← 返回 Quant Digests · 站点首页
别把 pairs 只做成 bar-close z-score：这份 2026 新仓库更该先测的是「cointegration spread + OBI veto + 成本生存线」完整骨架
更新时间：2026-03-24 09:15 UTC
研究时间：2026-03-24 09:14 UTC
类型：2026 GitHub 新仓库 + Binance 公共数据最小快检 + 近 5 年论文地基
主题标签：raw-alpha/pairs/stat-arb/relative-value/mean-reversion/cointegration/obi/microstructure/execution/cost/1m/3m/5m/15m/repo
证据类型：工程证据 + 本地最小快检（可复现）
源文件：research/quant_digests/2026-03-24_0914_pairs-obi-veto-cost-survival.md
- 时间：2026-03-24 09:14 UTC
- 类型：2026 GitHub 新仓库 + Binance 公共数据最小快检 + 近 5 年论文地基
- 主题类型：raw alpha
- 基础 alpha：cointegration spread 偏离后的均值回归（pairs / stat-arb / relative value）
- 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/cointegration/obi/microstructure/execution/cost/1m/3m/5m/15m/repo
- 证据类型：工程证据 + 本地最小快检（可复现）
1) 先回答：这篇东西的 base alpha 是什么？
base alpha = pair spread 的短周期均值回归，不是 OBI 本身。 OBI 在这份材料里更像 entry veto / execution gate（避免在盘口不配合时硬开仓）。
2) 这次看了什么
这次主看仓库：Samarth Chaudhary (2026), Crypto_Stat-Arb_HFT_Model。 它把一条可落地的策略链路拆得很完整：
- Python 研究层：
data_loader.py（1m 数据）、analyzer.py（相关+协整筛对）、optimizer.py（参数搜索）
- C++ 执行层：
main.cpp（实时 z-score + OBI 条件 + 下单队列）
我额外做了一个 1m 最小快检（Binance USDⓈ-M 公共数据，1500 根）来验证：
- 这条 raw alpha 在“回归命中率”上是否存在；
- 但在成本后是否还能活。
3) 核心结论（给 desk 的短答案）
- 一句话核心结论： 这条线值得进池，但它的关键不是“会不会回归”，而是“成本前看起来不错、成本后大概率死亡”，所以必须把
OBI/执行/费用 当主约束，不是装饰层。
- 一句话证明方式： 仓库代码给出完整规则（entry/exit/filter/execution），我用同口径 1m 公共数据做最小复核，看 hit-rate、持有时长和成本生存线。
关键数据点（repo + 本地快检）：
- repo 固化策略池为 22 对 pairs（
strategies.json），且当前导出参数几乎统一：window=60、entry_z=2.0、exit_z=0.0、stop_z=4.0。
- 我的 1m 快检里，这 22 对共触发 532 笔，
z=2/0/4 规则下 TP 命中率约 85.8%，中位持有约 27 分钟（看起来“会回归”）。
- 但按双腿归一化后，毛收益仅 +0.78 bps/笔；一旦加入现实费用梯度（哪怕 8 bps/笔），净值变成 -7.22 bps/笔，成本生存线直接失守。
4) 为什么和当前短周期（1m/3m/5m/15m）直接相关
- 这是独立 raw alpha（pairs mean reversion），能补当前素材池，不是再给单边趋势线加附件。
- 它天然适配我们更快周期：
1m/3m：适合事件密集与执行约束评估；5m/15m：适合降低噪音与交易频率，先过成本门。- repo 已经把策略结构写成完整组件，可直接拆成：
- entry：
|z| > entry_z
- exit：回归到
exit_z 或触发 stop_z
- sizing：按
hedge_ratio 做双腿配比
- risk/filter：
MAX_SAFE_Z、OBI 条件
- cost/execution：固定费率假设 + C++ 低延迟执行框架
4.5) 策略拆解（必填）
- 方向属性：relative-value / stat-arb（市场中性）
- 基础 alpha：协整 spread 偏离后的回归
- regime：pair 关系稳定、噪音可控、点差可交易时更有效
- filter / veto：盘口 OBI 不配合则拒绝开仓；极端 z 值跳过
- risk / sizing / execution overlay：双腿对冲配比、stop_z、最小名义金额检查、下单队列解耦
5) 最小可复现实验（可直接开测）
数据口径（公开可得）
- 数据源 1：Binance USDⓈ-M
fapi/v1/klines
- 公开性：公开接口
- 更新频率：1m
- 数据源 2：Binance USDⓈ-M
fapi/v1/depth
- 公开性：公开接口
- 更新频率：可秒级轮询（repo 示例为 1s）
最小实验设计
- 用 repo 的 22 对 pairs，先在
1m 复刻 z=2/0/4；
- 输出三条线：
- hit-rate（TP 先于 SL）
- bps/笔（毛）
- bps/笔（净，费用梯度 8/12/16/20 bps）
- 把通过 1m 成本门的 pair 再迁移到
3m/5m/15m，比较“频率下降是否换来净边际提升”。
6) 风险与保留意见
- 当前 repo 的“高性能执行”亮点主要是工程层（延迟、吞吐），不是已公开的实盘绩效证明。
analyzer.py 注释有口径不一致（MAX_HALF_LIFE = 240 注释写“4小时”，但代码在 1h 重采样后再换算，实际语义接近 240 小时上限），复刻前应先统一单位。- 快检已经提示：高 hit-rate ≠ 可交易 alpha。若不把成本、滑点、吃单比例、成交延迟写进 admission gate，会出现“看起来对，交易上亏”的假阳性。
7) 下一步怎么测（具体动作）
- 先做 pair admission：在 22 对里按
gross bps/笔 与 net bps/笔 分层，保留 top 20% 做二轮。
- 加 OBI veto A/B：同一对 pair 比较“不开 OBI veto vs 开 OBI veto”，只看净 bps 与回撤。
- 时间尺度迁移：对存活 pair 跑
1m→3m→5m→15m，定位成本最优频段。
- 执行约束显式化：加入 taker 比例、最大 participation、挂撤单失败率，重算净边际。
8) 本地产物
reports/artifacts/quant_digests/hft_pairs_obi_probe_20260324/pair_probe_summary.csvreports/artifacts/quant_digests/hft_pairs_obi_probe_20260324/pair_probe_pnl_bps.csvreports/artifacts/quant_digests/hft_pairs_obi_probe_20260324/meta.json
9) 来源
- Samarth Chaudhary. (2026). _Crypto_Stat-Arb_HFT_Model_. GitHub Repository.
- Palazzi, R. B. (2025). _Trading Games: Beating Passive Strategies in the Bullish Crypto Market_. Journal of Futures Markets.
- Engle, R. F., & Granger, C. W. J. (1987). _Co-integration and Error Correction: Representation, Estimation, and Testing_. Econometrica.