← 返回 Quant Digests · 站点首页

别把这篇 2025 *Applied Sciences* 论文只读成黑箱分类器：对 desk 更该先测的是「order-book / taker-flow imbalance × confidence threshold」短周期 directional raw alpha，但 5m proxy 只有在 top-decile admission + maker-ish cost 下才刚转正

• 时间：2026-03-31 23:20 UTC
• 类型：2025 *Applied Sciences* 开放获取论文摘要/元数据 + OpenAlex/Crossref metadata + Binance USDⓈ-M Perpetual 公开 5m 本地 proxy quick check
• 主题类型：raw alpha
• 基础 alpha：短周期 order-book / taker-flow imbalance 能提供下一段方向预测，但只有在模型置信度足够高时才执行；alpha 本体是 microstructure-driven directional continuation / follow-through，不是单独的 filter
• 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/microstructure/order-book/taker-flow/confidence-threshold/directional/single-asset/cross-asset/binance/perpetual/5m/15m/1m/3m/paper/public-data/cost
• 证据类型：论文摘要级硬结果 + 公共 kline/taker-volume proxy replication

1. 这次看了什么

这次主材料是 Alexandr Kuznetsov, Олексій Костенко, K.O. Klymenko, Zoriana Hbur, Roman Kovalskyi (2025), _Machine Learning Analytics for Blockchain-Based Financial Markets: A Confidence-Threshold Framework for Cryptocurrency Price Direction Prediction_, *Applied Sciences*。

先按这轮任务要求回答一句：

> 这篇东西的 base alpha 是什么？ > > 答：短周期 order-book / taker-flow imbalance 所携带的方向信息，在高置信度时更容易转成下一段价格 follow-through。

所以它不是单纯的 ML 壳子，也不是“预测器外面再套一个风控阈值”。它的 alpha 本体很清楚：

• 市场微观结构里有 可交易的方向信息；
• 但这个方向 edge 不是 every bar 都该打；
• 真正值钱的是把 direction prediction 和 trade execution admission 拆开。

这点对我们 desk 很重要，因为它直接对应 1m / 3m / 5m / 15m 的现实：

• 方向信号可以很多；
• 真正赚钱的，往往只是最有把握的一小撮；
• admission rule 不是附属品，而是策略骨架的一部分。

2. 论文里最值得记住的硬点

这篇 paper 最有价值的，不是“又有个神经网络准确率很高”，而是它把 方向预测 和 是否执行 明确分开了。论文摘要给出的关键数字很硬：

• 样本：11 个 major crypto pairs
• 时间：12 个月
• executed trades 的方向准确率：82.68%
• executed trades 的平均净收益：151.11 bps / trade
• market coverage：11.99%
• 入选特征里，81.3% 来自 order-book microstructure

翻成人话：

1. 这不是想在全市场每个时点都出手；
2. 它承认 coverage 低，但换来更高的每笔质量；
3. 短周期 edge 的核心，不在宏观叙事，而在 order-book / flow microstructure；
4. confidence threshold 不是单独的 overlay，而是 alpha 从 paper edge 走向可执行策略 的必要组件。

3. 为什么它值得进当前素材池

当前 momentum 里已经有很多：

• pairs / cointegration / basket stat-arb
• basis / funding / cross-venue carry
• breakout / trend / pseudo-session continuation
• OFI / quote-gap / maker-taker 等微结构线索

但还缺一张更明确的卡：

> 把“方向预测”本体和“什么时候值得下注”这件事分开写清楚的短周期 raw alpha 卡。

这篇 paper 值得收进池子，因为它满足本轮高优先级要求：

• 是 raw alpha，不是 filter 伪装成 alpha；
• 可独立复现：order book、trade flow、kline、taker-buy volume 都能从公开源先做 proxy；
• 可直接落成完整策略：entry / exit / sizing / cost / admission rule 都能明确写；
• 对 1m / 3m / 5m / 15m 映射自然，不需要硬扯低频外部数据。

3.5 策略拆解（必填）

• 方向属性：short-horizon directional / microstructure follow-through
• 基础 alpha：高置信度的 order-book / taker-flow imbalance 预测下一段同向收益
• regime：更适合流动性较好、book state 稳定、毒流不极端的阶段
• filter / veto：confidence threshold；低置信度不交易
• risk / sizing / execution overlay：按置信度分桶决定仓位；高成本环境下必须偏 maker-ish，或只打 top-decile / top-5% 信号

4. 这篇 paper 对 desk 最有价值的读法

这篇东西最值钱的地方，不是“神经网络比传统分类器强”，而是下面这句：

> trade / no-trade admission 本身，就是 alpha 的一部分。

很多短周期研究容易犯一个错：

• 先做一个略有方向性的分类器；
• 再默认每次都打；
• 最后发现费用一吃，alpha 没了。

这篇 paper 的 desk 化读法正好相反：

• 先承认市场大多数 bar 不值得打；
• 再让模型只在 高 confidence 区域出手；
• 最后把成本、覆盖率、每笔质量一起看。

这其实比“再造一个更复杂的因子”更适合我们当前阶段。

5. 我先做了一个最便宜的 public-data proxy

为了避免只抄摘要，我做了一个很便宜的 desk 版 proxy，用的是 Binance USDⓈ-M Perpetual 公开 5m kline，因为它自带：

• OHLCV
• quote volume
• taker buy volume

5.1 proxy 设置

• 标的：BTC / ETH / SOL / ADA / XRP / DOGE / BNB / LINK
• 样本：2026-01-01 ~ 2026-03-31
• 频率：5m
• 预测目标：下一段 15m 方向（即未来 3 根 5m）
• 特征：
• ret1 / ret3 / ret12
• high-low range
• bar body
• taker buy imbalance
• volume z-score
• 短窗 realized vol
• imbalance × volume / body × imbalance
• 模型：最简单的 pooled logistic regression
• 成本：先用 round-trip 10 bps 做 taker-ish stress，再看 4 / 6 bps maker-ish 情形

这当然不是论文原版。论文用的是 daily macro + high-frequency order book microstructure 的神经网络框架；我这里只是先看一个便宜 proxy 能不能把它的核心命题——高 confidence admission 更值钱——保留下来。

5.2 proxy 的核心结果

测试集整体（不设 admission）只有：

• 方向准确率约 53.10%
• 平均 gross edge 约 0.82 bps / trade

但当我只打更高置信度区间时，质量确实单调上升：

| confidence bucket | coverage | accuracy | avg gross bps/trade | |---|---:|---:|---:| | 全部样本 | 100% | 53.10% | 0.82 | | top 30% confidence | 30% | 56.31% | 1.93 | | top 20% confidence | 20% | 57.34% | 2.78 | | top 15% confidence | 15% | 58.28% | 3.72 | | top 10% confidence | 10% | 59.94% | 5.04 | | top 5% confidence | 5% | 60.65% | 7.00 |

5.3 这组 proxy 怎么解释

这组数值其实非常有信息量：

1. confidence threshold 的方向是对的。

coverage 下降时，accuracy 和 gross edge 都在升。

1. 但便宜 proxy 还远不够。

在 10 bps taker-ish 成本下，连 top 5% confidence 也还是约 -3.00 bps / trade。

1. 只有当执行成本降到 maker-ish 水平时，alpha 才开始勉强露头。

• top 10% confidence：coverage ≈ 10%、accuracy ≈ 59.94%，若成本按 4 bps，平均约 +1.04 bps / trade；按 6 bps 则仍是 -0.96 bps。
• top 5% confidence：coverage ≈ 5%、accuracy ≈ 60.65%，若成本按 4 bps，平均约 +3.00 bps / trade；按 6 bps 仍只剩 +1.00 bps，到 10 bps 就又转负。

换句话说：

> 这条 alpha 不是“有点预测力就能拿去打”的类型。它更像一条必须同时满足“高 confidence + 低成本 + 更细 flow 特征”的精细化短周期 directional alpha。

这反而和论文精神是对齐的：paper 里真正的 edge，不只是分类器，而是 microstructure richness + selective execution 的组合。

6. 对 1m / 3m / 5m / 15m 的映射

6.1 5m

这是当前最自然的 admission 频率：

• 公开数据便于最小实验；
• taker-buy volume 已经能先当 cheap flow proxy；
• 可以先验证 confidence bucket 是否真有 monotonic edge。

6.2 1m / 3m

更适合下一步补：

• 用更细的 imbalance / microprice / trade sign / queue proxy；
• 看 signal 是不是在更细颗粒度上更像论文所说的 microstructure alpha；
• 同时更适合 maker/taker split 与 fill-quality 估计。

6.3 15m

更适合作为 持有期，而不是信号生成频率：

• 我这次 proxy 也是拿 5m 特征去预测未来 15m；
• 如果直接把信号粗化到 15m，大概率会把很多 microstructure edge 抹平。

7. 对 desk 最值得拿走的完整策略壳

这条线不是只有“预测涨跌”四个字。第一版其实已经能写成完整策略：

Entry

• 每根 5m 更新一次 short-horizon direction score
• 只有当 p(up) > 0.5 + τ 或 p(down) < 0.5 - τ 才入场
• τ 不是拍脑袋，要按 coverage bucket 固定成 top 10% / 5%

Exit

• 固定持有 3 根 5m（即 15m）
• 或更保守：提前 hit opposite signal / flow reversal 即退出

Sizing

• 第一版按 confidence 分层：
• top 10%：1x
• top 5%：1.5x
• 更进阶再做 vol-target / liquidity-target

Risk

• 避开 funding 结算前后极端噪声带
• 避开深度断层 / 异常点差扩张时段
• 连续错信号超过阈值时，短暂 cooldown

Cost

• 必须显式分 maker-ish 与 taker-ish 两套口径
• 若只能 taker 进出，优先假设这条线会被吃死；不要先入为主地乐观

8. 下一步怎么测（直接给实验单）

实验 A：把 cheap proxy 升级成真正的 microstructure 版

• 数据：Binance / Bybit 公开 depth snapshots + aggTrades / bookTicker
• 频率：1s ~ 5s 聚合到 1m
• 特征：
• top-of-book spread
• microprice
• queue imbalance
• trade sign imbalance
• short-term cancel/refresh proxy
• 目标：验证 paper 里“81.3% 特征来自 order book”这句在我们 own pipeline 下是否也成立

实验 B：先拆 maker / taker，而不是先调模型

• 对照：
• 全 taker
• maker entry + taker exit
• maker/maker（保守 fill ratio）
• 目标：确认这条线到底是 预测力不够，还是 成本壳太厚

实验 C：confidence threshold 不要只看单阈值

• 至少比较：top 20% / 15% / 10% / 5%
• 指标：coverage、accuracy、gross edge、net edge、tail loss
• 目标：找到“coverage 跌太快之前，net edge 刚转正”的 admission zone

实验 D：单币 vs 多币池

• 先对比 BTC/ETH 和 8~12 个 liquid majors
• 目标：看这条线更像单币微结构 alpha，还是 cross-asset pooled classifier alpha

9. 风险与保留意见

• 这篇 paper 的摘要数字很强，但我这边还没拿到其完整订单簿级复现代码；当前只能算 高信号候选，不能当已验证 admission。
• public 5m kline proxy 太粗，只能当“方向对不对”的 first verdict，不能代表真正 order-book alpha。
• 这条线对成本非常敏感；如果执行做不到 maker-ish 或半 maker-ish，它很可能不值得上实盘。
• 低 coverage 是这类策略的天然属性，不要强行追求 always-on。

10. 一句话结论

这篇 2025 *Applied Sciences* 论文最值得 desk 收进池子的，不是“又一个神经网络涨跌分类器”，而是这条更诚实的完整 raw alpha 读法：

order-book / taker-flow imbalance 的短周期方向 edge 只有在高 confidence 区域才值得下注；cheap 5m proxy 已经证明 admission rule 方向是对的，但要过成本，下一步必须上更细 order-book 特征和 maker/taker 拆分。

11. 来源

1. Kuznetsov, A., Костенко, О., Klymenko, K.O., Hbur, Z., & Kovalskyi, R. (2025). _Machine Learning Analytics for Blockchain-Based Financial Markets: A Confidence-Threshold Framework for Cryptocurrency Price Direction Prediction_. Applied Sciences.

• Venue：*Applied Sciences*
• DOI：10.3390/app152011145
• Readable URL：https://doi.org/10.3390/app152011145
• Article URL：https://www.mdpi.com/2076-3417/15/20/11145

1. OpenAlex metadata / abstract record

• Readable URL：https://api.openalex.org/works?filter=doi:10.3390/app152011145

1. Crossref DOI metadata

• Readable URL：https://api.crossref.org/works/10.3390/app152011145

1. Binance USDⓈ-M Perpetual Klines API

• Readable URL：https://fapi.binance.com/fapi/v1/klines

1. 本地 proxy artifact

• reports/artifacts/quant_digests/confidence_threshold_orderflow_proxy_20260331/threshold_summary.csv
• reports/artifacts/quant_digests/confidence_threshold_orderflow_proxy_20260331/per_symbol_top20_conf.csv
• reports/artifacts/quant_digests/confidence_threshold_orderflow_proxy_20260331/meta.json