源文件：research/quant_digests/2026-04-15_0058_positivefunding-spreadzscore-deltaneutral-baseline.md
short perp + long spot 的 delta-neutral 头寸更可能同时兑现 funding carry + basis convergence先回答 base alpha：这不是“又一个 funding 预测模型项目”，而是一条可以直接说清楚的相对价值 raw alpha——当 funding_rate_bps 足够高、spread_zscore_72h 也够高时，说明 perp 不只是“收租高”，而且相对 spot 还处在偏贵状态，此时做 short perp + long spot，赚的是 funding + basis 回归的组合。
这轮主看的是 2026 GitHub repo MengerWen/Deep-Learning-Based-Delta-Neutral-Statistical-Arbitrage-on-Perpetual-Funding-Rates 里更接近“可执行 baseline”的部分，而不是继续盯着深度学习 headline：
configs/models/baseline.yamlsrc/funding_arb/models/baselines.pydocs/labels.mddocs/backtest.mdreports/robustness/binance/btcusdt/1h/report.mdreports/data_quality/binance/btcusdt/1h/report.mdrepo 默认数据口径是 Binance / BTCUSDT / 1h。数据质量报告给出的底层环境也很重要：
46152 条，覆盖 2021-01-01 ~ 2026-04-073092 次funding_rate_bps 均值 0.06966，极值 -11.1953 ~ 24.89930.878719spread_bps 均值 -1.534091funding_rate_bps 与 spread_bps 相关性只有 0.1697这组统计本身就在提醒：正 funding 很常见，但“高 funding”不等于“perp 仍然足够贵”，所以 funding carry 单腿筛选不够，必须叠 basis / spread 条件。
positive funding + rich perp spread 共振时，做 short perp + long spot 的 delta-neutral stat-arb。combined_funding_spread 这条规则基线。configs/models/baseline.yaml 里有三条核心规则：
funding_threshold_2bpsspread_zscore_1p5combined_funding_spread其中最值得拿来做 desk baseline 的是第三条。源码 src/funding_arb/models/baselines.py 里实现得很直白：
funding_margin = funding_rate_bps - funding_threshold_bpsspread_margin = spread_zscore_72h - spread_thresholddecision_score = funding_margin + spread_marginsignal_threshold = 0.0funding_margin >= 0 且 spread_margin >= 0regime_column，还要再叠加 positive_funding_regime == 1默认参数也已经给出来：
funding_threshold_bps: 1.0spread_threshold: 1.5regime_column: positive_funding_regime[0.5, 1.0, 1.5, 2.0]、spread 阈值 [1.0, 1.25, 1.5, 1.75] 上做验证集搜索这意味着 repo 并不是在说“黑箱模型才能抓到 funding alpha”，恰恰相反：它先把 base alpha 用最朴素的规则写清楚，再让 ML / DL 去判断哪些样本更值得做。
这也是这轮比纯文献摘要更有用的地方。repo 里 entry / exit / cost / sizing 都有明确实现：
short_perp_long_spotposition_notional_usdt 观察，默认在 t+1 的 open 执行（entry_delay_bars）signal_off、holding_window、maximum_holding、stop_loss_bps、take_profit_bps所以这条线不是“指标片段”，而是一个可直接迁成 desk 最小实验的完整 skeleton。
repo 的诚实之处也在这里：当前公开 BTCUSDT 1h 结果更像可复现 research intake，不像现成 production alpha。
robustness report 里，test split 的 family comparison 有个很典型的误读风险：
combined_funding_spread：7 笔交易，cumulative_return = -0.002328，平均每笔约 -33.26 bpslogistic_regression：3 笔交易，cumulative_return = -0.00105Deep Learning / lstm：0 笔交易，但表头里却显示 Best family under the base test-period configuration: Deep Learning这就是典型 zero-trade winner / threshold issue：
0 交易会看起来“最好”所以这轮更合理的结论不是“DL > Rules”，而是：
这条线和当前 desk 直接相关，原因有三层：
base alpha 非常明确：short rich perp + long spot，赚 funding + basis convergence。
真正自然的映射方式是：
15m：做主信号 / admission 层5m / 3m / 1m：做子执行、排队、入场优化而不是把 funding 这种低频经济机制硬扭成 1m K 线方向预测。
对 desk 来说，先把最可解释的 baseline 跑通，比上来就讨论 LSTM 更值钱。
positive funding + positive spread dislocation 共振时，short perp + long spot 更可能在未来持有窗兑现 funding carry + basis convergencepositive_funding_regime == 1funding_rate_bps 必须过阈值、spread_zscore_72h 必须过阈值；若用 repo 完整框架，还可叠 min_expected_return_bps / confidence / shock 过滤holding_window / maximum_holding / stop_loss_bps / take_profit_bps 收口最值得先做的是 15m 主信号 + 5m 子执行，不是先做 1m 方向预测。
原因很简单：
1m-native alpha15m 级别的 raw alpha / admission shellBTCUSDT perp + BTCUSDT spot15m5m（若有能力再下钻 3m/1m）funding_rate_bps >= 1.0spread_zscore_72h >= 1.5positive_funding_regime == 172h z-score 在 15m 上对应 288 根 bar24h hold 在 15m 上对应 96 根 bar15m 或下一组 5m 子 bar 分批执行signal_off、固定 24h、8h funding boundary 后退出至少要同时跑这三组：
funding-onlyspread-onlycombined_funding_spread因为这轮最关键的问题不是“模型谁更强”，而是：到底是 funding 单独有用，还是一定要 funding 与 basis 共振才有 edge。
先不要被 Sharpe 带跑，优先看：
net bps / tradetrade countfunding contribution vs basis convergence contributioncost ladder（1 / 2 / 4 / 6 bps）8h funding boundary 前后分层表现15m 上复写 repo 规则 baseline，不加任何 ML。signal_off、max_hold、post-funding exit 三套，找哪种更接近真实 carry/basis 兑现节奏。15m 有毛边，再只把 5m/3m/1m 用作 execution child layer：例如限制在 spread 回落一点、或 funding boundary 前后固定窗口入场，别把更快频率误当成新的主 alpha。ETHUSDT、SOLUSDT，但前提是 spot/perp 数据同样公开可拿、成本口径能统一。0 trade winner，都不能直接当策略结论。1m/3m，最合理的定位是 execution / scheduler，不是把 funding 机制硬解释成逐 bar directional predictor。research/quant_digests/2026-04-15_0058_positivefunding-spreadzscore-deltaneutral-baseline.md