← 返回 Quant Digests · 站点首页

别把这篇 2025 Financial Innovation 论文继续只拆成 filter：它的 headline 更该进入素材池的是「CUSUM 事件条 + Triple Barrier」完整 raw alpha

• 时间：2026-03-27 04:48 UTC
• 类型：论文
• 主题类型：raw alpha
• 基础 alpha：当 1m 价格路径先累积出足够大的方向性事件（CUSUM 触发）后，预测“下一段有意义的同向/反向价格摆动”，并用 Triple Barrier 做真实出场，而不是盯固定时间 bar 的 next-bar 涨跌。
• 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/event-driven/directional/cusum/triple-barrier/resnet-lstm/binance/btc/eth/1m/3m/5m/15m/paper
• 证据类型：论文证据（Financial Innovation，全文 HTML 可读）

1) 这次看了什么

看的是 Przemysław Grądzki、Piotr Wójcik、Stefan Lessmann (2025) 的论文 《Algorithmic crypto trading using information-driven bars, triple barrier labeling and deep learning》。前两次 intake 已把它拆成过 gate/filter，但这次不再拿旁支当主角，而是回到它自己的 headline raw alpha：用事件条而不是时钟条定义交易机会，再用真实止盈/止损/超时标签训练方向策略。

2) 核心结论（先说人话）

• 一句话核心结论： 真正可交易的东西，不是“预测下一根 5m/15m bar 涨跌”，而是“等市场先走出一段像样事件，再去赌下一段有意义摆动的方向”。
• 一句话证明方式： 作者用 Binance 2018-01 ~ 2023-06 的 BTC/ETH tick 数据，做 5 类采样 × 3 档参数 × 2 种标签 × 6 个模型 × 3 个随机种子 × 5 个 OOS 季度，总计 2700 个模型，并把 0.1% 开仓 + 0.1% 平仓 成本直接扣进回测。
• 论文最关键的实证结论是：next-bar 几乎不够付成本。在全部 210 个 next-bar 实验里，只有 29 个 年化净收益为正。
• 真正稳定活下来的组合是 CUSUM 事件条 + Triple Barrier + ResNet-LSTM。其中 ETH 的 CUSUM 2% 在完整测试集上做到 年化净收益 91.6% / Sharpe 1.42 / 最大回撤 25.1%；CUSUM 3% 也有 54.1% / 1.03。相比之下，同一张表里 1h time bar 是 -30.0% / -0.53。
• BTC 也不是全面爆炸，但方向一致：在 Triple Barrier 下，BTC 的 CUSUM 2% 仍有 20.4% 年化净收益 / 0.51 Sharpe，而 1h time bar 是 -44.3% / -1.30。
• 一个很值钱的细节是：作者后来试了 动态波动率 Triple Barrier，结果并没有更好；反而说明第一优先级不是“再做更花的 barrier”，而是先把 sampling / labeling honesty 搞对。

3) 为什么和当前项目有关

这次值得收进池子，是因为它补的是我们还缺的一类 完整、可独立复现的事件驱动方向 raw alpha，而不是再补一个 shared gate。它和现有大量 clock-based 题材不同：不是按整点、整根 K 线、固定 formation window 去做判断，而是让市场自己决定“什么时候真的发生了一次值得交易的事件”。这对 1m/3m/5m/15m desk 很重要，因为很多短周期 alpha 不是方向错，而是 取样单位错了：时间 bar 把噪音和有意义摆动揉在一起，最后只剩高换手、低净 edge。

3.5) 策略拆解（必填）

• 方向属性：事件驱动顺势 / 方向延续型
• 基础 alpha：CUSUM 触发后的“下一段有意义价格摆动方向”可预测
• regime：高流动性主流币、存在明显 event clustering 的时段更优
• filter / veto：只做高置信度信号（论文用 p>0.6 做多、p<0.4 做空）
• risk / sizing / execution overlay：对称 TP/SL + vertical barrier；一次只开一笔；先按 1x notional 或固定风险预算做最小版，成本至少按 round-trip 20bps 起算

4) 可复刻的最小实验

研究假设： 把输入单位从固定 5m/15m 改成 1m 上的 directional CUSUM 事件条后，哪怕先不用深度学习，只用轻量分类器，也能比 fixed time-bar 的 next-bar 标签更接近“成本后可交易”。

一个可计算定义：

1. 用 Binance BTC/ETH perpetual 1m close 构造 directional CUSUM；先试阈值让事件频率落在 8~25 次/天；
2. 每个事件条上做最小特征：近 8/16 个 event-bar 的 return、realized vol、EMA 偏离、RSI、volume z-score；
3. 标签别再用 next-bar，改成 对称 Triple Barrier：止盈/止损先试 0.6% / 0.6%、0.9% / 0.9%，超时先试 24 个 event bars 或 90 分钟；
4. 第一轮模型直接用 XGBoost / Logistic，先验证“采样 + 标签”本身，不急着复制深度网络。

最小回测切口： BTC/ETH，2025Q4~2026Q1，public perp 1m 数据；对照组是同一套特征下的 5m 或 15m fixed-bar + next-bar 标签。

先看 2 个指标：

• 成本后 expectancy / trade
• Sharpe + trades/day 是否同时优于 fixed-bar baseline

5) 风险与保留意见

• 论文主证据只覆盖 Binance、BTC、ETH，外推到小币要重新定阈值。
• 论文没有把真实滑点做进 order-book 级仿真，所以 live 端要比 paper 更保守。
• CUSUM 阈值太低，会退化成噪音 next-bar；太高，又会把样本数压没。
• 论文里 feature engineering 对 BTC 很关键：去掉特征工程后，BTC CUSUM 2% + Triple Barrier 5% 从 +20.4% 直接掉到 -24.2%；说明它不是“随便喂个模型都行”。

6) 来源

1. Grądzki, P., Wójcik, P., & Lessmann, S. (2025). _Algorithmic crypto trading using information-driven bars, triple barrier labeling and deep learning_. Financial Innovation.

• DOI: <https://doi.org/10.1186/s40854-025-00866-w>
• Readable URL: <https://link.springer.com/article/10.1186/s40854-025-00866-w>
• PDF URL: <https://link.springer.com/content/pdf/10.1186/s40854-025-00866-w.pdf>
• Table 4 URL: <https://link.springer.com/article/10.1186/s40854-025-00866-w/tables/4>
• Table 5 URL: <https://link.springer.com/article/10.1186/s40854-025-00866-w/tables/5>

1. Binance public market data

• Publicity: 公开可得
• Update frequency: tick / 1m
• Readable URL: <https://data.binance.vision/>

7) 下一步怎么测（一句话）

别先卷模型，先拿 1m BTC/ETH perpetual 把 fixed-bar + next-bar 和 CUSUM event-bar + Triple Barrier 做一版 A/B，若成本后 expectancy 还活着，再决定要不要上 ResNet-LSTM。