← 返回 Quant Digests · 站点首页

别把 pairs / stat-arb 继续只卷 entry：对 short-cycle desk，更该先补「optimal rebalancing frequency（ORF）governor」这层 cadence overlay

• 时间：2026-04-05 18:52 UTC
• 类型：2024 *Borsa Istanbul Review* 论文（DOAJ / Avesis 摘要元数据）+ GitHub repo source audit + Binance Spot 公共 3m/5m/15m 本地 portability probe
• 主题类型：overlay
• 基础 alpha：cointegration / spread z-score 驱动的 pairs mean reversion / stat-arb
• 是否可独立复现：否
• 是否可直接落地完整策略（entry/exit/sizing/risk/cost）：否
• 主题标签：overlay/pairs/stat-arb/relative-value/mean-reversion/rebalance-frequency/orf/half-life/cadence-governor/cointegration/zscore/binance-spot/3m/5m/15m/paper/repo/public-data/cost/risk
• 证据类型：论文证据（主论文摘要级）+ repo 工程骨架 + 本地便携性快检

> 先回答一句：这篇东西的 base alpha 是什么？ > > base alpha = cointegrated / residual spread mean reversion。 > 这篇 paper 本身不是新 raw alpha，而是给现有 pairs / spread alpha 补一个经常被忽略、但会直接决定净值形状的 rebalancing cadence governor。

1. 这次看了什么，为什么这轮值得写它

这轮主看：

1. Bağcı, M., & Kaya Soylu, P. (2024). _Classification of the optimal rebalancing frequency for pairs trading using machine learning techniques_. Borsa Istanbul Review, 24, 83–90.

• DOI: 10.1016/j.bir.2024.12.004
• DOI URL: https://doi.org/10.1016/j.bir.2024.12.004
• DOAJ: https://doaj.org/article/ea8fd49abc0e419bb95b28b581605866
• Avesis metadata page: https://avesis.marmara.edu.tr/yayin/6148063e-e17d-406d-8108-6497f5d81e61/classification-of-the-optimal-rebalancing-frequency-for-pairs-trading-using-machine-learning-techniques

1. MattiDeBeer / ml-statistical-arbitrage（GitHub） —— 作为现成的 cointegration + z-score 工程骨架，对照看它缺的正是 frequency governance 这一层。

• Repo URL: https://github.com/MattiDeBeer/ml-statistical-arbitrage

这轮不是再补一条新的 pairs raw alpha，而是补 pairs 组件层。原因很直接：

• 最近几篇 digest 已经连续 intake 了多条 pairs / cluster / cointegration / stat-arb raw alpha；
• 但这些 skeleton 里最容易被偷懒写成常数的，正是 多久 rebalance / 多久 refit / 多久允许 spread 回归一次；
• 如果 cadence 选错，研究里看起来有 edge，实盘里就可能只是 过度换仓 + 噪声交易 + 手续费放大器。

所以这轮值得写，不是因为它比 raw alpha 更性感，而是因为它直接决定我们已有那批 raw alpha 能不能从“回测有图”走到“成本后还活”。

2. 一句话核心结论 + 它是怎么证明的

一句话核心结论

对 short-cycle pairs / stat-arb，先别急着再卷 entry；更该先做的是把 spread 当前半衰期 / 相关性桶映射成一个 ORF bucket（多久 rebalance / 多久 time-stop / 多久重估 beta），否则 1m/3m/5m/15m 只是拍脑袋。

一句话它怎么证明

• 论文侧：主论文把 pair trading 的 optimal rebalancing frequency（ORF） 当成一个可分类问题，按 正相关 / 弱相关 / 负相关 三个 subgroup 分桶，再比较 random forest / logistic regression / SVC 对 ORF range 的分类效果；摘要里给出的方向是：负相关 pairs 最好分，正相关 pairs 最难分。
• 本地 probe 侧：我直接对 Binance Spot 近窗 3m/5m/15m 的几个 major-coin pair 做了静态 beta spread + ADF + OU half-life 快检，结果显示：同一类 pair 在不同 bar size 下的“像不像可做 spread”差很多，15m 在最近窗口里甚至大面积退化。

3. 这篇东西最值钱的 4 个点

3.1 这篇 paper 真正值钱的，不是“ML classifier”四个字

摘要里最有用的信息其实很朴素：

• ORF 是 pair trading 的关键参数，不是实现细节；
• 作者不是直接做一个全市场统一频率，而是先按 3 类相关性 subgroup 分桶；
• RF / Logistic / SVC 在 short-term 与 long-term ORF range classification 上都能给出可用结果；
• 负相关 pairs 最容易分类，正相关 pairs 最难。

把它翻成人话就是：

> pairs 不是只有“做不做”两个状态，还有“该多久动一次”这个经常被忽视的第三状态。

3.2 本地 portability probe：3m/5m 还能看到 pocket，15m 最近窗口明显变钝

我用 Binance Spot 公共数据，对 BTC/ETH/SOL/BNB 四个大币，分别在 3m / 5m / 15m 上拉了 各 2400 根 close，做了一个最粗但够诚实的快检：

• 静态 log-price beta 回归
• spread ADF p-value
• OU-style half-life 估计

几个最有信息量的结果：

1. BNBUSDT/BTCUSDT @ 3m

• ADF p = 0.01
• half-life ≈ 68 bars ≈ 204 min

1. SOLUSDT/BNBUSDT @ 5m

• ADF p = 0.01
• half-life ≈ 65 bars ≈ 327 min

1. ETHUSDT/BTCUSDT @ 5m

• ADF p = 0.10
• half-life ≈ 111 bars ≈ 553 min

1. 15m 档最近窗口明显更差

• 这次测的 5 组 pair 里，没有一组在 15m 上达到 ADF p <= 0.10；
• 最好的也只是 p ≈ 0.18，且 half-life 已经飘到 176~191 根 15m bar（约 44~48 小时）。

这组结果对 desk 的含义非常直接：

> 同一条 spread alpha，不是天然适合 15m；很多 current-window 的 mean reversion pocket 只在 3m/5m 还看得到。

3.3 ORF 不是只管 rebalance，它还应该顺手管 3 个东西

如果把 ORF 只理解成“多久调仓一次”，还是太窄。更 desk 化的读法是它至少应该同时控制：

1. 多久允许 refit beta / hedge ratio
2. 多久允许 spread 目标价差重新定义
3. time-stop 该放在几根 bar 以后

也就是说，ORF 更像一个 cadence governor，不是一个孤立参数。

3.4 为什么它现在比继续补一条普通 pairs alpha 更值得

因为我们现在缺的不是“世界上第 N 条 z-score pair entry”，而是：

• 哪些 pair 更适合 3m，哪些更适合 5m；
• 哪些 pair 在当前 regime 下应该降低重平衡频率，避免把本来慢半拍的回归做成高换手噪声；
• 哪些 15m skeleton 其实应该先降级为观察名单，而不是继续推进 admission。

换句话说：

> 这层做好，是给现有 raw alpha 池补 admission / execution 之前的流量调度器。

4. 为什么和当前项目直接相关

它服务的不是某一条孤立策略，而是至少 3 类我们已经在池子里的 raw alpha：

1. cointegration z-score pairs
2. cluster / MST residual mean reversion
3. same-underlier / relative-value spread MR

而且它和当前 desk 的 bar 体系天然对齐：

• 1m / 3m：更像 fast bucket
• 5m：当前看起来是很多 major-pair spread 更现实的主桶
• 15m：不能默认稳健，应该先过 stationarity / half-life 检查再上

4.5 策略拆解（必填）

• 方向属性：pairs / stat-arb 的 cadence overlay
• 基础 alpha：cointegration / residual spread mean reversion
• overlay 本体：pair-state -> ORF bucket
• ORF bucket 建议第一版先离散成：{4, 8, 16, 32, 64} bars
• trade-on：当前 pair 的 ADF / half-life / corr bucket / spread vol 落在可交易区间，且预测 ORF 不超过 desk 可接受持有期
• veto：预测 ORF 太长、当前 half-life 飘到 15m 多日尺度、beta 漂移异常、净边际覆盖不了成本
• sizing / risk：ORF 越长，默认 size-down；time-stop 先设成 1.25~1.5 x predicted ORF；beta refit 只在 ORF 边界上做，别每根都重估

5. 给 desk 的最小可落地版本

第一版不用上复杂 ML，先做一个 rule-based ORF governor 就够：

1. 先按相关性分 3 桶：positive / weak / negative
2. 再按最近窗口 half-life 分 4 桶：

• < 8 bars
• 8~24 bars
• 24~64 bars
• > 64 bars

1. 每个 pair 只允许在对应桶里运行一组 cadence：

• fast bucket：3m 为主，time-stop 偏短
• medium bucket：5m 为主
• slow bucket：只保留观察，或降频到 15m 研究，不急着 live-like

1. 如果 ORF bucket 连续两次漂移出当前 timeframe 可承受范围，直接把该 pair 移出 active universe

这版已经能比“固定每根 rebalance”诚实很多。

6. 下一步怎么测（这轮最重要）

6.1 先测什么

在现有 3 条 pair/raw-alpha skeleton 上都加一层 ORF governor，再做 A/B：

• baseline：固定 cadence（例如每根 5m 都允许开/平/重平衡）
• treatment：ORF bucket governance

优先测试对象：

1. 2026-04-03_1625_orca-tradability-cluster-pairs-alpha.md
2. 2026-04-04_0316_kraken-pairs-zscore-stoploss-shell.md
3. 2026-04-04_2028_ga-triplebarrier-pair-label-veto-alpha.md

6.2 最小实验口径

• 数据：Binance / Bybit / Kraken 公开 3m / 5m / 15m
• pair universe：先只做 BTC/ETH/SOL/BNB 里的 4~6 组高流动对
• label：每个 walk-forward 训练窗里，对 ORF ∈ {4,8,16,32,64} 做净收益 / Sharpe / turnover-adjusted pnl 排名，取最优桶为 label
• features：
• rolling correlation (20/60/120)
• ADF p-value
• half-life
• spread vol
• z-score hit rate
• beta drift
• 对比：
• gross pnl
• net pnl（至少 4/6/8 bps round-trip 三档）
• turnover
• avg holding time
• stop-out ratio

6.3 预期先看什么结果

这轮最先看 3 件事：

1. ORF governor 能不能显著降低 turnover；
2. 降 turnover 后，净 pnl / Sharpe / RoMaD 有没有改善；
3. 哪些 pair 明明 entry 看着不错，但一旦 ORF 估出来太长，就该直接 veto。

7. 先别自嗨的风险

1. 主论文当前在本环境里仍然是摘要级证据。 我们拿到了 DOAJ / Avesis / Crossref / OpenAlex 元数据，但没有拿到全文逐表复核，所以这轮更像高质量组件 intake，而不是 clean replication。
2. 本地 probe 很粗。 这里只做了静态 beta + ADF + OU half-life，没做滚动 cointegration、也没做完整成本后组合回测。
3. major-coin spot pair 不代表全部 universe。 它更多是告诉我们 cadence 不能拍脑袋，不是告诉我们“BNB/BTC 就一定是最好那组”。
4. ORF 可能是 regime-dependent。 同一 pair 在高波动 / 低波动、亚洲盘 / 美盘下，最优 bucket 可能会漂。

8. 这轮最值得记住的 desk 化结论

如果只记一句：

> pairs alpha 现在更该先补“多久动一次”这层 governor，而不是继续盲加 entry 条件。最近窗口里，3m/5m 还能看到 pocket，15m 不应默认稳健。

9. 来源

1. Bağcı, M., & Kaya Soylu, P. (2024). _Classification of the optimal rebalancing frequency for pairs trading using machine learning techniques_. Borsa Istanbul Review, 24, 83–90.

• DOI: 10.1016/j.bir.2024.12.004
• Readable URL: https://doi.org/10.1016/j.bir.2024.12.004
• DOAJ: https://doaj.org/article/ea8fd49abc0e419bb95b28b581605866
• Avesis metadata page: https://avesis.marmara.edu.tr/yayin/6148063e-e17d-406d-8108-6497f5d81e61/classification-of-the-optimal-rebalancing-frequency-for-pairs-trading-using-machine-learning-techniques

1. MattiDeBeer. _ml-statistical-arbitrage_. GitHub repository.

• Repo URL: https://github.com/MattiDeBeer/ml-statistical-arbitrage
• 本地读过：README.md、models/statarb_policy.py、envs/binance_trading_enviroment.py、scripts/algo_dataset_generator.py

1. 本地 Binance Spot portability probe（2026-04-05）

• 标的：BTCUSDT / ETHUSDT / SOLUSDT / BNBUSDT
• 频率：3m / 5m / 15m
• 样本：各频率每个标的最近 2400 根 close
• 方法：静态 beta spread、ADF p-value、OU half-life
• 结果摘要：3m/5m 仍见可疑 pocket；15m 最近窗口在所测 5 组 pair 上整体明显变钝