← 返回 Quant Digests · 站点首页

别把这份 2025/2026 Binance 1m Engle-Granger 仓库只当 pairs 作业：对 short-cycle desk，更该先测的是「15d/5d walk-forward pair admission × spread z-score mean reversion」完整 raw alpha

• 时间：2026-04-04 06:41 UTC
• 类型：2025/2026 GitHub repo source audit（GitHub API metadata + README.md + pairs_finder01.py + backtesting_01.py + pairs_summary.csv + trading_bot01.py）+ Binance USDⓈ-M 公共 3m/5m/15m 最小可移植性快检
• 主题类型：raw alpha
• 基础 alpha：cointegrated pair 的 spread z-score 均值回归，但更值钱的不是“单次 z-score 开平”，而是 15d train / 5d test 的 walk-forward pair admission + threshold trading 这条完整链路
• 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/cointegration/engle-granger/walk-forward/pair-admission/zscore/binance-futures/1m/3m/5m/15m/repo/public-data/cost/risk
• 证据类型：仓库工程证据 + 公共数据快检

1. 这次看了什么

先回答这轮最关键的一句：

> 这篇东西的 base alpha 是什么？ > > 答：是 pairs / stat-arb 的 spread 均值回归 raw alpha。

但这份 repo 真正值得 intake 的，不只是“两个币价差偏离再回归”这句老话，而是它把 选对、再训练、再下 z-score 单 这三步串成了一条可复现的短周期骨架：

• pairs_finder01.py：在 90+ Binance Futures USDT 合约上做 rolling Engle-Granger 扫描；
• backtesting_01.py：用 15d train + 5d test 的 walk-forward 方式，生成 spread 与 z-score，并给出 entry / exit / commission；
• trading_bot01.py：把筛出来的 pair、alpha/beta、阈值、风险比例写进实时 bot 配置。

一句话结论：

> 这份仓库最值得 desk 先抄的，不是“又一个 pair z-score”，而是 walk-forward pair admission → intraday spread trade 这层完整 raw alpha 操作系统。

2. 核心结论（给 desk 的可执行信息）

2.1 为什么它不是普通教学仓

仓库作者 abbbbbv 的 repo pairs_trading_cointegration-（创建于 2025-11-15，最近更新 2026-01-21）把 4 件平时经常被拆开的事放进一条链：

1. pair admission：不是先拍脑袋定 pair，而是 rolling Engle-Granger 扫描全池；
2. walk-forward refit：不是一组 beta 用到底，而是 15 天训练 / 5 天测试 滚动重估；
3. signal trading：|z| > entry 开仓，|z| < exit 平仓；
4. live bridge：把最新 alpha / beta / threshold / risk_pct 填进 bot。

这和单纯“静态 pair + 固定 z-score 回测”不一样：

> alpha 本体不是单独某个 pair，而是“pair admission + spread MR execution”联立后的完整 raw alpha。

2.2 仓库里真正有用的参数骨架

backtesting_01.py 里给出的核心壳子很清楚：

• 数据：Binance Futures 1m
• 训练 / 测试：15d / 5d
• z-score 窗口：96
• 入场：|z| > 2.0
• 出场：|z| < 0.5
• 手续费：0.0004（约 4 bps）
• 单次风险：risk_per_trade = 0.1

而 trading_bot01.py 直接给了 live shortlist：

• TRBUSDT-FILUSDT：alpha=2.4443，beta=1.2645，entry=2.5，exit=0.5，risk_pct=0.35
• IOTAUSDT-ONEUSDT：alpha=2.7384，beta=0.9660，entry=1.5，exit=0.5，risk_pct=0.35

这说明作者自己也不是把所有 pair 用同一门槛硬跑，而是已经在做 pair-specific thresholding。

2.3 pairs_summary.csv 给出的 shortlist 线索

仓库自带的 pairs_summary.csv 虽然不是收益表，但它至少给了 stability + signal density 两类 admission 信息：

• REEFUSDT-RVNUSDT：平均 p-value ≈ 0.0088，15/15 个窗口 cointegrated，z_crosses=11,416
• TRBUSDT-FILUSDT：平均 p-value ≈ 0.0421，10/15 个窗口 cointegrated，z_crosses=14,109
• IOTAUSDT-ONEUSDT：平均 p-value ≈ 0.0455，12/15 个窗口 cointegrated，z_crosses=13,064

这里最重要的不是“哪一对第一名”，而是：

> 它把 pair ranking 的标准从“看上去像”变成了“训练窗稳定性 + 测试窗激活密度”。

这正是我们 desk 当前更需要的 admission layer。

3. 为什么和当前项目直接相关

当前 bot7 的主目标不是围绕固定形态内循环，而是持续补充 可独立复现、可直接落地、适合 1m/3m/5m/15m 的 raw alpha 素材池。

这份 repo 值得选，不是因为它“新奇”，而是因为它刚好补了一个很实用的缺口：

• 最近 intake 已经有不少 single-asset mean reversion / trend；
• pairs 家族虽然也做过不少，但很多材料停在 静态 pair / 单次回测 / 缺 live bridge；
• 这份 repo 给的是 Binance Futures 1m + walk-forward pair admission + bot bridge，对 short-cycle desk 更像可以直接拆件复现的工程骨架。

如果要回答“它为什么比继续补一个泛化 filter 更值得”，答案很简单：

> 因为它本身就是 raw alpha，而且是完整策略链，不是二层修饰件。

3.5 策略拆解（必填）

• 方向属性：pairs / stat-arb / relative-value / mean reversion
• 基础 alpha：cointegrated spread 偏离后的均值回归
• regime：默认无单独宏观 regime；核心 regime 其实是 pair stability / cointegration persistence
• filter / veto：
• rolling cointegration admission
• pair-specific entry / exit
• 后续可加 liquidity / fee / slippage veto
• risk / sizing / execution overlay：
• 回测壳默认 risk_per_trade = 10%
• live bot 配置提升到 35%，说明仓库作者默认做少对数、重仓化
• 佣金约 4 bps
• 交易对象是 Binance Futures，天然需要 maker/taker 与 funding 口径复核

4. 最小可复现实验（这轮已给到可跑口径）

4.1 本轮公共数据快检口径

我额外用 Binance USDⓈ-M 公共 kline，对 repo live bot 里两组 pair 做了一个 不依赖私有环境 的最小 portability probe：

• 数据源：Binance USDⓈ-M fapi/v1/klines
• pair：TRBUSDT-FILUSDT、IOTAUSDT-ONEUSDT
• 周期：15m / 5m / 3m
• 训练 / 测试：按 repo 口径取最近 15d train + 5d test
• 估计：train 段 OLS alpha/beta
• 信号：test 段对 spread 做 rolling zscore(96)，统计 |z| 过门槛频次与 entry=2 / exit=0.5 事件

4.2 本轮 4 个关键数据点

1. TRB-FIL 在最近样本里仍是可激活 pair，不只是 repo 旧结果。

• 15m：beta ≈ 0.704，spread AR(1) 半衰期约 87.3 bars，测试窗 |z|>=2 共有 58 次，形成 6 次入场、5 次出场，平均持有约 31.5 bars。

1. IOTA-ONE 在最近样本里的回复更快。

• 15m：beta ≈ 0.881，半衰期约 13.4 bars，测试窗 |z|>=2 共有 84 次，形成 7 次入场、6 次出场，平均持有约 33.7 bars。

1. 降到更快周期后，信号密度明显上升。

• TRB-FIL：|z|>=2 次数从 15m: 58 → 5m: 173 → 3m: 298
• IOTA-ONE：15m: 84 → 5m: 223 → 3m: 301

1. 这不是“越快越好”，反而提示成本断崖。

• 3m/5m 的 event density 很高，但若没有 maker 占比、挂单排队、最小 tick / 最小名义过滤，极可能只是把更多毛信号换成更多手续费。

4.3 这轮快检的 desk 解读

最保守的解读应该是：

• 15m 适合做 first-verdict 主线：样本稳定、交易数没那么爆炸；
• 5m 适合做 selective extension：只放最稳定 pair + 更高 entry percentile；
• 3m 默认不直接上 production alpha：除非先证明 maker fill / slippage / cooldown 后仍有净边；
• 1m 可以保留为 live execution / monitoring resolution，但不该先当 admission 主频。

5. 下一步怎么测（直接可执行）

1. 先重写成真正的两腿 PnL 回测，而不是 spread synthetic price。

• 用美元中性腿：long y / short beta*x；
• 把手续费、funding、借贷/机会成本都放进真实现金流。

1. 把 pair admission 独立成一层。

• 不是“先挑两对再回测”，而是每 5d 重跑一次：
• cointegration persistence
• half-life
• signal density
• top-of-book liquidity
• estimated turnover cost

1. 做 cost ladder。

• 至少跑 2 / 4 / 8 / 12 bps 四档；
• 分开统计 15m 和 5m 的 break-even signal density。

1. 做 pair-specific threshold bucket。

• 不要全市场统一 entry=2.0；
• 对快回复 pair 试 1.5/0.5，对慢回复 pair 试 2.5/0.5。

1. 加 portfolio shell，但不要急着上多对。

• 第一轮先做 top 3 pairs；
• 再测试 pair 之间相关性、同步拥挤和 trade overlap。

6. 风险与保留意见

• 这份 repo 没有直接给出可信的 out-of-sample PnL 表，pairs_summary.csv 更多是 admission ranking，不是收益证明。
• top-ranked pair 里有些币对（如 REEF/RVN）对今天 desk 未必够流动或够稳，必须先做 tradability 清洗。
• trading_bot01.py 里的 live 参数是手工 hard-code，若不定期重估 alpha/beta，很容易 stale。
• 回测用 backtesting.py 把 spread 变成合成价格，这对研究阶段够用，但离真实两腿 PnL 还有一层工程差距。
• live config 用到 risk_pct=0.35，对短周期 pairs 来说偏激进；这更像 demo 配置，不应直接照搬。

7. 来源

1. abbbbbv (2025/2026). _pairs_trading_cointegration-_ (GitHub repository).

• Repo URL: https://github.com/abbbbbv/pairs_trading_cointegration-
• Readable URL: https://github.com/abbbbbv/pairs_trading_cointegration-
• Created: 2025-11-15
• Updated: 2026-01-21

1. Engle, Robert F., & Granger, Clive W. J. (1987). _Co-integration and Error Correction: Representation, Estimation, and Testing_. Econometrica.

• Venue: *Econometrica*
• DOI: 10.2307/1913236
• Readable URL: https://www.jstor.org/stable/1913236

1. Binance USDⓈ-M Futures API — Kline/Candlestick Data.

• Readable URL: https://developers.binance.com/docs/derivatives/usds-margined-futures/market-data/rest-api/Kline-Candlestick-Data
• Data publicness: 公开可得
• Update frequency: 交易所实时更新，研究侧可按 1m/3m/5m/15m 抽样

8. 本地产物

• reports/artifacts/quant_digests/engle_pairs_20260404_portability.csv
• research/quant_digests/2026-04-04_0641_binance-1m-walkforward-engle-granger-pairs-alpha.md