源文件：research/quant_digests/2026-04-02_2018_multiquote-bucket-rv-alpha.md
README.md + optimal_trading_technique.py）+ Binance Spot 1m/3m/5m/15m public-data portability probe这篇材料真正值得 intake 的，不是“Kraken 上 ETH 对多法币报价可以套利”这个表面故事，而是它把一条非常适合 short-cycle desk 的 raw alpha 讲清楚了：同一底层、多个报价腿会同时冒出相对偏离，但真正能落地的是“pair signal 负责找错价，convex allocator 负责解决多信号同时出现时到底该配哪几腿、配多大”。
最近 digest 已经补了不少 pairs / coint / residual / cross-venue / funding，但大多数仍停在 两腿 spread 的 entry/exit；这篇更稀缺的地方是： 它把 same-underlier relative-value 从“两腿单独做”推进成“多腿 bucket 一起解仓位冲突”的完整策略骨架。
这轮的 base alpha 很清楚：
翻成人话： 不是赌 ETH 单边涨跌，而是赌“同一个 ETH，不该因为报价资产不同而被短时标出明显不同的相对价格”；如果同一时刻多个报价腿都错了，就用统一的仓位解算器，避免互相打架。
所以这轮主题的定位是：
最近已经有不少：
cointegration spread z-score fadedynamic coint percentile thresholdcross-venue basis / funding carrypairs sizing / graduation / daily throttle这些大多还是 两腿交易卡。这篇真正不同的是： 它讨论的是“同一底层有多条相对价值机会一起冒出来时，怎么把它们作为一个 bucket 来配仓，而不是把每条 spread 当孤岛”。
MAINLINE1_STRATEGY_FACTOR_MAP、FACTOR_BACKLOG 和最近几篇 pairs digest 已经把：
补得很多了；但 多信号同时触发时的统一分配器 还相对稀缺。这篇提供的正是： 同一 alpha family 内部的 portfolio coordinator。
原文是“法币报价腿”，但 desk 更容易落地的读法其实是：
ETHUSDT / ETHUSDC / ETHFDUSDBTCUSDT / BTCUSDC / BTCFDUSD也就是把“不同 fiat quote”翻译成“不同 stable quote / 不同 venue quote”。这对我们当前短周期 desk 明显更贴身。
Hongshen-Yangoptimal-trading-techniqueREADME 和代码写得很清楚，默认示例直接使用 Kraken OHLCVT：
ETHUSDETHCADETHGBPETHEUR也就是说，作者不是在做随便两条 unrelated crypto 序列的统计套利，而是在做： 一个底层（ETH）在多种报价腿上的相对价值偏离。
这件事非常关键，因为这种结构天然满足两点：
源码主函数 arbitrage_trade() 的流程大致是：
corr > 0.99 的硬门槛）；翻成人话： alpha 不是“哪个报价腿绝对便宜”，而是“哪条报价腿相对其余报价腿偏得不正常”。
作者真正和普通 pairs 策略拉开差距的地方是 build_prob_cons()：
这意味着同一时间如果有多条 spread 一起亮灯，系统不是“看见一条下一条”，而是： 先把所有候选腿放进同一个优化问题，再统一吐出本根 bar 该开的多空腿和权重。
这正是 desk 当前最值得拿走的部分。
从源码能清楚读出的策略卡如下：
TX_COST = 0.001，即默认 单边 10 bps；LAMBDA = 0.5。对 desk 来说，这已经是完整策略，而不是一段只会“发现价差”的研究脚本。
do1min()、do5min()、do60min() 三套入口。TX_COST = 0.001，即单边 10 bps。LAMBDA = 0.5，原始资金 ORIG_AMOUNT = 10000。再补两个对实现最有用的参数：
CROSSING_MEAN = 9CROSSING_MAX = 11但这里必须立刻补一句 source-audit 结论： 代码里阈值比较写法比较“怪”——它把 z-score 和 spread.std × threshold 混用，所以这两个数字不能直接当 literal 9σ/11σ 理解；移植时必须重写成我们熟悉的纯 z-score 参数。
我没有去硬复刻论文全套，而是做了一个更贴 desk 的 public-data probe：
ETHUSDT / ETHUSDC / ETHFDUSD2σ 偏离后回到 |z| < 0.5 的完成次数与回归速度最近 1000 根 1m 数据里：
ETHUSDT-ETHUSDC：spread std 约 0.70 bp，完成 31 次 2σ → 0.5σ 回归，median close 3 bars，half-life 约 1.32 bars；ETHUSDT-ETHFDUSD：spread std 约 1.11 bp，完成 32 次回归，median close 2 bars，half-life 约 1.03 bars；ETHUSDC-ETHFDUSD：spread std 约 1.24 bp，完成 19 次回归，median close 3 bars，half-life 约 1.17 bars。翻成人话： 1m 上这条 alpha 不是没有，但 edge 很薄，非常依赖费用、排队和是否能避免把 1bp 级别偏离全交给手续费。
最近 1000 根 3m 数据里：
ETHUSDT-ETHFDUSD：spread std 1.62 bp，触发率 5.3%，完成 13 次回归，median close 7 bars；ETHUSDC-ETHFDUSD：spread std 1.56 bp，完成 23 次回归，median close 3 bars。最近 1000 根 5m 数据里：
ETHUSDT-ETHFDUSD：spread std 1.75 bp，2σ 触发率 4.4%，完成 12 次回归，median close 4.5 bars，half-life 2.32 bars；ETHUSDC-ETHFDUSD：spread std 1.55 bp，完成 18 次回归，median close 5 bars，half-life 1.61 bars。这组结果最重要的意思不是“立刻上线 ETH stablequote arb”，而是： same-underlier multi-quote 的 raw alpha 在 3m/5m 上仍然能看到可重复的均值回归形状，适合做 bucket allocator 的最小实验。
最近 1000 根 15m 数据里：
ETHUSDT-ETHFDUSD：完成 6 次回归，median close 4.5 bars；ETHUSDC-ETHFDUSD：完成 12 次回归，median close 7.5 bars；ETHUSDT-ETHUSDC：完成 4 次回归，median close 7.5 bars。结论很直接：
15m 还能做，但更像 低频 bucket relative-value；3m/5m 更像当前 desk 的首轮实验区；1m 只有在成本极低时才有意义。原论文的“多法币报价”对我们是启发，不是照抄对象。最顺手的移植顺序应是：
BTCUSDT / BTCUSDC / BTCFDUSDETHUSDT / ETHUSDC / ETHFDUSD这篇不是孤立主题，而是能服务至少三类现有 raw alpha：
因此这轮最好把它看成： raw alpha 本体 = multi-quote mean reversion；优化器 = 这类 alpha 的 portfolio operating system。
如果继续只补两腿 pairs，我们得到的是更多 spread 卡片； 这篇能补的是： 当 3 条 spread 同时亮灯时，系统应该只开一条、全开、还是配成一篮子？
这个问题更接近 live trading，而不是 paper trading。
BTC 与 ETH 两个底层各自一组 stable quotesUSDT / USDC / FDUSD5m，再 3m 与 15m|z| >= 2.0|z| <= 0.5 或 max-hold 10 bars1xmaximize E[r] - λ·risk1 / 2 / 3 / 5 bps 敏感性要先回答的问题只有一个： 当多个 stable-quote dislocation 同时出现时，统一 allocator 相比“各 pair 各干各的”，after-cost 的净收益 / 回撤 / 冲突仓位会不会更好？
BTCUSDT 或 ETHUSDT1m / 3m / 5m由于 repo 原始 CROSSING_MEAN / CROSSING_MAX 语义不干净，移植时建议：
open_z = 2.0 / 2.5close_z = 0.25 / 0.5allocator_lambda = 0.0 / 0.25 / 0.5 / 1.0先把参数语义统一，再比较 bucket 与 independent-pair baseline。
1bp 级别；若没有极低成本与高质量成交，1m 容易变成“统计上能回归，实盘上赚不到”。下一步最该做的，不是先复刻论文 2020–2022 全样本，也不是先接 Gurobi，而是用我们最容易拿到的 stable-quote 公开数据做一个干净 ablation：同一套 residual entry/exit、同一套成本，只比较 independent pairs vs bucket allocator。
如果这一步成立，这篇就不只是“又一篇 crypto pairs 论文”，而是能直接进入我们 3m/5m/15m 策略池的一条完整 raw alpha： 同底层多报价错价负责给信号，bucket allocator 负责把这些信号变成不互相打架的 live 组合。