← 返回 Quant Digests · 站点首页

别把“机器学习”当黑箱：这篇近 5 年材料里更值钱的是 `lagged technical regression` 可独立复现 raw alpha 骨架

• 时间：2026-03-23 16:50 UTC
• 类型：近 5 年论文/项目报告 + 开源复现仓库 + Binance 公共数据最小快检
• 主题类型：raw alpha
• 基础 alpha：用滞后技术特征（短窗动量/波动/时段）预测下一小段收益方向与强度，并做阈值化多空交易
• 是否可独立复现：是
• 是否可直接落地完整策略（entry/exit/sizing/risk/cost）：是
• 主题标签：raw-alpha/trend/momentum/lagged-regression/technical-features/intraday/cost/turnover/execution/repo/paper/crypto/1m/3m/5m/15m
• 证据类型：论文/项目证据 + 工程复现证据 + 本地最小快检

1. 这次看了什么

先回答 base alpha：这篇东西的 base alpha 是“滞后技术特征 -> 下一段收益预测”本体，不是 filter/overlay。

这次主看 Brown, Ling, Sawhney (2021) 的项目论文 *Cryptocurrency Alpha Models via Intraday Technical Trading*，并补看其被引用的开源复现仓库（Cornell Quant Fund, 2022）。我关心的不是“哪种模型最强”这句 headline，而是它提供了一条对 desk 很实用的 可落地策略骨架：

• 用价格/波动/时间特征做可解释预测（不是纯黑箱）
• 用阈值把“弱预测”过滤掉，控制交易频率
• 把 entry/exit/sizing/risk/cost 一起写成可回测单元

2. 核心结论

• 一句话核心结论： 这条 raw alpha 在短周期上“有毛边”，但成本极敏感；要活下来，核心不在换更复杂模型，而在“阈值降频 + 执行降成本 + 参与率约束”。
• 一句话证明方式： 论文用同一数据口径对比 pairs 与多种模型，并把 lagged linear regression 落成可交易回测；我再用 Binance 15m 公共数据做最小快检验证“毛利存在但净值易被成本吃掉”。

关键数据点（1~3 条）：

1. 论文报告中，lagged linear regression Sharpe = 3.34（优于 RNN LSTM 2.64、XGBoost 1.54、pairs 1.30）。
2. 同文对 pairs 的 OOS 表现提示明显衰减（文中示例测试 Sharpe 约 0.11，且收益较薄）。
3. 本地 15m 快检（BTCUSDT, 约 4500 根, 1-bar horizon, 6 bps/side）：gross +0.41 bps/bar，但 net -1.14 bps/bar，说明信号边际不足以直接覆盖交易成本。

3. 为什么和当前项目直接相关

• 这是 raw alpha 素材池补充（不是 breakout/retest 的派生过滤器）。
• 它天然可拆成完整策略：
• entry：预测值超过上阈值做多，低于下阈值做空
• exit：下一持有窗平仓或反向信号切换
• sizing：固定名义仓位/波动目标仓位
• risk：止损、最大回撤、最大持仓时间、参与率上限
• cost：手续费 + 滑点 + 换手冲击
• 可直接映射到 1m/3m/5m/15m：把“小时级窗口”按 bar 数等比例压缩即可做最小实验。

3.5 策略拆解（必填）

• 方向属性：短周期趋势/动量（预测驱动）
• 基础 alpha：E[r_{t+1}|X_t]，其中 X_t 为滞后技术特征（MA/vol/momentum/time-of-day）
• regime：高波动/高噪声期需抬高阈值，低流动时降杠杆或停机
• filter / veto：预测强度不足（中间分位）、成交成本超预算、盘口深度不足时不交易
• risk / sizing / execution overlay：固定风险预算、参与率上限、maker 优先、分批成交、换手约束

4. 可复刻的最小实验（下一步怎么测）

• 研究假设： 预测型 raw alpha 在 15m 有可测毛利，但只有在“低换手 + 低成本 + 强信号阈值”下，净值才可能转正。
• 最小定义：
• 数据：Binance USDT perp 公共 klines（公开可得，更新频率高）
• 标的：先 BTC/ETH/SOL，再扩到 8~20 个高流动币
• 周期：15m 起步，再下钻 5m/3m/1m
• 特征：MA(5/10/20/50/100)、vol(10/20/50)、mom(5/10/20)、时段特征
• 标签：next k-bar return（先 k=1,2,4）
• 交易：上/下分位阈值（如 0.7/0.3）触发多空；中间分位空仓
• 先看 4 个指标： post-cost bps/bar、turnover/day、hit ratio by prediction decile、capacity@participation cap。
• 下钻顺序： 先在 15m 找净值存活 pocket，再搬到 5m/3m；若 15m 无法成本后转正，不进入 1m。

5. 风险与保留意见

• 论文属于项目/工作论文口径，非严格期刊实盘评估；需谨慎外推。
• 原文结果高度依赖样本区间与交易所微观结构；跨交易所迁移会掉效。
• 预测型策略最常见失效点是：信号薄、换手高、交易成本和冲击被低估。

6. 来源

1. Brown, A., Ling, J., & Sawhney, A. (2021). _Cryptocurrency Alpha Models via Intraday Technical Trading_. Project paper / preprint (Stanford-affiliated).

• Authors / Year / Title / Venue: Amanda Brown, Jonathan Ling, Arjun Sawhney / 2021 / Cryptocurrency Alpha Models via Intraday Technical Trading / Project Paper (Preprint)
• DOI: N/A
• Readable URL: https://jonathan-ling.github.io/artefacts/2021.06%20Intraday%20technical%20trading%20for%20cryptocurrencies%20-%20paper.pdf
• Repo URL: N/A

1. Cornell Quant Fund. (2022). _BlockchainSP2022_ (replication-style notebook repo referencing the above paper). GitHub Repository.

• Authors / Year / Title / Venue: Cornell Quant Fund / 2022 / BlockchainSP2022 / GitHub Repository
• DOI: N/A
• Readable URL: https://github.com/Cornell-Quant-Fund/BlockchainSP2022
• Repo URL: https://github.com/Cornell-Quant-Fund/BlockchainSP2022

7. 本地复现产物

• reports/artifacts/quant_digests/lagged_regression_intraday_20260323/summary.csv
• reports/artifacts/quant_digests/lagged_regression_intraday_20260323/test_signals.csv
• reports/artifacts/quant_digests/lagged_regression_intraday_20260323/meta.txt