← 返回 Quant Digests · 站点首页
把 2026 DM-MSTP clustering paper 改写成短周期可交易的「dynamic MST cluster-relative value」raw alpha
更新时间：2026-04-04 13:12 UTC
研究时间：2026-04-04 13:14 UTC
类型：paper-branch
主题标签：raw-alpha/cross-sectional/relative-value/stat-arb/cluster-mean-reversion/mst/correlation-network/dynamic-universe/binance-perpetual/15m/5m/3m/1m/paper/public-data/cost/risk
证据类型：2026 open-access paper full text + 文内参考文献链路 + desk-oriented transfer spec
源文件：research/quant_digests/2026-04-04_1314_dynamic-mst-cluster-relative-value-alpha.md
- 时间：2026-04-04 13:14 UTC
- 类型：paper-branch
- 主题标签：raw-alpha/cross-sectional/relative-value/stat-arb/cluster-mean-reversion/mst/correlation-network/dynamic-universe/binance-perpetual/15m/5m/3m/1m/paper/public-data/cost/risk
- 证据类型：2026 open-access paper full text + 文内参考文献链路 + desk-oriented transfer spec
- 主题类型：raw alpha
- 基础 alpha：同一动态相关性簇内部，短周期的相对超涨/超跌会比跨簇偏离更快回归；做法是只在同簇里做 leader-vs-laggard 的 residual mean reversion。
- 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
1. 这次看了什么
这次主材料不是一篇直接给出 intraday strategy backtest 的论文，而是一篇 2026 年刚发表、目前还没进现有 digest 索引 的 crypto clustering 论文：它用相关系数矩阵 → 距离矩阵 → minimum spanning tree（MST）→ 聚类，把 35 个币分成少数几个结构簇。对我们真正有用的，不是它的“组合优化” headline，而是它提供了一个可复现的、能直接服务于短周期 relative-value / cross-sectional alpha 的分组骨架。
结合最近学习进展看：最近几轮已经补了很多 pairs / cointegration / maker / carry / microstructure，但“先怎么把 universe 分簇，再只在同簇里做残差交易”这层还不够系统。这篇 paper 正好补这个组件层，而且能直接转成 5m/15m，甚至压到 3m/1m 的最小实验。
2. 论文里最值得记住的 4 个点
- 样本与口径：论文用 CoinMarketCap 的 35 个 crypto，时间从 2018-11-01 到 2025-09-01，频率是月度收盘价。
- 核心构造：先算相关矩阵，再转成距离矩阵，然后用 DM-MSTP 生成最小生成树；文中给出的整棵树总距离是 31.424。
- 结构事实：文中明确写到 BTC-ETH 相关系数约 0.76；稳定币 USDT / USDC / DAI 会形成一个很紧的低波动簇。
- 四簇视角：作者最终采用 4 个 cluster 来描述市场结构：稳定币簇、BTC/XMR/BCH 这类“成熟 core”簇、ETH/DOGE/XLM/SOL 这类高交易/高 beta 簇，以及 AAVE/PEPE/OKB 等更偏创新/DeFi/exchange-token 的簇。
这些点本身不是 alpha，但它们告诉我们一件很重要的事：“谁和谁该被拿来比较” 不能只靠肉眼，也不该只靠全市场统一阈值。
3. 为什么它能被改写成 raw alpha，而不只是 filter
如果只停在论文原文，这篇更像 clustering / portfolio-construction tool。但对 desk 来说，更值钱的旁支想法是：
> 别在全市场乱做 mean reversion；只在“同一动态相关性簇”内部，做 residual spread 的 leader-laggard 回归。
这就把论文里的 cluster map，转成了一个可以单独交易的 raw alpha：
- 不做“BTC 和 random meme coin”的伪 relative-value；
- 只做同簇资产之间的相对偏离；
- 先让 MST / cluster 帮你定义可比组，再在组内做
z-score / residual；
- 这会比全市场 cross-sectional reversal 更接近“真正可比”的残差回归。
所以它不是纯 filter，而是一个能独立成策略的 raw alpha 候选。
4. 最小可复现实验：直接翻成 15m / 5m 版本
4.1 Universe
- 标的：Binance USDⓈ-M 或 Hyperliquid 上 20~40 个最活跃 perp。
- 先排除：稳定币锚定类、明显断档/新上市样本不足的标的。
- 建议起步池：
BTC ETH SOL XRP ADA DOGE LINK AVAX LTC BCH DOT TON SUI NEAR AAVE UNI TRX XLM ETC HYPE。
4.2 动态分簇
- bar：先做
15m，再压到 5m。
- rolling window：
15m：过去 14 天（约 14*24*4=1344 bars）5m：过去 7 天（约 7*24*12=2016 bars）- return：log return。
- 相似度：Pearson correlation。
- 距离：
d_ij = sqrt(2 * (1 - rho_ij))。
- 构图：对距离矩阵做 MST；然后切成 3~4 个 cluster，默认先试
K=4，因为这和论文的最终读法一致。
4.3 raw alpha 定义
对每个 cluster 内的每个资产 i：
- 先算 cluster benchmark：
r_cluster,t = equal_weight(return of peers in same cluster)
- 定义残差：
resid_i,t = r_i,t - beta_i * r_cluster,t
- beta 可以先简化成
1
- 第二版再换成 rolling OLS beta
- 对残差做 rolling z-score：
15m 先试 lookback = 96（约 1 天）5m 先试 lookback = 288（约 1 天）
- 交易规则：
z_i >= +1.75：做空该币，同时在同簇里做多最弱的 1 个或 cluster basketz_i <= -1.75：做多该币，同时在同簇里做空最强的 1 个或 cluster basket
本质就是：同簇 leader-laggard spread 不追趋势，先赌 residual 回归。
5. 我建议的第一版完整策略壳
5.1 Entry
- 仅在 cluster size
>= 3 时开仓；太小的簇不做。
- 仅在该币与 cluster 的 rolling corr
>= 0.35 时开仓；否则说明“同簇名义成立，但短期同步性不够”。
|z| >= 1.75 入场。- 若 cluster 当下 1h realized vol 处于过去 30 天 前 10%，暂停开新仓；避免把结构性 break 当成均值回归。
5.2 Exit
- 主止盈：
z 回到 0 ~ 0.35。
- 时间止损：
15m：12~16 bars5m：24~36 bars- 结构止损：若该币在最新一次重算 cluster 时换簇，直接平仓。
- 价差止损：
|z| 从入场后继续扩大 0.9~1.1 个 z 单位则止损。
5.3 Sizing
- 每条 spread 目标波动率一致化：按 spread 过去 20 天 realized vol 做 inverse-vol sizing。
- 单 cluster 风险上限：组合 NAV 的
20%~25%。
- 单资产 notional cap：组合 NAV 的
8%~10%。
- 同时活跃持仓条数先限制在
4~8 条，防止“看似分散，实则都押在同一个 beta shock 上”。
5.4 Cost
- 默认按 perp taker+taker 双边先估；如果能 maker 进、taker 出，再做第二版。
- 第一版必须记录：
- spread crossing cost
- funding carry（若持仓跨 funding 结算）
- cluster rebalance turnover
- 这类 alpha 很容易gross 有 edge，net 被 turnover 吃掉，所以 turnover/holding-time 要和 PnL 一起看，不要只看 Sharpe。
6. 这篇 paper 真正给我们的启发
启发 1：先分簇，再做 residual，比“全市场统一反转”更像正经 stat-arb
全市场 cross-sectional reversal 最大的问题是：你把不同风格、不同 beta、不同交易人群的币硬塞进一个 ranking。MST cluster 至少给了一个比“拍脑袋分组”更有依据的 universe partition。
启发 2：cluster 变化本身也可以当 regime 信号
如果某个币频繁换簇，或者某个 cluster 在短时间内从紧密变松散，那通常意味着：
- regime 变了；
- 这时候 continuation 可能比 mean reversion 更占优；
- 或者至少应该把 reversal size 降下来。
启发 3：它同时服务至少两类 raw alpha
这套动态分簇不只服务这一条 residual MR：
- cluster-internal mean reversion（本文主推）
- cluster-relative momentum / leader continuation（当 cluster breadth 明显单边时）
所以就算第一版 residual MR 结果一般，这篇东西也不会白看。
7. 下一步怎么测
A. 最小实验（优先）
- 数据：Binance USDⓈ-M
15m klines，最近 180 天。
- Universe：20 个主流 perp。
- 每天/每 4 小时重算一次 MST + 4 clusters。
- 组内 residual z-score 进出场。
- 先只看：
- 胜率
- 平均持仓时长
- 单笔毛利 / 单笔净利
- turnover
- cluster 内/cluster 外对照
B. 关键对照
- 同簇 residual MR vs 全市场 residual MR
- 动态 cluster vs 静态人工 sector bucket
K=3 vs K=4equal-weight cluster benchmark vs beta-adjusted cluster benchmark
C. 快速失败条件
如果出现以下任一情况，可以尽快判弱：
- 扣成本后显著转负；
15m 有效但 5m 明显崩掉，且不是 sample size 问题；- 换簇频率过高，导致策略等于在追噪音；
- 所谓 alpha 其实只是 BTC beta 的伪装。
8. 我对这篇材料的判断
这篇 paper 的 headline 其实偏 结构识别 / 组合优化，不是现成的 intraday alpha 论文；但它给了我们一个目前研究池里还不够完整的拼图：
用可复现的 MST / cluster 方法，先定义“谁应该和谁比较”，再在组内做 short-cycle relative value。
如果你让我在当前 desk 里排优先级，我会把它放在：
- 不是最高优先级的“拿来即跑”论文，
- 但属于非常值得补进素材池的结构件，
- 尤其适合服务后续的
pairs / relative value / cross-sectional mean reversion 这三条线。
一句话版：
> 这篇 2026 clustering paper 最值得抄的，不是它的组合优化结论，而是把它改写成“dynamic MST cluster → 同簇 residual MR”的短周期 raw alpha。
9. 来源与链接
- Dhouib, S., Ezzine, H., Abdelhedi, M., Ellouz, S., & Chabchoub, H. (2026). _Clustering cryptocurrencies market through the innovative DM-MSTP method_. Frontiers in Blockchain, 9, 1744921.
- Mantegna, R. N. (1999). _Hierarchical structure in financial markets_. European Physical Journal B, 11, 193–197.
- Jing, R., & Rocha, L. E. C. (2023). _A network-based strategy of price correlations for optimal cryptocurrency portfolios_. Finance Research Letters, 58, 104503.