← 返回 Quant Digests · 站点首页

别把这份 2026 research engine 只读成 ML 大拼盘：对 short-cycle desk，更该先拆的是「5m 特征 → beta-neutral 1h cross-sectional ranker」这条 raw alpha

更新时间：2026-04-04 12:27 UTC 研究时间：2026-04-04 12:26 UTC 类型：2026 GitHub 新 repo source audit（`README.md` + `azalyst_v6_engine.py` + `azalyst_factors_v2.py` + `azalyst_train.py` + `azalyst_validator.py`） 主题标签：raw-alpha/cross-sectional/relative-value/stat-arb/beta-neutral/return-ranking/elastic-net/mean-reversion/momentum/regime-gate/top-bottom/binance/5m/15m/3m/1m/repo/public-data/cost/risk 证据类型：repo 源码证据

源文件：research/quant_digests/2026-04-04_1226_azalyst-betaneutral-1h-xs-ranker-alpha.md

1. 先回答一句：base alpha 是什么？

base alpha = 在 crypto 截面里，去预测“谁会在未来 1h 跑赢同一时点的市场平均”，然后做 top/bottom 排名交易。

这不是 filter，也不是 overlay。 它本体就是一条 cross-sectional / relative-value raw alpha：

所以这条思路对我们 desk 的价值，不在“它用了 Elastic Net / XGBoost”，而在于它把 short-horizon relative outperformance 明确写成了可训练、可排序、可交易的目标。

2. 一句话核心结论

这份仓库真正值得 intake 的，不是它那层很重的 weekly ML 外壳，而是里面那条可独立抽出来的 raw alpha：5m 因子 → 1h beta-neutral 相对收益排序 → top/bottom 组合。

换句话说：

这一步对 1m/3m/5m/15m short-cycle desk 很有用，因为它天然更适合：

3. 它是怎么证明这件事的？

repo 的证据链，至少在工程定义上是完整的：

  1. 数据层：3+ 年、444 个 Binance 交易对、5m OHLCV、26M+ 行；
  2. 目标层：预测 12 根 5m bar（即 1h）后的 forward return，但先减去同日截面均值，形成 beta-neutral target；
  3. 训练层：26 周 rolling 窗口、13 周重训、Purged K-Fold、并对 1h 目标做 12 bar 非重叠抽样，尽量减少 label overlap；
  4. 组合层：默认 top-5 longs + bottom-5 shorts，equal-weight，round-trip fee 直接写成 0.2%；
  5. 否证层：不是只跑 ML，而是先拿 ret_1w / ret_3d / vol_regime / composite baseline 去打 falsification campaign，要求 ML 至少要打赢简单排序基线才算有存在价值。

这套证据还不是独立验证后的 alpha 成立证明，但已经足够说明： > 作者并不是在写一个“花哨预测器”，而是在认真定义一条 可交易的截面 raw alpha。

4. 对 short-cycle desk，真正该抄的是哪一层？

4.1 值得抄的层

最值得拿走的是下面这个最小骨架：

这比“单币做多/做空预测”更像我们当前素材池里缺的那类东西： cross-sectional relative-value raw alpha。

4.2 不该照单全收的层

repo 当前的执行外壳，反而是我最不想直接照抄的部分：

所以对我们 desk，更合理的读法不是“把它整套 weekly engine 搬过来”，而是：

> 把 repo 的 base alpha 抽出来，换掉它的 weekly shell，改成 15m rebalance / 1h hold 或 5m staggered hold 的 short-cycle 版本。

5. 为什么这轮值得优先于继续补单币结构型 raw alpha？

因为这条材料直接补的是我们现在仍然稀缺的一层：

而且它还有两个很实际的价值：

  1. 给我们一个“如何把市场方向剥掉”的干净定义

    2. 不是先做多空择时，再想办法对冲；而是一开始就把 target 定义成相对收益。

  1. 给我们一个“先证明简单基线，再谈 ML”的研发顺序

    2. 这跟当前 learning track 很契合。我们不用现在就上重 ML，先测：

6. 这条策略的完整策略部件是否齐全？

结论：齐全，但要把 holding clock 从 weekly 改回 short-cycle。

6.1 Entry（入场）

repo 的本质入场并不复杂：

6.2 Exit（出场）

repo 原生是周度 close-to-close 壳。 对我们 desk，更合适的 exit 改写是：

6.3 Sizing / Risk

repo 已经给出两层有用模板：

这两层都能直接迁移到我们后续 15m/5m 实验。

6.4 Cost

repo 直接把 round-trip fee 写成 20 bps。 对我们 desk，第一轮更该跑 friction ladder：

因为 cross-sectional ranker 很容易在 gross 上看着像样，但被 turnover 吃掉。

7. 下一步怎么测（直接可排实验）

实验 A：先别上 ML，先跑 simple rank baselines

在 liquid universe（先 20~30 个主流 perp/spot）上，用公开 5m 数据做：

看：

实验 B：把 weekly shell 改成 short-cycle shell

固定同一组特征，不急着换模型，只改执行钟：

目标：先回答 alpha 本体有没有短周期可移植性，而不是先追最优 Sharpe。

实验 C：long-only bull gate 是否真的必要

对同一横截面 ranker，分三档比较：

看它到底是：

实验 D：feature truth table，而不是全量 72 因子

优先只看这 10 个 stable features 的 sign / rank 是否稳定：

8. 风险与保留意见

  1. raw alpha target 定义；
  2. simple rank baseline；
  3. regime gate 是否增益；
  4. 只有在简单 baseline 成立后，才考虑 Elastic Net。

9. 来源

  1. Azalyst / gitdhirajsv (2026). _Azalyst Alpha Research Engine_. GitHub Repository.
  1. Repo source files used in this digest
  1. López de Prado, M. (2018). _Advances in Financial Machine Learning_. Wiley.
  1. Kyle, A. S. (1985). _Continuous Auctions and Insider Trading_. Econometrica.
  1. Amihud, Y. (2002). _Illiquidity and stock returns: cross-section and time-series effects_. Journal of Financial Markets.