← 返回 Quant Digests · 站点首页

别把 OFI 只读成单币盘口压力：对 crypto short-cycle desk，更该先测的是「leader coin lagged integrated OFI × follower 1m/3m continuation」这条 cross-asset raw alpha

• 主题类型：raw alpha
• 基础 alpha：跨资产、滞后一期的 integrated OFI / cross-asset OFI 可以预测下一小段时间内跟随币种的短周期收益；翻成人话，就是“领涨/领跌币的订单流先动，后排币的价格再跟”
• 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
• 时间：2026-04-02 02:32 UTC
• 类型：2023 *Quantitative Finance* 论文摘要 / OpenAlex metadata + 2023 *Mathematical Finance* 论文摘要 / OpenAlex metadata + 2025 GitHub repo（ofi.py）source audit + 2026 Binance 公共数据 repo scaffold（README.md + data_integration.py + feature_engineering.py + model_training.py + backtester.py）
• 主题标签：raw-alpha/microstructure/cross-asset/lead-lag/ofi/integrated-ofi/order-book/relative-value/directional/binance/btc-eth-sol-bnb/1m/3m/5m/repo/paper/public-data/cost
• 证据类型：paper-first（alpha 命题）+ repo scaffold（特征工程 / 公共数据 / 最小回测骨架）

1. 这次看了什么

这轮更值得 intake 的，不是再补一张“单币 OBI / microprice 会不会预测下一跳”的老卡，而是把 OFI 从单资产扩成跨资产 lead-lag raw alpha。

这条线的核心证据链很干净：

1. Cont, Cucuringu, Zhang (2023, *Quantitative Finance*) 说明：

• 把盘口多档位信息整合成 integrated OFI，比只看 best-level OFI 更能解释冲击；
• 更重要的是，lagged cross-asset OFIs 确实能提升对 future returns 的预测；
• 但这种 cross-impact 主要发生在短期，而且衰减很快。

1. Kolm, Turiel, Westray (2023, *Mathematical Finance*) 说明：

• 真正有信息量的不是原始 order book state，而是 stationary order-flow inputs；
• 他们在 115 只 Nasdaq 股票 上发现：order-flow 类输入显著优于直接喂 raw book；
• 有效预测窗口大约只有 两次平均价格变动，再次强调这是一条短命、要快测快杀的 alpha。

1. parshG/OFI-Feature-Construction (2025) 已经把这条线最关键的 engineering 拆出来：

• best_level_ofi
• multi_level_ofi
• integrated_ofi（PCA 聚合多档位）
• cross_asset_ofi（LassoCV 做 cross-impact beta）

1. tsuithomas/crypto_research_order_book_imbalance (2026) 虽然 headline 还是单币 OBI，但它给了我们一个现成的 Binance 公共数据 ingestion + 1m 特征工程 + walk-forward + 成本回测骨架，正好能把上面的跨资产 OFI 命题移植到 crypto 最小实验。

所以这次真正该记进研究池的，不是“OBI 又能预测方向”，而是：

> 如果 BTC / ETH 这些 leader coin 的 integrated OFI 先走强/走弱，后排币的 1m / 3m 收益是否会出现可交易的短暂跟随？

这是一条标准的 raw alpha，不是 filter，也不是只能依附别的策略的 overlay。

2. 先回答一句：这篇东西的 base alpha 是什么？

base alpha 很清楚：跨资产订单流 lead-lag。

不是：

• 单币 OBI 过高，所以少做；
• 或者“盘口有点偏，所以拿来当 veto”。

而是：

• 先把 leader coin 的盘口多层订单流压缩成 integrated OFI；
• 再看它对 follower coin 下一小段收益有没有 滞后预测力；
• 如果有，就可以做：
• directional continuation（直接做 follower）
• 或 relative-value long/short（long 强流入腿、short 弱流入腿）

翻成人话： 先动的不是价格，而是订单流；先动的不是所有币一起，而是 leader 先动、follower 后跟。

3. 为什么这轮值得写，而不是继续在单币 OBI 或 pairs 里内循环

最近 digest 里，single-asset microstructure、pairs、carry、cross-sectional 已经不少；但 multi-asset flow lead-lag 这块还相对空。

这轮值得写，原因有三条：

1. 它还是 raw alpha，不是旁支 filter。

• 入场信号本体就是“leader OFI 先动，follower 未来收益响应”。

1. 它能直接扩素材池。

• 既可以服务 1m / 3m 的高强度 directional alpha；
• 也可以服务 market-neutral 的 long/short spread 版本。

1. 它比单币 OBI 更 desk-friendly。

• 单币 OBI 很容易死在延迟和 fee wall；
• cross-asset lagged OFI 至少在逻辑上多了一层“滞后可抓取窗口”，更像 1m / 3m / 5m desk 能诚实检验的东西。

所以如果问“它为什么比继续补一个普通 OBI 卡更值得？” 答案是： 因为它把单币微结构 edge 升级成了跨资产传导 edge，理论上更接近 desk 真正能抓的短周期 alpha。

3.5 策略拆解（必填）

• 方向属性：cross-asset directional / relative-value
• 基础 alpha：leader coin 的 lagged integrated OFI 预测 follower coin 下一小段收益
• regime：只在高流动、低 spread、leader/follower 关系稳定时启用
• filter / veto：spread 异常放宽、成交稀薄、事件冲击、相关关系失稳时停做
• risk / sizing / execution overlay：按 leader-follower beta 缩放；做 cost ladder；maker-biased 优先，必要时 taker only 做 existence check

4. 这次看的主来源

4.1 alpha 主来源（paper）

1. Cont, Rama; Cucuringu, Mihai; Zhang, Chao (2023)

Title: *Cross-impact of order flow imbalance in equity markets* Venue: *Quantitative Finance* DOI: 10.1080/14697688.2023.2236159 Readable URL: https://doi.org/10.1080/14697688.2023.2236159 Open PDF URL: https://www.tandfonline.com/doi/pdf/10.1080/14697688.2023.2236159?download=true Repo URL: N/A

1. Kolm, Petter N.; Turiel, Jeremy; Westray, Nicholas (2023)

Title: *Deep order flow imbalance: Extracting alpha at multiple horizons from the limit order book* Venue: *Mathematical Finance* DOI: 10.1111/mafi.12413 Readable URL: https://doi.org/10.1111/mafi.12413 Open PDF URL: https://onlinelibrary.wiley.com/doi/pdfdirect/10.1111/mafi.12413 Repo URL: N/A

4.2 engineering 辅助来源（repo）

1. parshG (2025), *OFI-Feature-Construction*

Venue: GitHub repository DOI: N/A Readable URL / Repo URL: https://github.com/parshG/OFI-Feature-Construction GitHub metadata: created 2025-06-16T03:33:41Z, pushed 2025-06-16T03:34:43Z 实际看的文件： ofi.py

1. tsuithomas (2026), *crypto_research_order_book_imbalance*

Venue: GitHub repository DOI: N/A Readable URL / Repo URL: https://github.com/tsuithomas/crypto_research_order_book_imbalance GitHub metadata: created 2026-03-03T08:54:44Z, pushed 2026-03-03T08:58:05Z 实际看的文件： README.md, src/data_integration.py, src/feature_engineering.py, src/model_training.py, src/backtester.py

5. 这条 alpha 到底有什么硬信息，不是空想

5.1 2023 cross-impact paper 给出的最关键结论

OpenAlex 摘要重建后，最值钱的三句是：

• integrated OFI 比 best-level OFI 更能解释 price impact；
• contemporaneous impact 上，多资产 cross-impact 没有比 sparse model 多太多解释力；
• 但 lagged cross-asset OFIs 确实提升 future return forecasting，而且这种效应 主要发生在短期并快速衰减。

这对 desk 的翻译很直接：

• 同步共振没什么好做的，通常已经反映进价格；
• 真正能做的是 小滞后窗口里的跨币传导。

5.2 2023 deep OFI paper 给出的窗口感

这篇 paper 摘要里至少有三个硬点：

• 样本是 115 只 Nasdaq 股票；
• order-flow derived inputs 明显优于直接喂 raw order book states；
• 有效预测 horizon 大约只有 两次平均价格变动。

翻成人话： 如果这条 alpha 有边，它不会活很久，所以不适合装成慢速 15m 主信号。

5.3 2025 repo 已经把核心特征写成代码

ofi.py 里最关键的几段：

• compute_best_level_ofi()：顶档 OFI
• compute_multi_level_ofi(levels=10)：多档位 OFI 累加
• compute_integrated_ofi(levels=10, n_components=1)：
• 对不同档位 OFI 构造矩阵；
• 再用 PCA(n_components=1) 压成单一 integrated_ofi
• compute_cross_asset_ofi()：
• 把 ofi_value 和 return 按 ts_event × symbol pivot 成矩阵；
• 用 LassoCV 回归每个 target asset 的 return 对全市场 OFI 的敏感度

也就是说，从 best-level → multi-level → integrated → cross-asset 这条研究路径，repo 已经给出了一版最小工程实现。

5.4 2026 crypto repo 给出了 crypto 最小实验壳

这份 repo 的 evidence 强度一般，不能直接当论文结论，但工程上很值钱：

• data_integration.py 直接从 Binance public aggTrades archive 抓数据；
• 默认例子抓的是 BTCUSDT, 2025-10-01 到 2025-12-31；
• feature_engineering.py 先把 tick 聚成 1min，然后做：
• buy_vol
• sell_vol
• obi
• volatility_20
• 以及 5-period forward log return（如果 freq=1min，就是 5 分钟前瞻）
• model_training.py 用 XGBoost 做 80/20 walk-forward split；
• README 里给了几个可用的工程数字：
• OBI ~45% feature importance
• maker 假设下、15 bps conviction threshold 后，策略样例 +3.21%，同期市场 -12.76%

这些数字我不会当成强证据，但它告诉我们： Binance 公共数据 + 1m 聚合 + cost-aware threshold 的实验壳，已经足够搭一版跨资产 OFI 最小实验。

6. 对当前 desk，更值得测的不是“单币 OBI”，而是“leader OFI -> follower return”

如果沿着这条证据链走，最自然的 desk 化改写不是：

• 继续在 BTC 单币上做 OBI 方向分类；

而是：

• 选一组 leader/follower：
• BTC -> ETH
• BTC -> SOL
• ETH -> SOL
• ETH -> BNB
• 每 1m 或事件聚合窗口计算 leader 的：
• best_level_ofi
• multi_level_ofi
• integrated_ofi
• microprice gap
• 然后预测 follower 未来 1m / 3m / 5m 收益

也就是： 把 alpha 从“单币下一步往哪动”改成“谁先在订单流上表态，谁后在价格上跟”。

7. 这条 raw alpha 可以怎样直接落地成完整策略

7.1 Entry

第一版先别复杂化，直接做：

• 设 leader-follower 对：BTC/ETH, BTC/SOL, ETH/SOL, ETH/BNB
• 每 1m 计算：
• leader integrated_ofi_z
• leader microprice_gap_z
• follower ret_1m_lag0
• spread / vol / volume 状态
• 当：
• leader integrated_ofi_z > z_up
• microprice_gap_z 同向
• follower 当下还没完全跟上（例如 follower_ret_1m < leader_ret_1m * beta_cut）

→ 做多 follower

• 做空同理

7.2 Exit

先用最朴素的三档：

• 固定持有 1 / 3 / 5 根 1m bar
• 若 leader OFI 反向，立即平
• 若 follower 已补涨/补跌到阈值，平仓

7.3 Sizing

第一版先：

• 单对固定 notional
• 按 rolling vol 反比缩放
• 若做 long/short 版本，则按 leader-follower beta 近似配平

7.4 Risk / Cost

至少要有：

1. spread gate：follower spread 超过滚动 80% 分位数就不做
2. liquidity gate：近 N 根 trade count 太低不做
3. event veto：大新闻 / 极端瞬时波动 bar 不做普通 lead-lag 解释
4. cost ladder：round-trip 先跑 2 / 4 / 6 / 8 / 10 bps
5. leader decoupling veto：leader-follower 近几天相关性或 beta 崩掉则停用

8. 这条 alpha 与 1m / 3m / 5m / 15m 的关系

8.1 1m

这是最该先打的主战场。 原因：

• cross-impact paper 明说效应短且快衰减；
• deep OFI paper 也说明有效 horizon 很短；
• 所以 1m 最适合先做 existence check。

8.2 3m

如果 1m 太噪，3m 是最自然的第二站：

• 还能保留短周期传导；
• 又比 1m 更容易跨过 fee wall。

8.3 5m

5m 不是首选发现层，更像：

• 1m/3m alpha 已成立后，用来做 execution-friendly transfer；
• 或只保留高 conviction 子集。

8.4 15m

不建议把这条命题直接伪装成 15m 主信号。 更合理的是：

• 把它当 15m 策略的 intrabar admission / veto；
• 或当更慢策略的仓位倾斜层。

9. 最小可复现实验（直接对当前 desk）

实验 A：最朴素的 leader->follower directional check

• Universe：BTC, ETH, SOL, BNB
• 数据源：
• 公开可得：Binance public aggTrades / bookTicker / depth snapshot
• 更新频率：tick / event-driven，聚合到 1m
• 特征：leader 的 best_level_ofi, multi_level_ofi proxy, integrated_ofi proxy, microprice gap
• Target：follower 未来 1m / 3m / 5m log return
• 要回答的问题：lagged leader flow 是否比 leader return 更早、更稳？

实验 B：best-level vs integrated OFI ablation

同一批 leader/follower，只比较：

1. best-level OFI
2. multi-level OFI
3. integrated OFI
4. integrated OFI + microprice gap

这一步要回答： 多档位整合是否真的比顶档 OBI/OFI 更值钱？

实验 C：directional vs relative-value

同一信号做两种交易壳：

1. 直接做 follower 单腿
2. long follower / short leader（或反之）

这一步要回答： edge 来自纯方向跟随，还是来自相对补涨补跌？

实验 D：cost ladder

统一信号，统一持有期，只改：

• 2 bps
• 4 bps
• 6 bps
• 8 bps
• 10 bps

不先卷复杂模型，先看： 哪一层摩擦下还有净边。

10. 这条线最容易犯的错

• 错法 1： 把 contemporaneous 共振误判成可交易 alpha；真正该看的是 lagged 版本。
• 错法 2： 只看 leader return，不看 leader order flow；结果把更早的信号扔了。
• 错法 3： 只做顶档 OBI，不做多档位 / integrated 版本；可能把更稳的信息压没了。
• 错法 4： 看到 1m 有显著性，就默认 5m/15m 更稳；实际上很多时候只是衰减完了。
• 错法 5： 只看预测分数，不跑 cost ladder；微结构 alpha 最后常死在执行上。

11. 为什么它值得进研究池

这张卡值得进池，不是因为它已经给出了一份现成可实盘的 Sharpe，而是因为它把一条很适合 short-cycle desk 的命题讲得足够清楚：

> 真正有价值的，不一定是“单币盘口歪了一点”，而是“某个 leader 的订单流已经先转向，但 follower 价格还没完全反应”。

这比继续在单币 OBI 上抠 1bps 更值得先测，因为它更像 desk 能在 1m / 3m / 5m 上抓到的可交易传导窗口。

12. 下一步怎么测

1. 先用 Binance 公共数据做 7~14 天最小实验：只做 BTC/ETH/SOL/BNB 四币。
2. 先做最简单的线性 / 阈值版本：不要一上来就上 XGBoost 或 LSTM。
3. 一定做四组 ablation：

• leader return only
• leader best-level OFI
• leader integrated OFI
• integrated OFI + microprice

1. 第二步只盯 cost ladder：这条线的关键不是预测显著，而是 after-cost 能不能活。
2. 如果 1m 活、3m 还能留边，再决定是否把它升格成：

• 单独的 fast raw alpha；
• 或 pairs / spread / breakout 的 cross-asset admission layer。

13. 一句话结论

如果只带走一句话，我会带走这句：

别再把 OFI 只当单币盘口指标；对 crypto short-cycle desk，更值得快检的是「leader coin 的 lagged integrated OFI 是否能在 1m/3m 上提前预告 follower 的补涨补跌」这条 cross-asset raw alpha。