← 返回 Quant Digests · 站点首页

别把 Hurst 只当 pairs 的二级过滤：这篇 2024 论文更该先测的是「H<0.5 + spread band」快速均值回归完整骨架

• 时间：2026-03-25 01:58 UTC
• 类型：近 5 年论文（全文 PDF）+ 近 5 年 follow-up 论文 + Binance 公共数据最小快检
• 主题类型：raw alpha
• 基础 alpha：跨币种配对 spread 偏离后的快速均值回归；H<0.5 用来把更容易“快回归”的那一段切出来
• 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/hurst/ghe/anti-persistence/spread-band/fast-meanreversion/cost/capacity/binance/crypto/5m/15m/1m/3m/paper
• 证据类型：全文论文证据 + follow-up 论文验证 + 本地公共数据最小快检

1. 这次看了什么

先回答 base alpha：这篇东西的 base alpha 是“配对价差偏离后的均值回归”本体，不是单独一个 filter。

更准确地说，H<0.5 在这里不是凭空产生 alpha，而是把 pairs raw alpha 里更可能快速回归、因此更可能活过成本的那一段切出来。对短周期 desk 来说，这很重要：pairs 最大敌人常常不是方向错，而是回得太慢，被手续费、资金占用和并发仓位拖死。

本轮主看：

• Grande, Borondo, Losada & Borondo (2024, Mathematics)：直接给了 crypto 市场的 local Hurst + spread band 入场/出场骨架；
• Ramos-Requena & Bağcı (2025, Computational Economics)：作为 follow-up，进一步说明 GHE-based pair selection 在 2022–2023 crypto 上相对 Distance / Correlation / Cointegration 仍有竞争力。

2. 核心结论

• 一句话核心结论： 这条线最值得 intake 的，不是“再加一个 Hurst filter”，而是把它当成 pairs raw alpha 的 fast-reversion admission layer：当 spread 已偏离、且局部 H<0.5 时，回归更快，交易更短，更有希望活过成本。
• 2024 主论文不是只做 backtest 讲故事，而是先做 quasi-natural experiment：
• Binance 数据；
• Top 20 cryptocurrencies；
• 2019-01-01 ~ 2024-06-05；
• hourly frequency；
• treatment=H<0.5，control=H>=0.5；
• 结论是：对所有 tested window（1/3/5/7/10/14/21/28 天），H<0.5 下 spread 回到均值都显著更快（全部 p<0.001）。
• 论文里一个对 desk 非常关键的数字：当 TW=5 天 时，treatment 与 control 的 median mean-reversion speed 差约 18 小时，有利于 H<0.5 那组。
• 作者后面把它直接落成完整策略：
• entry：spread 距离均值 1~2 std；
• condition：H<0.5；
• exit：回到均值 / 偏离超过 2 std / 72h expiry。
• 论文回测里，所有六个版本都赚钱；其中按 cointegration 选对、再用 H<0.5 触发的版本最好，表 A5 给的收益率是：
• Cointegration: 61.56%
• MI: 42.57%
• H: 38.67%
• Correlation: 38.63%
• DTW: 23.43%
• 更值钱的是“交易速度”这层：论文里真正到均值的交易，使用 H<0.5 触发时 median duration 约 13h；不满足 H<0.5 时约 22h。翻成人话：它先改善的是持仓时长和容量，不是自动保证赚钱。

3. 为什么和当前 desk 直接相关

• 这是标准的 pairs / relative-value / stat-arb / mean-reversion raw alpha，不是再给主线塞一个纯解释型 overlay。
• 它直接补 desk 现在最需要的一类素材：可独立复现、可直接写成完整策略、并且能解释成本为何可能下降。
• 对 1m/3m/5m/15m 的现实映射也顺：
• 15m：更适合形成 spread 偏离 + local H 触发；
• 5m：更适合做执行切片与更细的出场；
• 3m/1m：只建议做执行和 fail-fast，不建议把 H 本体直接压到太细频去承受噪声。
• 这条线还有一个很适合 desk 的“旁支价值”：它天然服务 cost / capacity 治理。如果 raw alpha 本来就容易因持仓太久被成本拖死，那么先把“更快回归”的 pocket 切出来，本身就是实战价值。

3.5 策略拆解（必填）

• 方向属性：relative-value / pairs mean reversion（market-neutral 倾向）
• 基础 alpha：spread_t = log(P_A) - β_t log(P_B) 偏离中枢后回归
• β_t：按论文口径可用滚动波动率比做 hedge ratio 近似
• trigger / admission：
• z_spread 进入 1~2 std 区间
• 同时要求 local H<0.5
• exit：
• spread 回到 rolling mean
• 或反向继续恶化超过 2 std
• 或超时（论文是 72h）
• pair selection：
• 论文测试了 Correlation / Cointegration / DTW / MI / Hurst / Random
• cointegration 选对 + H trigger 是他们样本里的最好版本
• risk / sizing / execution overlay：
• pair 内按 vol-balance 或 equal-risk 配仓
• 组合层做 gross/net cap 与同时开仓上限
• 显式纳入手续费、funding、滑点与 borrow / carry 代理成本

4. 论文里最值得直接偷的“完整规则”

4.1 数据与 spread 定义

• 标的：按 2024-06-06 CoinMarketCap 市值前 20 个 crypto
• 频率：1h
• 样本：2019-01-01 ~ 2024-06-05
• spread：
• s_t = log(P_A,t) - β_t log(P_B,t)
• β_t = std(lr_A) / std(lr_B)
• 波动率窗口：过去 30 天（720 个 hourly bar）

4.2 local H 口径

• 论文用的是 GHE（generalized Hurst exponent），q=1
• rolling window 试了：1/3/5/7/10/14/21/28 天
• 每次计算都只用当前时点之前的数据，避免未来函数
• 论文建议的折中区间是 3~10 天；正文后半段重点展示 7 天，因为它在“更快回归”和“信号数量”之间较平衡

4.3 入场与出场

• 入场（sell pair）：m + 1σ < s < m + 2σ 且 H<0.5
• 入场（buy pair）：m - 2σ < s < m - 1σ 且 H<0.5
• 出场：

1. spread 回到均值 m
2. spread 继续偏离、超过 2σ
3. 持仓超过 72h

翻成人话：这不是“只要 H<0.5 就开”，而是 spread 已经偏离、且 这段 spread 看起来处在 anti-persistent regime，才去做那笔回归单。

5. 本地最小快检（Binance 公共数据，非论文精确复现）

我补了一个 desk 口径的最小 probe，只看“快回归特征是否还活着”，不直接宣称盈利：

• 数据：Binance USDT perp 公共 15m K 线
• 标的：BTC/ETH/BNB/SOL/XRP/DOGE/ADA/LINK
• 样本：最近 60 天
• pair 数：28
• quick-and-dirty 口径：
• β 用 3 天 rolling vol ratio
• rolling mean / local H window 先取 5 天
• max hold 先按论文思路保留 72h

5.1 结果

• 在这套 15m 快检里，H<0.5 只占全部有效观测的 5.47%，说明它天然是个稀疏 admission layer。
• 但一旦出现，spread 回归速度明显更快：
• H<0.5：median 回归时间 13.75h
• H>=0.5：median 回归时间 24.0h
• 如果直接把论文规则生硬压成“所有 pair 都做”的简化策略：
• H<0.5 过滤后共得到 1,971 个信号；
• median 持仓只有 7.5h；
• 没有 expiry exit；
• 但粗糙的 spread-unit 正收益占比只有 35.2%。
• 对照地，不加 H 过滤时：
• 信号数暴增到 47,918；
• median 持仓升到 19.5h；
• 出现 7,398 次 expiry exit。

5.2 这组快检怎么解读

• 好消息：论文最核心的“速度优势”在当前短周期 perp 上还在。
• 坏消息：把它粗暴地当“盈利过滤器”是不诚实的。 没有 pair selection、成本治理、并发上限和执行约束时，它不保证 PnL 变好。
• 所以 desk 上更合理的定位是：
• 它首先是 fast-reversion admission / capacity gate；
• 然后才是盈利层面的帮助项；
• 想把它变成完整正期望，必须配合更好的选对、成本、组合治理。

6. 最小可复现实验（面向 5m / 15m）

6.1 公开数据源

• Binance USDⓈ-M Futures Klines（公开、无需 key）
• 可直接支持 1m/3m/5m/15m
• 如果后续要更贴近论文，可补现货或更大市值池

6.2 建议的最小实验口径

• 先做 15m 形成信号，5m 执行
• 宇宙：8~12 个高流动 perp
• pair selection：

1. 先用 14d correlation / distance / cointegration 选前 N 对
2. 再对候选 pair 计算 3d / 5d / 7d local H

• entry：1<|z_spread|<2 且 H<0.5
• exit：mean / |z|>2 / timeout（先试 24h / 48h / 72h）
• cost：先显式分层 8 / 12 / 16 / 20 bps round-trip
• 核心指标：

1. post-cost expectancy per trade
2. median hold / expiry ratio
3. max simultaneous open trades
4. pair-selection 方法切换前后，速度优势是否仍在

7. 下一步怎么测（必须）

1. 先把 H 从“全宇宙过滤器”缩成“候选 pair admission layer”：只对 top-N correlation / cointegration pairs 用 H<0.5，别对所有 pair 乱扫。
2. 做 TW grid：把 H window 从 3d / 5d / 7d / 10d 跑一遍，验证论文说的 sweet spot 是否在短周期 perp 上仍成立。
3. 做 timeout grid：24h / 48h / 72h 三档，直接看持仓时长、expiry ratio、净收益的交换比。
4. 补成本生存线：把 funding、手续费、冲击成本一起算，不要只看 signal-level 胜率。
5. 做组合容量实验：记录并发开仓数，看看 H<0.5 是否真的像论文说的那样，能在相同风险预算下容纳更大 pair 池。
6. 若 15m 成立，再下钻 5m 执行：不要先把 H 本体压到 1m/3m；先让 15m 给方向和 pocket，再在更细频做切片与 fail-fast。

8. 风险与保留意见

• 这条线最大的误读风险是：把 H<0.5 当成“盈利保证器”。论文和本地快检都不支持这种偷懒读法。
• 论文的盈利结果建立在pair 选择 + H trigger + timeout + stop整套闭环上；拆掉其中任何一块，都可能失真。
• H 估计本身对窗口长度、采样频率、极端波动都敏感；压得太细，容易把噪声误判成 anti-persistence。
• 短周期实盘里，pairs 最容易死在执行细节：换手、funding、点差、并发占用，而不是“没找到 fancy 因子”。
• 所以这条线最诚实的 desk 定位应当是：raw alpha 骨架 + fast-reversion admission layer，而不是“万能 filter”。

9. 来源

1. Grande, M., Borondo, F., Losada, J. C., & Borondo, J. (2024). _Anti-Persistent Values of the Hurst Exponent Anticipate Mean Reversion in Pairs Trading: The Cryptocurrencies Market as a Case Study_. Mathematics, 12(18), 2911.

• Venue: Mathematics (MDPI)
• DOI: 10.3390/math12182911
• Readable URL: https://doi.org/10.3390/math12182911
• PDF URL: https://oa.upm.es/86488/1/10254881.pdf

1. Ramos-Requena, J. P., & Bağcı, M. (2025). _Analysis Pairs Trading Strategy Applied to the Cryptocurrency Market_. Computational Economics.

• Venue: Computational Economics
• DOI: 10.1007/s10614-025-11149-y
• Readable URL: https://link.springer.com/article/10.1007/s10614-025-11149-y
• Abstract signal: 文中指出 GHE strategy 在 2022–2023 crypto 上相对 Distance / Correlation / Cointegration 持续占优，并在 OOS 中保持更优 Sharpe / Sortino / R²。

1. Binance Developers. _USDⓈ-M Futures API – Kline/Candlestick Data_.

• Readable URL: https://developers.binance.com/docs/derivatives/usds-margined-futures/market-data/rest-api/Kline-Candlestick-Data

10. 本地复现产物

• reports/artifacts/quant_digests/hurst_pairs_antipersistence_probe_20260325_0150/metrics.json
• reports/artifacts/quant_digests/hurst_pairs_antipersistence_probe_20260325_0150/mr_events.csv
• reports/artifacts/quant_digests/hurst_pairs_antipersistence_probe_20260325_0150/strategy_signals.csv