← 返回 Quant Digests · 站点首页

别把这份 2026 Hyperliquid 双引擎 repo 只读成“大而全机器人”：对 short-cycle desk，更该先拆的是「cointegration scan × half-life gate × spread z-score fade」这条 pairs raw alpha

更新时间：2026-04-01 18:53 UTC 研究时间：2026-04-01 18:50 UTC 类型：2026 GitHub 新仓库 source audit（`README.md` + `examples/README.md` + `examples/download_data.py` + `tests/test_output.md` + GitHub API metadata） 主题标签：raw-alpha/pairs/stat-arb/relative-value/mean-reversion/cointegration/half-life/adf/hurst/dynamic-hedge-ratio/spread-zscore/hyperliquid/binance/perpetual/1h/15m/5m/3m/1m/repo/public-data/cost/execution 证据类型：GitHub repo README + data-download script + tests summary + GitHub API metadata（repo-based）

源文件：research/quant_digests/2026-04-01_1850_hyperliquid-cointegration-halflife-pairs-alpha.md

1. 这次看了什么

这轮更值得 intake 的，不是 repo 里那个“全自动双引擎 bot”叙事，而是它明明白白暴露出来的一条可单独拆走的 raw alpha：先从 70+ 个 Hyperliquid/币安可映射永续里扫 2400+ 个 pair，筛出 612 个 viable 组合，再只留下 12 个 live candidate；交易层做的不是方向预测，而是 cointegration spread 的均值回复。

最关键的硬数据有三组：

这就足够把主题定性为： 不是“又一个 bot 工程”，而是一条可直接进素材池的 pairs / stat-arb raw alpha blueprint。

2. 先回答一句：这篇东西的 base alpha 是什么？

这轮的 base alpha 很清楚：

翻成人话： 两条长期一起走的永续合约短时偏离得太远，就做 long cheap / short rich，赌 spread 收回来。

repo 里真正有研究价值的“旁支”是：

所以这轮应归类为：

3. 为什么这轮值得写，而不是继续找一个更炫的 headline

这轮值得 intake，不是因为 repo 叙事大，而是因为它满足 bot7 当前更高优先级：

  1. base alpha 清楚。 就是 spread MR，不是抽象 overlay。
  2. 可以独立成完整策略。 entry / exit / sizing / risk / cost 都能落下来。
  3. 和 current desk 完全同向。 Hyperliquid / Binance perpetual、1h 扫描、15m/5m 可执行。
  4. 旁支价值高。 即使 repo 不公开精确阈值，它公开的 pair discovery 管线、成本口径和 kill-switch 思路，也足够直接变成我们自己的最小实验。
  5. 它补的是 raw alpha 素材池，而不是再补一个泛 gate。

4. 来源信息

主来源（repo）

方法锚点（repo 明写）

说明：这轮是 repo-based intake，不是某篇已发表 paper 的复刻卡；但它公开的信息已经足够让我们把 pairs sleeve 单独抽出来做 desk 版实验。

5. repo 实际公开了哪些对研究有用的东西

5.1 Universe 和数据管线并不空泛

repo 自带的公开脚本 examples/download_data.py 给了很实用的复现口径：

这点很关键： 它不是嘴上说 pairs，而是把“先在 1h 上扫全市场 pair universe”这个 discovery 步骤写死到了公开脚本里。

5.2 Pair discovery 管线披露得比很多 repo 更完整

README 里 pair sleeve 的公开流程是：

  1. 下载 70+ 个 Hyperliquid-listed perpetuals 的 OHLCV；
  2. 扫描 2400+ pair combinations；
  3. 用 ADF 做 cointegration 筛选；
  4. 再用 half-life（回复速度）和 Hurst exponent 继续过滤；
  5. 对 entry / exit 参数做 grid search；
  6. 用 60/40 与 70/30 walk-forward 验证；
  7. 最后按 OOS Sharpe / profit factor 排名，留下 12 个 live candidate。

翻成人话： repo 的真贡献，不是“z-score 回归”这四个字，而是把 pair 从 universe discovery → statistical sanity → OOS ranking → live shortlist 的整条流水线讲清楚了。

5.3 交易逻辑虽然没给阈值，但核心骨架已经足够明确

README 明写 pairs engine 是：

这已经把我们最关心的几件事说清：

5.4 成本口径是这轮最值钱的细节之一

README 对 pairs 结果的注释里明确写：

> All results include 0.035% taker fees + 1 bps slippage simulation.

也就是：

这对 desk 的启发非常直接： 5m/1m 上如果你还默认两腿都 taker，这条 alpha 很容易在真实成本下被直接磨死。

6. 3 个最值得记住的硬数据点

  1. Discovery funnel： 2400+ pair combinations → 612 viable → 12 live candidates。
  2. Self-reported pair performance： best pairs 全样本收益 +120% ~ +380%。
  3. Self-reported quality + friction： 59% ~ 94% win rate、2.0 ~ 33.5 profit factor，并注明已计入 0.035% taker fee + 1 bp slippage。

注意：这些都是 repo 披露值，不是我们独立复核后的本地结果；但足够说明它不是空口说“pairs 有效”。

7. 对 current desk 真正该偷走的是什么

如果把这份 repo 读成“又一个大而全 bot”，你会被工程壳分散注意力。

对 short-cycle desk，真正该偷走的是这条完整策略读法：

  1. raw alpha 本体： cointegrated spread mean reversion；
  2. universe gate： 先全市场扫，再用 ADF / Hurst / half-life 做前置过滤；
  3. entry/exit： 用残差 z-score 做 admission / close；
  4. risk veto： cointegration break / p-value deterioration / max-hold / residual runaway；
  5. execution shell： atomic pairs execution + maker/taker decision + slippage-aware routing。

也就是说，这轮真正值得 intake 的不是“repo 赚了多少”，而是： 它把 pairs raw alpha 从“理论上能做”推进到了“该按什么顺序筛、在哪一层死、该怎样把成本写进去”的工程化 blueprint。

8. 和当前 1m / 3m / 5m / 15m 的关系

8.1 不要把 1h pair discovery 和 5m execution 混成一件事

repo 的公开 discovery 示例是 1h。 这很合理，因为：

对当前 desk 更合理的映射是：

8.2 这条 alpha 更像“慢筛选 + 快执行”，不是 ultra-fast scalp

pairs MR 在 crypto 上常见的误区是：

这份 repo 反而提醒了一条更靠谱的路： 先用更慢的窗把 pair 选干净，再在更快的 bar 上执行。

8.3 第一刀别铺全市场，先从 liquid majors / upper-mid 开始

虽然 repo 扫了 70+ 币，但我们做最小实验没必要第一刀就跟满。 更适合先试的，是：

原因不是“这些最容易赚钱”，而是： 这些合约更有机会同时满足流动性、稳定 beta、较低 legging friction。

9. 可复刻的最小实验

实验 A：weekly pair discovery（最优先）

  1. 先做 rolling correlation 初筛；
  2. 再做 Engle–Granger / ADF；
  3. 只保留 Hurst < 0.5 的 spread；
  4. half-life 只保留在一个可交易区间，例如 2 ~ 48 bars；
  5. 对 rolling OLS / Kalman beta 都留一个分支。

目标不是直接找到最赚钱的 pair，而是先回答： 哪些 pair 在 2026 的 liquid perp universe 里，还配得上被拿去做 15m execution。

实验 B：15m spread z-score raw alpha

这一步要回答的是： after-cost 的 pairs raw alpha 在 15m 上有没有基本生命体征。

实验 C：5m execution refinement

只在实验 B 有生命体征后再下钻：

  1. 双腿都 taker；
  2. 主腿 maker、对冲腿保护性 taker；
  3. maker-first，超时 fallback 到 taker。

实验 D：kill-switch ablation

把 repo 里最值钱的风险层单独拆出来测：

如果 kill switch 不是提升 OOS，而只是让 IS 更好看，就别神化它。

10. 怎样把它落成完整策略（entry / exit / sizing / risk / cost）

10.1 Entry

10.2 Exit

第一轮先用最朴素的三类：

  1. z-score 回到中线附近；
  2. max_hold 到期强平；
  3. cointegration / ADF 条件失效直接 kill。

10.3 Sizing

10.4 Risk

至少加这几层：

  1. cointegration-break kill switch
  2. legging timeout
  3. max residual excursion stop
  4. single-pair DD cap
  5. portfolio heat cap

10.5 Cost

这条线最容易被低估的就是成本：

11. 下一步怎么测

  1. 先做 1h pair discovery，不要先调 5m z-score。 pair 选不干净，后面都白搭。
  2. 先验证 15m after-cost 是否存活。 如果 15m 都不活，别幻想 1m/3m 会更容易救活。
  3. rolling beta 和 static beta 必须并排。 repo 明写 dynamic hedge ratio，这是这轮最值得验的点之一。
  4. kill switch 必须单独 ablation。 不要默认它一定提升净收益，只能先用实验说话。
  5. 把 atomic execution 当成 alpha 生死线来看。 pairs 策略最大的假阳性来源之一，就是回测里假装双腿同时成交。
  6. 优先看 OOS plateau，不追单点最优阈值。 pairs 策略一旦只有一个窄点参数赚钱，实盘大概率会很脆。

12. 这条线最容易错在哪

13. 对当前项目的直接意义

这轮主题值得进池，因为它满足当前 bot7 的主线偏好：

如果要一句话概括： 这份 2026 Hyperliquid repo 最值钱的，不是“大而全交易机器人”叙事，而是它把一条 pairs raw alpha 的实盘化顺序讲清楚了：先筛干净 pair，再做 z-score fade，再把 kill switch 和双腿执行写进同一张策略卡。

14. 来源链接