用1000个"数字人类"模拟山寨币市场，我失败了

故事的起点

2026年6月的一个晚上，我在读神经科学关于FOMO的研究。

原来大脑处理"担心错过"这件事，和它处理物理疼痛用的是同一片区域——背侧前扣带皮层。被朋友忽视的感觉，和挨了一拳在大脑看来差不多。多巴胺系统更是在不确定性达到最大时疯狂分泌，驱动我们不停刷新屏幕，追逐那个"可能错过"的奖励。

一个念头冒了出来：

山寨币没有任何基本面，价格完全由情绪和注意力博弈驱动。那能不能建立一个数学模型——给1000个"数字人类"注入FOMO心理，让他们在模拟市场中反复交易——然后观察价格走势能否涌现出真实的泡沫与崩溃？

如果成功，这将是行为金融学与计算神经科学交叉的一次大胆验证，甚至可能获得一个可迁移的市场心理模拟器。

这个念头听起来太美好了。而太美好的念头，通常都藏着看不见的坑。

项目设计：一个精致的"微型加密世界"

四大心理原型

我设计了四种交易者原型，每种都有五维心理参数：

原型	心理画像
趋势追随者	追涨杀跌，正收益时加速买入，亏损时反应迟钝
FOMO交易者	恐惧错失，价格突破近期高点时欲望激增
逆向交易者	逆势交易，价格大幅偏离均线时反向操作
套利者	均值回复，仅在极端偏离时出手

每个代理人的行为由五个心理参数决定：嫉妒倾向、市场关注度、追涨阈值、恐惧阈值、持有时长。1000个代理人从参数分布中随机生成，彼此心理特质不同，构成市场的异质性。

遗传算法：用进化寻找最优参数

我不需要手动调参——我要让进化算法自己找到最优的参数分布。

染色体设计了37个维度（原44维），编码四种原型的权重和各心理参数的均值、标准差。目标函数衡量模拟价格序列与真实K线数据的统计相似性：收益率分布、波动率聚集、尾部风险、市场活力度四个维度合成一个适应度分数。

种群100、最大代数100、锦标赛选择、SBX交叉、自适应变异、早停重启——我把能想到的技巧都用上了。

看起来一切都很合理。直到我看到了第一次训练结果。

四次迭代的血泪史

v0：跑通了，但总觉得哪里不对

第1代: -11.59  →  第6代: +0.86  →  第31代: +12.14
→  第65代: 触发早停  →  最终分数: +13.99

训练分达到了+13.99，甚至高于验证分+14.85——看起来似乎成功了。参数搜索中存在离散的"盆地结构"，第21代和第31代的两次跳跃突破是通过高变异率后的"幸运突变"发现的新参数盆地。

但有两个被忽略的危险信号： 1. 验证集上，模拟的ALT价格持续下跌至初始值的千分之一 2. 几个Bug潜伏在测试路径中

我没有在意。分数看起来不错。

v1：过拟合的真相

我做了"改进"：将重复评估次数从1次增加到3次，放宽容忍度、增加耐心。

训练分: +13.99 → +16.28（进步16%）
验证分: +14.85 → -5.37（暴跌！）

过拟合差距达到了惊人的 21.65分。

根因非常致命：每次评估都从训练集的第一根K线（BTC≈10,000）开始，GA只需学会在这个特定起点加单边牛市轨迹下表现好。降低评估噪声反而加剧了过拟合——GA更精确地记忆了牛市路径。

v2：参数重要性分析的陷阱

我暂停了训练，对37个参数进行了OAT局部敏感度分析，发现：

• 7个死参数：敏感度低于噪声阈值，可以安全固定
• 参数被推到边界：GA想要更高的嫉妒、更低的恐惧、更大的持仓分散度——但被搜索范围限制
• 逆向交易者权重被压缩到2%：GA发现逆势者在牛市阶段"碍事"，直接淘汰了这个原型

我扩大了搜索范围，砍掉了7个死参数，信心满满地启动v2。

训练分: +16.28 → +561.63（暴涨34倍！）
验证分: -5.37 → -15.06（更差了？）

等等，训练分561分？？？

真相令人尴尬：hold参数的搜索范围从[10, 100]扩展到[1, 500]后，最大方差翻了31倍。而多样性奖励使用的是原始方差。GA只需要让四个原型的持有时长极端分离（比如一个取1步、一个取500步），就能白嫖575分的多样性奖励，完全不管市场模拟死活。

分数暴涨≠进步。 这是我学到的最贵的一课。

v3：回到原点

修复了多样性奖励（改为变异系数+上限），添加了多点起始训练和均值回复锚。所有改进都就位了。

训练分: -0.60（真实的水平暴露了）
验证分: -15.33（和上一轮一样烂）

GA从初始适应度-5开始，再也无法收敛到正分。三个重启轮次，最好的结果也不过-0.60。

这是压垮骆驼的最后一根稻草：不是参数优化的问题，而是模拟器引擎本身有结构性缺陷。

根因分析：三个无法修复的结构缺陷

缺陷一：净卖出偏向

代理人的买入上限受现金余额约束——现金越少，购买力越低。但卖出上限受持仓约束——只要有持仓就能卖。

价格一开始下跌： 1. 持仓者账面亏损 → 触发止损卖出 → 价格进一步下跌 2. 现金充足的想抄底，但买入欲望受下跌抑制 3. 正反馈下跌螺旋 — 没有任何机制能阻止价格归零

验证集上，ALT价格持续下跌到初始值的千分之一。

缺陷二：没有价值锚

真实市场有做市商、价值投资者、套利者提供价格底线。但在模拟器中，GA主动淘汰了唯一的逆势做市原型（权重压缩至2%），剩下的人除了追涨就是恐慌。

均值回复锚虽然后来加上了，但强度极弱，杯水车薪。

缺陷三：硬编码系数淹没了心理参数

这是最隐蔽的问题。决策公式中有大量硬编码放大系数：

d += e * pos_ret_1 * 3.0 + e * pos_ret_1**2 * 15.0   # 乘3.0, 乘15.0
d += 0.1 * pos_ret_5**2 * 100.0                        # 乘100.0
d -= 0.5 * alt_vol * 20.0                              # 乘20.0

GA优化的心理参数（envy=0.1~2.0, attention=0.05~1.0）的效果，在这些系数面前如同撒哈拉沙漠里的一粒沙。不管envy是0.1还是2.0，在乘15或乘100的系数面前几乎没有区别。

GA以为自己在优化心理参数，实际上对这些放大系数没有控制权。 有效搜索空间的维度远小于37维。

最终诊断：一条死循环

模拟器 → 净卖出偏向（价格持续下跌）
    ↓
GA发现：极端追涨参数在牛市起点能短期推高价格
    ↓
最优解：envy满、chase满、contrarian死、长期持有
    ↓
验证集（非牛市起点）：无追涨基础 → 净卖出取胜
    ↓
验证分 -15（永远无法突破）
    ↓
修改参数范围/评估方式/早停 → 换汤不换药
    ↓
                   回到起点

四轮迭代，从+13.99到+16.28到+561（假）再到-0.60，最终回到了-15.33。每一轮改进都暴露了更深层的问题，但没有一个改动触及了问题的本质。

我学到了什么

1. 先确认引擎能产生目标行为，再投入算力优化

如果从一开始我只用3个参数（如Lux-Marchesi模型的趋势者比例、切换率、噪声水平）测试模拟器能否产生泡沫-崩溃，而不是直接构建37维的GA优化系统，我会在几天内发现问题，而不是几周。

复杂度应当被验证为必要之后再添加。这句话我在文献里读到过很多次，但真正理解它，需要亲手把一整套系统建起来再看着它垮掉。

2. 分数暴涨不一定是进步

+561分看起来是无与伦比的进步，实际上是多样性奖励函数的Bug。每次分数变化都追溯根因，尤其是那些"好得不真实"的进步。

3. 参数范围变更时，必须检查所有依赖函数

扩展搜索范围时，我只想到了"让GA有更多探索空间"，却没想到多样性奖励函数中的方差计算会因此爆炸。一个局部的改动可能在系统另一个角落引发灾难。

4. 过拟合诊断比训练更重要

验证集分数从+14.85暴跌到-5.37，这个信号比训练集分数+16.28重要得多。每次看到验证集恶化，都应该立刻停止并诊断，而不是继续优化。

最后的故事

历时约三周，20,000+行代码（含调试），4轮完整迭代，无数次中途崩溃和失败，最终得到的结论是：

当前模拟器引擎无法产生具有真实市场统计特征的价格序列。

这不是一个令人振奋的结论，但它是诚实的。项目的框架本身是正确的——多代理人模拟、遗传算法优化、心理参数空间——这些方法论都有充分的文献支撑。错在实现路径。

如果我要重来，我会从极简单代理开始。不是1000个代理人与37维参数，而是3个参数、两类代理人的Lux-Marchesi变体。确认它能生成厚尾分布和波动率聚集之后，再逐步堆复杂度。

正如George Box所说：All models are wrong, but some are useful. 当前的模型不是"不完美"——它在统计上和真实市场有质的差异，作为一个市场模拟器的价值非常有限。

但换个角度想：这可能是最有价值的失败之一。 因为它让我彻底理解了模拟引擎的每个齿轮、目标函数的每个陷阱、以及"为什么听起来完美的想法会失败"的完整逻辑链条。

失败的代价是几周的投入。但同样的错误，我不会再犯第二次。

---

如果你对这个项目的技术细节感兴趣，完整的代码实现和技术报告可以参考 FOMO Simulator。