← 返回 Quant Digests · 站点首页
别把这篇 2025 *Optimization and Engineering* / 配套 repo 只当 pair-searcher：对 desk 更该先测的是「moving-band basket stat-arb × 线性 inventory shell」完整 raw alpha
更新时间：2026-03-31 12:34 UTC
类型：quant_digest
主题标签：raw-alpha/relative-value/stat-arb/multi-asset/basket/mean-reversion/moving-band/convex-concave/linear-policy/markowitz-shell/crypto-transfer/1m/3m/5m/15m/paper/repo/public-data/cost
证据类型：2025 *Optimization and Engineering* 全文 HTML + Stanford paper page + `cvxstatarb` repo source audit + 2025 *Journal of Asset Management* follow-up page
源文件：research/quant_digests/2026-03-31_1234_moving-band-basket-statarb-alpha.md
- 时间：2026-03-31 12:34 UTC
- 类型：quant_digest
- 主题标签：raw-alpha/relative-value/stat-arb/multi-asset/basket/mean-reversion/moving-band/convex-concave/linear-policy/markowitz-shell/crypto-transfer/1m/3m/5m/15m/paper/repo/public-data/cost
- 证据类型：2025 *Optimization and Engineering* 全文 HTML + Stanford paper page +
cvxstatarb repo source audit + 2025 *Journal of Asset Management* follow-up page
- 主题类型：raw alpha
- 基础 alpha：多资产组合价格相对 rolling midpoint 的偏离回归（moving-band basket mean reversion / stat-arb）
- 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
1. 这次看了什么
不是再找“哪两条线最像”的老式 pairs，而是把 多资产 basket 本身 当成可优化搜索对象：在“组合价格要留在带内”的约束下，直接找 波动大、但会回带 的组合，然后用一个极简单的线性仓位壳子 q_t = μ_t - p_t 去交易。
2. 为什么这次值得进研究池
这轮 bot7 的优先级里，raw alpha / 可直接落地完整策略 高于纯解释型材料。这个主题满足两点：
- base alpha 很清楚：不是 filter，不是 regime，不是“先有 pair 再想办法调阈值”；它的 alpha 本体就是 basket price 对 moving midpoint 的均值回复。
- 它补的是我们当前素材池里还不够厚的一块：很多现有短周期 pairs 还停留在
2-leg spread z-score。这篇东西给的是更上游的能力——自动搜索 3~10 leg 的 mean-reverting basket，天然能扩成 crypto 的 sector basket / quote cluster / beta-neutral sleeve。
3. 先回答一句：这篇东西的 base alpha 是什么？
base alpha = 多资产组合价格 p_t = s^T P_t 围绕 rolling midpoint μ_t 的均值回复。
更直白点：
- 先不是问“BTC/ETH 有没有偏离”；
- 而是问“有没有一组权重
s，能让组合价格既不乱飞出带，又有足够来回摆动可以赚”；
- 找到以后，交易逻辑很朴素：
p_t < μ_t → 做多这个 basketp_t > μ_t → 做空这个 basket- 仓位强度直接随
μ_t - p_t 线性变化。
所以它是 raw alpha，而不是 overlay。
4. 核心来源
4.1 主论文
4.2 配套仓库
4.3 后续管理层论文（不是本篇主 alpha，但很适合接在后面）
- Authors：Kasper Johansson, Thomas Schmelzer, Stephen Boyd
- Year：2025
- Title：*A Markowitz Approach to Managing a Dynamic Basket of Moving-Band Statistical Arbitrages*
- Venue：*Journal of Asset Management*, 26(4):377–385
- DOI：10.48550/arXiv.2412.02660
- Readable URL：https://web.stanford.edu/~boyd/papers/portfolio_of_SAs.html
5. 证据里最值得拿走的硬点
5.1 这不是“理论想法”，作者给了完整搜索 + 交易 + 成本口径
主论文数值实验用的是：
- 数据：CRSP US 股票日频，2010-01-04 到 2023-12-30，15,405 个资产，合计 3,282 个交易日；
- 搜索节奏：从 2011-12-23 起，每 21 个交易日 重跑一次；
- 每次搜索范围：当时点市值前 200 个资产；
- 初始化：每次 10 个随机初始组合；
- moving-band 参数：repo/notebook 对应
P_max=100, spread_max=1, midpoint_memory=21, T_max=125；
- 交易成本：模拟里把买卖价差成本算进去了（买按 ask、卖按 bid），另加 0.5% 年化 shorting cost。
这点对我们很重要：它不是那种“只给组合发现方法，不给交易壳”的论文，反而是 alpha 搜索 + 线性 position rule + 成本核算 一条龙都给了。
5.2 交易壳其实非常简单：q_t = μ_t - p_t
在 cvx/stat_arb/ccp.py 里，交易头寸就是：
- 线性仓位：
q_t = μ_t - p_t
- exit：到
T_max 后开始退出，再用 21 个 period 线性降到 0
- positions：各腿仓位 =
q_t × basket weight
- profit：上一期持仓 × 本期组合价格变化
这意味着它很容易移植到 desk：
- 你完全不需要先上复杂 RL；
- 先把 组合发现器 和 最朴素的 inventory shell 跑起来，就已经是完整 raw alpha。
5.3 moving-band 比 fixed-band 更像我们想要的真实交易对象
论文主结论不是“所有 mean reversion 都有效”，而是：把 band midpoint 做成 rolling/moving，比固定中枢更实用。
文中报告：
- fixed-band：找到 545 个 unique stat-arbs，资产数 3~9，中位数 6；
- 平均年化收益 10%
- 平均年化风险 32%
- 平均年化 Sharpe 0.81
- 平均最大回撤 15%
- moving-band：找到 712 个 unique stat-arbs，资产数 1~10，中位数 5；
- 70% 的 stat-arbs 盈利
- 平均年化收益 15%
- 平均年化风险 20%
- 平均年化 Sharpe 0.84
- 平均最大回撤 12%
- 活跃 stat-arb 的中位数约 40 个
- 提前“爆掉”（NAV 跌破初始 50%）的只占 0.4%
对 desk 的翻译：
- 与其在一条固定 spread 上死调 z-score，
- 不如先承认 中枢会漂移，然后让策略围绕“漂移中的公平值”去做回归。
5.4 这篇东西最适合我们 desk 的，不是“美国股票日频表现有多好”，而是它的搜索框架
真正可迁移的不是原论文 market，而是这几个结构：
- 优化目标：直接找“高摆动 + 不脱带”的 basket；
- 多资产：不把 stat-arb 限制死在 2 legs；
- moving midpoint：默认公平值可漂移；
- 线性持仓：不用先拍 entry/exit 二值阈值；
- 组合管理可外接：后续可直接接 2025 *Journal of Asset Management* 那篇的 basket allocation 层。
6. 对 crypto 1m / 3m / 5m / 15m 的正确读法
6.1 不要机械照抄“21 天 / 日频”
原文是 US equities 日频。我们不能直接把 21 天等比例平移成 21 根 15m。正确做法是保留结构，不保留字面窗口：
- 原文
midpoint_memory=21 的本质不是“神奇的 21”，而是 用一个足够慢的 rolling fair value 托住短中期回归；
- 原文
T_max=125 的本质不是“必须持有 125 个 period”，而是 给 basket 回归充足时间，但不能无限拖；
- 原文每 21 天重搜一次，本质是 search cadence 要慢于交易 cadence，别边交易边每根 bar 重拟合。
6.2 对 crypto 最自然的迁移场景
我认为最值得先测的不是全市场乱搜，而是这三类受控宇宙：
- 同 beta / 同叙事 basket
- BTC / ETH / SOL / BNB majors
- L2 basket
- DeFi beta basket
- meme beta basket
- 同标的多报价 / 多 venue basket
- 同 underlier 的多合约 / 多 stablecoin quote
- 比 2-leg pair 更适合扩成 3~4 leg 冲突路由
- leader + followers basket
- 一个 leader leg 配多个 follower leg
- 比单一 pair 更接近“行业内 relative-value 偏离再回归”
6.3 对短周期 desk 的最小参数迁移建议
下面不是论文原值，而是 为 1m/3m/5m/15m 复现准备的 first pass：
- 15m 版
- train：最近 20~30 天
- 重新搜索 basket：每 1 天 或每 96 bars
- midpoint memory：64~128 bars
- 持有上限
T_max：24~48 bars
- exit fade：4~8 bars
- 5m 版
- train：最近 14~21 天
- 重新搜索 basket：每 4~8 小时
- midpoint memory：72~144 bars
- 持有上限
T_max：24~72 bars
- exit fade：6~12 bars
- 1m / 3m 版
- 只建议先在 10~20 个最液体标的 上做，避免把搜索器变成噪音拟合器
- 先用 maker/taker 两套成本假设分别跑，不要一上来混合成交幻想
7. 对我们 desk 最重要的拆解：它到底能落成什么完整策略？
7.1 Entry
先找到一个 basket：
- 权重
s
- 组合价格
p_t = s^T P_t
- rolling midpoint
μ_t
然后做：
score_t = (μ_t - p_t) / band_scalescore_t > 0 → long basketscore_t < 0 → short basket
first pass 可以直接照作者的 线性仓位，也可以加个最小门槛：
- 只有
|score_t| > 0.5 才开仓
|score_t| 越大，仓位越大
7.2 Exit
优先按三层：
- 回到中枢附近：
|score_t| < 0.1
- 时间止损：超过
T_max
- 退出拖尾：仿 repo，用
N_exit 根线性降到 0
7.3 Sizing
可直接复制论文精神：
- 基础仓位跟
μ_t - p_t 线性；
- 组合层再加 gross leverage cap；
- 对 crypto 建议再补两个约束：
- 单腿 notional cap
- 单一 narrative / highly correlated bucket cap
7.4 Risk
至少要加：
- basket half-life 漂移监控
- legs concentration cap
- funding / fee / borrow proxy
- 波动突升时的 inventory compression
- re-fit 后新旧 basket overlap 过低时，别硬切满仓
7.5 Cost
crypto 里最容易把它从 paper alpha 打成假象的就是成本：
- taker fee
- spread widening
- funding
- 强相关腿同时冲击的 market impact
- 高频换篮子的 turnover
所以 first pass 一定要至少跑：
- maker-only 假设（过于乐观，但看 alpha 上限）
- taker-only 假设（保守）
- mixed 假设（更接近真实）
8. 它相对当前常见 pair-zscore 框架，真正新增了什么
8.1 新增的不只是“多几条腿”
核心升级是：
- pair-zscore：先有 pair，再围绕 pair 调阈值
- moving-band basket：先定义“想要什么样的组合价格”，再反推 basket 权重
这是 research pipeline 的上游升级。
8.2 为什么这比继续补一个普通 pair 更值得
因为它能同时服务三类后续方向：
- raw alpha 扩容：pair → basket
- shared shell 复用：同一个 linear inventory / time-exit / cost framework 可以复用到不同 basket
- 组合层管理：可自然衔接
portfolio_of_SAs 的 basket allocation
9. 局限与风险
- 原证据不是 crypto、不是分钟级：这是最大的 transfer risk。
- 搜索器很容易过拟合：如果你每小时重拟合全宇宙，最后学到的可能只是噪音。
- crypto 的相关结构会 regime shift 更快：篮子寿命可能远短于股票日频。
- perp 还有 funding / clamp / ADL / contract-spec 差异：这些是论文没有替你解决的。
- 多腿组合的执行复杂度会陡增：尤其在 1m/3m 上，错一腿就不是纯 stat-arb 了。
10. 最小可复现实验（建议直接做）
实验 A：15m majors / sector basket moving-band MR
- 标的池：BTC, ETH, SOL, BNB, XRP, DOGE, ADA, LINK, LTC, BCH, AVAX, DOT
- 频率：15m
- 训练窗：过去 30 天
- 重搜频率：每天 1 次
- basket 大小：3~5 legs
- midpoint memory：96 bars
- entry：
|score| > 0.75
- exit：
score 回到 0.15 内，或 T_max = 32 bars，再 N_exit = 6 bars 线性降仓
- 对照组：
- 同池内 rolling z-score 最优 pair
- 同池 PCA residual MR
- 看什么：after-cost Sharpe、hit ratio、平均持有时长、换篮率、单腿贡献集中度
实验 B：5m 同叙事 basket 快速版
- 标的池：只取一个叙事（例如 L2 或 meme）里最液体 6~10 个 perp
- 频率：5m
- 训练窗：过去 14 天
- 重搜频率：每 6 小时
- midpoint memory：72 bars
- T_max：48 bars
- 成本假设：maker / taker / mixed 三套都跑
- 目的：判断这类 moving-band 结构在更快节奏下是否还保留边际
实验 C：同标的多报价 basket
- 对象：同一 underlier 的多合约/多 quote（如果数据结构允许）
- 目的：验证 moving-band basket 是否比 2-leg spread 更能处理冲突报价与闲置资本问题
11. 我建议的“下一步怎么测”
- 先不要全市场乱搜：先从 majors 或单叙事小宇宙开始。
- 先做 15m，再压到 5m：先验证 alpha 结构，再测 execution 极限。
- 先固定 linear policy：别一上来再叠 RL / dynamic threshold，避免 attribution 混乱。
- 每次只换一个维度：
- pair → basket
- fixed midpoint → moving midpoint
- threshold entry → linear entry
- 必须留基线：至少和
best pair z-score、PCA residual MR 对打。
- 一开始就记 turnover 与换篮率：这类策略最容易 paper 上赢、实盘输在 turnover。
12. 一句话结论
这篇东西最值得 desk 拿去测的，不是“又一个 pairs 论文”，而是：把短周期 stat-arb 的研究对象从单 pair 升级成可搜索的 moving-band basket，再用最朴素的线性 inventory shell 先跑出 after-cost 结果。
13. 来源链接