← 返回 Quant Digests · 站点首页
别把 fixed/dynamic 阈值当教条：这篇 2025 高频 pairs 论文更值得先复现的是「阈值 × pair 数量」治理框架
更新时间：2026-03-24 01:55 UTC
研究时间：2026-03-24 01:53 UTC
类型：近 5 年论文 + 公开 API 最小快检（honest train/test）
主题标签：raw-alpha/pairs/stat-arb/relative-value/mean-reversion/high-frequency/5m/15m/threshold-governance/cost
证据类型：论文证据 + 本地快检
源文件：research/quant_digests/2026-03-24_0153_hf-pairs-threshold-governance-not-dogma.md
- 时间：2026-03-24 01:53 UTC
- 类型：近 5 年论文 + 公开 API 最小快检（honest train/test）
- 主题类型：raw alpha
- 基础 alpha：pairs / stat-arb / relative-value mean reversion（价差偏离后回归）
- 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/pairs/stat-arb/relative-value/mean-reversion/high-frequency/5m/15m/threshold-governance/cost
- 证据类型：论文证据 + 本地快检
1. 这次看了什么
先回答 base alpha：这篇东西的 base alpha 不是“阈值技巧”，而是 cointegration / distance spread 的均值回归。
这次主看：
- Aghamohammadi & Dastkhan (2025)，*Pair trading with high-frequency data in the cryptocurrency market*（China Finance Review International, DOI:
10.1108/CFRI-11-2024-0727）
这篇对我们 desk 最值钱的点，不是“fixed 一定比 dynamic 好”这句 headline，而是它把可落地完整策略需要调的三类旋钮说清楚了： 1) entry/exit 阈值；2) pair 组合规模；3) 周期（含 15m/5m）。
2. 核心结论
- 一句话核心结论： 高频 pairs 能不能活，不取决于“有没有回归信号”，更取决于“阈值治理 + pair 篮子治理 + 成本治理”是否诚实。
- 一句话证明方式： 论文在 top50 Binance 币池、跨牛稳熊三阶段、跨
5m/15m 做了 distance/cointegration/hybrid + 阈值敏感性比较；我用公开 Binance K 线做了同主题最小快检（train/test 分离、固定参数外推）看这件事在短样本是否也明显。
论文侧（来自摘要）最关键的 3 点：
- 样本覆盖
2020(牛)/2021(稳)/2022(熊)，并明确包含 15m 与 5m 高频层。
- 比较了 distance、cointegration、hybrid 三种配对范式。
- 结论强调：阈值设置、退出阈值、pair 数量都会显著影响结果（而不只是“信号本身”）。
本地最小快检（公开数据，成本后）关键 3 点：
- 全 pair 平均会被成本吃掉：
15m fixed 平均 -11.79 bps/对，5m fixed 平均 -59.05 bps/对。
- 同一规则下有 pocket：
15m 最佳对（BTCUSDT__XRPUSDT）仍可达 +172.38 bps，5m 最佳对（ETHUSDT__DOGEUSDT）+185.33 bps。
- pair 数量很关键：
15m fixed 从“全 15 对平均 -11.79 bps”到“train 选前 4 对后 test 平均 +37.18 bps”；5m fixed 从全 15 对 -59.05 bps 到前 6 对 +14.38 bps。
> 读法：我们这轮不是在判“fixed vs dynamic 谁永远胜出”，而是在确认阈值和篮子治理本身就是 alpha 生死线。另外，本地 dynamic 使用的是 proxy 口径（不是论文原始 dynamic 定义），不做一比一优劣宣判。
3. 为什么和当前项目有关
这条线直接服务当前短周期 raw alpha 素材池（pairs / stat-arb / relative value）：
- 有完整策略链路：entry / exit / sizing / risk / cost 都可写成规则；
- 能直接映射到
1m/3m/5m/15m（先 15m/5m，再下钻）；
- 能补当前“信号很多，但组合治理不足”的缺口。
3.5 策略拆解（必填）
- 方向属性：相对价值 / market-neutral / 均值回归
- 基础 alpha：
spread 偏离后向均值收敛
- regime：关系稳定、流动性够、成本可承受时更有效
- filter / veto：结构断裂、流动性骤降、事件冲击窗口禁入
- risk / sizing / execution overlay：
- pair 分层（先小篮子，不全池）
- 按 z-score 档位分配仓位
- max-hold + time-stop
- maker/taker + 滑点 + 冲击成本显式入账
4. 可复刻的最小实验
4.1 数据源、公开性、更新频率
- 数据源：Binance Spot Public Klines API（公开可得，无需私钥）
- 更新频率：
1m/3m/5m/15m/...
- 本轮口径：
5m 与 15m，limit=1500 bars
4.2 最小实验口径（honest）
- 币池：
BTC/ETH/BNB/SOL/XRP/DOGE（15 个 pair）
- 训练/测试：前 60% 训练，后 40% 测试
- 模型：train 内估计
alpha/beta，test 固定外推（不重估）
- 交易规则：
entry |z|>2，exit |z|<0.5 或 max_hold=24 bars
- 成本：单边
8 bps（round-trip 约 16 bps）
4.3 下一步怎么测（必须）
- 先冻结 pair 选择流程：只能用 train 排名选
K，再看 test；禁止用 test 反选 pair。
- 阈值网格：
entry ∈ {1.44,1.65,2.0} × exit ∈ {0.0,0.25,0.5}，分 5m/15m 各自测。
- K 敏感性曲线：
K=2,4,6,8,10...，找“容量上限”而非追求全池覆盖。
- 执行诚实化：把固定 bps 成本替换为
maker占比 + spread + participation cap。
- 下钻 3m/1m 只在通过 15m/5m 后进行，并先测成交约束，否则容易出现“纸面 alpha”。
5. 风险与保留意见
- 论文正文网页受 Cloudflare 保护，本轮对论文主体依赖 Crossref 题录/摘要与可见元数据；未扩写不可见细节。
- 本地 dynamic 仅为 proxy，不能拿来直接反驳/确认论文里的 dynamic 机制。
- 样本窗口较短（近端数据），属于 intake 级证据，不是 final verdict。
6. 来源
- Aghamohammadi, A., & Dastkhan, H. (2025). _Pair trading with high-frequency data in the cryptocurrency market_. China Finance Review International.
- Tsoku, J. T., & Makatjane, K. (2026). _Deep learning-based pairs trading: real-time forecasting of co-integrated cryptocurrency pairs_. Frontiers in Applied Mathematics and Statistics.（实现参考）
- Binance Spot API Docs — Kline/Candlestick Data.
7. 本地复现实验产物
reports/artifacts/quant_digests/hf_pairs_threshold_governance_20260324/interval_method_summary_honest.csvreports/artifacts/quant_digests/hf_pairs_threshold_governance_20260324/basket_k_sensitivity_honest.csvreports/artifacts/quant_digests/hf_pairs_threshold_governance_20260324/pair_train_test_metrics_honest.csvreports/artifacts/quant_digests/hf_pairs_threshold_governance_20260324/meta_honest.json