Fabio Valentini 访谈笔记：订单流优势、策略验证与执行框架

Fabio Valentini 访谈笔记：订单流优势、策略验证与执行框架

核心结论：订单流数据人人可见，但它本身不是 edge；真正的优势来自将短期最有效的 trigger 与长期 bias 对齐，通过统计验证、风险预算、分散化和对 edge 衰减的监控，构建一条可长期存活的平滑权益曲线。

一、访谈背景与核心问题

1.1 人物与场景

• 受访者：Fabio Valentini，世界级 scalper，曾在 Robbins World Cup 多次进入前五，并为多个七位数企业实体担任 alpha researcher。
• 主持人：Brandon（原文也出现 Bandon、Brenon 等转写变体）。
• 访谈目标：从 Fabio 处学习普通零售交易者如何构建一个真正有效的策略，覆盖识别短期最有效 trigger、把 trigger 与长期 bias 对齐形成 model，并给出完整逐步框架，用来证明策略确实有效，以及如何知道何时应完全放弃策略。
• Fabio 还会在图表上现场揭示一个旗舰交易方法论。
• 免责声明：视频内容不构成财务建议；目的是研究一个异常成功的交易者如何构建、验证并执行有效策略。

1.2 开场悖论

• 访谈主题围绕订单流信息的悖论：如果订单流信息是同一套数据、向所有人传递相同信息，它为何仍能对每个人都有优势，或为何仍对每个人都有效。
• 原文以该问题开场，并将其列为“至少是一个问题”，并未用单一答案直接收束；答案分散在短期 trigger 与长期 bias 对齐、edge contribution、分散化、验证与执行框架中。

二、核心原则总览

• 若 Fabio 亲自训练一名有能力的交易者，他会从数据分析和适当风险保护开始。
• 他职业生涯最大挣扎，是建立一套流程，用来识别什么才是真正的 edge，并据此管理风险。
• 他认为人类共有的问题包括：对抗 ego、对抗自己、因希望市场反转并回到盈利而过早平仓、移动止损导致止损变得比止盈还大、以及无法知道何时停止一个策略。
• 以 opening range breakout 为例：该策略全球广泛使用，Fabio 会结合 volume 使用；它已被证明，可自行测试，Nasdaq 上存在 drift，也有正式研究支持，因此这是一个 edge。但若到 2028 年很多人开始使用该策略，导致 net Commission 下不再盈利，那么验证环节会告诉你何时停止；策略不再表现。
• 所有让你达到这种能力水平的事情，都应在交易前完成，因为你应该在知道自己执行的东西确实有效后才开始执行 model。
• 另一侧是自动化的风险管理。例如某些平台有 automatic risk manager 功能：当交易者达到当日最大预算时，平台会阻止其继续交易。
• 若运行趋势跟随策略，而当天市场非常震荡、盘整、没有方向，没有 daily budget 就会继续取趋势跟随 setup；若市场连续三天盘整，可能毁掉账户的 20% 到 30%。当 daily budget 达到后，你今天活下来，改日再战。
• 这对新手和专业人士都是最大 takeaway 之一，因为它把“想法”和“现实”分开。
• 交易多年、管理大资本，无论是自营还是第三方资金，人都不能免疫情绪，会犯错；因此需要一个系统让你对“今天”负责。你加入想法、遵循计划，然后亏钱，就去训练、去桑拿、做别的事，但不要再看图三小时试图回本，因为只会让情况更糟。
• 多数交易者的问题在于 expectation：他们想象交易者能在任何市场条件下盈利，追求 100% 胜率，认为一个策略可以终身使用。Fabio 多年来改变了无数策略，因为他持续在 option flow 上改进。
• 真正的秘密是不只依赖一个策略，因为每个策略都会遇到市场条件不再反映其想法的时候。
• 唯一圣杯是分散化：在多个市场拥有 validated edge，并以分散化方式让权益曲线更平滑。
• 即使拥有最好的 model，从监管角度，若问他能否保证下个月盈利，他不能保证，因为 return distribution 不是线性的。交易不是每月固定拿工资。可能连续两个负月，然后一个疯狂月份覆盖过去六个月，再两个 breakeven 月份，然后一个不可思议的月份。

三、从想法到策略：三阶段框架

3.1 Bias Identification

• 必须知道日内、多日、长期的方向。
• 比特币案例：使用 on-chain analysis，类似基本面分析，但使用区块链数据。区块链公开，可研究持有超过 1000 枚 BTC 的 portfolio 在做什么、新 portfolio 或 retail 在做什么、BlackRock 在 portfolio 中持有什么。
• 所有这些数据被拉入他自有的 proprietary analysis model，并据此构建 bias。
• 当时判断：减半后应触底，减半影响价格，因此他想做多比特币。这就是 bias identification。

3.2 Trigger

• 需要知道何时执行。trigger 可以自动化。
• 可测试 absorption 是否比 demand 更好、demand 是否比 order block 更趋势、order block 是否比 value area 更好。
• trigger 测试有两种方式：
• 对 swing trading，考虑每年只有 20、30、40 次机会，可手动做，一个周末就能覆盖所有 setup；他会有 trigger 和 order flow checklist。
• 当涉及数十万 setup 时，就自动化 trigger 并隔离该部分，观察只看 trigger 在 1:1 风险回报下，哪一个表现更好。
• 由此可理解哪个 trigger 在短期最有效。若识别出短期最有效 trigger，并用该 trigger 与长期 bias 对齐，就拥有一个 model。
• 但问题在于：越往短期走，edge 越容易破裂。

3.3 Edge Contribution

• 把不同信息放入模型，观察信号质量是否改善。
• 可放入 absorption、aggression、exhaustion，并测试在特定资产的 bias model 中哪一个最有效。
• Fabio 总先有 bias，因为开仓需要方向；他主要做趋势跟踪。然后做 edge contribution：把不同信息放入模型，看信号质量是否改善。
• 他不深入技术，因为自己不是 quant，但有人替他做。输入新信息后，可以切换 absorption、aggression、exhaustion，测试对特定资产的 bias 模型哪个最好。

3.4 形成 Model

• 短期最有效 trigger + 长期 bias = model。
• Model 不应只有好的 profit factor，还要有好的 recovery rate 和好的权益曲线平滑度。

四、Trigger 测试与验证方法

4.1 手动测试与自动化测试对比

4.2 Fabio 反复建议的验证流程

1. 拿数据集，或作为主观交易者观察市场。
2. 识别数据中的可重复模式。
3. 理解这些模式为什么发生。
4. 执行这个 edge，但先在模拟中执行，不要用真钱。
5. 使用统计验证：至少用 3 年数据测试。
6. out-of-sample 过程需要 3 个月测试和观察，因为涉及执行；3 个月可以收集约 300 rates（可能指交易/样本）。
7. 该模型不是作为 standalone strategy 发布，而是作为 proprietary study 和 indicators，希望用户将其与自己的模型 confluence 使用。

4.3 参数敏感性判断过拟合

• 如果回测中 imbalance 300% 很好，但 300.1% 或 299% 完全崩溃，那只是找到了该资产的特定参数。
• 3D 参数盈利图中，尖峰意味着只在某个特定参数有效；真实 edge 应在顶部有平坦表面/置信区间。
• 例如 imbalance 从 250 到 300 有效，400 太多，200 太少；若 300 有效而 301 摧毁 edge，就是参数拟合。
• 如果 edge 是真实的，你应该在顶部有一个平坦表面。

五、风险管理与执行纪律

5.1 Daily Budget 与 Automatic Risk Manager

• 现在某些平台有 automatic risk manager 功能：当交易者达到当日最大预算时，平台会阻止其继续交易。
• 趋势跟随策略遇震荡/盘整日，若没有 daily budget，会不断取趋势跟随 setup；三天盘整可能损失账户 20% 到 30%。
• 达到 daily budget 后停止，今天活下来，改日再战。
• 这对新手和专业人士都是最大 takeaway 之一，因为它把“想法”和“现实”分开。

5.2 每日计划示例

• 风险预算 5,000 美元，每笔 1,000 美元，最多 5 次执行；最坏情况 -5,000 美元；最好情形原文提到 25,000 美元利润，但表述含“than not”等口语噪声，含义含混。
• 制定每日计划：bias 来源、trigger、参与区域和方向。

5.3 情绪与 ego

• 交易多年、管理大资本，人不能免疫情绪，会犯错；因此需要一个系统让你对“今天”负责。
• 亏损后去训练、桑拿、做别的事，不要再看图三小时试图回本，因为只会让情况更糟。
• 必须成为所执行模型的所有者。一旦开始向自己辩护模型，就会迷失，因为不知道市场变差时该改什么。事情会变差，没有交易/基金一直好；Medallion 有最佳定量模型，也有好年、平均年和惊人年。

六、Edge 衰减 vs 正常方差

6.1 识别方法

• 需要有一段 out-of-sample 时间，其表现不再符合 in-sample 结果。
• 应开始注意到权益曲线先向上，然后开始横盘，而不是立即向下。
• 横盘会让你反思：按 net Commission 计算，你是 breakeven，或轻微亏损，或仍在盈利但速度慢很多。
• 他通常用 rolling quarter 来评估，就像在世界交易杯期间那样。表现并不总相同：有时策略表现好，有时表现差。

6.2 Execution 数量标准

• 具体做法：用三个月评估；对 scalping 而言，三个月内有超过 100 次 execution，因此有足够数据把 200 次 execution 与上一季度比较。
• 若只有 3 或 4 次 execution，亏损连可能是正常的；但 200 次、300 次 execution 后曲线翻转向下，就必须立即停止策略。否则再交易一个季度，会吃掉前一季度的利润。
• 当 200、300 次 execution 后曲线翻转向下，你需要立即停止策略；否则再交易一个季度，你会吃掉前一个季度的利润。

6.3 案例：2025 趋势跟随动量 model

• 2025 年 Fabio 非常固执：他当时在用一个纯趋势跟随动量 model，该 model 在他参加的世界交易杯期间表现极好。
• 但特朗普之后市场开始变化，新年交易时段更压缩，不再有爆炸和延续，而是“爆炸后回到区间、爆炸后回到区间”。因此纯趋势跟随动量 model 开始 underperform。
• 他固执的原因：分析告诉他不要继续交易该 model，因为 edge/profit factor 正在恶化；但由于该 model 曾多年带来惊人结果，他说服自己再试一个月、再试两个月。
• 若在数据告诉他“当前市场条件下该 model 不工作、应切换”时就切换，可能省下六位数资金。

6.4 案例：2023 分散化

• 2023 年有超过六个月，他的一个 momentum model 处于 drawdown，因为市场又开始压缩。
• 但他通过加密上的 on-chain model、基于日内的 model、基于 global money/global macro 的 model 赚钱。
• 结论：不要只交易一个 model；真正的秘密不是只依赖一个策略，因为每个策略都会遇到市场条件不再反映其想法的时候。

6.5 组合监控

• 可能组合上涨，但有 6 个模型，其中 4 个表现很好，2 个慢慢亏钱，几乎注意不到。
• 你以为策略 breakeven 或表现不佳，但看数百次执行，会发现 edge 正在衰减；这是策略需要改变的最终证明。
• 分析单个模型，而不仅看组合总权益；即使整体掩盖，也要改变策略。

七、策略期望与量化指标

7.1 不要追求虚假高风险回报

• 大众常说要做 1:20、1:30、1:40 的疯狂风险回报，但必须考虑这种风险回报会导致极低胜率；即使做得好可能盈利，也会出现 10、20 笔交易的连续亏损。
• 因此，model 不应只有好的 profit factor，还要有好的 recovery rate 和好的权益曲线平滑度。
• Fabio 不想在两种策略之间只优化净利润：一种大起大落最终到 1000 万利润，另一种持续一致地到 200 万利润。他总会选择第二种，因为第二种允许他建立更多资本，并预期更小 drawdown。第一种像彩票；若在下跌段进入，该账户可能进入 marginal 状态。
• 他不是说永远不该冒险。他在牛市中曾重仓，把“脚放在油门上”并 loaded heavy，因为他确信分析。但若想构建稳定 portfolio，尤其使用全部资本增长，这不是最佳方式。

7.2 Profit Factor 与 IVB

• 1.5 已经很好；例如 IVB 是 1.4。在五年数据上，他觉得这很惊人，因为也许不会靠一笔交易改变人生，但权益曲线在 Sharpe ratio 上击败 S&P 500，这是最终目标。
• Scalping 有单周 profit factor 高于 3，但只有 20 次 execution。当 execution 上升到 100 到 1000 次，若在 1000 次 execution 下仍可持续 profit factor 4、5、6，可能是在做 HFT，或存在 overfitting。
• IVB 是负风险回报系统。大众常说要做高风险回报，但必须考虑低胜率和连续亏损。

7.3 警惕 vibe coding 与过拟合

• 现在很多人用 vibe coding 写策略，存在大量 look-ahead bias、overfitting 问题，然后放到 live market 就不表现。
• 看到 Twitter 上 vibe coded 策略权益曲线/夏普比率飙升，如 Sharpe 7、profit factor 24。如果真有 24 Sharpe、疯狂 expectancy，且在 1 分钟或 15 秒这种极短时间框架执行，理论上可以快速翻账户、建立世代财富。但加上佣金和滑点后，edge 通常完全消失。
• 常见错误是忘记佣金和滑点，假设完美执行；策略可能一顿/一 tick 利润，零佣金、零滑点、一 tick 利润，从而做出疯狂策略。
• 做正确 backtesting、正确测试时，可发现 1.5；例如 IVB 是 1.4。

7.4 佣金与滑点

• 交易者有 Commission 成本。可以盈利，但 edge 必须超过 Commission。短期交易中 Commission 的影响更大。
• 如果构建了一个多头 thesis，完全失败，但做空却有效，是否放弃？Fabio 说取决于：有时因佣金会持续亏钱。持续亏钱的策略不意味着翻转后就持续盈利，因为有佣金、滑点等策略外部因素。
• 如果找不到一致 edge，即使 thesis 正确，也会放弃，因为不能让 ego 驱动；否则就是在市场里投入一个不断被吃掉的 edge。

八、市场演化与数据源

8.1 Zero DTE Option

• 近年 zero DTE option 开始占每日 notional volume 的 60%。当市场变化、zero DTE option 的 volume 逐年翻倍时，作为日内交易者不能忽视自己的数据，因为这很重要：涉及 hedging activity、日内 option flow。
• 因此他不得不开始研究 options。他并不想学，也不容易，但如今这是必要的。

8.2 On-chain Analysis 比特币案例

• 使用 on-chain analysis 作为基本面。区块链公开，研究 1000+ BTC portfolio、新 portfolio/retail、BlackRock 持仓。
• 数据进入 proprietary analysis model。
• 判断减半后触底、减半影响价格，因此看多比特币。

8.3 其他数据源与成本

• COT 数据迫使大型市场参与者披露其在所有资产上的持仓，因此 drift 存在。
• 盈利意外迫使大玩家避免滑点，并建立限价单簇，以顺着股票方向进入。
• Option flow 数据每月 30,000 美元（原文称“cba”数据，拼写不确定，上下文为期权流数据）。
• 仅 CBOE feed 每月就要 30,000 美元，大多数 retail 无法负担。
• 一分钟级别获取深度数据很难，且成本极高。

8.4 数据本身不是 edge

• 不能说 edge 对所有人都有效，因为 edge 是复合的。Order flow、option flow、COT 都是数据集；数据集本身不是 edge。
• 比如 option flow 数据每月 30,000 美元，但如果没有处理能力和解释能力，静态数据无用，就像你有法拉利的所有零件，每个零件占满房间，但你有能力组装吗？
• 从数据集构建信号有无限可能。如果 order flow 只有 aggression 或 absorption sell 一个信号，那就无用；但一个 order flow candle 内含数据量惊人，可以处理 MBO/MVO、bid/ask、delta profile，也能用原始数据理解和自动化模型信号。
• 策略是 bias identification、option flow、profile framing 等三四步的混合。完全算法化的 order flow edge 若完全量化且在极端短期时间框架，分享给 hedge fund 或 Jane Street 这类有资本的机构后，会快速关闭、榨干并终结 edge。
• 公开教学不一定摧毁 edge，因为从数据集构建信号有无限可能。

九、Discretionary 交易者与客观数据

9.1 主观交易者的挑战

• Fabio 认为这里会有很多矛盾，因为他知道一些优秀 discretionary trader 使用实际市场理解并汇集多个数据。例如：有强 gamma exposure level、有 absorption、有来自多侧 order flow、基本面、options 的 confluence。
• 但在一分钟级别获取这种深度数据也很难，且成本极高。仅 CBOE feed 每月就要 30,000 美元，大多数 retail 无法负担。
• 因此，他认为如今交易者的经验可以击败 algo method，前提是交易者真的非常有经验。
• 但 discretionary trader 的主要问题是无法获得客观数据集。
• 趋势线会因你、我、别人、机器而不同；若观察对象不同，如何改进策略？
• 在 Nasdaq，某价格水平有 500 contracts/sec，你能看到，别人能看到，机器也能看到；给机器数据它也能读。

9.2 Earnings Surprise 案例

• Fabio 给了一个他在 BNP Paribas 直播中用过的一个 swing model，叫 earnings surprise。
• 逻辑：某股票 earnings 公布，预期中性，实际 earnings 超预期 50%，earnings 变大。市场会发生什么？这是可测量事件，也是可测量 edge；他看到的并不与别人不同，大家都看到同样东西。
• 一旦有了这个事件逻辑链，预期是什么？大买单 aggression。大买单的问题是什么？slippage：市场参与者不愿一次性全买，因为重仓会支付巨大滑点。
• 因此在这种特定情况下，经过良好统计验证后，市场会回到 earnings surprise 创造的 gap，然后再向上。于是有不对称 risk/reward，因为可在 gap 下方 cover/止损。
• 在股票市场，若擅长挑选正确股票，通常它会涨。该事件可测量：取股票、取过去五年数据，可看到超预期概率 70%，60 天后 drift 为正的概率 80%。这是不是 edge？当然是。
• 与凭直觉的 trend line 突破相比，earnings surprise 更客观、可统计验证。

9.3 Engulfing Candle 定义问题

• 对 discretionary/perception trader 而言，有人认为吞没蜡烛需要影线高于某处，有人认为实体高于某处，定义并不统一。
• 原文在此处截断，相关讨论未完成。

十、NASDAQ 订单流模型详细解析（第 3 段）

10.1 框架与背景

• 本段继续说明一套交易分析模板：原文开头称其来自“tip, dim deep p team m”（听录不清），用于识别压力区，判断谁在主导，并指导交易者从 session 开盘到结束如何 refine 交易。
• 核心主题是：在 choppy、吸收、价值区平衡的环境中，如何用 VWAP、delta、吸收、aggression、profile、value area、order track、Nasdaq effort 等工具寻找 confluence，并进行进场、加仓、移动止损和止盈。
• 作者强调：订单流数据本身不能直接让人盈利，必须先有 bias 和交易框架；模型目前只测试 Nasdaq，不能随意外推到 ES、gold 等市场。
• 讨论还涉及模型开发时间、自动化可行性、胜率、风险回报比、日内持仓周期，以及趋势跟随模型在 choppy regime 下会回吐利润。

10.2 开盘与 VWAP Setup

• 开盘后第一个 drive 出现红色 cluster 区域，这是之前观察到强烈向下吸收的区域，因此被作者视为第一个高相关 confluence engagement area。问题是：该区域当时还没有一个由此开始的明确 swing point。
• 当 session 开始时出现卖家吸收、价格下跌、随后买家吸收，作者称之为“cage”。右侧 profile 从 session 开始一直 balanced，说明买卖双方处于 fair value，没有买家或卖家取得控制。作者倾向只在 value 外出现 directional option 时参与，因为那里才可能出现方向性 movement。
• 第一个 setup 是 VWAP 到位。VWAP 是 volume weighted average price，在玩家 reload 的语境下，作者用它标记最大向下压力所在。标记该区域后，再推理执行。
• 该区域 collapse 后，卖家显示出比买家更强，仍控制下一个区域。作者加入 point A 到 point B 的 movement，并取 rate（原文作 take my rate，听录不清），再进入技术分析。
• 市场到达底部后，买家出现重要的向上 aggression。这从 deep swing 立即给出信号：当前 VWAP 把价格压向下方，红色 delta candle 表明该 auction 中卖方 bias 主导。
• 回到 value area 后出现另一个 confidence trade：价格位于 value area，且有一条买家完全控制的线/吸收区。卖家试图把价格带回但再次失败。

10.3 Delta 确认与止损管理

• Delta 被视为市场主要力量。做 mean reverting 时，需要站在强 aggression 一边：卖家控制买家、punching a wall。
• 顶部买盘 aggression 的轮廓/力量被吸收，没有推动价格；在 consolidation 中的 continuation move 也一样，买家在顶部很 aggressive，但结果为零，甚至出现负 candle，说明买盘力量被向下吸收。
• 作者用 delta candle 判断何时把止损移到零/保本（原文作 mastozero、maristo zero，听录不清）。
• 若卖家保持控制，就把止损移到零，然后转向下一个 setup。
• 买家 reload setup 的逻辑类似：看到大量卖家压力，但 candle 没有结果，随后买家取得控制。底部 setup 无法直接做，但价格回来测试时可以参与；该区域中卖家没有产生结果。

10.4 Nasdaq Effort / Proprietary Model

• 作者多年研究出一个 proprietary model，用于判断买家或卖家是否真正主导区域。
• 该模型研究多个 forces：imbalance、absorption、aggression、part of list resistance（听录不清）等。
• 若较少 contracts 就能推动价格上涨，说明上方 book 更 thin，市场可以在那个方向爆炸。这些作为 setup confirmation。
• 示例：卖家从 box 控制且有 timing，可尝试 explosive position 回到下一区域；回到已显示 absorption 的区域，形成卖家控制区的额外 confluence；buy side 第二仓位用 timing 和 candle 收盘 confirmation 入场。
• 最后加入的是 Nasdaq effort area（原文多处听录为 nasdaq effort、nasdaq f fort、nasdaq carefort tause、nasdaq keforarea，需核对）。当 value migration 向上，且 effort area 显示压力关键在上方，所有信息就指向同一方向。

10.5 Profile / Value Area 使用

• Profile 是客观数据。可以从 bottom wing 到 top wing 测量并移除价格。
• 其用途是直接分析谁主导 auction：balance 是“land of nowhere”，下方是 discount。
• 作者用 Apple Store 新 iPhone 价格类比 discount，低于 discount 的区域总想标记。
• 在 value area low 附近出现买家 aggression 和大量卖家吸收，作者认为这里的买家执行 aggression 比后续发生的事情更相关。若考虑买入，要用 confirmation，但尽量从对 order flow 相关的 level 买入。

10.6 Order Track 1:1 Scalp

• Order track 用于观察每根 candle 中谁主导 value area 的 migration。
• 例子：卖家主导、大 delta、profile 很 balanced；下一根 candle 有大量卖 aggression，但收盘仍在 value area，value area 仍 lower。当确认 value 从 value area 收盘切换时，可以 load 1:1。
• 作者认为，如果擅长理解当天主方向，可以沿该方向 scalp 每一个 movement，而不是只做 1:5 风险回报；可能做三个 1:1 仓位。整合市场也能给利润。1:5 可以长期持有一个仓位。
• Value area 迁移例子：value area migrate higher，candle 仍 green；若 idea validated，预期 value area 会保护并向上 reload，可以在 value area cover 下方放仓，做另一个 1:1。Sell side 则把止损放在 value area 上方，目标 1:1。
• 当市场从 value area flip 到 value area high，交易者需要调整：止损放在 value area 下方，或拿另一个 1:1 profit。绿 candle 与 value 切换 lower 不一致时不入场；保持红色且 switch lower 时，才做另一个 position。
• 进入 candle 内部可以用 discretionary analysis 读谁主导。Point of control 比前一根低，意味着 value migrating lower。下一根 candle 试图 engage and break 该 level，大量买家活动但零结果，说明大量 passive order 在继续吸收。若 candle 继续发展且看到 absorption，可以更 aggressive 地 squeeze。

10.7 仓位管理与 Position Building

• 把止损跟踪在最后一次 aggression 下方。
• 预期市场继续，但可能先下探再恢复；若价格回到区域内，可以 reload 仓位，但某些情况下会被止损。
• Position building 例子：flip higher 后，可以在 absorption 处建仓，止损放在下方；市场确认后，第一仓位变为 risk free，因为可以在该 aggression 下方 cover，再 load 另一个 position。极端 delta 且市场继续时，仓位可继续滚动。
• 在有 drift 的日子，可以以初始风险一，建立三四个 rolling position；reward 不是线性的，可能是指数式。但也有 negative days。
• 模型目标不是建立巨大 reward/risk，而是建立 consistent equity，之后可能用利润风险做大仓位。
• Reward 与 win rate 有共生关系：更高 reward/risk 时 win rate 下降，所以 win rate 不是最重要。1:1、有时 1:2 的模型 win rate 很高，可在 drift 中连续三四个 take profit，但不均匀分布。
• 极 choppy 时，win rate 约 40–50%。由于是 1:1 加 Commission，这接近 break even。作者明确说这不是唯一 grail。

10.8 自动化与适用范围

• 自动化不可行。作者认为自动化不会考虑所有分析和仓位管理 refinement。
• 例子：模型会把风险留在某处，但实时看到大买家吸收时，作者会 trail stop loss 并把风险降到零；当 drift 持续时，会 build position。
• 只测试 Nasdaq。他认为这可能是市场本质，即价值如何 migrate、订单的实际 dataset，可能适用于其他市场，但因为没有 proper testing，不愿声称通用，以免传播 misinformation。
• 相关性不等于微观结构相同。策略在一个市场能盈利，即使在与 ES 高度相关的市场，也不代表能直接迁移；模型可能在 ES 亏损，反之亦然。这是 microstructure pattern，不同资产可能不同。拿 gold 上盈利的策略假装能用于 US 市场是 madness，因为那是大 assumption；就像因为别人交易成功，就假设自己也会成功。
• 开发时间：模型约六个月。最初没有用 value area，只用 aggression 和 victrays（听录不清）；后来发现 value area 增加了很多价值，因为它给出 drift 的 sustain。value area 持续 drift up 并不断 building 时，越能 build position。大订单可能分布在整个 candle，下一根 candle 可能回撤；value area 确保尽量保留 drift，直到它结束。
• 作者目前只交易 trend following model，因此 regime 不对、市场不动时，会回吐部分利润，这是游戏的一部分。

10.9 过滤 Confluence 案例

• 若只过滤所有 confirmation 的 setup，示例中向上取六个 value 交易，五笔 take profit、一笔 stop loss；向下迁移时只取一笔 take profit。
• 作者强调这是信息 confluence，而不是 overfitting；风险是如果 stress data 足够久，它会告诉你你想听的东西。
• 实时看价格如何反应区域，可理解 order flow 实际影响较短周期的下一 drift，而不是 overall（原文作 ogirl il，听录不清）。但仍会有非常坏的 choppy moments。

十一、趋势跟踪在盘整中的弱点与成本

11.1 盘整周保护资本

• 在 chopping money 的市况中，会出现“极好的 sniper short”以及“stop loss long”等信号；示例中出现连续 13 次 stop loss。Fabio 认为这是市场的一部分，也是市场发展方式的一部分，不应因此责怪自己。
• 所有趋势跟踪系统都会在 consolidation regime 中受苦，并且接受这一点。盘整周的目标是保护资本。
• 趋势跟踪在盘整中挣扎是必要 trade-off，类似生意人的生理性风险。类比：如果在 UAE 做旅游业，每年夏天约两个月游客少，这是已知并接受的现实。

11.2 佣金与成本

• 交易者有 Commission 成本。可以盈利，但 edge 必须超过 Commission。短期交易中 Commission 的影响更大。
• 如果模型能让交易者保持在市场正确方向，仍可操作。

11.3 不要盲信模型

• Fabio 明确提醒听众不要关掉大脑、不要直接认为“我会用这个模型”。
• 正确态度是：不信任模型、自己测试、用模拟资金、做充分研究，只有 100% 确信是真实 edge 时才执行。
• 他不希望用户放弃原有模型，而是用该数据集改进已有做法；不要只依赖数据集，因为大错误是把指标当成神，停止用脑跟随市场方向。

11.4 多元化与 prop firm

• 若有人理解整个模型后仍挣扎，Fabio 认为：任何模型在特定时点都可能盈利或亏损，因为 edge 在长期。给新手的最佳建议是不要只依赖一个模型，要多元化投资组合和策略。
• 他展示过 mean reverting long term setup 与 trend following；有些天某模型不表现，另有模型；有些天两个都不表现，还有 crypto 模型。他强烈反对只依赖一个模型，因为无数测试后未找到一种能在所有市场环境盈利的模型。
• 在 prop firm 等风险约束关键场景中，若账户 go underwater，可能 burn the prop。因此应有多元化系统，或至少有系统能在市场条件不适合时让交易者空仓。
• 趋势跟踪示例中，某些区域没有交易，因为系统会识别最佳机会，并在市场条件不满足时过滤掉。
• 若声称能移除所有盘整阶段、只取方向，Fabio 说那自己会是亿万富翁；但那不是系统，而是印钞机。

11.5 动量模型

• 动量模型是 Fabio 的 one daily shot，是建立长仓的信心区域，属于 momentum model。若突破某区域并继续打印，就是 momentum setup。只要保持正风险回报且可持续，就没有理由回避 setup。
• 问题是若试图从顶部设定 drift 目标，因为此时资产已 overpriced，市场可能回撤；交易者可能因恐惧平仓，进而引发情绪链错误。

11.6 追踪止损 vs Partial Profits

• 趋势跟踪退出并不是 partial profits，而是 trailing。Fabio 测试过 partial profit，但在 Nasdaq 上问题明显：Nasdaq 可全天方向性扩张，partial profit 可能让交易者在后续 200 点 rally 前出场；真正大行情日会因未持有的部分而少赚。
• 资产不同：外汇更 mean reverting，会拿很多 partial profit；Nasdaq 更偏向方向性 skew。
• 主持人问是否成功部署过 partial profit 策略。Fabio 回答没有；在 algo 上测试过，发现 partial profit 总是对收益的伤害大于对风险的降低。
• 主持人手动观察到：正确时它吃掉很多利润；错误时仍会吃完整 stop loss；风险只下降一点，小利润也下降，而且非常小。双方都认为 partial profit 从未有效。
• 追踪止损案例：入场第一个 green box；打印第二个后移动止损覆盖风险/保本（原文 cover my stop loss at risk）；后续每打印一个 box，将风险/止损上移，例如移到第二个 box 下方或相应位置；继续上移；最终被移动止损带出。结论：这不是 partial profits，而是 trailing。
• Fabio 提到此模型用两个 Nasdaq 相关盒子/K线来 trailing（原文：two nasdaq care for the box to trail）。

十二、关键数据、术语与金句

12.1 数字与数据

12.2 术语表

• order flow, edge, edge contribution, absorption, aggression, exhaustion, demand, order block, value area, bias identification, trigger, model, opening range breakout, volume, drift, net Commission, automatic risk manager, daily budget, drawdown, on-chain analysis, halving, proprietary analysis model, swing trading, checklist, risk/reward, rolling quarter, out-of-sample, in-sample, equity line, profit factor, recovery rate, Sharpe ratio, S&P 500, IVB, quant system, negative risk to reward, HFT, overfitting, look-ahead bias, vibe coding, discretionary trader, gamma exposure, CBOE feed, earnings surprise, BNP Paribas, slippage, gap, asymmetric risk/reward, zero DTE option, notional volume, engulfing candle, VWAP, delta, delta candle, point of control, profile, balanced/fair value, cage, mean reverting setup, continuation, reload, point A 到 point B, swing point, deep swing, directional option/outside value, Nasdaq effort/effort area, MVO orders（可能为 MBO orders，需核对）, order track, microstructure, Commission, ES, gold, US 市场, partial profits, trailing stop, momentum model, prop firm, burn the prop, quantum research, flow pressure, hedging/edging activity, confluence, standalone strategy, proprietary study/indicators, mean reverting long term setup, crypto model, Achilles heel, protect capital, sniper short, stop loss long, chopping money。
• 注意：原文多处听录不清，如“cba”数据、“matquafter”、“IBB/IVB”、“MVO/MBO”、“bidenasyou”、“granandomis”、“Fts”等，需保留为未决或待核对。

12.3 金句

• “如果你识别出短期内最有效的 trigger，并用这个 trigger 与长期 bias 对齐，你就有一个 model。”
• “越往短期走，edge 越容易破裂。”
• “当 200、300 次 execution 后曲线翻转向下，你需要立即停止策略；否则再交易一个季度，你会吃掉前一个季度的利润。”
• “不要只交易一个 model。”
• “真正的秘密不是只依赖一个策略，因为每个策略都会遇到市场条件不反映你想法的时候。”
• “多数交易者的问题在 expectation：认为交易者能在任何市场条件盈利、追求 100% 胜率、认为一个策略能用一生。”
• “交易不是每月拿工资；回报分布不是线性的。可能两个负月，一个疯狂月份覆盖前六个月，两个 breakeven，然后一个不可思议的月份。”
• “唯一的圣杯是分散化。”
• “model 不应只有好的 profit factor，还要有好的 recovery rate 和好的、平滑的权益曲线。”
• “我宁愿选持续一致到 200 万的策略，也不选大起大落到 1000 万的策略，因为前者允许建立更多资本、预期更小 drawdown；后者像彩票。”
• “1.5 的 profit factor 已经很好；IVB 是 1.4，在五年数据上很惊人，因为 Sharpe ratio 可击败 S&P 500。”
• “现在很多人 vibe coding 策略，存在 look-ahead bias 和 overfitting，放到实盘就不表现。”
• “优秀 discretionary trader 的经验可以击败 algo method。”
• “discretionary trader 的主要问题，是无法获得客观数据集。”
• “在 Nasdaq，某价格水平有 500 contracts/sec，你能看到，别人能看到，机器也能看到；给机器数据它也能读。”
• “earnings surprise 是可测量事件：超预期概率 70%，60 天后 drift 为正概率 80%。”
• “趋势线会因你、我、别人、机器而不同；若观察对象不同，如何改进策略？”
• “吞没蜡烛的定义也不统一：有人按影线高于，有人按实体高于。”
• “不要信任他，不要信任我，信任他，拿到有效方法。”
• “不要冒真钱风险。这是我犯过的错误。”
• “每个人最大的错误是认为这只适用于算法交易者。”
• “我以旁观者身份接近市场，从外部接近，不带信念入场。”
• “没人有水晶球。数据是民主的。”
• “RSI 是相对强弱指数，它告诉你下跌时存在大量卖压；试图抄底就是接飞刀，别被割。”
• “不要用 absorption 择底，而在下方放 stop order，等待突破并加速。”
• “如果 edge 真实，参数顶部应是平坦表面。”
• “数据集本身不是 edge。”
• “静态数据就像你有汽车所有零件，但你有组装能力吗？”
• “市场是动态生物，会演化。”
• “人们偏好简单解释；如果交易只是画线，就不会有对冲基金每年支付数十亿研究费用。”
• “你始终是自己所执行模型的所有者。”
• “持续亏钱的策略不意味着翻转后就持续盈利。”
• “周五是盘整；人们在盘整中的主要问题是识别相关 swing，不理解 impulse 何时结束，不知道何时在第二个上买入。”
• “所有趋势跟踪系统都在盘整市况中受苦，它们接受这一点；我接受，不责怪自己。”
• “盘整周的目标是保护资本。”
• “这是必要 trade-off，像生意人的生理性风险。”
• “有佣金还能盈利吗？可以，但 edge 必须超过佣金。”
• “不要关掉大脑；自己测试；只有 100% 确信是真实 edge 才执行。”
• “这不是 standalone strategy，而是 proprietary study 和 indicators，应与自己的模型 confluence 使用。”
• “大错误是把指标当成神，停止用脑跟随市场方向。”
• “我没找到一种能在所有市场环境盈利的模型。”
• “若能移除所有盘整只取方向，那就不是系统，而是印钞机。”
• “Partial profit 总是对收益的伤害大于对风险的降低。”
• 广告：IQ Capital 可低至 $1 开始第一次 challenge；Terms and conditions apply；Built by traders for traders。

十三、限制条件、未决问题与行动清单

13.1 限制条件

• 订单流悖论未用单一答案收束。
• 2028 年 opening range breakout 失效是假设，非已发生事实。
• 一分钟级别深度数据难获得且昂贵；CBOE feed 每月 30,000 美元，多数 retail 无法负担。
• 优秀 discretionary trader 的经验可击败 algo method，但需客观数据集；存在张力。
• 即使最佳 model 也无法保证下个月盈利，return distribution 非线性。
• 亏损连解释依赖 execution 数量：3 或 4 次 execution 的负 streak 可能是正常；200/300 次 execution 翻转向下才要求立即停止。
• 分散化具体比例和公式未给出。
• 自主交易者统一验证模板未形成。
• 主观概念定义不统一，原文在 engulfing candle 处截断。
• 多处听录不清：tip dim deep p team m、nasdaq carefort tause、nasdaq keforarea、MVO orders、part of list resistance、victrays、mastozero/maristo zero、ogirl il、cba 数据、matquafter、IBB/IVB、bidenasyou、granandomis、Fts 等。
• 模型只测试 Nasdaq，未测试其他市场。
• 自动化不可行。
• 极 choppy 日 win rate 40–50%，接近 break even。
• 大订单可能分布在整个 candle，下一 candle 可能回撤。
• 过度拟合风险：stress data 足够久会显示想要结果。
• 目前只交易 trend following model，choppy regime 回吐利润。
• 没有单一模型能在所有市场环境盈利。
• 部分止盈取决于资产。
• 样本外 3 个月仅约 300 trades，样本量有限。
• 若理解模型仍挣扎，可能多重原因。

13.2 待确认问题

• 如何知道 confirmation 是帮助还是让你更晚进场。
• 制定规则集时如何决定哪些部件组合。
• 周五 consolidation 中如何识别相关 swing、判断 impulse 结束、确定第二腿买点，原文尚未展开。
• 模型是否适用于其他市场，需 proper testing。
• Nasdaq effort area 准确名称与计算方式。
• 345 orders 是否来自单一市场参与者或多个。
• 风险预算 25,000 美元利润表述含混。

13.3 行动清单

• 先做数据分析，再建立风险保护。
• 建立流程识别真正 edge，并按 edge 管理风险。
• 设置 daily budget 或 automatic risk manager。
• 用三阶段框架：bias identification -> trigger -> edge contribution -> 对齐成 model。
• 手动测试 swing setup，一个周末覆盖所有 setup；自动化测试大量 setup 时隔离 trigger，在 1:1 下比较。
• 至少 3 年数据测试；3 个月 out-of-sample；约 300 trades 后评估。
• 检查参数敏感性，避免尖峰式过拟合。
• 使用 rolling quarter 评估 edge 衰减；200/300 次 execution 翻转向下立即停止。
• 不要只交易一个 model；分散化。
• 选择 profit factor 1.5 左右、recovery rate 好、权益曲线平滑的策略。
• 警惕 vibe coding、look-ahead bias、overfitting、佣金和滑点。
• 不要盲信教育者或模型；自己测试、模拟、研究，100% 确信才执行。
• 不要关掉大脑，不要把指标当神。
• 接受趋势跟踪在盘整中受苦；盘整周保护资本。
• 使用 trailing 而非 partial profits（尤其 Nasdaq）。
• 持续研究市场演化：zero DTE、option flow、on-chain、COT、gamma exposure。
• 成为所执行模型的所有者。

十四、总结

Fabio Valentini 的框架可以概括为：订单流数据是公开且民主的，但 edge 是复合的，来源于对数据的处理、解释与组合。交易者应先建立长期 bias，再寻找短期最有效的 trigger，并通过 edge contribution 改进信号质量，最终对齐成 model。验证必须包含模拟、至少 3 年数据测试、3 个月 out-of-sample 观察、参数敏感性检查，以及对佣金和滑点的现实假设。风险管理上，daily budget 和 automatic risk manager 把想法与现实分开；执行上，不要盲信模型或指标，要自己测试并成为模型的所有者。Edge 衰减可以通过 rolling quarter、200/300 次 execution 后的权益曲线翻转来识别，一旦确认应立即停止或切换。分散化是唯一圣杯，因为没有任何单一模型能在所有市场环境盈利。趋势跟踪在盘整中受苦是必要 trade-off，盘整周的目标是保护资本；partial profit 在 Nasdaq 上通常伤害收益大于降低风险，应使用 trailing。市场是动态生物，会演化，交易者必须持续研究 option flow、zero DTE、on-chain、COT、gamma exposure 等数据源，并在客观数据集与主观经验之间找到可验证的 confluence。