源文件：research/quant_digests/2026-04-03_0355_same-underlier-multispread-optimizer-statarb.md
long cheap leg / short rich leg 回归，且多条 spread 可同时触发，用一个 optimizer 统一分配仓位。这篇论文真正值得 desk intake 的，不是“ETH 对不同法币也能做配对”这个表面结论，而是它给出了一条更适合我们迁移到 crypto short-cycle 的完整 skeleton：同一底层资产的多条相对价差做均值回归，信号层看 spread 偏离，组合层用 optimizer 把重叠腿净额化并做 market-neutral sizing。
因为它补的是一条当前素材池里还不算拥挤的 same-underlier / same-asset relative-value raw alpha：
spot vs perpperp vs perp cross-venuefront vs back同标的不同 quote / 不同 venue / 不同合成路径先记住这几组最有用的数字：
USD / CAD / GBP / EUR 的 spot quote bucket，从中形成 6 条 spread；2018-01-01 ~ 2020-01-01，主要测试期包括：2021-01-01 ~ 2022-01-012022-01-01 ~ 2023-01-012021-01-15 ~ 2022-10-011m / 5m / 60m；1m: 14.87%5m: 15.49%60m: 5.00%1m: 5.33%5m: 0.60%60m: 3.93%OTT λ=1: 0.68OTT λ=0.5: 1.11DM: -0.415m 交易指标：12,16654.4%1.195.09 小时5m, λ=1 的 full-cycle 年化收益，从 44.98%（0 fee）掉到 15.49%（0.1% fee）。这轮 base alpha 很清楚：
> 同一底层资产在多条 quote/venue/synthetic 路径上的相对定价不会永远一致；当其中一条腿短时偏贵、另一条腿偏便宜时，做多便宜腿、做空昂贵腿，赌偏离回归。
论文的写法是 ETH 对多个法币 quote； 对 desk 来说，更重要的抽象层其实是：
same-underlier；multi-spread；market-neutral；mean reversion。所以它不是：
它是一条可以独立站住的 relative-value / stat-arb raw alpha。
论文选的是 Kraken 上同一个底层资产 ETH，对四种法币 quote：
ETH/USDETH/CADETH/GBPETH/EUR于是能形成 C(4,2)=6 条 spread：
翻成人话： 作者不是在赌 ETH 和 BTC 谁会重连，而是在赌“同一个 ETH，被不同 quote 体系映射出来的相对错位会回归”。
这点对我们很重要，因为它更像：
作者先用 2018-01-01 ~ 2020-01-01 的 ETH quote 数据做 formation / screening，按滚动一周去看相关性和 cointegration。
论文 Table 2 给了很直观的基础盘：
USD:CAD1m 平均相关 0.978，cointegration 命中率 77.8%5m 平均相关 0.998，cointegration 命中率 100.0%CAD:EUR5m 相关 0.980，cointegration 94.1%60m 相关 0.969，cointegration 98.6%GBP:EUR5m cointegration 98.0%60m cointegration 91.3%这说明： 这个 bucket 的 spread 不是瞎编的，至少在 formation 期里，它确实长期呈现“相关且多数时间可视作可回归关系”。
论文比较了两类东西：
真正该拿走的不是 DM，而是 OTT 里的这条 raw alpha 逻辑：
论文用的是 threshold × spread standard deviation 的开平仓机制。 最赚钱的 grid-search 阈值（Table 3）是：
1m: open=11σ, close=9σ5m: open=9σ, close=7σ60m: open=7σ, close=6σ这些阈值看上去很大，但别误读成“9σ 神奇参数”。 它本质表达的是： 这个 same-underlier bucket 要吃的是很明显的离群偏差，不是轻微噪音摆动。
这是论文最值钱的部分之一。
在普通两资产 pairs 里，信号一来，常见做法是：
但在 multispread bucket 里会出现：
USD:GBP 触发USD:CAD 同时触发GBP:EUR 也可能触发这时就会有：
论文明确指出： multivariate 的真正增量不是“spread 变多了”，而是“多个 spread 同时触发时，资本分配本身变成了 alpha 生存的一部分”。
论文的 optimizer 目标是：
其 expected profit 不是纯历史均值，而是把：
rmr结合起来，形成 pair-level expected profit。
目标函数再减去 λ × portfolio variance penalty。
关键点：
论文还加了三个很实用的约束：
翻成人话： 它不是让你在每条 spread 上各自下注，而是把整个 bucket 当成一个受资金占用约束的 market-neutral 组合来下单。
成本假设：
0.1% 每笔 long/short order 的 flat fee。论文强调两点：
对 desk 而言，这意味着：
如果只把这篇论文记成“ETH 对法币做多配对”，价值不大。
真正该拿走的是这三层：
这个最容易迁移：
这天然更适合 desk 的：
spot vs perpperp vs perp cross-venuefront vs backdirect cross vs synthetic cross很多 raw alpha 回测都默认“每条腿单独开平”， 但同标的多路径里，真实情况往往是：
论文把这件事明确写成了优化问题，这对实盘特别有用。
论文不是只给一个固定仓位，而是给：
λ=2：更保守λ=1：中性λ=0.5：更激进这给 desk 的启发是： 很多 same-underlier alpha 未必要靠“换新信号”提升收益，先把 entry 不变、只改 capital allocator，可能就能把策略从普通提升到可部署。
5m 是论文主结果里最像 desk 可迁移的一档在 2021-01-15 ~ 2022-10-01 full-cycle，参与资产为 USD/CAD/GBP/EUR against ETH：
1m, λ=1：14.87%5m, λ=1：15.49%60m, λ=1：5.00%1m：5.33%5m：0.60%60m：3.93%这说明：
5m 上对 baseline 是显著优势；5m 比 60m 更像甜点区，这对 short-cycle desk 友好得多。在 2021-01-01 ~ 2022-01-01 bull market：
5m, λ=1, TC=0.1%：36.75%19.89%1m, λ=1：39.85%60m, λ=1：14.18%也就是说， 这条 alpha 不是“只能靠大跌时回归”的熊市特供，它在强趋势 bull 里也能活。
-61.84% 的环境里仍能保正在 2022-01-01 ~ 2023-01-01 bear market：
-61.84%5m, λ=1, TC=0.1%：+4.99%1m, λ=1：+9.57%60m, λ=1：+9.01%这再次说明它的收益来源更像：
Table 8：
DM: Sharpe -0.41, σ=0.082OTT λ=2: Sharpe 0.44, σ=0.104OTT λ=1: Sharpe 0.68, σ=0.193OTT λ=0.5: Sharpe 1.11, σ=0.343OTT λ=1: Sharpe 2.66, σ=0.126OTT λ=1: Sharpe 0.16, σ=0.082这里最有意思的是： 在作者样本里，更激进的 allocator 不只提高收益，连 Sharpe 都提高了。 这提示我们：
full-cycle + λ=1 + 0.1% fee 的 Table 9：
1m13,79053.2%4.52h5m12,16654.4%1.19-$8.67$9.215.09h60m1,90652.6%16.10h这说明策略更像： 高频率但单笔优势不夸张，靠稳定正期望和腿间净额化生存。
最直观的一组：
5m, λ=10 fee: 44.98%0.1% fee: 15.49%1m, λ=10 fee: 40.03%0.1% fee: 14.87%这轮最不能忽视的结论不是“5m 很强”，而是： 只要净额化做不好、成本模型写轻了，这条 alpha 会从可交易直接掉回论文收益幻觉。
作者还在 2020-10-01 ~ 2024-04-01 做了 ETH/BTC/SOL 的扩展测试（15m/60m/720m，参与法币为 USD/GBP/EUR）。
Table A2 在 15m + 0.1% fee + λ=1：
22.66%18.24%7.42%对应风险指标：
0.151, Sharpe=1.240.159, Sharpe=0.900.032, Sharpe=1.07这对 desk 的意义是： 它不是 ETH 专属现象；但越往流动性差、走势更极端的币种迁移，alpha 会明显变脆。
当前 digest 池里已经有很多：
但这篇论文的新增值在于： 它把“同一底层资产的多路径价差回归”单独写成了一条完整策略，并把重叠腿优化分配明确建模。
所以它更像是：
spot-perp / perp-perp / calendar / synthetic cross 的共用母版；因为它直接服务于：
如果今天继续写一个 crowding gate 或 macro veto，当然也能加知识； 但和这篇相比，对“下一步能不能马上测一个新 raw alpha”帮助没这么直接。
1m / 3m / 5m / 15m 的 desk 化映射对于我们，最自然的映射对象是：
spot vs perp、front vs backBinance perp vs Bybit perp、Binance spot vs OKX perpALTBTC 直价 vs ALTUSDT / BTCUSDT 合成价也就是说，论文里的法币 quote bucket 只是载体； 真正可迁移的是 same-underlier multispread 框架。
1m / 3m / 5m / 15m论文是 1m / 5m / 60m。 对 desk 我更建议：
15m：做主回测频率，先验证策略是否 still alive；5m：做主信号频率，因为论文里 5m 是最像甜点区的一档；3m：做“更积极但仍可控”的压缩测试；1m：主要留给执行与净额化更新，不建议一开始就拿它做最终策略频率。原因很简单：
1m 虽有收益，但成本压力极大；5m/15m 站住，再压到 3m/1m 更稳。论文的最佳阈值达到 7σ~11σ，这在 perp 市场未必应原样照抄。 更合理的 desk 化做法是：
2.0 / 2.5 / 3.0 / 4.097.5% / 99%）该保留的是： 同标的多路径错价，只有在明显异常偏离时才值得付成本去收敛。
论文场景是：
所以它天然比真实 perp/cross-venue 好做。
统一 0.1% flat fee：
论文明确做了 retrospective grid search 来找最赚钱的 open_threshold / close_threshold。 这能给我们参数起点， 但不能直接当 live 最优参数照抄。
法币 quote bucket 的错误定价机制，和：
并不完全相同。
所以它更像结构原型，不是现成 prod 配方。
spot-perp 或 perp-perp cross-venue5m 主频，补 15m 与 3m2.5 / 3.0 / 4.00~0.5σ4 / 8 / 15 bps先回答： same-underlier mispricing 在我们现在可拿到的公共数据下，到底有没有 after-cost alpha。
在同一标的上放入三到四条路径，例如：
Binance perpBybit perpOKX perpspot synthetic然后比较：
关键指标：
这一步专门验证： 论文最值钱的 optimizer layer 到底是不是实盘增量。
固定信号，只改 allocator：
λ_highλ_midλ_low观察：
如果 desk 版本也出现“更激进 allocator 连 Sharpe 都更高”，那说明： alpha 本体比我们想象得更强，问题更多在执行层与容量层。
最少要拆四层：
因为这篇论文已经明确告诉我们： 这条策略不是先看 gross alpha，再顺手加成本；而是成本从第一天就是主角。
same-underlier baseline，不要上来就跑 generic pairs。 这篇最有价值的就是同标的多路径错价，不是跨币 cointegration。5m + 15m，3m 次之，1m 最后。 论文结果和成本敏感性都在提醒我们，不要一上来冲最细 bar。这篇 2024 IJFS 论文值得进池，不是因为它又证明了“配对交易有用”，而是因为它把一条很适合 short-cycle desk 迁移的 raw alpha 骨架写清了：same-underlier multispread mean reversion 负责出信号，optimizer-based netting/sizing 负责让这条信号在多腿重叠与成本压力下仍有机会活下来。