← 返回 Quant Digests · 站点首页

别把 NSGA-II 只当“配对优化器”：对 short-cycle desk，更该先测的是「Pareto pair admission × spread shell」这条 pairs raw alpha

• 主题类型：raw alpha
• 基础 alpha：高协同 / 近似协整币对的 spread 均值回归；NSGA-II 不是 alpha 本体，而是把“该交易哪些 pair、组多少 bucket”从单指标排序升级成多目标 Pareto admission。
• 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
• 主题标签：raw-alpha/pairs/stat-arb/relative-value/mean-reversion/nsga-ii/pareto/pair-admission/bucket-selection/risk-return/multiobjective/5m/15m/3m/1m/paper/public-data/cost

> 先回答一句：这篇东西的 base alpha 是什么？ > > 就是 pair spread 的均值回归。 > 不是“遗传算法本身能赚钱”，也不是纯 filter。NSGA-II 在这里更像 pair admission / bucket construction layer：从一堆可做 MR 的 pair 里，筛出“收益-风险更均衡、放到一起更像样”的那一篮子。

1. 为什么这轮值得写

最近库里 pairs 已经很多：distance / cointegration / Hurst / dynamic beta / graph matching / threshold selection / basket allocator 都有了。继续再写一篇“spread 偏了就回归”当然没错，但边际增量会越来越低。

这篇 2025 新论文的增量点比较明确：不是再发明一个新 spread，而是把“pair admission”正式写成多目标优化问题。 这对 desk 很实用，因为我们现在真正容易卡住的，往往不是“有没有均值回复壳”，而是：

1. 候选 pair 太多；
2. 单看 p-value / Sharpe / half-life 容易偏；
3. 训练期最赚钱的 pair，常常是 OOS 最不稳定的那批；
4. 多个 pair 一起上时，组合层风险会放大，而单条回测看不出来。

所以这篇 paper 最该 intake 的，不是“NSGA-II 很高级”，而是：把 pair 入选层从单目标排序，改成 Pareto 前沿筛选。

2. 公开可确认到的论文信息

主论文

1. Mai, Linh My; Ko, Po-Chang; Lin, Ping-Chen; Do, Hoang-Thu; Kuo, Yuan-Heng (2025). _Pairs trading in the cryptocurrency market: a novel approach utilizing NSGA-II_. Applied Economics.

• Venue: *Applied Economics*
• DOI: 10.1080/00036846.2025.2512152
• Readable URL: <https://www.tandfonline.com/doi/full/10.1080/00036846.2025.2512152>
• Repo URL: 未找到公开官方 repo
• 当前可公开抓到的摘要片段明确提到：
• 加密价格高波动为 pairs trading 提供稳定获利机会；
• 论文提出 original NSGA-II-based approach；
• 目标是让候选 pair 同时满足多目标，核心方向是 maximizing returns and minimizing risks。

辅助 grounding

1. Ko, Po-Chang; Lin, Ping-Chen; Chen, Wen-Hsien, et al. (2023). _Pairs Trading Strategies in Cryptocurrency Markets: A Comparative Study between Statistical Methods and Evolutionary Algorithms_. IEEE ICEIB / Engineering Proceedings.

• DOI: 10.3390/engproc2023038074
• Readable URL: <https://www.semanticscholar.org/paper/Pairs-Trading-Strategies-in-Cryptocurrency-Markets%3A-Ko-Lin/9dcaa9aa06ea9a315b37792c027d8470b602da36>
• 价值：说明同一作者线此前就在比较 statistical methods vs evolutionary algorithms，所以 2025 这篇不是突兀换题，而像是把进化式 pair selection 正式推到 crypto pairs 主线里。

1. Fil, M.; Kristoufek, L. (2020). _Pairs Trading in Cryptocurrency Markets_. IEEE Access, 8, 172644–172658.

• DOI: 10.1109/ACCESS.2020.3024619
• Readable URL: <https://arxiv.org/abs/2009.13692>
• 价值：给 short-cycle grounding——作者在 Binance 26 个液态币上比较后发现，均值回复在 intraday（5m / 1h）更明显，而日频不明显。这正好支持我们把 NSGA-II 读成 短周期 pair admission upgrade，而不是日频资产配置论文。

> 说明：主论文正文当前站点有验证墙，我这里只冻结 公开可确认 的信息；不伪造论文里没有抓到的阈值或超参。对 desk 来说，这已经足够定义一个最小实验。

3. 这篇东西该怎么读成 desk 语言

3.1 不要读成“遗传算法预测涨跌”

错的读法：

• 用 NSGA-II 猜下一根谁涨谁跌；
• 把 NSGA-II 当单资产方向模型；
• 觉得它只是一个很重的研究花活。

更对的读法：

• raw alpha 仍然是 spread mean reversion；
• NSGA-II 负责的是 pair selection / bucket selection；
• 它解决的是“同样是可做 MR 的 pair，哪几条更值得给仓位”。

3.2 它最适合接在我们现有哪条线上

最自然的接法不是替换我们已有的所有信号，而是接在现有 pairs 壳的前面：

候选池生成 → pair 特征打分 → NSGA-II 选 Pareto-front pairs / buckets → spread z / percentile / OU / innovation interval 进出场 → 组合层风控

也就是说，它服务于多个已有 raw alpha 壳：

• cointegration spread fade
• percentile entry pairs
• OU half-life wideband
• dynamic beta / Kalman spread
• multi-pair basket MR

这就是它对当前 desk 的真实价值：不是替代 alpha，而是提高 alpha admission 的质量。

4. 我建议冻结成哪条完整策略骨架

4.1 Universe

• 交易所：Binance / Hyperliquid perp（先从 Binance public kline 做）
• 标的：Top 20~30 个高流动永续
• 频率：主跑 5m，并平行留 15m；更激进时再下钻 3m/1m

4.2 候选 pair 生成

先用便宜方法做第一层筛选，别一上来就让 NSGA-II 在全宇宙乱搜：

• 相关性前 N
• rolling cointegration / ADF shortlist
• half-life 上限
• 最低成交额 / 最低开仓容量

4.3 NSGA-II admission 层

把每条 pair 在训练窗里的表现压成多目标问题。最小可落地版本我建议直接做 3 目标：

1. 最大化净收益代理

• 例如 train net pnl 或 train sharpe_after_cost

1. 最小化风险

• 例如 max drawdown 或 return volatility

1. 最小化摩擦 / 脆弱性

• 例如 turnover、average holding time too short、capacity penalty

如果想先更贴近 paper 公共摘要，就先只做 2 目标：

• maximize returns
• minimize risks

然后从 Pareto front 里再二次选：

• 保留 5~10 条 pair
• 去掉共用资产过多的 pair
• 组合层按 risk parity / inverse vol 分配

4.4 交易壳（先用最便宜的）

为了让 admission 层的价值被看清，执行壳不要一开始就搞太花：

• hedge ratio：rolling OLS beta
• spread：s_t = y_t - β_t x_t
• signal：rolling z-score
• entry：|z| >= 1.8 ~ 2.2
• exit：|z| <= 0.4 ~ 0.6
• stop：|z| >= 3.5 ~ 4.0
• max hold：12~24 bars
• cooldown：平仓后 2~4 bars

换句话说：先固定交易壳，再看 admission 层有没有真实增量。

4.5 Sizing / risk / cost

• 单 pair 风险预算：按 spread vol 反比缩放
• 组合 gross 上限：150%~250%
• 单资产集中度上限：<= 35% gross
• 成本：先按 4~6 bps taker round-turn 做悲观测试；如果走 maker 再单独复核
• veto：极端 funding / 极端 basis / news spike 时禁开新仓

5. 为什么这条线对 1m / 3m / 5m / 15m 有意义

15m

• 最容易先看清 OOS 稳定性；
• 交易笔数不会太爆，适合先验证 admission 层是否真的优于单指标排序。

5m

• 我认为这是最值得先测的主战场。

因为 pairs MR 在 crypto intraday 更容易出现，但成本也开始变得真实；NSGA-II 若真有价值，应该首先体现在 5m 下“少做错 pair”。

3m / 1m

• 只适合第二阶段。

admission 层本身不会替你解决微观结构噪音；如果 5m 都没有净增量，压到更细只会更像 overfit。

6. 这篇 paper 真正补的是哪块素材池

不是再补一个“新 signal”；而是补一张很缺的卡：

> 单条 pair raw alpha 已经够多时，怎么把 candidate set 变成一篮子更能活过风险与成本的 tradeable pair book？

这件事对我们现在很重要，因为当前库里已经有：

• pair selection 的很多单指标版本；
• entry trigger 的很多版本；
• 但 “组合 admission” 仍然偏弱。

所以这篇更像：

• shared admission layer for pairs raw alpha
• 但因为 base alpha 仍然是 spread MR，且可单独落地完整策略，我仍把它归到 raw alpha digest，而不是纯 overlay。

7. 最小实验怎么做

实验 A：只测 admission 层有没有增量

• 频率：5m
• universe：Top 20 perp
• formation：滚动 45d
• trading：滚动 7d
• pair 壳：固定 OLS beta + z-score shell
• 对照组：

1. corr 排序 top-K
2. cointegration p-value 排序 top-K
3. NSGA-II Pareto top-K

• 比较：
• OOS net Sharpe
• hit rate
• median hold
• max DD
• turnover
• 共用资产集中度

实验 B：看 admission 层是否跨 signal 壳稳定

把 pair 壳换成三种：

1. z-score
2. percentile entry
3. OU half-life

如果 NSGA-II 只在某一个壳上有用，那它更像“壳内调参器”； 如果三个壳都更稳，那它才像真正的 shared admission upgrade。

实验 C：5m 通过后再下钻 3m

• 不改 admission 方法
• 只改交易频率与成本假设
• 看净边是否仍存在

8. 我当前的判断

值得做的原因

1. raw alpha 很清楚：就是 pairs mean reversion；
2. 不是又一篇老 cointegration 复读：新意在 pair admission 的多目标化；
3. 和现有素材池拼接性很强：可直接插在我们现有 pairs engine 前面；
4. 最小实验成本低：不用新数据、也不用新执行通道。

需要警惕的地方

1. 最容易过拟合。

admission 层如果直接吃训练期 pnl，很容易把噪音当 edge。

2. 目标函数写错就会把“高换手高摩擦”误当高收益。
3. Pareto front 不自动等于可交易 front。

还要加容量、共用资产、成本、持仓长度这些 desk 约束。

9. 下一步先怎么测

不要先复刻论文全部细节。先做这个最小版：

1. 复用我们现有 pairs candidate 管线，先产出 30~80 条候选 pair；
2. 在 5m、45d train + 7d test 上，为每条 pair 计算：

• net pnl after cost
• max drawdown
• turnover
• median holding bars

1. 用 pymoo 或自写简版 NSGA-II 做 Pareto admission；
2. 从 Pareto front 里选 5~10 条 pair，限制共用资产暴露；
3. 用固定 z-score shell OOS 跑；
4. 与 corr top-K / coint top-K 做 head-to-head。

一句话版 next step：先验证“Pareto pair admission”是否比单指标 top-K 更稳，而不是先纠结 NSGA-II 超参。

10. 参考资料

1. Mai, L. M., Ko, P.-C., Lin, P.-C., Do, H.-T., & Kuo, Y.-H. (2025). _Pairs trading in the cryptocurrency market: a novel approach utilizing NSGA-II_. Applied Economics.

DOI: <https://doi.org/10.1080/00036846.2025.2512152> Readable URL: <https://www.tandfonline.com/doi/full/10.1080/00036846.2025.2512152>

1. Ko, P.-C., Lin, P.-C., Chen, W.-H., et al. (2023). _Pairs Trading Strategies in Cryptocurrency Markets: A Comparative Study between Statistical Methods and Evolutionary Algorithms_.

DOI: <https://doi.org/10.3390/engproc2023038074> Readable URL: <https://www.semanticscholar.org/paper/Pairs-Trading-Strategies-in-Cryptocurrency-Markets%3A-Ko-Lin/9dcaa9aa06ea9a315b37792c027d8470b602da36>

1. Fil, M., & Kristoufek, L. (2020). _Pairs Trading in Cryptocurrency Markets_. IEEE Access, 8, 172644–172658.

DOI: <https://doi.org/10.1109/ACCESS.2020.3024619> Readable URL: <https://arxiv.org/abs/2009.13692>

---

• 研究笔记路径：research/quant_digests/2026-04-03_1135_nsga2-pair-admission-alpha.md
• 页面 URL（build/publish 后）：https://eu.jerrypsy.top/momentum/reading/quant_digests/2026-04-03_1135_nsga2-pair-admission-alpha.html