← 返回 Quant Digests · 站点首页

别把这个 deep-learning funding 仓只读成“模型竞赛”：对 short-cycle desk，更该先拆的是「basis 失衡回归 × funding carry」以及“阈值塌缩”这条 admission 教训

• 时间：2026-04-16 11:19 UTC
• 类型：GitHub repo source audit + Binance public-data portability quick check
• 主题类型：raw alpha
• 基础 alpha：short perp + long spot，做 rich-basis 回归并叠加正 funding carry
• 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：raw-alpha/relative-value/stat-arb/carry/funding/basis/delta-neutral/threshold-search/binance/1m/3m/5m/15m/repo/public-data/cost/risk
• 证据类型：工程证据 + 公共数据快检

1. 这次看了什么

这次审的是 MengerWen/Deep-Learning-Based-Delta-Neutral-Statistical-Arbitrage-on-Perpetual-Funding-Rates（2026），重点看了 configs/labels/default.yaml、src/funding_arb/models/baselines.py、src/funding_arb/features/builders.py，以及仓库自带回测产物（strategy_metrics.csv、combined_strategy_metrics.csv、baseline_metrics.csv）。另外做了一个 Binance 公共数据快检（spot/perp 15m + funding）。

2. 核心结论

• 一句话核心结论：这条 alpha 的“方向”是对的（rich-basis 回归 + carry），但仓库默认阈值在 OOS test 上几乎塌成“无交易”，说明它目前更像可复刻的研究壳，而不是可直接上线策略。
• 一句话证明方式：直接看 repo 自带 OOS 指标 + 用 Binance 公共 15m 数据做最小 portability 复算，结果都指向“gross 有小边际、成本后易被吃掉”。
• 仓库 strategy_metrics.csv 的 test split 中，多个规则（logistic_*、elastic_net_regression、combined_funding_spread）trade_count=0；只有 spread_zscore_1p5 有 200 笔，但 cumulative_return=-0.0647，total_fees_usd=4000，净值明显被摩擦打穿。
• combined_strategy_metrics.csv（combined 口径）里某些规则看起来是正收益（如 logistic_l1 仅 3 笔、cumulative_return=0.003553），但这更像样本混合口径下的“好看截图”，不等于 OOS 可交易稳定性。
• 我们的 Binance 15m 快检（近约 31 天、basis_z>1.5 & funding>0）得到：信号约 91 次，价差回归均值约 +1.57 bps，单次 funding 约 +0.24 bps，合计 gross ~ +1.81 bps；若按约 8 bps 单边摩擦估算，净值仍显著为负。
• 最值得复用点：不是它的“深度学习模型名”，而是它把 label、阈值搜索、成本项、回测流水线都写成了可替换组件，适合我们直接拿来做 admission / veto / cost ladder 的工程母板。

3. 为什么和当前项目有关

这条线仍然属于我们当前最优先补充的 raw alpha 池（relative-value / stat-arb / carry / funding / basis）。它的价值不在“现成可上”，而在于给了一个很清楚的研究事实：base alpha 可以成立，但若 admission 与执行层没过成本线，结果会从“paper edge”直接塌成“0 交易或负净值”。这对 1m/3m/5m/15m 研发是高价值反例。

3.5 策略拆解（必填）

• 方向属性：相对价值 + 均值回归（价差逆势）
• 基础 alpha：perp 相对 spot 过贵（basis 富）时，short perp / long spot，赚价差回归 + funding carry
• regime：正 funding、basis 偏离显著、且流动性/冲击成本可控时
• filter / veto：expected_edge_bps > fee+slippage buffer、盘口深度阈值、stale quote veto、资金费率临近切换时段限流
• risk / sizing / execution overlay：delta-neutral notional cap、单腿滑点上限、最大持有时长（8h/24h）、异常波动 kill-switch、分层减仓而非一次性平仓

4. 可复刻的最小实验

• 研究假设：basis_z 极端 + 同向 funding 的组合，能在短周期执行层产生可扣成本的净回归收益。
• 可计算定义（先做最小版）：
• 状态层（1h）：basis_z_72h > 1.5 且 funding_bps > 0
• 执行层（15m/5m/3m/1m）：下根开盘执行 short perp + long spot，当 basis_z < 0.3 或持有到 8h 强平
• 最小回测切口：Binance BTCUSDT，先跑最近 120 天，再扩到 365 天；15m 先做基线，再下钻到 5m/3m/1m 看执行改进空间。
• 最先看 2 个指标：

1) post-cost avg pnl bps / trade（必须 > 0） 2) trade_count × capacity（防止“只剩几笔好看交易”）

5. 风险与保留意见

• 当前仓库主数据基本集中在单资产与单交易所口径，跨资产泛化证据不足。
• funding 是离散结算（常见 8h），而执行在分钟级，若不做事件时钟对齐，容易高估 carry。
• 阈值搜索很容易产生 validation 漂亮、test 归零的塌缩，需要强制加入最小成交笔数与稳定性约束。
• 这类策略对费用、冲击、借贷/转仓细节极敏感，不应用“未扣全成本”的结果做上线依据。

6. 来源

• MengerWen. (2026). *Deep-Learning-Based-Delta-Neutral-Statistical-Arbitrage-on-Perpetual-Funding-Rates*. Venue: GitHub Repository.
• DOI: N/A
• 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
• API metadata: https://api.github.com/repos/MengerWen/Deep-Learning-Based-Delta-Neutral-Statistical-Arbitrage-on-Perpetual-Funding-Rates
• Public data docs: https://developers.binance.com/docs/derivatives/usds-margined-futures/market-data/rest-api/Get-Funding-Rate-History、https://developers.binance.com/docs/derivatives/usds-margined-futures/market-data/rest-api/Kline-Candlestick-Data