← 返回 Quant Digests · 站点首页

别把 basket stat-arb 只当 pairs 扩容：这份 2026 新 repo 更该先测的是「3-leg cointegrated basket + OU alpha + hysteresis bucket」完整 raw alpha

• 时间：2026-03-26 03:42 UTC
• 类型：2026 GitHub 新仓库 + notebook 输出审计 + Binance Futures 公共 15m/1h/4h 最小快检
• 主题类型：raw alpha
• 基础 alpha：对 3-leg cointegrated basket 的 spread 做均值回归交易——先用 Johansen / rolling weights 找稳定组合，再用 OU/z-score 偏离开仓，靠 bucketed sizing / hysteresis / risk-parity 把 spread alpha 变成可执行组合；regime-aware 与 bucket 是治理层，不是 alpha 本体
• 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/stat-arb/relative-value/cointegrated-basket/ou-alpha/hysteresis/bucketed-sizing/risk-parity/crypto/binance/perpetual/15m/1h/4h/repo
• 证据类型：GitHub notebook 输出审计 + 代码规则拆解 + 本地公共数据快检

> 先回答 base alpha：这篇东西的 base alpha 不是 filter，不是 throttle，也不是 bucket sizing。base alpha 就是“多腿 cointegrated spread 偏离均衡后回归”这条 relative-value / stat-arb raw alpha。 值得写它，是因为最近 digest 虽然已经补了不少 pairs / spread，但还缺一张更接近 desk 真实部署形态的卡：不是只做 2-leg pair，而是直接把 3-leg basket、入场滞后、仓位 bucket、组合配重一起拆给你。

1. 这次看了什么

这次主看一份非常新的 GitHub repo：

1. Sujith Kamme (2026). _Trading Cointegrated Crypto Baskets with Regime-Aware Statistical Arbitrage_. GitHub repository / Jupyter notebook.

• Repo：https://github.com/sujith-kamme/statistical-arbitrage-crypto
• 创建时间（GitHub API）：2026-03-20T03:07:38Z
• 主 notebook：labs/research.ipynb

1. notebook 的主线不是“单对 pair 回归”，而是：

• 在一篮子币里找 2~4 leg cointegrated baskets；
• 对 spread 做 ADF / variance-ratio / half-life / predictability 筛选；
• 用 OU alpha + two-tier regime score 出交易方向；
• 再用 hysteresis / bucketed sizing / risk parity 做组合落地。

翻成人话：

• 很多 pairs 研究只回答“这两条线像不像会回归”；
• 这份 repo 往前多走了一步，直接回答：

1. 如果不是两条线，而是 3 条腿呢？
2. 如果 spread 的回归强度有高低档，仓位要不要跳档？
3. 如果 basket 本身是 market-neutral 候选，最后多个 basket 之间怎么配？

这比“又一个 z-score pairs demo”更接近我们当前 desk 的素材池需求：它给的是完整 raw alpha 骨架，而不是只给一个 entry 信号。

2. 核心结论

• 一句话核心结论： 这份新 repo 真正该先 intake 的，不是“regime-aware”这几个字，而是 3-leg cointegrated basket spread → OU alpha → hysteresis bucket 这条完整 raw alpha 链；它在 repo 自带 OOS 输出里是成立的，但对 desk 来说更诚实的短周期读法不是“直接压成 15m 主信号”，而是 1h/4h discovery + 15m execution。
• 一句话它怎么证明： repo notebook 已经把 basket discovery、筛选、OOS、风险中性检验都跑出来；我再把 repo 选出的 4 个 baskets 拿到 Binance perp 上做固定权重 proxy，结果是：1h 还像样，15m 直接转负。

我的 desk 化判断很明确：

• alpha 本体值得保留；
• 15m bar-close 直接照抄不值得；
• 真正该进研究池的是：用慢一点的发现时钟找 basket，再把短周期资源用在执行，不要把 discovery 和 execution 压成同一个 15m 信号。

3. 3 个最关键的数据点

1. repo 自带的 walk-forward 结果，不只是“看起来有道理”，而是已经到完整组合层。 notebook 输出显示：

• 155 个候选 baskets 经过阈值后只剩 10 个；
• 再做 diversification 后最终只保留 4 个 baskets；
• 这 4 个 baskets 的 OOS net Sharpe = 1.764，net cumulative = 5.61%，max drawdown = -1.38%，annual turnover = 7.05x，entry events ≈ 15/年。

这说明它不是“多腿越多越好”的故事，反而是在强调：basket stat-arb 的胜负手先在 admission funnel，再在仓位治理。

1. 把同一批 baskets desk-transfer 到 Binance perp 后，1h 还能活，15m 基本就塌。 我用 repo 最终留下的 4 个三腿 baskets，在 Binance USDⓈ-M 上做固定 train-weight proxy（Johansen 取权重，spread z-score 入场，含 6 bps taker-ish 成本）得到：

• 1h 聚合平均：net cumulative +3.61%，Sharpe +4.91
• 15m 聚合平均：net cumulative -3.24%，Sharpe -4.74

这不是“15m 也许差一点”，而是很明显地提示：这条 alpha 的 discovery 时钟不该被硬压到 15m。

1. 最好的 basket 在慢时钟上很强，但压快后会反过来伤人。 repo 里最强的一组之一 OPUSDT / FILUSDT / APTUSDT，我这边 proxy 的结果是：

• 4h：net cumulative +15.38%，Sharpe +5.06
• 1h：net cumulative +5.85%，Sharpe +8.04
• 15m：net cumulative -5.28%，Sharpe -6.89

读法非常直白：不是 spread alpha 不存在，而是把它压成更快的 bar-level 交易后，噪音和成本先把它吃掉。

4. 为什么它和当前 desk 直接相关

4.1 它服务的是哪类 raw alpha

• 分类：relative-value / stat-arb / cointegrated-basket mean reversion raw alpha
• 不是：
• 单独的 regime filter
• 纯 risk overlay
• 只讲“怎么配仓”的组合学

4.2 它补的是哪块空白

最近 digest 已经有：

• 2-leg pairs
• distance / copula / dynamic-factor / Kalman β 偏离
• funding / basis / spread / basket 类 relative-value

但还比较缺一张更接近 desk 真实落地的 basket 卡：

• 不只是“两个币的 spread 回不回”；
• 而是“三腿组合能不能更稳、怎么发现、怎么分档开仓、怎么在多个 basket 之间分配 gross”。

所以这篇的价值不在“又证明一次 mean reversion”，而在于它把 basket discovery → alpha extraction → sizing governance → portfolio layer 连成了一条完整链。

5. 策略拆解（按完整策略卡写）

5.1 方向属性

• market-neutral / relative-value / basket stat-arb / mean reversion

5.2 基础 alpha

1. 先找一组 2~4 个币，使其 log-price 之间存在可交易的 cointegrated 关系；
2. 由 Johansen / rolling weights 构造 spread：

• spread_t = w1*log(P1_t) + w2*log(P2_t) + w3*log(P3_t) (+ ...)

1. 当 spread 偏离其 rolling equilibrium，赌其向中枢回归；
2. 这就是 alpha body。

5.3 entry

repo 不是直接写死“z > 2 就开”，而是先构造：

• OU alpha
• two-tier regime score
• 然后再映射到 bucketed / hysteresis position

对 desk 的最小版可先写成：

• |z| > z_entry 开仓；
• z > +entry 做 short spread；
• z < -entry 做 long spread；
• 同时记录 half-life 与最近 spread 波动，防止在明显失稳期追反转。

5.4 exit

repo 输出给了两个很重要的 exit 观念：

1. hysteresis：不要刚穿阈值就来回翻；
2. bucketed sizing：回归强度分层，而不是 all-in / all-out。

desk 最小版可先用：

• |z| < z_exit 平仓；
• max_hold 超时平仓；
• |z| 继续远离时做风险退出；
• 之后再引入 hysteresis 防抖。

5.5 sizing

这里是这份 repo 比普通 pairs notebook 更值钱的地方：

• 先把 alpha 映射成离散 bucket；
• 再对 surviving baskets 做 risk parity；
• 最后组合成 portfolio。

换成人话：

• 它承认“信号有强弱档”；
• 也承认“不同 basket 波动不一样，不该同权硬上”。

5.6 risk / cost

• half-life 过滤
• stationarity / predictability 过滤
• regime-aware veto
• basket 间 risk parity
• 交易成本明确计入（repo notebook OOS tcost_bps = 20）

也就是说，这篇不是只给“alpha 会不会回归”；它直接把 entry / exit / sizing / risk / cost 五件套摆齐了。

6. 本地最小快检：把 repo 的 baskets 拿到 Binance perp，上快慢时钟看 transfer 边界

6.1 数据与口径

• 数据：Binance USDⓈ-M Futures 公共 K 线
• baskets：直接用 repo OOS 最终保留的 4 组 3-leg baskets：
• OPUSDT / FILUSDT / APTUSDT
• FILUSDT / NEARUSDT / APTUSDT
• ADAUSDT / ATOMUSDT / CRVUSDT
• DOTUSDT / OPUSDT / LTCUSDT
• 时钟：4h / 1h / 15m
• proxy 规则：
• train 段 Johansen 固定权重
• test 段 spread rolling z-score
• entry = 1.75 / 2.0 / 2.2（随时钟加严）
• exit = 0.35 / 0.4 / 0.5
• max_hold = 8 / 12 / 24 bars
• 成本：按 6 bps taker-ish 的 leg turnover 粗记

6.2 结果怎么读

#### 先看 aggregate

• 4h 平均：net cumulative +1.60%，Sharpe +0.62
• 1h 平均：net cumulative +3.61%，Sharpe +4.91
• 15m 平均：net cumulative -3.24%，Sharpe -4.74

这组结果最有价值的，不是“1h 比 4h 还高”这件事本身，而是它把边界说清了：

• 这类 basket alpha 还能往 1h 压；
• 但把 discovery 直接压成 15m 主信号，当前就是负的。

#### 再看单 basket

1. OP/FIL/APT

• 4h：+15.38% / Sharpe 5.06
• 1h：+5.85% / Sharpe 8.04
• 15m：-5.28% / Sharpe -6.89

1. ADA/ATOM/CRV

• 4h：+2.23% / Sharpe 3.05
• 1h：+3.55% / Sharpe 5.27
• 15m：-1.83% / Sharpe -3.51

这说明两个问题：

• 不是所有 basket 都值得继续；
• 但 surviving basket 确实可能在 1h discovery 上保留边。

6.3 desk 读法

对当前 short-cycle desk，我更愿意把它定义成：

• primary alpha clock：1h/4h
• execution clock：15m

而不是：

• 15m 每根 bar 都重新发现一次 basket、重新交易一次。

7. 这条线现在该怎么放进研究池

我的判断：值得进研究池，而且是 raw alpha 前排，但别误标。

更诚实的标签应是：

• raw alpha / basket stat-arb / slower-discovery faster-execution

而不是：

• 15m always-on spread signal

也就是说，值得保留的不是“15m 压快后还能赚”；而是：

1. 3-leg basket 比 2-leg pairs 更像可扩展的 relative-value 家族；
2. OU alpha + hysteresis + bucket sizing 给了很完整的部署骨架；
3. 短周期该服务 execution，不该强行接管 discovery。

8. 下一步怎么测（必须）

1. 把固定 train-weight 改成真正的 rolling walk-forward。 当前 proxy 还是 train-once/test-once；下一轮必须做 1h 的 rolling re-estimation，确认不是一次性样本幸运。
2. 把 1h discovery → 15m execution 真正拆成两层。 不要再跑 15m 直接重估 basket；而是用 1h 出方向，用 15m 做挂单/切片/回归触发。
3. 把 raw alpha、本地 hysteresis、risk parity 三层拆开 A/B。 先跑：

• raw spread z-score only
• + hysteresis
• + bucket sizing
• + basket-level risk parity

看哪一层真的在贡献净边。

1. 补资金费与腿流动性约束。 这类多腿 basket 在 perp 上很容易被 funding / 某一腿容量拖死；下一轮必须记录每条腿的 funding、quote volume、以及最脆弱腿的 participation。
2. 和现有 2-leg pairs 做正交性检查。 如果 basket 只是在复制 pair spread 的 beta-neutral 版本，就没必要单独占预算；要验证它是否提供了新的 residual source。
3. 把仓位 bucket 改成 cost-aware bucket。 repo 里 bucket 更像 alpha-strength bucket；desk 版下一轮应直接加 expected edge > fee budget 的 no-trade 条件。

9. 风险与保留意见

• 这是一份新 repo，不是成熟期刊论文；证据强度天然弱于“论文 + 开源代码 + 独立复现”三件套。
• repo 的 notebook 输出是存量输出，不等于外部独立复核。
• 我的 Binance 快检是 desk transfer proxy，不是 repo faithful replication；它更适合回答“压到 perp 短周期后还有没有边”，不适合拿来否定 repo 原始设定。
• 当前最明确的负面信息是：15m direct transfer 不成立。 所以这条线不该被包装成 bar-by-bar 高频主 alpha。

10. 来源

1. Kamme, S. (2026). _Trading Cointegrated Crypto Baskets with Regime-Aware Statistical Arbitrage_. GitHub repository / notebook.

• Venue：GitHub repository
• DOI：无
• Readable URL：https://github.com/sujith-kamme/statistical-arbitrage-crypto
• Repo URL：https://github.com/sujith-kamme/statistical-arbitrage-crypto
• Evidence note：repo 创建于 2026-03-20T03:07:38Z；主 notebook labs/research.ipynb 含 walk-forward、筛选、OOS 与市场中性检验输出。

1. Johansen, S. (1991). _Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector Autoregressive Models_. Econometrica, 59(6), 1551–1580.

• Venue：Econometrica
• DOI：10.2307/2938278
• Readable URL：https://doi.org/10.2307/2938278
• Repo URL：无
• 作用：多变量 cointegration / basket 权重估计的理论基础。

1. Avellaneda, M., & Lee, J.-H. (2010). _Statistical Arbitrage in the U.S. Equities Market_. Quantitative Finance, 10(7), 761–782.

• Venue：Quantitative Finance
• DOI：10.1080/14697680903124632
• Readable URL：https://doi.org/10.1080/14697680903124632
• Repo URL：无
• 作用：把多资产统计套利放到组合层与成本层去读的经典地基。

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

11. 本地产物

• reports/artifacts/quant_digests/cointegrated-basket-ou-hysteresis_20260326_0340/summary.csv
• reports/artifacts/quant_digests/cointegrated-basket-ou-hysteresis_20260326_0340/interval_aggregate.csv
• reports/artifacts/quant_digests/cointegrated-basket-ou-hysteresis_20260326_0340/meta.json
• reports/artifacts/quant_digests/cointegrated-basket-ou-hysteresis_20260326_0340/*_series.csv

12. 一句话 verdict

进研究池，而且按 raw alpha 前排保留；但更诚实的 desk 化方向是 1h/4h basket discovery + 15m execution，不是把 basket cointegration 直接压成 15m 主信号。