为什么会有做T实验室？

从数学、统计、交易执行到长期资产配置，记录一套“长期持有 + 利用波动 + 增加现金流”的真实实验体系。

第一次接触做T时，我和很多人一样，以为它是一个交易技巧。

后来发现，它其实远不止如此。

当我不断记录交易、统计数据、编写程序、验证想法之后，我逐渐意识到：

做T不是一个交易技巧，而是一系列问题的组合。

有些问题属于数学。

有些问题属于统计学。

有些问题属于软件工程。

还有一些，则属于长期资产配置。

于是，便有了这个实验室。

从一个数学公式开始

做T最底层的原理，其实非常简单。

假设：

• 买入价格：1.200 元
• 卖出价格：1.201 元
• 买卖数量：2000 份

那么：

收益就是：

（卖出价格 − 买入价格）× 数量 − 手续费

没有任何神秘的地方。

只要价格、数量和手续费确定，收益就是一个确定的数学结果。

因此，对于做T来说，第一个需要回答的问题并不是：

怎样赚钱？

而是：

为什么一厘价差也能够产生收益？

这属于数学。

数学告诉我们：

收益是怎样产生的。

数学之后，是统计学

数学能够计算收益。

但是，它回答不了另一个更重要的问题：

第一笔交易应该挂在哪里？

什么时候卖？

什么时候买？

挂高一点，还是低一点？

这些都不是数学能够回答的。

于是，问题进入了统计学。

历史波动。

P50。

P90。

P95。

趋势。

成交概率。

这些指标研究的，并不是收益，而是：

怎样提高第一笔交易成功成交的概率。

因此：

数学解决的是确定性。

统计学解决的是概率。

当策略确定后，剩下的是工程

假设已经确定：

第一笔卖单挂在什么位置。

如果卖出成交。

下一步应该怎么办？

继续观察市场？

还是立即挂出反向买单？

对于程序来说。

这些步骤都是确定的。

它们可以自动完成。

因此，从这里开始，问题又变成了工程问题。

如何记录交易？

如何自动下单？

如何处理成交回调？

如何保证程序稳定运行？

如何持续积累实验数据？

这些，都属于软件工程的范畴。

因此：

工程解决的，不是交易策略。

而是：

如何稳定、持续地执行已经验证过的策略。

做T的终点，不应该只是现金

很多人把做T看作一种短线交易。

而我更希望把它看作一种长期资产管理工具。

我的目标并不是每天赚多少钱。

而是：

把市场波动带来的收益，不断转换成长久持有的资产。

例如：

• 做T获得现金；
• 使用现金继续买入长期持有的 ETF；
• 持续增加持仓份额；
• 长期获得分红现金流。

这样，做T就不再是终点。

它只是长期资产配置中的一个工具。

因此，这个实验室不仅会讨论交易。

还会讨论：

• 长期持有；
• 高股息；
• 分红再投资；
• 长期现金流；
• 资产配置。

因为：

真正值得长期积累的，不是一次交易利润，而是一份持续增长的长期资产。

为什么叫实验室？

市场一直在变化。

今天有效的方法。

未来可能失效。

今天认为最优的参数。

以后也可能被推翻。

因此，我并不希望把任何结论写成"标准答案"。

每一个想法，都应该经历：

提出假设 → 编写程序 → 历史验证 → 实盘观察 → 修正结论

如果实验结果支持它。

继续研究。

如果实验结果否定它。

坦然放弃。

因此，这里记录的不是"秘籍"。

而是一次又一次真实的实验。

这个实验室将研究什么？

未来，这个实验室将持续围绕几个方向展开：

• 数学：收益为什么产生？
• 统计学：怎样提高成交概率？
• 工程：怎样稳定执行策略？
• 资产配置：怎样把波动转化为长期资产？
• 实验验证：怎样不断修正自己的结论？

每一个专题，都会对应一组真实的数据、真实的实验，以及真实的思考。

写在最后

我并不认为做T能够解决所有投资问题。

也不认为存在一种永远正确的交易策略。

真正吸引我的，并不是交易本身。

而是不断提出问题、寻找答案、验证假设、修正结论的过程。

因此，这个实验室研究的，不是某一种固定的交易策略。

而是：

如何利用数学理解收益，利用统计提高概率，利用工程提高执行效率，最终将市场波动转化为长期资产。