← 返回 Quant Digests · 站点首页

别把这篇 DLSA 只读成美股机器学习大工程：对 crypto short-cycle desk，更该先测的是「conditional latent-factor residual portfolio × conv-transformer trading policy」这条 cross-sectional raw alpha

更新时间：2026-04-03 08:47 UTC 研究时间：2026-04-03 08:48 UTC 类型：2021/2022 working paper（arXiv / SSRN）+ 官方 GitHub repo source audit（`README.md` + `configs/cnntransformer-full.yaml` + `preprocess.py` + `models/CNNTransformer.py` + `train_test.py` + `run_train_test.py`） 主题标签：raw-alpha/cross-sectional/relative-value/stat-arb/latent-factor/residual-portfolio/convolutional-transformer/trading-policy/cost-aware/continuous-weights/binance-perp/hyperliquid/1m/3m/5m/15m/paper/repo/public-data 证据类型：论文摘要/项目摘要（主框架证据）+ 官方 repo 策略与训练代码（工程骨架证据）

源文件：research/quant_digests/2026-04-03_0848_dlsa-latent-residual-policy-alpha.md

先回答 base alpha：这篇东西的 base alpha 是清楚的——不是“AI 会自己找机会”，而是“把公共因子剥掉以后，剩下的 residual portfolio 里仍有可交易的局部 trend / reversion 结构”；模型只是负责把这些 residual 信号映射成 after-cost 的连续权重。

1) 这次看了什么

我这次主要看的是两类材料：

论文 / 项目摘要

官方代码仓库

这套材料最值钱的地方，不是 headline 的“deep learning”，而是它把一条面板式 stat-arb raw alpha拆成了完整流水线：

> 因子剥离 → residual panel → 时序特征提取 → 连续权重分配 → after-cost Sharpe 目标训练

2) 一句话核心结论（给 desk 的版本）

3) 为什么这轮值得写

3.1 它不是又一个“再补一条 pair”

最近 digest 已经有很多：

这些都好用，但多数还是一条 alpha = 一套规则。DLSA 更值得进池的原因是：

它提供的是“alpha 工厂”而不是单一招式。

也就是：

3.2 它补的是 desk 当前相对缺的“panelized stat-arb”层

当前 short-cycle 研究池里，单币趋势 / 单 pair 回归 / same-underlier 偏离已经不少； 但横截面 residual 组合这一层仍然偏少。

这篇正好补三块：

  1. cross-sectional raw alpha：不是单标的，而是整池分配；
  2. relative-value / stat-arb：先剥共同因子，再赌残差错配；
  3. 完整策略骨架：信号、仓位、成本、short hold cost 都写进训练目标。

3.3 为什么它比继续补一个普通 raw alpha 更值

因为它不是替代现有 raw alpha，而是能把现有 raw alpha 家族往上抽象成一个统一框架：

都可以往这套 residual-portfolio 逻辑里塞。

4) 来源信息

论文

官方仓库

5) 这篇东西真正可迁移的策略骨架

5.1 第一步不是找形态，而是先做 residual portfolio

论文摘要把框架写得很直白：

  1. 先从conditional latent asset pricing factors 里构造 residual portfolios；
  2. 再从这些 residual portfolios 的时间序列里提信号；
  3. 最后形成满足约束的最优 trading policy。

翻成人话： 先把“大家一起涨跌”的那部分去掉，再去赌“本不该这么偏”的那部分。

这点很适合 crypto desk，因为我们的共同因子天然更多：

如果这些不先剥掉，很多看起来像 alpha 的东西，其实只是共振 beta。

5.2 第二步只看 residual 时间序列，不直接看原始价格

repo 的 preprocess.py 里，默认预处理是：

这说明它学的不是“下一根 K 线涨跌”，而是：

> 一段 residual path 长什么样，后面更像 continuation、mean reversion，还是该少做。

对短周期 desk，这个思路比“直接喂一堆 OHLCV 因子”更干净，因为：

5.3 第三步不是二元开仓，而是连续权重分配

models/CNNTransformer.py 的输出不是“买/卖/平”三分类，而是连续权重。 随后 train_test.py 会：

这很关键。因为它告诉我们：

这不是“发现信号后再手写 sizing”的框架，而是把 sizing 本身并入了 alpha 学习。

也就是说，base alpha 是 residual mispricing； 但最后落地成交易时，它已经内生变成：

5.4 成本不是事后补丁，而是训练目标的一部分

train_test.py 里直接把：

放进回报计算和日志输出里。

这对 crypto 非常重要，因为我们 desk 现在最怕的不是“没有信号”，而是： 信号看起来都对，但一上真实费率、滑点、funding，就被吃没了。

DLSA 至少在框架上做对了两件事：

  1. 训练时就罚换手；
  2. 允许对 short 持仓加 hold cost。

把它迁到 perp，很自然就能把 hold_cost 改写成：

6) repo 里最值得记住的 6 个硬数据点

  1. 官方 repo 星标： 当前 GitHub metadata 显示约 258 stars，不是随手扔的玩具脚本。
  2. 默认 signal lookback： 30。
  3. 默认 rolling training window： 1000 个交易日。
  4. 默认 retrain frequency： 125。
  5. 默认 factor family： 同时跑 IPCA / PCA / FamaFrench，各自先测 5 factors。
  6. 默认目标： objective = sharpe，且支持显式 trans_cost / hold_cost。

再补两条对 desk 更有用的：

7) 给 crypto 1m / 3m / 5m / 15m 的最小可复现实验

7.1 先做最小 honest 版，不要直接抄美股 daily

这篇原始样本是 daily U.S. equities，而且 repo 也明确说原始资产收益与特征数据因授权问题不能放出。

所以对我们最现实的读法不是“1:1 复刻论文结果”，而是：

> 复刻这套 raw alpha 生成框架到公开 crypto panel 数据上。

7.2 数据源（公开可得）

先用公开 perpetual / spot 数据就够：

更新频率：

7.3 先定义 crypto 版共同因子

先别追求 fancy IPCA；先做一版简单但 honest 的：

然后对每个币的 bar return 做 rolling regression / PCA residualization，得到：

7.4 信号层怎么先做

先不要上完整论文重度训练，先做 3 层 ablation：

#### A. 最简单 baseline

#### B. path-based MLP / OU baseline

#### C. CNNTransformer（DLSA 主体）

7.5 先测哪些周期

我的建议顺序：

  1. 15m：最先做，噪音更低，训练和成本也更诚实；
  2. 5m：确认模型是否真的比简单 residual z-score 有增益；
  3. 3m / 1m：只在 liquid majors 上开，因为 turnover 会陡增。

7.6 最小实验的具体卡片

8) 它服务于哪类 raw alpha

这篇不是只能服务一类策略。它至少能服务这几类：

  1. cross-sectional residual reversal
  2. market-neutral residual momentum
  3. same-sector relative-value spread allocation
  4. basis / funding / OI 因子剥离后的纯价差信号

所以它最值钱的地方不是某个 headline signal，而是：

> 把多条 stat-arb / relative-value alpha 放进同一个可训练、可扣成本、可做连续仓位的容器里。

9) 风险与局限

  1. 原论文原样本不能 1:1 精确复刻。 repo 明说原始美股特征数据受授权限制。
  2. daily equity → intraday crypto 有域迁移风险。 不能因为论文有效，就默认 5m perp 也有效。
  3. latent factor / residualization 这层本身会过拟合。 如果 universe 太小、因子太多，残差会变成噪音放大器。
  4. 最怕 turnover 爆炸。 这种 panel 模型一旦输出太敏感，很容易“聪明地交手续费”。
  5. 别把 Transformer 当 alpha 本体。 真正的 alpha 还是 residual mispricing；模型只是更灵活的 mapping。

10) 我对 desk 的结论

如果今天要再加 1 篇真正能扩充 raw alpha 素材池的 intake，我愿意把这篇记成：

> latent-factor residual portfolio × cost-aware continuous allocation

它的价值不在“再多一个单点信号”，而在：

11) 下一步怎么测

  1. 先拉 20~40 个 liquid perp 的 15m 公共数据：OHLCV + funding + OI + basis。
  2. 先做一版简单 residualization：市场 beta + sector bucket + funding/OI 因子，得到 residual return panel。
  3. 跑 3 个模型层级：
  1. 统一成本口径：至少测 5 / 10 / 15 bps round-trip + funding hold cost。
  2. 先看 4 个指标：
  1. 只有当 panel residual 模型稳定优于简单 baseline，才值得把它下沉到 5m，更不用急着上 1m。

12) 这轮最值得带走的一句话

别再把 stat-arb 只理解成“挑一对、算 z-score、等回归”。DLSA 真正给 desk 的东西，是一条更通用的 raw alpha 路：先把共同因子剥掉，再在 residual panel 上做 after-cost 连续分配。