← 返回 Quant Digests · 站点首页

RF 预测最优阈值的高频 Pairs Rebalance：别只盯 cointegration spread，这篇 2025 论文更适合先拆成「threshold-classified HF pairs shell」

• 主题类型：raw alpha
• 基础 alpha：pairs / relative-value / stat-arb 下的双资产权重偏离均值回归；当两腿市值权重偏离超过阈值时，卖强买弱，回补到 50/50
• 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 22:57 UTC
• 类型：raw alpha
• 主题标签：raw-alpha/pairs/relative-value/stat-arb/mean-reversion/high-frequency/rebalancing/threshold-selection/random-forest/binance/btc-quoted/1m/3m/5m/15m/paper/public-data/cost
• 证据类型：2025 Springer 开放获取全文（article + tables）/ Crossref metadata

1. 这次看了什么

在最近几篇 pairs digest 已经补过 cointegration / OU / copula / microprice veto 之后，这篇 2025 *Computational Economics* 值得补进素材池的点，不是再发明一个 spread，而是把 pairs shell 的阈值选择 单独做成可预测对象：先承认“同一个 pairs rebalancing 策略没有通用最优阈值”，再用 RF 把不同 pair 的最优阈值预测到 2 桶 / 3 桶，让策略从“固定阈值拍脑袋”变成“按 pair 特征自适应选择触发强度”。

2. 为什么这轮值得做它

先回答任务里最重要的那句：这篇东西的 base alpha 是什么？

答：pair 内相对强弱的短周期均值回归。不是 filter，不是 overlay，也不是“只帮你挑参数”的元分析。它本体就是一条完整的 pairs raw alpha：

1. 先持有双腿等权组合；
2. 当两腿权重偏离超过阈值 T，说明相对价格已经拉开；
3. 卖出当前更贵的一腿、买入当前更便宜的一腿；
4. 把两腿重新配平到平均权重；
5. 继续等待下一次偏离。

所以它是 relative-value / stat-arb / mean reversion，而不是纯 filter。

这轮优先它，而不是再补一个老的 breakout / retest 变体，原因有三点：

• 它是 完整策略壳，而不是一句“相关性高时更好”的经验判断；
• 它直接回答了 desk 真正会遇到的问题：pairs 壳该用多大触发阈值才不被手续费吃掉；
• 它天然可迁移到 1m / 3m / 5m / 15m，并且最小实验几乎全靠公开 K 线就能先跑起来。

3. 论文信息

• Authors: Mahmut Bağcı, Pınar Kaya Soylu
• Year: 2025
• Title: *The Optimal Threshold Selection for High-Frequency Pairs Trading via Supervised Machine Learning Algorithms*
• Venue: *Computational Economics*
• DOI: 10.1007/s10614-025-10958-5
• Readable URL: https://link.springer.com/article/10.1007/s10614-025-10958-5
• DOI URL: https://doi.org/10.1007/s10614-025-10958-5
• Repo URL: 无论文配套 repo（本文主要依赖 open-access article + tables）

4. 论文到底做了什么

4.1 数据与样本

• 交易所：Binance
• 标的：50 个 BTC 计价 crypto-assets（例如 AAVE/BTC, ADA/BTC 这类）
• 频率：1 分钟
• 样本期：2022–2023 用于训练 / 验证，2024 年 1–2 月 用于独立测试
• 每个月对所有可能双资产组合做一次样本生成；50 个币两两成对，每月 1225 对，24 个月合计约 29400 个 monthly pair samples

这点很关键：它不是只挑少数“看起来像 pairs”的币对，而是先把全部 pair 都扫一遍，再由特征决定该 pair 适合什么阈值。

4.2 策略壳（HFPT）

论文的 high-frequency pairs trading（HFPT）不是经典价差 z-score，而是一个权重偏离触发的双资产再平衡壳：

• 初始时，两腿各配 1 BTC，即总资本 2 BTC
• 若两腿市值权重差超过阈值 T
• 卖出当前权重更高 / 更贵的一腿
• 买入当前权重更低 / 更便宜的一腿
• 把两腿重新拉回到相同市值
• 交易成本：0.1% taker fee
• 论文把 T 从 1% 到 30% 以 1% 步长全扫一遍，取利润最高的阈值作为该 pair 的 OT（optimal threshold）

换句话说，paper 先不争论“spread 该怎么建”，而是先承认：同样的 rebalance alpha，对不同 pair 来说最优触发阈值完全不同。

5. 最重要的 desk 启发：别固定阈值，先预测“阈值桶”

论文不是直接做回归预测精确阈值，而是把阈值预测降成 分类问题。这很实用，因为短周期 desk 真正在意的通常也不是“17% 和 18% 谁更神”，而是：

• 这是个应该用 低阈值、频繁回补 的 pair？
• 还是该用 高阈值、少交易、等极端偏离 的 pair？

论文把 pair 按相关性先分 3 组：

• 正相关：corr > 0.3
• 弱相关：-0.3 <= corr <= 0.3
• 负相关：corr < -0.3

然后把最优阈值 OT 划分成 2/3/4 类：

• 2 类：0–15% / 15–30%
• 3 类：0–10% / 10–20% / 20–30%
• 4 类：0–7.5% / 7.5–15% / 15–22.5% / 22.5–30%

输入特征只用了 6 个、非常朴素但很容易复现：

• portfolio mean
• variance
• skewness
• kurtosis
• VaR
• correlation coefficient

也就是说，这篇 paper 最有价值的地方不是花哨 ML，而是告诉你：

> pair 的最优触发强度，本身就是可以用低维统计特征来预测的。

6. 关键证据

6.1 RF 明显胜出，而且 2-class / 3-class 最实用

论文比较了 LR / SVM / KNN / DT / RF / NB 六种分类器。核心结果：RF 在正相关、弱相关、负相关三组里全部拿第一。

训练/验证期的 RF average accuracy：

• 正相关 pairs：
• 2-class 0.8751
• 3-class 0.7285
• 4-class 0.6406
• 弱相关 pairs：
• 2-class 0.8399
• 3-class 0.6998
• 4-class 0.6091
• 负相关 pairs：
• 2-class 0.8479
• 3-class 0.7690
• 4-class 0.6819

独立测试集（2024 年 1–2 月）的 RF average accuracy 更值得看：

• 正相关：2-class 0.9217，3-class 0.7097，4-class 0.6083
• 弱相关：2-class 0.7715，3-class 0.6294，4-class 0.5462
• 负相关：2-class 0.8168，3-class 0.7693，4-class 0.6065

这组数字对 desk 的意义很直接：

• 若你只是要决定“低阈值 / 高阈值”两档，论文结果是够强的；
• 若你要更细一点，3 档也还可用；
• 4 档开始明显变脆，不太像第一版 production 应该上的复杂度。

6.2 相关性越低，最优阈值越大

论文的分布图和文字结论都在指向同一件事：

• 正相关 pairs 的最优阈值更常落在低区间（很多 <15%）
• 弱相关 pairs 更常落在中间区间（很多在 10–20%）
• 负相关 pairs 更常落在高区间（很多在 22.5–30%）

这非常像一个可以直接带回 desk 的规则：

> pair 越“天然对冲”，可以越早动手；pair 越“彼此掰手腕”，越要等更大的偏离再回补。

6.3 最佳样例利润很高，但不要直接当 production 预期

Table 8 给出的几组最佳样例：

• CHZ-ETC（正相关，2024-01）：实际 OT 21%，月利润 18.1%
• STX-THETA（正相关，2024-02）：实际 OT 24%，月利润 41.2%
• MKR-STX（弱相关，2024-01）：实际 OT 12%，月利润 9.3%
• MANA-THETA（弱相关，2024-02）：实际 OT 30%，月利润 25.9%
• CHZ-STX（负相关，2024-01）：实际 OT 21%，月利润 12.3%
• DOGE-STX（负相关，2024-02）：实际 OT 29%，月利润 25.1%

这些收益数字可以当“阈值选择很重要”的证据，但不该直接当可实现业绩，因为：

• 标的是 BTC 计价 spot，不等同于我们常用的 USDT perp；
• 执行假设是固定 0.1% taker，没把真实盘口冲击拆得很细；
• 策略是“持续回补型”，不是标准 flat-to-flat z-score round-trip。

7. 这篇 paper 对我们 desk 最值得拿走的，不是“照抄 spot-BTC”，而是 3 个组件

7.1 组件 A：用最简单的 pair shell 先找 raw alpha

别一上来就先上 Johansen / OU / copula。先用最朴素的双腿回补壳：

• 两腿初始等权
• 偏离超阈值就卖强买弱
• 回到等权后继续观察

如果这个壳本身在 1m / 3m / 5m / 15m 就已经能赚钱，说明 alpha 是真实存在的；后面再叠加更复杂 spread 模型，胜率更高。

7.2 组件 B：把“阈值选取”从手调，改成可学习对象

很多 pairs 策略死在这一步：

• 阈值太小，手续费和噪音把策略磨死；
• 阈值太大，信号又太稀疏。

这篇 paper 给的不是最终答案，而是一个非常好的最小范式：

• 先在历史上 sweep 阈值；
• 生成每个 pair / 月份的“最佳阈值桶”标签；
• 用低维统计特征去预测该 pair 下个月应该用哪个桶。

这比“全市场统一用 10%”靠谱得多。

7.3 组件 C：先避开 weak-correlation bucket

从测试集看，弱相关组最差。所以 desk 第一版不该把全部 pair 混在一起做。

更合理的顺序是：

1. 先只做 正相关 和 负相关 两组；
2. 先只做 2-class 或 3-class；
3. 弱相关 pair 当作 backlog，不要抢第一版算力和注意力。

8. 映射到 1m / 3m / 5m / 15m 的最小可复现实验

8.1 可直接复现的 base alpha 版本

Universe

• Binance / Bybit / OKX 上流动性靠前的 20–40 个 perp
• 先用 BTC / ETH / SOL / BNB / DOGE / XRP / ADA / LINK / LTC / AVAX / STX / ETC / THETA 这类活跃币做起步

构造

• 每个周期（1m / 3m / 5m / 15m）维护所有 pair 的两腿等权市值组合
• 可以先用简单等美元 notional；若担心 beta 不齐，再切换成 rolling beta-neutral

信号 / 触发

• 定义 pair 偏离：abs(w1 - w2)，其中 w1,w2 为两腿当前市值占组合净值的比例
• 若偏离超过阈值 T：
• short 当前占比高的一腿
• long 当前占比低的一腿
• 目标调回 50/50

退出 / 继续持有

• paper 的原始壳是 continuous rebalance，不是 flat exit
• desk 最小版可以先照 paper：只做再平衡，不强制平仓
• 如果更想要标准 flat-to-flat 统计套利回测，可加一版对照：
• 开仓：偏离超 T
• 平仓：偏离回落到 T/3 或回到 50/50 ± ε

成本

• 第一版统一：单边 4–6 bps maker / 8–10 bps taker 两套
• paper 参考值：10 bps taker

仓位

• 每对 pair 固定风险预算
• 论文给了一个很实用的粗 cap：
• 单腿资金不超过低流动性腿日成交额的 (1/T)%
• desk 里可改写成：
• pair_notional_cap = min(adv_leg1, adv_leg2) * k / T
• k 先取 0.5% ~ 1%

8.2 阈值预测版本（真正值得测的版本）

对每个 pair、每个月滚动生成 6 个特征：

• mean
• variance
• skewness
• kurtosis
• VaR
• corr

然后：

1. 在过去 N 天 / N 周历史中 sweep T = 1%..30%
2. 找到该 pair 的最佳阈值 OT
3. 将其离散成：

• 2-class：<=15% vs >15%
• 或 3-class：<=10% / 10~20% / 20~30%

1. 训练 RF
2. 在下一滚动窗预测 pair 应该使用的阈值桶
3. live 交易时只在该桶内取一个代表阈值，例如：

• 2-class：10% / 22%
• 3-class：7.5% / 15% / 25%

这一步的重点不是把 RF 神化，而是先验证：

> pair-specific threshold bucket 是否显著优于全市场统一 threshold。

9. 我对 desk 的具体改写建议

9.1 不要继续用 BTC-quoted spot，改成 USDⓈ-M perp 或统一美元计价

论文用 BTC 计价现货，适合学术上统一 numeraire，但对实盘 desk 有两个问题：

• BTC 本身会把很多 pair 的共同波动“藏”进 quote currency；
• 现货 borrow / inventory / 尾部成交习惯和 perp 很不一样。

所以 desk 版更建议：

• 先上 USDT perp；
• 先用 equal-dollar 或 beta-neutral；
• 再去看这套 threshold bucket 逻辑能否保留下来。

9.2 第一版只做 2-class RF，不做 4-class

原因很简单：paper 自己的结果已经说明 4-class 会明显掉精度。对实盘而言，“低阈值 / 高阈值” 先分出来就已经很有用。

9.3 第一版只保留正相关 / 负相关 pair

• 正相关组测试集 2-class average accuracy：92.17%
• 负相关组测试集 3-class average accuracy：76.93%
• 弱相关组整体最差

这说明第一版没必要追求“所有 pair 都做”，而该先挑 结构最清楚 的 pair。

9.4 给它加一个交易频次 veto

这篇 paper 的大漏洞是：只看最后利润，没有把 每个 threshold 带来的 turnover 摊开得很细。

所以 desk 里一定要补：

• 每日最大 rebalance 次数上限
• pair 的 rolling turnover cap
• fee-to-edge 比率 veto

否则 RF 可能只是帮你挑出了“看起来利润高、但交易过密”的 threshold bucket。

10. 下一步怎么测

实验 1：先验证“固定阈值 rebalancing 壳”有没有 alpha

目标：验证这不是纯 ML 幻觉，而是 pair shell 本身有边。

• 数据：Binance USDⓈ-M 前 20–30 个高流动 perp
• 周期：1m / 3m / 5m / 15m
• pair 选法：先只取 rolling corr > 0.3 或 < -0.3
• 阈值：固定扫 5%, 10%, 15%, 20%, 25%
• 执行：偏离超阈值即回补到 50/50
• 输出：
• net pnl
• Sharpe
• max drawdown
• rebalance count
• fee / gross ratio
• 每个阈值下的 top / bottom pairs

判定标准：若某些 pair 在 5m / 15m 下固定阈值 already 有稳定正 edge，这篇主题成立。

实验 2：验证“pair-specific threshold”是否优于“统一 threshold”

目标：证明 threshold selection 真能成为 alpha 组件。

• 用滚动月窗给每个 pair 打 label：最佳阈值桶
• 特征：mean / var / skew / kurt / VaR / corr
• 模型：先只用 RF
• 对照组：
• 全市场统一 T=10%
• 全市场统一 T=15%
• pair-specific RF 2-class bucket

判定标准：pair-specific bucket 至少应在以下一项明显胜出：

• 净收益
• fee-adjusted Sharpe
• turnover-adjusted pnl

实验 3：把 continuous rebalance 改写成 desk 更熟悉的 flat-to-flat 版本

目标：把论文壳变成更标准的可审计交易单元。

• 开仓：权重偏离超预测阈值 T*
• 平仓：偏离回落到 T*/3 或 0
• 止损：偏离继续扩大到 1.5 * T*
• 超时：N 根 bar 后仍未回补则平仓

判定标准：看 flat-to-flat 版本是否能保留 paper 的主要 edge，同时显著改善回测解释性和实盘可监控性。

11. 我会怎么给这篇东西下判断

结论不是“RF 很强，直接上线”。

更准确的结论是：

1. 这篇 paper 提供了一条 可独立复现的 high-frequency pairs raw alpha shell；
2. 它最值得 desk 吸收的，不是 spot-BTC 这个实现细节，而是 threshold bucket 也是可学习对象 这个观念；
3. 对 1m / 3m / 5m / 15m desk，最佳落地方向不是照抄全部 50 币 spot，而是：

• 先做 liquid perp universe
• 先做正/负相关 pair
• 先做 2-class RF threshold bucket
• 再和统一阈值 baseline 正面对打。

如果这一步打赢了，我们就得到了一块很实用的可复用组件：

> pair shell 不再用全市场统一触发阈值，而是按 pair 特征动态分桶。

这东西既能服务传统 coint / z-score pairs，也能服务后续的 microprice-pairs、funding-pairs、cross-venue relative-value 壳。

12. 主要风险与不该误读的地方

• 它不是 spread 建模论文：别强行把它读成“替代 cointegration”。它更像 pairs 壳的触发层。
• 它不是 execution 论文：没有细拆盘口冲击、maker fill、queue position。
• spot BTC quote 可能放大了公共因子：搬到 USDT perp 后，阈值分布未必原样保留。
• continuous rebalance 可能掩盖了真实 round-trip 统计：所以一定要做 flat-to-flat 对照版。
• 弱相关组结果偏弱：第一版别把 weak bucket 当主力。

13. 来源摘录

1. Bağcı, M., Kaya Soylu, P. (2025). *The Optimal Threshold Selection for High-Frequency Pairs Trading via Supervised Machine Learning Algorithms*. *Computational Economics*. DOI: 10.1007/s10614-025-10958-5

Readable URL: https://link.springer.com/article/10.1007/s10614-025-10958-5

2. Table 3–8 from Springer article page: RF 在正/弱/负相关三组中均为最佳分类器；测试集 2-class 正相关准确率均值 0.9217；最佳 pair STX-THETA 2024-02 在 24% 阈值下利润 41.2%。

14. 一句话版本

这篇 2025 paper 最值得 intake 的不是“又一个 pairs”，而是把 pairs 的触发阈值 从固定超参数，变成了一个可以用低维统计特征去预测的 strategy component；对我们当前 short-cycle desk，最该先测的是 USDT perp 上的 2-class RF threshold bucket vs 全市场统一阈值。