← 返回 Quant Digests · 站点首页

别再用 gross spread/funding 直接开仓：这份 2026 repo 更值得 desk 复用的是「post-cost tradeable label」这层 admission filter

• 时间：2026-04-12 22:05 UTC
• 类型：GitHub repo + 公共数据快检
• 主题类型：filter
• 基础 alpha：服务的 base alpha 是 perp rich spread fade + funding carry 这类 delta-neutral relative-value 交易：当 perp 相对 spot 偏贵时做 short perp + long spot，等待价差回归，并让 funding 作为 carry 补贴；这篇笔记讨论的不是 alpha 本体，而是“这笔 trade 扣完成本后到底值不值得做”的 admission 层
• 是否可独立复现：是
• 是否可直接落地完整策略（entry/exit/sizing/risk/cost）：否
• 主题标签：filter / admission / post-cost-label / funding / basis / delta-neutral / relative-value / spread-mean-reversion / binance / btc / 15m / 5m / repo / cost / risk
• 证据类型：仓库源码与内置报告 + 公共数据快检

1. 这次看了什么

主线材料仍来自 MengerWen (2026), _Deep Learning-Based Delta-Neutral Statistical Arbitrage on Perpetual Funding Rates_ 这个 GitHub 仓库，但这次不重复讲它上次那条 raw alpha 壳，而是单独拎出 repo 里对当前 desk 更通用、也更值得复用的一层：post-cost tradeable label。

翻成人话，它回答的不是“这笔 trade gross 有没有正收益”，而是：

> 如果我在 t 看到一组 funding / spread / vol / liquidity 特征，并在下一根才进场，这笔 delta-neutral 交易在未来 H 小时里，扣完手续费、滑点、gas 之后，净收益有没有超过可交易门槛？

这比直接拿 spread_z > 1.5、funding > 0 就开仓更适合我们现在的短周期素材池，因为 desk 里很多 relative-value / pairs / funding / basis 线索，最大的问题都不是“有没有一点回归”，而是那点 gross edge 根本不够填摩擦成本的坑。

2. 核心结论

• 一句话核心结论： 这份 repo 最值得 desk 先复用的，不是深度学习模型，而是 “先把 future net return after cost 做成标签，再用它决定 trade on / trade off” 这层 admission filter；对短周期 funding / basis / pairs 素材池，这往往比继续调模型更值钱。
• 一句话证明方式： 我先读 repo 的 labels.md、labels/default.yaml、labels/generator.py、signals.md 与 robustness summary，再用 Binance 公共 spot/perp 15m klines + fundingRate 做最近 90d 的最小快检，验证“gross 上看着有一点 edge”的 spread/funding 条件，在 repo 默认成本口径下几乎全部会被 after-cost 标签否掉。
• repo 这层 label 的默认定义非常明确：
• 方向默认是 short_perp_long_spot
• t 时刻看到特征，下一根 bar 才进场，避免同 bar 泄漏
• 默认看 8h / 24h 两个 horizon
• tradeable 阈值是 未来净收益 > 5 bps
• 默认成本模型约等于 34 bps：4 × (5 bps taker + 3 bps slippage) + $2 gas / 10k notional ≈ 34 bps
• repo 自带 OOS robustness 给的最有用数据点，不是 DL 比规则更强，而是 阈值越严，少做烂交易越重要：
• combined_funding_spread 在 base 测试里 7 笔交易，累计回报 -0.2328%；
• 同一策略把 min_signal_score 提到 1.0 后，最佳阈值情景的累计回报收敛到 -0.0664%；
• lstm 测试期 0 笔交易，反而说明“after-cost 标签 + 高门槛”会天然把可交易样本压得很稀疏。
• 我做的 Binance BTCUSDT 近 90d、15m 快检也支持这一点：
• 若只看 base alpha 方向（spread_z_1d > 1 且 funding > 0），未来 8h 的平均 gross 只有 +1.80 bps；
• 全样本平均 gross 更只有 +0.48 bps；
• 但一旦套进 repo 默认 34 bps 成本口径，样本内 0 / 872 个 bar 能达到 tradeable > 5 bps；
• 即使看我定义的简单 top-score decile，也还是 0% tradeable。

这正是这层 label 存在的意义：别把“有一点回归”误判成“可以交易”。

3. 为什么和当前项目有关

这篇东西和当前 momentum desk 的关系很直接，因为我们最近 intake 的很多 raw alpha，本质上都属于“gross edge 很薄、成本/执行决定生死”的家族：

• funding / basis / spot-perp / perp-perp relative value
• pairs / spread fade / residual fade
• maker-first OFI / quote skew / fair-value gap

这些方向常见的误判是：

1. 先看见均值回归；
2. 再把它当 alpha 成立；
3. 最后才发现净收益根本不够。

而 post-cost tradeable label 正好把这个顺序倒过来：

• 先把 future net return after cost 显式写出来；
• 再问这笔 trade 有没有资格进入候选集；
• 最后才谈模型、排序、仓位和执行。

对当前 desk，它更像一层shared admission filter，可同时服务：

• perp-quarter residual gap
• cross-venue basis differential
• stacked z-score pairs
• PCA / OU residual fade

而不是只服务一个单独仓库。

3.5 策略拆解（必填）

• 方向属性：不是独立方向 alpha；属于 relative-value / carry 类 raw alpha 的 admission filter
• 基础 alpha：perp rich spread fade + funding carry（更广义上是 cost-fragile 的 spread / basis / pairs raw alpha）
• regime：
• spread 已明显偏离
• funding 符号与交易方向一致
• 更高流动性、较低冲击成本时才更可能被放行
• filter / veto：
• 只在 future_net_return_bps_H > min_expected_edge_bps 时允许交易
• H 可取 1h / 4h / 8h / 24h
• min_expected_edge_bps 不是固定神数，应跟成本档位联动
• risk / sizing / execution overlay：
• 用 label 先做 go / no-go
• 再把预测净边际映射到 size-up / size-down
• maker / taker 场景分别建标签，避免把执行假设写死

4. 可复刻的最小实验

4.1 研究假设

对 5m / 15m 的 funding / basis / pairs 类 raw alpha，“future gross return > 0” 几乎没有研究价值，真正该先看的，是 future net return after cost 有没有超过最小可交易边际。

4.2 最小实验口径

• 资产： BTCUSDT 起步，再扩 ETHUSDT / SOLUSDT
• bar： 15m 为主，必要时补 5m
• 方向： 先只测 short_perp_long_spot
• 特征： spread_bps、spread_z、funding sign / bps、简单波动与流动性分桶
• 标签：
• 1h / 4h / 8h forward gross bps
• 1h / 4h / 8h forward net bps
• tradeable = net_bps > {0, 3, 5, 8}
• 成本阶梯： 至少做 6 / 12 / 20 / 34 bps
• 最先看的 2 个指标：

1. tradeable_rate
2. mean_net_bps conditional on raw-alpha admission

4.3 当前 first verdict

• 这层 filter 值得立刻进入研究流程；
• 不是因为它能凭空造出 alpha，而是因为它能快速筛掉一大批“gross 有点意思、net 完全不行”的假候选；
• 对短周期 relative-value desk，优先级其实很高，因为它直接节省后续 clean replication 的时间。

5. 风险与保留意见

• 这不是独立 raw alpha，不能拿它冒充 alpha 本体。
• 当前 repo 主要基于 1h BTCUSDT；搬到 5m / 15m 时，funding accrual 的时间对齐要更谨慎。
• 我这轮快检只做了 BTCUSDT，结论更像“为什么要先做 after-cost admission”，还不是跨资产定论。
• 如果成本模型设得过高，这层 label 可能把几乎所有样本都过滤光；但这往往不是 label 错，而是策略本身没有厚到能承受现实执行。
• 真正上 production 前，maker/taker、排队成交、funding 结算窗附近执行都要分开建模，不能只用一个统一成本常数糊过去。

6. 下一步怎么测

1. 先把现有 3 条 raw alpha 接上这层 label，而不是继续找第 4 条想法。

优先接：deribit perp-quarter residual gap、cross-venue net carry differential、PCA residual fade。

2. 把标签做成 friction ladder。

同一套 forward return，同步输出 6 / 12 / 20 / 34 bps 四档，别只看单一成本世界。

3. 把 maker/taker 分开。

taker/taker 标签适合做 hard veto；maker/taker 标签适合做更现实的 desk admission。

4. 扩到 ETH / SOL。

如果 majors 都过不了 after-cost 标签，长尾更没必要急着扩。

5. 如果之后要保留 ML，只让它学“净边际排序”，别替代 base alpha。

这类主题里，模型更适合做 rank / veto / sizing，不适合先定义方向本体。

7. 来源

1. MengerWen. (2026). _Deep Learning-Based Delta-Neutral Statistical Arbitrage on Perpetual Funding Rates_. GitHub repository.

• Readable URL: https://github.com/MengerWen/Deep-Learning-Based-Delta-Neutral-Statistical-Arbitrage-on-Perpetual-Funding-Rates
• Repo URL: https://github.com/MengerWen/Deep-Learning-Based-Delta-Neutral-Statistical-Arbitrage-on-Perpetual-Funding-Rates

1. 本轮重点读取的 repo 文档 / 源码

• docs/labels.md
• configs/labels/default.yaml
• src/funding_arb/labels/generator.py
• docs/signals.md
• reports/robustness/binance/btcusdt/1h/report.md
• reports/robustness/binance/btcusdt/1h/summary.json

1. 本轮公开数据快检

• Binance spot klines: https://api.binance.com/api/v3/klines
• Binance perpetual klines: https://fapi.binance.com/fapi/v1/klines
• Binance funding history: https://fapi.binance.com/fapi/v1/fundingRate

8. 数据源 / 公开性 / 更新频率 / 最小复现实验口径

• 数据源： Binance 公共 spot/perp klines + fundingRate
• 公开性： 公开，无需 API key
• 更新频率：
• K 线：可直接取 5m / 15m
• funding：8h 结算，短周期实验可按已知 funding 历史或窗口 proxy 对齐
• 最小复现实验口径：
• asset：BTCUSDT
• bar：15m
• raw-alpha 条件：spread_z_1d > 1 且 funding > 0
• label：future 8h net return after cost
• verdict：先看 tradeable_rate 是否大于 0，再谈模型或更复杂 admission