← 返回 Quant Digests · 站点首页

别把这份 2026 策略集只读成股票 API：对 short-cycle desk，更该先测的是「normalized cluster deviation × next-bar snapback」这条 raw alpha

• 时间：2026-04-08 13:58 UTC
• 类型：2026 GitHub repo source audit（README.md + src/strategies/stocks/mean_reversion_cluster.py）+ Binance Spot public 15m portability probe
• 主题类型：raw alpha
• 基础 alpha：同簇资产相对均值路径的归一化离差回归（cluster-relative 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
• 主题标签：mean-reversion / cross-sectional / relative-value / stat-arb / cluster / zscore / 15m / 5m / 3m / 1m / repo / public-data / cost / risk
• 证据类型：工程经验 + 公共数据 portability probe

1. 这次看了什么

看的是 ThewindMom/151-trading-strategies 里 Strategy 3.9: Mean-Reversion (Cluster)：源码默认把一组相关资产的价格矩阵求 cluster_mean，再对每个资产的 asset - cluster_mean 做 z-score，entry_zscore=2.0 反向开仓、exit_zscore=0.5 平仓。它表面上是股票 sector API，但对 crypto desk 真正有价值的不是“原样抄 price-level”，而是把它改写成归一化路径离差的短周期 raw alpha。

2. 核心结论

• 一句话核心结论：这份 repo 最值钱的不是“cluster 平均价”本身，而是“先把同簇资产放到同一条归一化路径上，再做离差 snapback”。
• 一句话证明方式：证据来自两层——先做源码审计确认规则极简、可独立复现；再用 Binance 公共 15m 数据对 ETH/BNB/SOL/XRP/DOGE 做最小 portability probe。
• repo 原版逻辑很简单：lookback=60，对每个资产的离差序列算均值/标准差，z>2 做空、z<-2 做多、|z|<0.5 平仓。这个壳已经足够完整，缺的是 crypto 版归一化与成本层。
• 直接拿原始价格做 cluster mean 在 crypto 横截面很危险，因为 DOGE 和 ETH 的价格单位天生不可比；更合理的是在滚动窗口里先转成累计 log-return 路径，再比较相对 cluster 的偏离。
• 我用 Binance 最近 1000 根 15m 公共 bar 做了一个轻量 probe：若用 24 根窗口、每根都做“long 最低 z / short 最高 z”，下一根均值约 +0.611 bps/trade（t≈0.965, n=974）；窗口拉到 48 根时，下一根约 +0.698 bps/trade（t≈1.037, n=950）。
• 但把持有期拉到 4 根后，24 根窗口变成 -0.277 bps/trade，48 根窗口变成 -0.425 bps/trade；说明这更像很快收口的 snapback，不是能慢慢抱的 swing MR。
• 阈值也未显示“越极端越好”：24 根窗口下，要求 |z|>1 只剩 77 笔，均值约 +0.326 bps/trade；对 desk 来说，先做宽进场 + 小仓位 + 快 time-stop，比追求稀疏大离差更像第一版。

3. 为什么和当前项目有关

这条线直接补的是 raw alpha 素材池，而且属于我们现在缺口更大的 mean reversion / relative value / stat-arb 家族，不是又一个 breakout/filter。相比只做双腿 pairs，它把对象从“单对”放宽到“相关簇里的离群点”，更适合 crypto 里经常一起跑、偶尔单腿失衡的板块（L1、exchange token、meme、AI、DeFi）。更重要的是，刚才的 probe 已经给出一个 desk 级判断：如果要做，优先做 1-bar/2-bar 的快收口，不要默认 1h 级抱仓。

3.5 策略拆解（必填）

• 方向属性：横截面 / 相对价值 / 均值回复
• 基础 alpha：资产相对同簇归一化路径的 z-score 离差回归
• regime：簇内相关性仍高、但单腿出现短时 idiosyncratic overshoot
• filter / veto：只做 top-liquid 成员；事件币/上新币/大额清算时 veto；簇内相关性掉到阈值下时停机
• risk / sizing / execution overlay：按 |z| 和簇内波动缩仓；单簇名义敞口封顶；双腿尽量 maker-ish 或至少同步成交；默认 1~2 根 time-stop

4. 可复刻的最小实验

• 研究假设：在相关 alt 簇里，单腿短时超涨/超跌，相对 cluster 均值会比 outright 趋势更快回归。
• 可计算定义：对每个簇成员，在滚动 24/48 根里把 log-return 累加成归一化路径；spread_i = path_i - mean(path_cluster)；z_i = (spread_i[-1] - mean(spread_i)) / std(spread_i)；做 long argmin(z)、short argmax(z)，或仅在 |z|>0.5/1.0 时入场。
• 最小回测切口：Binance/OKX top-liquid perp；先手工定义 3~5 个主题簇（如 ETH/BNB/SOL/AVAX/ADA），基线跑 15m，再下钻到 5m/3m。
• 最该先看：成本后 expectancy/trade、holding decay（1/2/4 bar）。如果 1 bar 最强、4 bar 明显转负，就应把它当快收口 alpha，而不是中周期配对。

5. 风险与保留意见

• repo 原版直接对原始价格求 cluster mean，移植到 crypto 前必须先做归一化，否则很容易只是价格量纲幻觉。
• 上面的 probe 还是pre-cost，也没加 funding、冲击、双腿不同步成交；0.6~0.7 bps/trade 这种量级，如果全 taker，很可能直接被吃光。
• cluster 定义本身也会过拟合：主题簇、滚动相关簇、成交量簇，三者表现可能差很多；真正该优化的是簇生成和成交方式，不是先暴力调 z-score。

6. 来源

• ThewindMom. (2026). *151 Trading Strategies API*. GitHub.
• Repo URL: https://github.com/ThewindMom/151-trading-strategies
• Readable URL: https://github.com/ThewindMom/151-trading-strategies/blob/main/src/strategies/stocks/mean_reversion_cluster.py
• 相关源码要点：lookback=60、entry_zscore=2.0、exit_zscore=0.5，对每个资产计算 spread = asset - cluster_mean 的当前 z-score，并给出反向信号。