← 返回 Quant Digests · 站点首页

Kim, Na, Song（ICAIF 2025）+ ORCA repo：别把 pairs 选对继续写成“谁和谁最像”，对 short-cycle desk 更该先测的是「tradability-aware clustering × OU spread raw alpha」

• 时间：2026-04-03 16:25 UTC
• 类型：论文 + GitHub 仓库 + Binance Futures 公共 15m 最小快检
• 主题类型：raw alpha
• 基础 alpha：不是“深度学习聚类”本身，而是 pair spread mean reversion；ORCA 真正值得 desk 先抄的，是把配对生成逻辑从“高相关/高相似”改成“更像 OU 均值回复过程的 tradable cluster”
• 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：pairs / stat-arb / relative-value / mean-reversion / clustering / OU / tradability / admission-layer / Binance-perpetual / 1m / 3m / 5m / 15m / paper / repo / public-data
• 证据类型：ICAIF 2025 论文摘要 + 开源实现 + 本地 Binance 公共数据 sanity check

先回答 base alpha：这篇东西的 base alpha 不是“PINN 很酷”，而是非常老实的 spread 回归均值。真正的新意在于：别再用“相关性高 / 距离近”去挑 pairs，而是直接用“这组资产未来更可能形成稳定 OU spread”去挑。对我们 desk，这比继续在 entry band 上卷花活更值钱。

1) 这次看了什么

这次主看两份材料，再加一个本地最小快检：

1. Kim, Namhyoung; Na, Yosep; Song, Jae Wook (2025), *Deep Mean-Reversion: A Physics-Informed Contrastive Approach to Pairs Trading*, Proceedings of the 6th ACM International Conference on AI in Finance (ICAIF'25)。

• 论文核心不是直接发明一个新 exit，而是把 pair formation / clustering 改写成“是否更接近可交易的均值回复动力学”。

1. GitHub: x7jeon8gi/ORCA（2025）。

• 开源实现显示，作者把 OU 过程约束 直接放进 loss 里，默认配置有：cluster_num=30、price_window=12、epochs=200、月度滚动重训。
• 比较脚本里 downstream trading 其实很朴素：静态 threshold + outlier filter + stoploss，这反而说明 alpha 主体仍然是 pairs mean reversion，不是执行层魔法。

1. 我做的本地 Binance Futures 15m sanity check（12 个主流 USDT perp，约 30d，共 66 个 pair，结果存于 reports/artifacts/quant_digests/2026-04-03_orca_pairs_sanity.csv）。

• 目的不是“复现 ORCA 论文收益”，而是快速验证：仅靠高相关筛 pair，是否会把一堆根本不回归的慢 spread 当成好 pair。

2) 论文/仓库里真正值得 desk 拿走的，不是模型名，而是 pair formation 目标函数

OpenAlex 还原出的摘要里，这篇论文的关键信息很直接：

• 传统 pairs 方法经常找不到稳定均值回复关系；
• ORCA 把 contrastive clustering 和 physics-informed regularization 绑在一起；
• 约束目标不是“看起来像”，而是“更符合稳定 Ornstein-Uhlenbeck (OU) 过程”；
• 作者在 NYSE 数据上报告：即使 downstream 只用简单静态 threshold mean-reversion strategy，ORCA 生成的 clusters 也优于 benchmark clustering 方法。

翻成人话：

> 你不该先问“哪两个币最近一起涨跌”，而该先问“哪两个币配出来的 spread 更像会回来的东西”。

这对 crypto short-cycle desk 的意义非常大，因为很多我们现在会做的 pair mining 其实默认是：

• 先按相关性、行业、同 beta、同叙事、同市值去凑；
• 再跑 cointegration / z-score；
• 最后在 threshold 上反复调。

ORCA 提醒的是：pair formation 本身就应该是 alpha 的一部分。 不是先把 pair 选烂，再指望 entry/exit 把烂 pair 救回来。

3) 为什么这条线现在值得写，而不是继续补一个普通 z-score pairs

因为我们最近 pairs 素材已经不少了，但很多还是停留在：

• 动态 beta
• band action
• percentile entry
• matching / portfolio construction
• ML entry filter

这些都重要，但它们默认你已经有一批够像“会回归”的 pair。 而 ORCA 的价值正好卡在更上游：

3.1 它服务的不是一个 filter，而是 raw alpha 的“候选生成层”

这不是单纯 overlay。 因为对于 pairs 来说，pair admission / pair formation 本身就决定了 raw alpha 是否存在。 如果挑出来的 spread 半衰期太长、漂移太慢、结构不稳定，后面所有 z-score 触发都是假勤奋。

3.2 它对 crypto 特别有意义

crypto 里高相关非常廉价：

• 都跟 BTC beta 走；
• 都受同一 risk-on/off 影响；
• 同叙事币经常一起涨跌；
• 同一波资金流能把很多 alt 同时抬起来。

但“高相关”不等于“spread 可交易”。 可交易的 mean reversion 需要更具体的东西：

• spread 不只是同步，还要有相对稳定的 equilibrium；
• 偏离后要在可忍受的 bar 数里回来；
• OOS 里要持续出现可重复的 excursion / reversion；
• 不能一半时间都在单边漂移。

ORCA 这篇最值钱的地方，就是把这些原本要靠人工后筛的性质，前移到 pair formation 目标里。

3.5) 策略拆解（必填）

• 方向属性：market-neutral / relative-value / pairs stat-arb
• 基础 alpha：spread 偏离均衡后的均值回复
• raw alpha 主体：zscore(spread) 或 s-score 异常偏离 → 回归均值
• ORCA/本篇贡献点：把 pair 生成层 从“相似性”改成“均值回复可交易性”
• regime：
• 只在高流动性 perp 宇宙内启用
• 只保留最近训练窗内 half-life、残差波动、crossing 频次达标的 pair
• filter / veto：
• funding 极端单边时 veto
• 重大事件币（上币/下架/解锁）临近时 veto
• pair 两腿 rolling beta / residual vol 突变时 veto
• sizing / risk：
• 单 pair 等风险配重
• 组合内按 residual vol 或 expected half-life 缩放
• 同叙事/同 sector pair 数量上限
• gross / net / beta-to-BTC 三层约束
• exit：
• entry: |z| >= 1.5~2.5
• take-profit: z -> 0 或回到 |z| <= 0.3~0.5
• stop: |z| 继续扩到 3~4 或超出 2x 预估 half-life 未回归
• time stop: 超过最大持有 bars 强平
• cost：
• 必测 taker-only
• 再测 maker-entry / taker-exit
• 显式打 fee + slippage + funding drag

4) 一个很有用的 desk 结论：别先问“哪两个币最像”，先问“哪两个币的 spread 最像会回来的东西”

这篇 digest 真正想推进的，不是“上 PINN”。 而是把我们 desk 的 pairs 研究顺序换掉：

旧顺序

1. 找高相关/同叙事币
2. 跑 cointegration
3. 调 z-score
4. 抱怨 cost 太高 / pair 不稳定

更好的顺序

1. 先定义 tradability score：

• half-life
• residual stability
• OOS crossing frequency
• residual vol / jump profile

1. 再用模型或规则，优先生成 tradable clusters / tradable pairs
2. 最后才在 entry/exit/sizing 上细化

也就是说，ORCA 对我们最值得抄的不是“深度学习”，而是“pair admission objective 要改”。 如果先用更土的规则版也能跑，就已经够值钱。

5) Binance 15m 最小快检：高相关 pair 里，很多根本不是好 spread

我做了一个很粗但很实用的 sanity check：

• 数据：Binance Futures 公共 15m K 线
• 宇宙：BTC/ETH/SOL/BNB/XRP/DOGE/ADA/LINK/AVAX/SUI/LTC/BCH 共 12 个 USDT perp
• 样本：约 30d，66 个 pair
• 训练/测试：约 67% / 33%
• 指标：
• train return corr
• train spread OU half-life（粗估）
• OOS zero-cross 次数

5.1 先看一个很刺眼的数字

在这 66 个 pair 里：

• corr > 0.88 的 pair 有 12 个；
• 其中 只有 2 个 同时满足 half-life < 48 bars；
• 还有 3 个 在测试窗里 0 次 零轴穿越。

这句话已经够说明问题： 高相关 pair 远多于可交易 pair。

5.2 几个例子特别说明问题

高相关但很慢、甚至不怎么回：

• ETHUSDT-LINKUSDT: corr=0.928，但 half-life≈153 bars
• BTCUSDT-ETHUSDT: corr=0.908，但 half-life≈121 bars，OOS 0 次零轴穿越
• BNBUSDT-LINKUSDT: corr=0.897，但 half-life≈160 bars，OOS 0 次零轴穿越

相关性没那么夸张，但更像“能交易”的：

• BNBUSDT-SUIUSDT: corr=0.830，half-life≈36 bars，OOS 38 次零轴穿越
• BTCUSDT-LINKUSDT: corr=0.887，half-life≈38 bars，OOS 6 次零轴穿越
• SOLUSDT-LTCUSDT: corr=0.827，half-life≈31 bars，OOS 10 次零轴穿越

这正好对应 ORCA 想解决的问题： 相似性排序和 tradability 排序不是一回事。

5.3 这组快检对 desk 的启发

对 5m/15m 短周期 pairs，pair formation 至少该多看三件事：

1. half-life：太慢的 pair，不适合短周期 desk；
2. crossing density：长期不回零的 pair，不值得占用额度；
3. residual stability：残差幅度太漂、太容易 regime shift，也不行。

所以这篇 digest 更该落地成： OU-aware admission layer，而不是“上一个论文模型名字”。

6) 对 1m / 3m / 5m / 15m 的 desk 翻译

6.1 不直接照抄论文的数据口径

原论文和 repo 用的是 WRDS / CRSP 月频股票特征，repo 默认也是：

• price_window=12
• 月度滚动训练
• cluster_num=30
• 下游 static threshold strategy

这不能直接冒充成“论文已经证明 crypto 5m/15m 有效”。 但它提供了一个非常可迁移的研究模板：

> 用更像 OU 的 pair / cluster 去喂一个简单 spread strategy，往往比用普通相似性 pair 再去拼命调 entry 更有价值。

6.2 short-cycle 版本怎么最小落地

先不用上神经网络，先做一个 规则版 ORCA：

1. Universe

• 最近 14d~30d 名义成交额前 20~40 个 perp
• 去掉明显事件币、超高 funding 币、长期限价深度不足的币

1. Candidate generation

• 两两配对，先做粗筛：
• corr(ret) >= 0.75~0.85
• 两腿 median spread / depth 达标

1. Tradability score（这一步是本篇核心）

• half_life_bars
• spread_zero_cross_density
• residual_vol_stability
• rolling beta stability
• tail jump veto

1. 只保留 top-K tradable pairs

• 比如每次只做 5~10 个 pair
• 而不是“能过 cointegration 的都做”

1. Execution shell

• entry: |z| >= 1.5/2.0/2.5
• exit: z -> 0
• stop: |z| >= 3.5 或超过 2x half-life
• rebalance: 5m 每 bar 看，15m 每 bar 或每 2 bars 看

6.3 如果规则版先有结果，再考虑上模型

只有当规则版 admission layer 已经显示：

• 比纯相关选对更稳；
• 比纯 cointegration 过筛更稳；
• 能明显降低慢 spread / 假 pair 占比；

再往前走到：

• 对 pair feature 做 representation learning；
• 把 OU loss / residual stability 正则化放进 embedding 学习；
• 做 cluster-level pair mining。

7) 下一步怎么测（本篇最重要的部分）

实验 A：先做“规则版 ORCA admission layer”

目的：先验证“选 pair 目标函数”是否比“调 threshold”更重要。

• universe：Binance/Bybit/Hyperliquid 高流动 perp 前 20~40
• 粗筛：corr >= 0.8
• 对每个 pair 计算：
• half_life
• zero_cross_per_day
• residual_std
• rolling_beta_std
• max_adverse_z
• 组两套组合：

1. Top corr pairs
2. Top tradability-score pairs

• downstream execution 完全一样

要看的输出：

• net pnl
• pnl per turn
• median holding bars
• stop-hit ratio
• pair replacement frequency

实验 B：5m vs 15m 的 half-life 适配区间

目的：别让慢 spread 混进短周期 book。

• 5m 先限定 half-life ∈ [6, 48] bars
• 15m 先限定 half-life ∈ [4, 32] bars
• 看不同 half-life 桶的：
• OOS crossing density
• entry fill 后回归概率
• time-stop 占比

如果 alpha 主要集中在 half-life > 100 bars，那它就不是 short-cycle desk 该优先做的东西。

实验 C：pair score 里要不要加 funding / OI / liquidation 公开数据

目的：把 tradability score 往 crypto 特有结构再推一步。

给 score 加三个候选特征：

• funding spread 稳定度
• OI 共振/背离程度
• liquidation cluster proximity

看这些特征是：

• 提升 pair admission
• 还是只适合作为 entry veto

实验 D：从单 pair 走向 cluster-neutral book

目的：把 ORCA 真正的“cluster”思想 desk 化。

• 先用规则特征把币分成 5~8 个 cluster
• 只在 cluster 内做 pairs
• 每个 cluster 限 gross / pair 数量上限
• 观察是否能减少“全 book 同时暴露在同一 beta/regime 上”的问题

8) 我对这条线的判断

值得进研究池，而且优先级偏高。

不是因为“深度学习 + physics-informed”这串词听起来厉害， 而是因为它很准确地击中了我们 pairs 研究里一个真实痛点：

> 很多 pair 研究失败，不是输在 entry/exit，而是输在一开始就选了不该做的 pair。

如果后续规则版 admission layer 就能显著提升：

• pair 稳定性
• 回归密度
• pnl per turn
• 成本后存活率

那这条线就可以自然扩成：

1. 一个独立 raw alpha（tradability-aware pairs book）
2. 一个 shared component（给其他 pairs / stat-arb 策略共用的 pair admission 层）

9) 风险与保留意见

• 原论文/开源实现基于 股票月频 + WRDS 数据，不是现成 crypto 5m/15m 策略包。
• 我这里的 Binance 快检只是 sanity check，不是收益复现；它证明的是“相关性不等于 tradability”，不是证明某几个 pair 已经能赚钱。
• OU / half-life 估计对窗口长度很敏感，必须 walk-forward，不能一次估完永久使用。
• cluster 方法可能在强单边市里退化成 beta grouping；需要额外 market beta / funding beta 约束。
• 如果 execution 不足，很多看起来“会回来”的 pair，最后可能死在成本和 time-stop 上。

10) 来源

论文

• Kim, Namhyoung; Na, Yosep; Song, Jae Wook (2025). *Deep Mean-Reversion: A Physics-Informed Contrastive Approach to Pairs Trading*. Proceedings of the 6th ACM International Conference on AI in Finance (ICAIF '25).
• DOI: 10.1145/3768292.3770406
• Readable URL: https://doi.org/10.1145/3768292.3770406
• ACM DOI URL: https://dl.acm.org/doi/10.1145/3768292.3770406
• Repo URL: https://github.com/x7jeon8gi/ORCA

开源仓库

• x7jeon8gi/ORCA (GitHub, 2025)
• 描述：*Pytorch Implementation of Deep Mean-Reversion: A Physics-Informed Contrastive Approach to Pairs Trading (ORCA)*
• Repo URL: https://github.com/x7jeon8gi/ORCA

本地最小快检

• 文件：reports/artifacts/quant_digests/2026-04-03_orca_pairs_sanity.csv
• 口径：Binance Futures 公共 15m K 线，12 个主流 USDT perp，约 30d 样本，66 个 pair，train/test 约 67%/33%