← 返回 Quant Digests · 站点首页

别把 pairs 继续只卷 entry 阈值：这篇 2026 新论文更该先偷的是「500+ 币 universe 的稳定选对 funnel」

• 时间：2026-03-25 09:58 UTC
• 类型：2026 SSRN 新论文（摘要级证据）+ Hummingbot 执行框架 + Binance Futures 公共 1h/15m 最小快检
• 主题类型：raw alpha
• 基础 alpha：对稳定币对/相关币对做 market-neutral spread 均值回归；论文真正新增的是 pair selection funnel，不是又一个 entry 小修小补
• 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/pair-selection/correlation-clustering/stability-diagnostics/hummingbot/cost/binance/crypto/1h/15m/5m/paper
• 证据类型：论文摘要证据 + 工程框架证据 + 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 就是 pairs / relative-value 的 spread mean reversion，本体很清楚。

这次值得 intake 的不是“pair trade 也能赚钱”这种老话，而是作者把重点放在：面对 500+ 币、海量候选对，先怎么筛出“关系稳定、回归更像真的”的那一小撮 pair。摘要给的主线是：用 correlation clustering + structural metadata + stability diagnostics 做多阶段 funnel，再把信号丢进 Hummingbot 实盘化。

对 desk 来说，这正好补上最近 pairs digest 里的一个缺口：我们最近已经反复看了 cointegration / threshold / timeout / OBI veto / Hurst，但还缺一个更系统的“先选谁来交易”前端 funnel。

2. 核心结论

• 一句话核心结论： 这篇 2026 新论文最值钱的不是又发明一个新 z-score，而是告诉你——pairs 的 edge 很大一部分来自“先少犯错地选对”，而不是进场线再调 0.2σ。
• 摘要里最硬的三个信息点：
• 样本是 2 年 hourly data；
• 覆盖 500+ coins；
• 不是只做回测，而是把策略放进 Hummingbot 做回测 + live deployment。
• 作者的 funnel 不是单指标排序，而是三层：

1. correlation clustering：先把天然更相关的一簇资产收拢；
2. structural metadata：再用资产属性/关系做二次约束，避免乱配；
3. stability diagnostics：最后再看谁的相对价值关系更持久、更像能收敛。

• 这和当前 desk 很相关，因为它天然服务于两个痛点：
• 减少假 pair：把看起来相关、实际上漂移很快的对先筛掉；
• 减少无效换手：让后面的 spread MR 不必在全宇宙乱扫。

3. 为什么和当前项目直接相关

• 这是标准的 raw alpha，不是 filter / overlay 伪装成本体。
• 它直接服务于我们已经在积累的 pairs / stat-arb 线，但补的是上游 pair sourcing，不是继续在下游入场阈值内循环。
• 对短周期 desk 的现实映射也顺：
• 1h：做 pair selection / stability 更新；
• 15m：做 spread 偏离触发；
• 5m：做执行切片、止损、fail-fast。
• 如果这条线成立，它能同时提升：
• trade count 的质量；
• 单笔回归可靠性；
• 组合层并发仓位利用率；
• cost 之后的生存率。

3.5 策略拆解（必填）

• 方向属性：relative-value / pairs / market-neutral mean reversion
• 基础 alpha：spread_t = log(P_A) - β log(P_B) 偏离后回归
• regime：只在 pair relationship 稳定、相关结构未崩的窗口里交易
• filter / veto：correlation clustering、metadata 同类约束、rolling corr stability / half-life / spread drift 诊断
• risk / sizing / execution overlay：pair 内 beta-neutral / vol-balanced 配仓；组合层限制同时开仓数与 bucket 暴露；执行层显式计入 4-leg fee、funding、滑点

4. 本地最小快检（Binance 公共数据，轻量 proxy，不是论文精确复现）

我补了一个 desk 口径的 probe，只检验一句话：“稳定选对 funnel”是否比 naive top-corr 更像可交易 skeleton。

• 数据：Binance USDⓈ-M Futures 公共 1h K 线
• 宇宙：14 个高流动 USDT perp
• 样本：最近 1200 根 1h bar（约 50 天），900 根训练、300 根测试
• 轻量 funnel：
• corr > 0.70
• rolling corr stability std < 0.18
• half-life 在 2~72h
• 再加一个粗糙 structural bucket（majors / L1 / payments 等）

4.1 结果

• funnel 选出的 8 对主要是：BTC-ETH、ETH-BNB、BTC-BNB、SOL-AVAX、SOL-ADA、ADA-APT、ADA-DOT、AVAX-APT。
• 对照 naive top-corr 8 对：
• 稳定 funnel：44 笔 测试期交易；
• naive top-corr：60 笔。
• 但质量更好：
• stable funnel 的 mean pair avg pnl proxy ≈ +78.0 bps；
• naive top-corr 只有 ≈ +33.4 bps。
• 如果粗糙按 12 bps round-trip 成本代理：
• stable funnel 篮子仍是 正的 gross-to-net proxy；
• naive top-corr 篮子则被翻成 负值。

翻成人话：pairs 真不一定输在不会开仓，很多时候是前面先选错了对象。

5. 最小可复现实验（面向 15m / 5m）

• pair selection 频率：每 24h 或每 3d 在 1h 数据上重选一次
• 交易频率：用 15m spread z-score 触发，5m 执行
• formation：最近 30~60d 的 1h 数据
• selection baseline：

1. naive top-corr
2. top-corr + stability
3. top-corr + stability + metadata bucket

• entry：1 < |z_spread| < 2
• exit：回到均值 / |z| > 2 / timeout 24h, 48h, 72h
• cost：先跑 8 / 12 / 16 / 20 bps RT 四档
• 核心指标：post-cost expectancy、median hold、expiry ratio、同时开仓数、bucket 集中度

6. 下一步怎么测（必须）

1. 先把 pair selection 单独做成 admission module：不要再把 pairs 研究全堆在 threshold 调参上。
2. 做 3 组 funnel 对照：naive corr vs corr+stability vs corr+stability+metadata，看谁的 post-cost 才真的活。
3. 补 ADF / cointegration / rolling-beta drift：本地 probe 目前是轻量版，下一轮要把 stationarity diagnostics 补全。
4. 把 1h 选对 + 15m 触发 + 5m 执行串起来：这更符合 short-cycle desk，而不是把所有判断都压在同一频率。
5. 做组合容量实验：记录“同一 bucket 同时开仓几对”时，收益是否只是重复暴露，不是真的多样化。
6. 若 funnel 确实改善净值，再谈更花的信号：先把“选谁交易”做对，再继续卷 Hurst / OBI / dynamic threshold。

7. 风险与保留意见

• 主论文目前我拿到的是摘要级证据，不是全文，所以这篇更适合作为高信号 intake，而不是已经完成 deep dive 的定论。
• 本地快检里的成本与收益是 beta-hedged leg-return proxy，只能用于比较 funnel 相对好坏，不能直接当实盘年化。
• structural metadata 在真实 500+ 币 universe 里可能非常关键；我这里只做了粗 bucket，属于弱替代。
• pairs 最后仍会死在 fee / funding / 滑点 / 同类暴露堆叠，不会因为“选对更稳定”就自动变成免费 alpha。

8. 来源

1. Stoikov, S., Xu, D., Shao, S., Wang, Y., Zhang, T., & Hu, J. (2026). _Pairs Trading in Crypto_. SSRN.

• Venue: SSRN / posted-content
• DOI: 10.2139/ssrn.6188418
• Readable URL: https://doi.org/10.2139/ssrn.6188418
• Evidence note: 当前直接可得的是 Crossref 摘要字段，核心摘要包含 2 years hourly data / 500+ coins / correlation clustering + structural metadata + stability diagnostics / Hummingbot live deployment
• Repo URL: 未见 paper-specific public repo

1. Hummingbot Foundation. _Hummingbot_.

• Repo URL: https://github.com/hummingbot/hummingbot
• Readable URL: https://hummingbot.org/strategies/
• 作用：论文摘要明确提到作者把策略通过 Hummingbot 平台实现与部署，可作为后续工程化容器参考。

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

9. 本地复现产物

• reports/artifacts/quant_digests/pairs_trading_in_crypto_probe_20260325_0948/summary.json
• reports/artifacts/quant_digests/pairs_trading_in_crypto_probe_20260325_0948/pair_metrics.csv
• reports/artifacts/quant_digests/pairs_trading_in_crypto_probe_20260325_0948/selected_pairs_backtest.csv
• reports/artifacts/quant_digests/pairs_trading_in_crypto_probe_20260325_0948/naive_topcorr_backtest.csv