← 返回 Quant Digests · 站点首页

别把这篇 2025 Informer 论文只读成“Transformer 打败 MACD”：对 desk 更该先测的是「direction-aware loss × thresholded long/short state machine」BTC 单币 raw alpha

• 时间：2026-03-29 23:25 UTC
• 类型：2025 arXiv 全文 PDF + 本地全文抽取 + 公开 GitLab 复现框架审阅
• 主题类型：raw alpha
• 基础 alpha：BTC 单币短窗 directional drift——用最近一段价格路径、波动、时间特征与低频风险状态去预测下一 bar 收益，并只在预测幅度足够大时进入 long / short / flat 状态机
• 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/single-asset/directional/next-bar/threshold-state-machine/direction-aware-loss/gmadl/informer/btc/binance/5m/15m/30m/1m/3m/paper/repo/public-data/cost
• 证据类型：全文规则 + 表格级结果 + 公开代码仓库

1. 这次看了什么

这次看的是 Filip Stefaniuk, Robert Ślepaczuk (2025) 的 arXiv 论文 _Informer In Algorithmic Investment Strategies on High Frequency Bitcoin Data_，以及作者公开的 GitLab 复现仓库。论文研究对象很集中：

• 标的：BTC/USDT
• 数据：Binance 公共 kline
• 频率：5m / 15m / 30m
• 核心动作：先预测下一 bar return，再把预测值映射成 long / short / flat
• 对照组：Buy & Hold、MACD、RSI、Informer+RMSE、Informer+Quantile、Informer+GMADL

如果只把它读成“Informer 比传统指标强”，价值其实一般；但对当前 desk 真正值钱的是，它把一条 可直接写成 entry / exit / cost / 评估框架 的短窗 directional alpha 讲清楚了，而且还给出一个很重要的 desk 启发：

> 在高频/更短 bar 上，问题不只是模型好不好，而是 loss function 有没有把“方向”和“大波动尾部样本”学对。

换句话说，这篇东西更像一张 direction-aware loss / abstain threshold / 高频成本生存 的实验卡，而不是一篇“再上更大模型”的论文。

2. 核心结论

• 一句话结论：这篇东西的 base alpha 很清楚——BTC 存在可交易的短窗 directional drift，但必须先做 预测幅度阈值过滤，只在模型认为下一 bar 有足够净边时才入场；而在更短频率上，普通 RMSE 训练出来的预测会越来越“缩到 0 附近”，最后被成本吃死。
• 论文最关键的不是 Informer 本身，而是 GMADL（Generalized Mean Absolute Directional Loss） 这一类 direction-aware loss。作者的结论非常直接：
• RMSE 模型到了更高频会因为怕大错，输出越来越保守，很多预测都小到过不了手续费；
• Quantile 版则过度活跃，频繁交易，被成本拖死；
• GMADL 版反而随着频率提高表现更好。
• 全样本测试期（2019-08-21 到 2024-07-24，滚动 24m in-sample + 6m out-of-sample，共 6 个窗口）里，GMADL Informer 的总体验证结果是：
• 30m：ARC 31.79%，MD 53.35%，IR** 0.516，811 次交易；
• 15m：ARC 49.65%，MD 47.39%，IR** 0.987，362 次交易；
• 5m：ARC 115.88%，MD 32.66%，IR** 7.552，846 次交易。
• 对照的 Buy & Hold 基本不变：
• 30m：ARC 13.12%，MD 77.20%
• 15m：ARC 13.10%，MD 77.23%
• 5m：ARC 13.14%，MD 77.31%

也就是说，论文里最强分支不是“更大收益换更大回撤”，而是 在 5m 上同时抬高收益、显著压低回撤。

• 更有意思的是 RMSE vs GMADL 的频率方向完全相反：
• RMSE Informer (30m) 还有 ARC 40.37%；
• 到 15m 只剩 ARC 14.93%；
• 到 5m 直接掉到 ARC -13.88%，而且整段只交易 16 次。

这不是“模型弱”，而是 目标函数让模型在高频里不敢出手。

• 论文用了严格的滚动样本评估，还对优于 B&H 的策略做了 t-test；GMADL (5m/15m/30m) 全部在 p < 0.01 下拒绝“IR 不优于 B&H”的原假设。

3. 为什么和当前项目有关

这轮应该优先补 可独立复现的 raw alpha，而不是再补一层解释型 filter。这篇东西值得进素材池，原因有四个：

1. 频率非常贴 desk。 它不是日频论文硬往分钟上套，而是直接在 5m / 15m / 30m 上做；
2. base alpha 清楚。 它不是“端到端黑箱配收益曲线”，而是很明确的 next-bar return forecast -> thresholded state machine；
3. 完整策略口径齐。 论文明确写了持仓状态、手续费、滚动样本拆分、阈值网格、交易次数、long/short 占比；
4. 最值得偷的分支不是 Informer，而是 loss + gate。 这意味着我们不必第一步就复现 Transformer，也能先做一个 desk 版最小实验。

更直接地说，这篇东西给 desk 的不是“用 Informer 才能赚钱”，而是：

> 短周期 directional alpha 要想穿过成本，核心也许不是把模型做得更复杂，而是让训练目标和交易目标一致：方向对、尾部样本对、没把所有预测都缩成 0。

3.5 策略拆解（必填）

• 方向属性：BTC 单币 long/short/flat directional strategy
• 基础 alpha：短窗 next-bar directional drift
• regime：无单独硬性市场 regime；但输入中显式加入了 VIX / Fed Funds / Fear&Greed / hour / weekday，本质上是在把宏观风险状态与时钟状态喂给预测器
• filter / veto：
• 预测幅度阈值 是核心 admission gate；
• 若预测值不过阈值，则保持 flat 或维持旧仓；
• 高频下最重要的 veto 其实就是 成本阈值：预测小到不足覆盖 fee/slippage，就不应交易。
• risk / sizing / execution overlay：
• 论文原始设定是 单标的、满仓、不可分仓；
• 允许 long / short / flat 三状态；
• 仓位切换按上一 bar 收盘成交；
• 每次 position change 收 0.1% 交易费；
• 到期必须平仓；
• 论文没有额外止损/波动目标层，核心风控来自 阈值过滤 + 可空可平。

4. 论文里真正值得 desk 先偷哪一段

我不建议第一步就全量复现 Informer。对当前 desk，最应该先偷的是下面这个更小、更诚实的分支：

direction-aware loss × thresholded state machine

也就是：

1. 用近端价格路径与少量状态变量预测下一 bar return；
2. 但训练目标不要只最小化 MSE/RMSE，而要更强调 方向正确性 + 大振幅样本；
3. 交易时不连续调仓，而是通过阈值把预测映射成 long / short / flat；
4. 只在预测足够大、扣成本后还有边时出手。

这比“复现 Informer 架构细节”更适合 desk 的原因是：

• 可快速实验；
• 更容易 ablation；
• 更容易移植到 1m / 3m / 5m / 15m；
• 更容易回答：edge 到底来自模型结构，还是来自 loss / threshold / abstain 机制？

5. 可复刻的最小实验

5.1 先复现什么

先不要上全套 Informer。先做一个 两模型对照 + 同一状态机 的最小实验：

• 标的：BTCUSDT perp（Binance / OKX 任一公共可得）
• 频率：先 15m，再下钻 5m，最后才考虑 3m
• 训练框架：滚动 24m train+val / 6m test
• 预测目标：下一 bar return
• 模型对照：

1. baseline：线性 / LightGBM / 小型 MLP + MSE
2. direction-aware：同样特征、同样架构，但把 loss 改成 强调方向与大振幅样本 的 GMADL-like 目标

5.2 特征先怎么抄

第一版不需要花哨，直接抄论文里最能迁移的一组：

• OHLCV
• 当前 return
• 1h / 1d / 7d realized vol
• SMA / EMA / MACD / RSI / Bollinger 比率化特征
• hour / weekday
• 若数据方便，再加：fear & greed、VIX、Fed Funds 的 last-known value

这里最重要的是：保持特征集不变，先只改 loss。 这样才能把“方向型 loss 是否真能救高频 edge”单独测出来。

5.3 entry / exit

直接沿用论文的状态机思路：

• enter long: 预测 return > +threshold
• enter short: 预测 return < -threshold
• exit long: 预测回落到 exit_long
• exit short: 预测回升到 exit_short
• 若无 exit 条件，则持有到反向信号或样本结束

论文阈值网格就是很好的起点：

• enter long: 0.001 ~ 0.007
• enter short: -0.001 ~ -0.007
• exit long: -0.001 ~ -0.007
• exit short: 0.001 ~ 0.007

也就是 roughly 10~70 bps 的预测收益门槛。这个口径对 5m/15m 很重要，因为它天然在问：模型给出的边，够不够覆盖 frictions？

5.4 sizing / risk / cost

论文是满仓，但 desk 第一轮更稳的做法：

• sizing：先 1x notional 固定仓，不加杠杆，不做仓位放大
• 单标的只允许一个方向持仓
• 成本至少做两档：
• paper-like: round-trip 20 bps（近似论文 0.1% 单次换仓）
• desk-like: maker/taker + slippage 分开估，先测 4 / 8 / 12 bps round-trip
• 风险：
• 连续亏损 / 波动急升时可加一个 vol veto，但放在第二轮；
• 第一轮先别加太多 overlay，免得把 raw alpha 本体洗掉。

5.5 最先看什么

先盯四个问题：

1. direction-aware loss 是否真的比 MSE 在 5m/15m 更能留住非零预测？
2. 预测值分布有没有从“全缩在 0 附近”变成“尾部更厚、可过成本门槛”？
3. 同样阈值下，交易次数、hit rate、avg trade、holding time 怎么变？
4. 若方向型 loss 的优势只出现在高 friction 前，那它不是 alpha；若在保守 friction 后还活，那才值得往下钻 3m/1m。

6. 风险与边界

• 这篇东西是单币 raw alpha，不是组合 alpha。 当前价值在于补一张 BTC directional card，不是给出可直接扩到 whole-book 的统一框架。
• 论文的最好结果出现在 BTC/USDT 单标的，不能自动外推到 ETH 或 alt；
• 论文用的是 Binance spot kline，desk 真跑 perp 时还要重新计 funding、盘口深度、夜间滑点；
• 低频外生变量（VIX、Fed、Fear&Greed）在论文里是 last-known value，别把它们误读成高频主信号；它们更像状态增强特征；
• 最重要的一点：如果复现实验发现 edge 主要来自阈值稀疏交易，而不是 loss 改进，那真正该搬的是 admission rule，不是 Informer。

7. 来源

1. Stefaniuk, Filip; Ślepaczuk, Robert (2025), _Informer In Algorithmic Investment Strategies on High Frequency Bitcoin Data_

• Venue: arXiv
• DOI: N/A
• Readable URL: https://arxiv.org/abs/2503.18096
• PDF URL: https://arxiv.org/pdf/2503.18096.pdf
• Repo URL: https://gitlab.com/FilipStefaniuk/wne-msc-thesis

1. Michańków et al. (2024), GMADL loss related reference cited by the paper

• Venue: paper-cited loss design reference inside the study
• DOI / readable URL: see bibliography in arXiv paper
• Repo URL: N/A

1. Zhou et al. (2021), _Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting_

• Venue: AAAI / arXiv lineage
• Readable URL: https://arxiv.org/abs/2012.07436
• Repo URL: https://github.com/zhouhaoyi/Informer2020

1. Supplementary implementation repo cited by the paper

• Repo URL: https://github.com/martinwhl/Informer-PyTorch-Lightning

8. 下一步怎么测

1. 先不复现全套 Informer，先复现同一状态机下的 MSE vs direction-aware loss 对照。
2. 第一轮只做 BTCUSDT 15m；若成本后还活，再做 5m；3m/1m 放到最后。
3. 先固定特征集，只改 loss；再固定 loss，只改阈值网格，避免把“模型差异”和“admission 差异”混成一团。
4. 若 direction-aware loss 主要把预测分布尾部拉开、并显著改善成本后 avg trade，这条线就值得继续；反之就把结论写死：真正值钱的是 threshold abstain，不是复杂模型。
5. 如果 15m 存活而 5m 崩掉，别硬追更快频；直接把它定位成 15m 主 directional alpha + 5m execution timing`，而不是伪装成 1m 高频 edge。