让系统自我调优：Emergence 在线学习系统

策略上线后最大的问题是：参数是上线时调的，市场是上线后变的。

固定参数策略 = 刻舟求剑。Emergence（涌现优化系统）就是来解决这个的。

三个组件

策略触发锁仓（locked）后，系统记录锁仓事件——什么时候锁的、锁的时候浮亏多少、解锁时盈利多少。

lock → hold N hours → unlock
  ├─ 记录 lockLoss（锁仓时的浮亏）
  ├─ 记录 holdHours（锁仓持续多久）
  ├─ 记录 unlockPnl（解锁时的盈亏）
  └─ 喂给在线学习模型

不是只记录结果，是记录整个锁仓周期的特征。这对模型来说比单纯的”赚了还是亏了”有价值得多。

基于 unlock-review 数据，自动调整策略参数：

输入：过去 N 次锁仓的特征 + 盈亏结果
输出：调整后的锁仓阈值、冷却时间、入场评分权重

例如：
  - 锁仓后平均亏损 → 阈值应该更保守
  - 锁仓后平均盈利 → 阈值可以适当放宽
  - 某个信号维度的权重过高 → 降低该维度权重

这跟广告系统的 OCPC 自动出价一模一样：根据历史转化数据，动态调整出价系数。出价调高了 ROI 降就降回去，出价调低了量少了就抬上来。

每天自动生成一份报告：哪些参数被调整了、调整幅度多少、调整后的效果预测。不是黑盒调参——每次调参都有可追溯的理由。

“涌现”——复杂系统的宏观行为从简单规则的交互中产生。

单个 lock/unlock 事件没有意义。但积累了几百次事件后，模式就涌现出来了：某个类型的锁仓 80% 都是亏损的 → 这个类型的锁仓阈值应该提高。

上线后的策略不应该有”最终版本”——市场在变，参数应该跟着变。Emergence 做的就是把”人工看盘调参”变成”数据驱动自适应”。