← 返回 Quant Digests · 站点首页

别把高频 pairs 又写成“固定阈值随手拍”：这篇 2025 *Computational Economics* 更该先测的是「pair-rebalancing MR × correlation-signed threshold map」完整 raw alpha

更新时间：2026-03-29 13:52 UTC 研究时间：2026-03-29 13:50 UTC 类型：2025 *Computational Economics* 开放获取全文 PDF（Springer 可读）+ 本地表格抽取 + Binance USDⓈ-M Perpetual 公共 `15m` threshold proxy 主题标签：raw-alpha/pairs/stat-arb/relative-value/mean-reversion/rebalancing/threshold-governance/correlation-map/high-frequency/binance/perpetual/15m/5m/1m/3m/paper/public-data/cost 证据类型：全文论文证据 + 本地表格级结果抽取 + Binance perp desk proxy

源文件：research/quant_digests/2026-03-29_1350_pair-rebalancing-threshold-map-alpha.md

1. 这次看了什么

先把 base alpha 说清楚：

> 这不是 filter，也不是纯 ML 选阈值 demo。它的 alpha 本体就是：两条腿相对涨跌失衡后，做一次向等权状态回摆的 rebalancing。

翻成人话：

这篇东西最值得 intake 的，不是“Random Forest 比别的分类器好”这种表层结论，而是更直接的一句：

> 高频 pair-rebalancing 这条 raw alpha 可以单独活成完整策略，但它不是所有 pair 都该用同一个 threshold；threshold 本身就是决定能不能活下来的核心参数。

一句话核心结论：

> 对高相关 pair，低阈值更合理；对弱相关/负相关 pair，最优阈值会更高。真正值得 desk 先搬的，是“相关性签名 → 阈值分层”这张阈值地图。

一句话它怎么证明：

> 作者拿 Binance 上 50 个 crypto 资产的两年分钟级数据，枚举全部 pair，逐个扫 1%~30% 阈值求最大利润，再用 pair 的均值、方差、偏度、峰度、VaR、相关系数去分类“最优阈值落在哪个区间”，最后用 2024 年新样本做 out-of-sample 验证。

2. 核心结论

2.1 这篇 paper 真正新增了什么

最近我们已经 intake 过不少 pairs / stat-arb 材料，但很多主题更偏：

而这篇 2025 paper 补的是另一块常被写得很糊的东西：

> 同一个 pair-rebalancing alpha，到底该用多宽的 trigger threshold？

这不是小参数。阈值太低：

阈值太高：

所以这篇最值钱的地方，不是再给一个新 spread，而是： 把 threshold governance 从拍脑袋，推进成可由 pair 统计属性驱动的策略组件。

2.2 论文里最该记住的数字

作者用的是 Binance 50 个 crypto 资产、2022~2023 两年、每分钟价格，把所有 pair 全部扫了一遍。结果先看 pair 分布：

然后做最优阈值区间分类：

最值得记的不是模型名，而是结构结论：

模型层面，Random Forest 全面最好：

更重要的是 out-of-sample：作者拿 2024 年 1~2 月 的新样本再测，RF 仍然没崩：

论文给的最直观交易例子也值得记：

这些数字不代表 desk 可以直接照搬月度大阈值，但它们说明一件事：

> threshold 选对和选错，真不是小改小修，而是会直接决定这条 pair alpha 最后像不像一条策略。

3. 为什么和当前项目直接相关

先回答这轮最关键的问题：

> 它为什么比继续补一个新的 raw alpha headline 更值得？

答案是： 因为 pairs / stat-arb 素材池目前并不缺“spread 怎么定义”，更缺“策略上线时到底该怎么定 threshold”。

也就是：

所以它和当前项目的关系非常直接：

  1. 仍然是 raw alpha，不是纯 filter。
  2. 而且是完整策略：entry / sizing / cost / threshold sweep 都给了。
  3. 对后续复现很友好：公开可得 Binance 数据就够做最小实验。
  4. 它补的是 pairs live-deployment 里最容易写糊的一层。

3.5 策略拆解（必填）

4. 论文里的完整策略机制

4.1 原始 HFPT 算法到底在做什么

作者把它叫作 HFPT (High Frequency Pairs Trading)，但它和经典 spread z-score pairs 不完全一样。

它不是先估一个公平 spread 再赌 spread 均值回归，而是更接近：

所以这条 alpha 更像：

> relative-weight mean reversion / threshold rebalancing alpha

而不是传统教科书式的 cointegration residual。

4.2 这条策略为什么对 crypto 尤其有意思

因为 crypto 尤其容易出现：

这正是 paper 想解决的：

4.3 threshold map 的最实用读法

如果只偷 paper 里一件东西，我不会先偷 RF 模型，而会先偷这句：

> 正相关 pair 默认先试低 threshold；弱相关 / 负相关 pair 才考虑更高 threshold。

这对 desk 的意义非常大，因为它让第一轮 grid 不用瞎扫整个空间：

也就是说，它给的是 parameter search 的先验地图。

5. Binance USDⓈ-M Perpetual 公共 15m threshold proxy

我补了一个很轻的 desk proxy。先说明：

> 这不是原论文的硬复刻。

它只是测试 paper 里最值得搬的那句： 在 liquid-major perp 口径里，高相关 pair 的最优 trigger 是否也更偏低阈值。

5.1 proxy 口径

5.2 proxy 结果

这个 pocket 里，45 个 pair 全部都是高正相关：

最重要的不是收益，而是 threshold 分布：

也就是说：

> 在这段 liquid-major 15m 样本里，高相关 pair 基本都只在低单数字 threshold 区间里才有交易发生；10%+ 基本已经大到像不存在。

这点和论文对正相关 pair 的结论是同向的。

5.3 但别误读成“已经能交易”

收益层面，proxy 很诚实地给了一个负面提醒：

翻成人话：

> threshold map 这件事大概率是对的，但在我们这段 liquid-major 15m 样本里，pair-rebalancing 这条 alpha 本体并没有因此自动变成能收租的现成 pocket。

这也是这次 intake 很值钱的地方：

6. 这组结果该怎么解读

6.1 论文和 desk proxy 一致的地方

一致的是：

6.2 论文和 desk proxy 不一致、但也很重要的地方

不一致的是：

这并不一定说明 paper 错，而更像说明：

  1. 原论文数据是 BTC quote 现货结构，不是我们现在的 major perp；
  2. 论文允许更广泛、更异质的 pair 池；
  3. major-perp universe 太“干净”，高相关但相对波动未必够大；
  4. 我这里样本只有最近约两周，且是更强的可交易性约束口径。

所以更稳妥的结论是：

> 这篇 2025 paper 值得进入 raw-alpha 素材池，但更适合被 intake 为“pairs threshold governance 模块”，而不是直接被宣传成 liquid-major 15m ready-made alpha。

7. 风险与保留意见

  1. 这条 alpha 和传统 cointegration pairs 不一样。

    2. 它更像 threshold rebalancing，而不是 residual z-score mean reversion；不要混成一类。

  2. 论文的赢家样本包含弱相关和负相关 pair。

    3. 但我这次 liquid-major perp proxy 几乎只有高相关 pair，无法验证 paper 的高阈值 bucket 是否在低/负相关组里更有料。

  3. desk proxy 不是原算法逐字复刻。

    4. 它是为了先测“threshold map 是否方向正确”，而不是论文收益复现。

  4. major-perp 的现实约束更强。

    5. 如果 pair 本体 edge 不够，单靠调 threshold 不会凭空把它救活。

8. 下一步怎么测

8.1 先把 universe 扩到“可交易但不只剩 top majors”

第一步不要继续只测 BTC/ETH/SOL/... 这种最干净的大币。 建议分三层：

  1. top majors
  2. mid-cap liquid perps
  3. 可交易尾部但有足够成交的 alts

要验证的就是：

> pair-rebalancing alpha 会不会只在“相关但不太同质”的中段 universe 才开始有空间。

8.2 先把 threshold grid 按 corr bucket 缩窄

下一轮别再全局扫一遍 1%~30%。 直接按先验做：

这样更符合这篇 paper 真正提供的新增价值。

8.3 补真正 desk 需要的 veto

raw alpha 层之外，至少要补：

因为这条 alpha 很容易在“理论可 rebalance、实盘太贵”之间断掉。

8.4 做一个最关键的对照

同一批 pair，必须并排测：

  1. 固定 threshold baseline
  2. corr-bucket threshold map
  3. rolling moment + RF threshold classifier

如果 2 比 1 好，而 3 又能进一步改善，才说明 paper 这套 threshold governance 真能从论文进入 desk。

9. 研究结论（给自己留一句话）

这篇 2025 *Computational Economics* 真正值得 intake 的，不是“又一个 high-frequency pairs paper”，而是：pair-rebalancing 这条 raw alpha 的成败，很大程度取决于 threshold governance；而 threshold 又明显受 pair 相关性结构影响。

但 current desk proxy 也提醒得很清楚：

> 在 liquid-major 15m perp 口径里，这条策略的最佳 threshold 确实落在低单数字区间，但 alpha 本体暂时还没活。

所以它当前最合理的位置是：

10. 来源与链接

  1. Bağcı, M., & Kaya Soylu, P. (2025). _The Optimal Threshold Selection for High-Frequency Pairs Trading via Supervised Machine Learning Algorithms_. Computational Economics.
  1. Binance Developers. USDⓈ-M Futures API – Kline/Candlestick Data.

11. 本地相关产物