← 返回 Quant Digests · 站点首页

别把 pairs 只做单 pair z-score：这篇 2021 开放获取论文更该先测的是「market-factor neutralized multi-pair stat-arb」完整 raw alpha 骨架

• 时间：2026-03-29 21:21 UTC
• 类型：2021 开放获取论文全文
• 主题类型：raw alpha
• 基础 alpha：先用共同市场因子把多币价格里的“同涨同跌”剥掉，再对剩下的 stationary 因子做多空排序；本体不是 filter，而是一个可直接交易的 basket relative-value / stat-arb alpha。
• 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/dynamic-factor/cointegration/stationary-factor/market-neutral/multi-pair/5m/15m/paper
• 证据类型：论文全文

> 先回答 base alpha：这是 raw alpha，不是单纯 filter。 真正赚钱的底层不是“stationary 因子这个名词”，而是 把共同市场因子剥离后，对剩余相对价格错位做 market-neutral 多空回归；regime gate 只是附加条件，用来判定这套 raw alpha 何时该关机。

1. 这次看了什么

这次主看 Gianna Figá-Talamanca, Sergio Focardi, Marco Patacca (2021) 的开放获取论文 _Common dynamic factors for cryptocurrencies and multiple pair-trading statistical arbitrages_（*Decisions in Economics and Finance*）。它研究 BTC / ETH / LTC / XMR 在 2016-01 到 2019-11 的联合价格结构，不是只做单个 pair spread，而是先估一个两因子动态模型：

• f1 = 共同市场因子（近似 BTC 主导的 integrated factor）
• f2 = 站在共同因子之外、仍可预测的 stationary factor

最值钱的可复用点有两个：

1. 价格先按 β_i1 缩放，让共同市场因子在 pair spread 里相互抵消；
2. 不是只盯一个 pair，而是把下一期的 scaled forecast price 排序，直接做一个 top-half short / bottom-half long 的多对冲 market-neutral book。

2. 核心结论

• 一句话核心结论： 对 short-cycle desk 来说，这篇 paper 最值得拿走的不是“动态因子模型”四个字，而是 “先剥离市场共振，再做 basket 内部相对价值排序” 这条完整 raw alpha 骨架。
• 一句话它怎么证明： 作者在滚动三年估计窗 + 2019 日频测试窗里，直接把 entry / no-trade threshold / regime gate / fee 全写出来，并展示这套 market-neutral 策略只在第二因子仍 stationary 时赚钱，失效后应主动停机。

更具体地说：

1. 四个币的联合价格并不只是“一根共同趋势线”。 Johansen 检验给出 3 个 cointegrating vectors，意味着样本里至少存在 1 个共同 integrated factor；继续做动态因子分解后，作者找到 2 个关键因子，其中第一因子近似 BTC 主导，第二因子在 2019-08 前仍是可交易的 stationary 偏离。
2. 真正的交易边不是单个 spread 名字，而是“共同因子中和后的相对错位”。 论文把价格写成 p_i = α_i + β_i1 f1 + β_i2 f2 + ε_i，再除以 β_i1，这样任意 pair 的 scaled spread 主要只剩 f2 驱动；这一步很适合 desk 化，因为它天然把“全市场一起抽风”从信号里拆出去。
3. regime gate 不是锦上添花，而是生死线。 作者发现 2019-08-20 后第二因子不再 stationary，且两个因子相关性升高，于是 2019-09 后基本不再交易。也就是说，这篇 paper 的真正含义不是“alpha 永远存在”，而是 “当共同因子 + 站稳因子这组结构成立时，basket stat-arb 可以开；结构塌了就该关。”

3. 3 个关键数据点

1. 模型参数本身很有辨识度。 在 2016-01 到 2018-12 的估计窗里，作者得到：λ1 = 0.9962（ADF p=0.27124，接近 unit root）、λ2 = 0.9823（ADF p=0.00564，可视作 stationary），而两因子相关性约 0.005。这说明“市场主趋势”和“可回归偏离”在那段时期是能分开的。
2. loadings 明确告诉我们共振腿是谁。 第一因子对 BTC 的加载 β11 = 0.9911，几乎就是市场共振腿；第二因子对 ETH 的加载最强，β22 = 5.2255。对 desk 来说，这很像在告诉我们：先识别共同 beta 腿，再看谁在共同 beta 之外偏得最多。
3. 阈值交易确实能改善成本后结果。 2019 测试窗共 334 天；若完全不设阈值（c=0），交易 252 次，扣 0.10% 费用后的净累计收益均值约 3031.17；设 c=0.20 时交易降到 222 次，但净累计收益均值略升到 3032.97。结论不是“0.20 神奇最优”，而是：这种 raw alpha 天生怕换手，必须把 no-trade band 当正式组件来测。

4. 为什么和当前项目有关

当前 desk 最近已经补了不少：

• 单 pair spread
• copula / cointegration / matching
• cross-sectional momentum
• options / funding / synthetic-forward relative value

但还相对少一个素材： > 不是“挑哪一对”而已，而是“怎么把整个 basket 先做 market-mode neutralization，再统一做相对价值排序”。

这篇 paper 的价值就在这里：

• 它属于 raw alpha 池扩容，不是纯解释型综述；
• 它能直接服务 1m / 3m / 5m / 15m 的 basket stat-arb / relative-value 主线；
• 它把 entry / veto / threshold / cost 写得足够清楚，适合先做最小实验，再决定要不要继续升级成更复杂的 PCA / Kalman / VECM 版本。

3.5 策略拆解（必填）

• 方向属性：相对价值 / stat-arb / market-neutral
• 基础 alpha：共同市场因子中和后，stationary 因子驱动的 basket 内部相对错位回归
• regime：只在“1 个 integrated factor + 1 个 stationary factor”成立，且两因子低相关时开机
• filter / veto：corr(f1,f2) 不得过高；第二因子 ADF 不通过时停机；可再加 no-trade threshold c·σ_v
• risk / sizing / execution overlay：按 β_i1 做 scale / hedge；top-half short、bottom-half long；测试 c=0/0.1/0.2 的 band；显式计入 maker/taker 成本

5. 可复刻的最小实验

研究假设： 在 Binance 永续大市值宇宙里，若先剥离共同市场因子，再对剩余 stationary 偏离做 basket 排序，多空 book 会比“直接按原始收益排序”更像可持续的 relative-value raw alpha。

一个可计算定义：

1. 宇宙：BTC, ETH, SOL, BNB, XRP, DOGE, ADA, LTC 等流动性最高 perp；
2. 周期：先跑 15m，再向 5m 和 1h 做稳健性对照；
3. 形成窗：45d~60d 滚动；
4. 在形成窗里对 log-price 做两因子分解（最小版可先用 PCA + AR(1) 近似论文里的 dynamic factor）；
5. 用第一因子 loading 做缩放，得到 scaled prices；
6. 估计下一期 scaled forecast price，每根 bar 把宇宙分成 top-half / bottom-half；
7. 仅在 第二因子 ADF p<0.05 且因子相关性低于阈值 时开仓；
8. entry: |g_{t+1} - v_t| > c·σ_v；先测 c ∈ {0, 0.1, 0.2}；
9. exit: 先做 下一根平仓、4 bar、16 bar 三档；
10. 先看两项指标：成本后 pnl / turnover，再看 positive-window ratio。

> 最该先测的 desk 版本： Binance perp 15m + 60d formation + PCA market mode neutralization + ADF/corr gate + c=0/0.1/0.2。如果这版连 gross 都站不住，就别急着上更复杂 Kalman；如果 gross 活、净后死，再重点修 no-trade band 和持有期，而不是先堆模型。

6. 风险与保留意见

• 样本偏老且偏小。 论文只看 4 个币、日频、2016-2019，对今天 perp 市场肯定不是直接照搬；
• 没有官方公开策略仓库。 这意味着实现细节需要自己补；
• 动态因子在短周期上可能更不稳定。 1m/3m/5m 很容易把微观结构噪音也当成“第二因子”；
• stationarity gate 可能比 alpha 本体更重要。 若 rolling ADF 一直不稳，这条线更适合作为 15m/1h 的中速 stat-arb，而不是超短高速信号；
• 成本是第一约束。 论文在 0.10% fee 下还能保住净收益，但 short-cycle perp 若 taker 占比高，结果会迅速塌掉。

7. 下一步怎么测

1. 先做 PCA 近似版，别一上来追求完整 Bayesian dynamic factor。 先验证“market-factor neutralization + basket ranking”这个 raw alpha 核心是否有 transfer。
2. 把 gate 当主组件，不要当附属过滤器。 每个 formation window 都记录：第二因子 ADF、因子相关性、交易开机率。
3. 把持有期展开。 这条线不一定是 next-bar alpha；至少拆 1 / 4 / 16 bars 三档。
4. 显式比较三种 baseline： 原始收益排序、beta-neutralized 排序、beta-neutralized + gate 排序。
5. 费用要分层。 至少跑 2/4/6 bps 和 6/10/14 bps 两组 round-trip 场景。
6. 若 15m 能活，再往 5m 缩；若 15m 已明显不稳，就把它留在中速 stat-arb 池，不要硬塞成 1m。

8. 文件与产物

• 研究笔记：research/quant_digests/2026-03-29_2121_market-factor-neutralized-multipair-statarb.md

Sources

1. Figá-Talamanca, G., Focardi, S., & Patacca, M. (2021). _Common dynamic factors for cryptocurrencies and multiple pair-trading statistical arbitrages_. Decisions in Economics and Finance.

• DOI: 10.1007/s10203-021-00318-x
• DOI URL: https://doi.org/10.1007/s10203-021-00318-x
• Readable URL: https://link.springer.com/article/10.1007/s10203-021-00318-x
• PDF URL: https://link.springer.com/content/pdf/10.1007/s10203-021-00318-x.pdf
• Repo URL: 未找到论文官方策略仓库（截至 2026-03-29）

1. CoinMarketCap（论文样本选择说明中引用）

• URL: https://coinmarketcap.com/