把 BTC 鏈上指標餵給策略引擎的人機共創流程

策略成敗常被歸因於模型，但根更在“信號採集—特徵加工—節拍執行—風控閉環”的流水線是否順暢。我會把 BTC 側信號分爲三類：確定性信號（確認深度、重組率）、擁堵與費用信號（mempool 壓力、手續費分佈）、行爲與深度信號（在途比例、目標池深度、價差收斂速度）。這些信號不是爲了“預測價格”，而是爲了“選擇時段與節拍”，讓策略走在確定性上升的窗口裏。

人機共創的第一步，是把信號變成可解釋的特徵表。我們會從 @Hemi 的訂閱里拉取基礎事實，經過去重、對齊與缺失填補，再衍生出滑動均值、百分位閾值與分段指示器，把“多少確認”“多擁堵”轉化爲布爾與區間，這樣策略引擎能用極簡邏輯觸發。

第二步是回測與敏感度。回測關注的不是淨值曲線有多漂亮，而是在不同擁堵分位、不同確認深度的子樣本中，勝率與回撤是否穩定。如果策略只在“好天氣”有效，就要把它降級爲輔助路由，而不是主力。

第三步是節拍執行。我們會按“弱確認—強確認—終局”的三段，把倉位釋放與訂單規模做成階梯，弱確認階段輕倉與限價，強確認階段分批加倉，終局階段淨額清算。失敗與重試用預算上限控制，超過就撤回。

第四步是風控閉環。將失敗重試率、滑點超限率與在途比例納入策略 KPI，任何超過閾值的組合當日自動降檔。對超邊界的樣本形成事故卡片，投入異常圖譜，下一輪訓練時優先覆蓋。

最後是把天然的激勵對齊到正確行爲。$HEMI 可對“批量友好、低失敗、低尾部暴露”的策略給予費率折扣或額度優先，鼓勵模型把成交集中在更高質量的窗口。把收益從“補貼”轉爲“效率”，把聰明分佈到整個生態，這是 #Hemi 長期更穩的道路。