“单市场经验外推”的偏差。比如同一时期美股成长修复，并不意味着港股同类资产同步修复，因为资金来源结构、风险预算约束和交易制度都不同。

期货和加密市场对流动性变化更敏感，因为杠杆机制会把资金压力放大为价格波动。ccxt 与 hummingbot 的实盘经验表明，极端行情里交易所间深度差异会迅速扩大，名义上同一策略在不同平台可能出现完全不同结果。ccxt hummingbot 这也是为什么研究阶段要把“流动性断层”作为独立压力场景，而不是仅做历史回放。

把流动性周期用于交易决策时，可以用三条约束降低误判。第一，定义状态边界：风险偏好上升/中性/收缩，不同状态对应不同仓位上限；第二，定义执行边界：低流动性时段放宽信号阈值但收紧下单规模；第三，定义退出边界：当波动率与信用利差同时恶化时，优先减杠杆而不是补仓。quantstats 的回撤归因可用来检验这些边界是否有效，尤其是检查回撤是否集中出现在流动性恶化窗口。quantstats

最后要强调，流动性周期不是“择时神谕”，而是风险管理框架。它无法保证你买在最低点、卖在最高点，但能显著降低在错误市场状态下重仓交易的概率。长期结果往往不是来自单次判断有多准，而是来自在坏环境里少犯错。

监管与交易规则可参考 FINRA 日内交易规则说明 与 SEC 投资者教育页面 进行交叉核对。

市场切片补充

把规则放进具体时间段更容易检验。例如 2020 年一季度的风险冲击阶段、2022 年的全球紧缩阶段、2023 年的结构修复阶段，价格反应、成交深度和风险偏好都不相同。若把这三个阶段混在一起求平均，很多结论会被稀释；若分阶段评估，同一套方法在不同环境中的边界会更清楚。

在执行层面，可以把“阶段识别”写入日常流程：先确认当前处于扩张、收缩还是修复，再决定仓位上限、下单时段和止损阈值。这样做不是为了追求完美预测，而是为了避免在不适配环境里重仓。跨市场核验时，建议直接对照 NYSE 时段、Nasdaq 日历、HKEX 时段 与 CFTC 术语 做参数确认。

复盘框架

每篇笔记都可落到同一套复盘问题：第一，当前结论依赖的前提是否仍成立；第二，若波动率提升一个等级，仓位和执行规则是否需要同步调整；第三，若成交成本抬升，策略是否仍具备正期望。把复盘问题固定下来，知识会从“记住观点”转为“可持续迭代的决策系统”。