← 返回 Quant Digests · 站点首页
别把 copula pairs 只读成高阶 dependence 拟合：这篇 2023 arXiv 更该先测的是「BTC 参考腿 + 双 spread 条件误价」完整 raw alpha
更新时间：2026-03-28 11:49 UTC
研究时间：2026-03-28 11:48 UTC
类型：2023 arXiv 全文 PDF + 本地全文抽取
主题标签：raw-alpha/pairs/stat-arb/relative-value/copula/cointegration/btc-reference/spread-mispricing/conditional-probability/kendall-tau/binance/usdt-perpetual/hourly/15m/5m/1m/3m/paper/public-data/cost
证据类型：论文全文证据 + desk 化映射
源文件：research/quant_digests/2026-03-28_1148_btc-reference-copula-spread-mispricing-alpha.md
- 时间：2026-03-28 11:48 UTC
- 类型：2023 arXiv 全文 PDF + 本地全文抽取
- 主题类型：raw alpha
- 基础 alpha：在以 BTC 为参考腿构造的两条协整 spread 上，用 copula 条件概率判断“哪条 spread 被高估/低估”，做 long 低估 spread / short 高估 spread，吃的是双 spread mispricing 向常态关系回归。
- 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/copula/cointegration/btc-reference/spread-mispricing/conditional-probability/kendall-tau/binance/usdt-perpetual/hourly/15m/5m/1m/3m/paper/public-data/cost
- 证据类型：论文全文证据 + desk 化映射
1. 这次看了什么
先把 base alpha 说清楚：这不是 filter，也不是“copula 让 pair 看起来更 fancy”。它的 raw alpha 本体是——
- 先用
BTCUSDT 做参考腿，给每个 alt 构出 S_i = BTC - β_i * ALT_i 这类 spread；
- 在 formation 期里，从 19 个候选 alt 里挑出和 BTC 关系最稳定、且彼此最适合组成双 spread 的两条；
- 交易期里不直接看 z-score，而是把两条 spread 过各自边际分布后，放进 copula 里算条件概率
h_{1|2}, h_{2|1}；
- 当一条 spread 相对另一条明显被高估/低估时，开
long one spread / short the other spread，吃的是 relative mispricing 的回归。
这点和我们最近已经 intake 过的一批 cointegration + z-score pairs 主题不一样：那批主要在“怎么定义 spread 偏离”；这篇真正新增的是“怎么定义 spread 之间的相对误价”。对当前 desk 来说，它的价值不是再讲一遍 pairs，而是给 stat-arb 素材池补了一个更像 signal layer upgrade 的 raw alpha 版本。
2. 核心结论
先给结论，不绕：
- 主题类型：raw alpha
- 基础 alpha：BTC 参考腿下的双 spread 条件误价回归
- 是否可独立复现：是
- 是否可直接落地完整策略：是
论文最值钱的不是“copula 能拟合尾部相关”这种泛结论，而是它给出了一条完整、可复现的策略链：
- universe：20 个 Binance USDT-M perpetual；
- formation / trading：
3 周 formation + 1 周 trading，滚动 104 个 cycle；
- pair funnel：先做 EG / KSS 协整，再用 Kendall's Tau 排序；
- signal：对两条选中的 spread 建边际分布 + copula，直接用条件概率作为误价信号；
- entry / exit：
α1 进场阈值，α2 平仓阈值；
- cost：显式计入 Binance taker fee，默认按 market order 执行。
更关键的是：它不是只能作为 pairs 的二级确认层，而是本身就能独立成一个完整的 relative-value / stat-arb 策略。
3. 为什么和当前项目直接相关
最近 desk 已经积累了不少 cointegration / z-score / OU / Hurst 路线的 pairs 素材。继续只补同一类“spread 偏离 -> 回归”当然没错，但边际增量会越来越低。这篇 2023 arXiv 的价值在于，它补的是 signal construction 的另一条主线：不是单看某条 spread 偏离多大，而是看“两条可比 spread 之间，谁相对谁被错定价了多少”。
这很适合当前研究阶段，原因有三：
- 它仍然是 raw alpha，不是旁支 filter。
- 它天然服务 stat-arb / relative-value 方向的素材池扩充。 我们当前的 raw alpha 库里，pairs 很多仍是
single spread + threshold；这篇多了一层 cross-spread relative mispricing。
- 它比继续找一个泛化 overlay 更值得。 因为它回答的是“还能不能从公开可得的 Binance perp 数据里，构出一个完整的、可复现的 pairs/stat-arb alpha”，而不是“又多一个可能有帮助的 gate”。
3.5 策略拆解（必填）
- 方向属性：pairs / stat-arb / relative-value / mean reversion / market-neutral 倾向
- 基础 alpha：两条以 BTC 为锚的协整 spread 之间会出现暂时性相对误价，之后回归常态依赖结构
- regime：
- 更适合 相关结构稳定、leader/reference 腿（BTC）主导性仍在 的环境；
- 若 alt 结构断裂、币种轮动极快、或 reference 资产角色失真，则误价关系更容易失效。
- filter / veto：
- formation 期至少能选出两条通过 EG/KSS 的稳定 spread；
- Kendall's Tau 不应过低；
- copula 拟合若 AIC 差异不明显、或边际分布拟合很差，可直接 veto；
- 流动性 / 成交密度 / funding 异常时禁做。
- risk / sizing / execution overlay：
- 腿权按
β 配比，保证 BTC 中介腿尽量净掉；
- gross notional 固定或波动率归一；
- 需要显式计入 taker/maker 成本、滑点、持仓超时退出、并发上限。
4. 论文里真正可直接复现的机制
4.1 数据与形成窗口
论文作者：Masood Tadi, Jiří Witzany。
数据口径：
- 交易所：Binance USDT-Margined Futures
- 样本：2021-01-01 ~ 2023-01-19
- 频率：hourly close
- 标的：20 个加密货币合约
- 交易周期：每月一个 cycle，其中 3 周 formation、1 周 trading，共 104 个 cycle
这已经足够 desk 化：它不是日频股票，也不是难拿的数据，而是公开可得、可直接映射到 perp 的 crypto 衍生品数据。
4.2 参考腿与 spread 定义
论文固定 BTCUSDT 为 reference asset，对其他 19 个 alt 分别构造：
S_i,t = BTCUSDT_t - β_i * P_i,t
其中 β_i 来自 formation 期回归估计。然后：
- 对 19 条候选 spread 做 Engle-Granger (EG) 与 Kapetanios-Shin-Snell (KSS) 检验；
- 对通过 cointegration 的候选，再计算与 BTC reference 相关的 Kendall's Tau；
- 选出 Tau 最高的两条 spread，作为下周 trading 的
S1, S2。
翻成人话：不是任意抓两条 alt spread 乱做，而是先筛出“相对 BTC 最稳定、最可比较”的两条，再看它们彼此的误价。
4.3 Copula 信号怎么定义
形成期里，作者先给 S1, S2 各自拟合边际分布（候选包括 Gaussian、Student-t、Cauchy 等），再把 spread 通过各自的 CDF 变成 U1, U2 ~ Uniform(0,1)，然后在 (U1,U2) 上拟合 copula。
交易期里，每根小时 bar 计算：
h_{1|2} = P(U1 <= u1 | U2 = u2)h_{2|1} = P(U2 <= u2 | U1 = u1)
信号规则非常直接：
- 若
h_{1|2} < α1 且 h_{2|1} > 1-α1：open long S1 / short S2
- 若
h_{1|2} > 1-α1 且 h_{2|1} < α1：open short S1 / long S2
- 若
|h_{1|2}-0.5| < α2 且 |h_{2|1}-0.5| < α2：close both positions
论文固定 α2 = 10%，测试多个 α1。最佳结果出现在 α1 = 10%。
这套规则很值得 desk 直接拿去做最小实验，因为它已经完整覆盖了：
- entry
- exit
- side decision
- pair selection
- cost assumption
5. 关键实证结果
5.1 哪些 copula 真正在样本里最常出现
104 个 trading week 的模型选择结果里，最常出现的不是 Student-t，而是偏极值/非对称家族：
- Tawn type 1：23.1%（EG）/ 24.0%（KSS）
- BB7：15.4% / 15.4%
- Tawn type 2：15.4% / 14.4%
- Joe：10.6% / 7.7%
- Student-t：只有 6.7% / 4.8%
这个点很关键：如果我们 desk 化时只偷懒用 Gaussian / Student-t，很可能已经把论文里最重要的 dependency 形状信息丢掉了。
5.2 收益、Sharpe、回撤
论文表 VI 的结果（均已计交易费）：
Pairs Trading with EG test
α1 = 0.10：- Total Return 76.2%
- Annualized Return 37.1%
- Annualized Vol 38.2%
- Annualized Sharpe 0.97
- Max Drawdown -35.6%
- Number of Transactions 176
- Transaction Costs / Gross P&L 11.7%
Pairs Trading with KSS test
α1 = 0.10：- Total Return 72.3%
- Annualized Return 35.3%
- Annualized Vol 37.7%
- Annualized Sharpe 0.93
- Max Drawdown -34.0%
- Number of Transactions 184
- Transaction Costs / Gross P&L 12.9%
对照组：
- Bitcoin Buy & Hold：年化 -17.0%，Sharpe -0.23，MDD -77.1%
- 20 币等权 Buy & Hold 组合：年化 14.4%，Sharpe 0.15，MDD -82.2%
翻成人话：这篇不是“绝对高 Sharpe 神器”，但它证明了 copula-based dual-spread mispricing 在 Binance perp 公共数据口径下，至少能独立活成一条完整策略，不只是理论花活。
5.3 阈值怎么影响表现
论文一个很实用的结论是：α1 提高后，交易次数会增多，但风险调整后表现反而下降。
- EG：年化回报从
37.1% -> 26.4% -> 25.4%
- KSS：年化回报从
35.3% -> 21.8% -> 10.4%
- Sharpe 也随之下降。
这对短周期 desk 很重要，因为它提醒我们：copula 信号不是越敏感越好，threshold 宽松化带来的往往是更多噪声交易，而不是更高 edge。
6. 和当前短周期（1m/3m/5m/15m）的关系
原论文频率是 1h，所以它对我们最自然的映射不是直接压到 1m，而是：
- 15m：最适合做 signal bar；
- 5m / 3m：最适合做 execution slicing 与更快出场；
- 1m：更适合做成交成本/盘口 veto，而不是直接复刻 copula 本体。
更具体地说，这篇最值得我们搬的不是“1h alpha 本身”，而是这四个 desk 组件：
- BTC reference spread construction
- weekly rolling formation/trading schedule
- copula conditional-probability entry/exit
- threshold sensitivity / cost-aware deployment
如果要映射到 15m，一个自然做法是：
- formation：最近
14d~21d 的 15m bar；
- trading：后续
3d~7d；
- reference：仍固定
BTCUSDT；
- universe：只保留高流动 majors / liquid midcaps；
- execution：信号在
15m 生成，订单在 5m/1m 切片完成。
7. 最小可复现实验（现在就能做）
7.1 公开数据源
- Binance USDⓈ-M Futures Kline：公开可得，支持
1m/3m/5m/15m/1h
- 若要补成本：
- 公开成交费率表
- funding history
- 最好再叠一层盘口/成交笔数代理
7.2 最小实验口径
我会建议第一轮别直接追求 full replication，而是做一个 15m desk transfer MVP：
- Universe：
BTC, ETH, SOL, XRP, ADA, DOGE, BNB, LINK, LTC, TRX 等高流动 perp。
- Formation：滚动
21d 的 15m 数据。
- Spread 构造：
- 对每个 alt 估
β_i，构 BTC - β_i * ALT_i；
- 过 EG / KSS，保留显著者；
- 对显著者算 Kendall's Tau，挑前 2 条。
- Signal：
- 分别拟合两条 spread 的边际分布；
- 用候选 copula 家族（至少 Gaussian / Student-t / Gumbel / Clayton / Frank / Joe / BB7 / Tawn）按 AIC 选最优；
- 生成
h_{1|2}, h_{2|1}。
- Entry / Exit：
- 先测
α1 ∈ {0.10, 0.15, 0.20}；
α2 = 0.10；- 再补
max_hold，例如 16 bars / 32 bars，避免卡死。
- Cost：
- 至少测
6 / 10 / 14 bps round-trip 三档；
- funding 单独记账，别混进 price PnL 里糊掉。
8. 下一步怎么测（必须）
- 先做 “copula vs plain z-score” 正面对照。
- 同一批候选 spread、同一 formation/trading split、同一成本口径；
- 比较
single-spread z-score、dual-spread z-score、dual-spread copula 三种信号。
- 把原论文的 1h 逻辑迁到
15m，但不要一上来压到 1m。
- 先验证
15m 上 conditional-probability mispricing 是否仍有净边；
- 再用
5m/1m 只做执行优化与成本 veto。
- 加入 max-hold 与 structure-break veto。
- 论文默认依赖条件概率回到中性区平仓；
- desk 版应补
time stop 与 beta drift / cointegration breakdown veto。
- 只在高流动 bucket 里测。
- 这篇的胜负手很可能不只是 signal，而是“你是不是在 low-liquidity alt 上被点差和 funding 吃掉”。
- 记录 copula 家族稳定性。
- 若最优 copula 家族频繁跳变，说明你在拟合噪声；
- 若某几类（例如 Tawn / BB7）稳定出现，才值得继续把它做成正式组件。
9. 风险与保留意见
- 原论文用的是 hourly，对
1m/3m 不能直接硬搬；
- 它的信号层明显比 plain pairs 更重，若 universe 太大、滚动太频繁，计算与参数不稳定性都会放大；
- copula 过拟合风险是真实存在的，尤其在样本窗口压短之后；
- 论文假设 market order，已经较保守，但 desk 真落地时还要单独核算 funding 与持仓并发占用；
- 所以这条线的正确定位不是“替代所有 pairs alpha”，而是：给现有 pairs/stat-arb 家族补一个更强的 conditional mispricing signal layer。
10. 来源
- Tadi, M., & Witzany, J. (2023). _Copula-Based Trading of Cointegrated Cryptocurrency Pairs_. arXiv preprint.
- Binance Developers. USDⓈ-M Futures API – Kline/Candlestick Data.
11. 本地相关产物