← 返回 Quant Digests · 站点首页

别把这份 2026 Binance stat-arb 仓只读成“相关性热力图”：对 short-cycle desk，更该先拆的是「correlation-ranked pair admission × ratio z-score spread fade」这条 raw alpha

更新时间：2026-04-17 22:28 UTC 研究时间：2026-04-17 22:26 UTC 类型：2026 GitHub repo source audit（`README.md` + `correlation_bot.py` + `phase1_data_fetch_correlation.py`）+ Binance USDⓈ-M public-data portability probe（`1m` / `5m`） 主题标签：raw-alpha / pairs / stat-arb / relative-value / mean-reversion / correlation-ranked / ratio-zscore / pair-admission / binance-perpetual / 1m / 5m / repo / public-data / cost / risk 证据类型：repo 源码 + public-data probe

源文件：research/quant_digests/2026-04-17_2226_correlationranked-ratio-zscore-pairs-alpha.md

1) 这次看了什么

先把 base alpha 说清楚：

> 不是“相关性高就能赚钱”，而是“先用相关性做 pair admission，再对 admitted pair 做 ratio 极端偏离的均值回归”。

所以它不是单纯 filter，也不是研究工具本身，而是一条标准的 pairs / relative-value / stat-arb / raw alpha：

2) repo 里真正可继承的 alpha 是什么

2.1 用人话翻译源码

repo 的主逻辑很短，但交易本体很清楚：

  1. 先从 Binance Futures 拉历史 K 线；
  2. 挑出相关性高、平时比较同步的 pair；
  3. 对每个 pair 计算 ratio = price_A / price_B；
  4. 用最近一段 ratio 的均值和标准差，算当前 z-score；
  5. 当 z > 2 时，认为 A 相对 B 偏贵，做 short A / long B；
  6. 当 z < -2 时，认为 A 相对 B 偏便宜，做 long A / short B。

correlation_bot.py 里最核心的几行其实就这三件事：

2.2 为什么它算 raw alpha，不是 filter

因为这里的信号本体就是：

也就是说：

这点很重要。很多“相关性仓”最后只是做了个监控面板，这个 repo 虽然简陋，但至少已经把开仓方向写死了： > 价比值偏高就 short rich leg / long cheap leg；偏低就反过来。

3) 对当前 desk 最有用的读法

如果只照 README 看，很容易把它当成“配对交易入门脚本”。

但对 short-cycle desk，更值钱的读法是：

> 把相关性当 pair admission 的最低成本近似，把 ratio z-score 当真正的 raw alpha，然后去问：在 1m / 5m 上，哪些 pair 还有 pocket，哪些 pair 其实已经被成本和结构变化吃死。

这比继续泛泛补一个“pairs 也许有用”的综述值钱得多，因为它直接回答：

4) repo 源码里值得保留、也值得警惕的部分

4.1 值得保留：公开数据、超低复现门槛

phase1_data_fetch_correlation.py 明确写了：

这对 desk 很友好：

4.2 值得警惕：repo 只写了“看见偏离”，没把完整壳写完

repo 给了很清楚的 entry 语言，但几乎没写：

所以它是 合格的 raw alpha 母板，但不是现成 production 成品。

不过本轮我仍把“是否可直接落地完整策略”标成 是，原因不是 repo 自己已经完美，而是：

5) 最小可复现实验（本轮已跑）

数据源

Pair universe

沿用 repo 默认/近似默认风格，测试：

Baseline 规则

最基础版本，先不加 fancy 模块：

6) 关键数据点：baseline 能复现，但大多数 pair 已经不够好

结论 1：plain correlation-first spread fade 在 5m 上基本全面不过线

按 pair 看，5m baseline 全是负的：

人话： > “相关 pair 出现 2σ 偏离就做回归” 这件事，在 recent 5m perp 上几乎是全军覆没。

结论 2：1m 上也不是普遍有效，但 pocket 开始出现

1m baseline 同样大多为负：

但 ARB/OP 明显是例外中的例外：

这说明： > 不是整条 alpha 完全死掉，而是 baseline 阈值太松，只有某些“强替代关系” pair 还保留了 pocket。

结论 3：ARB/OP 在更严格的 3σ 触发下，已经能转成小幅正值

我对 ARB/OP 1m 做了参数快扫。最有信息量的 pocket 是：

结果：

这不是“已经 production-ready 印钞”，但已经足够说明：

结论 4：5m 口径里，连最好的 pair 也还只是接近成本线

同样对 ARB/OP 5m 做参数快扫，最好的几组也仍是负的：

这说明一个很关键的 desk 结论： > 这条 correlation-ranked spread fade 目前更像 1m pocket，不像 5m 主战 alpha。

7) 这条线和当前 1m / 3m / 5m / 15m 的关系

8) 为什么这条主题比继续补一个 filter 更值得

因为它直接扩充的是 raw alpha 素材池，而且补的是当前 desk 仍然需要的 pairs / stat-arb / relative-value 母板：

  1. base alpha 清楚：不是泛泛“相关性研究”，而是 ratio extreme → mean reversion；
  2. 公开数据就能复现：不依赖私有盘口或付费数据；
  3. 很适合快速做 fail-fast：几小时内就能知道某个 pair 有没有 pocket；
  4. 能直接服务 execution 研究：双腿成本、同步成交、单腿失配、持仓上限，全部都是真实工程问题。

9) 今天就能怎么写成完整策略壳

9.1 Entry

最小 production shell 建议：

  1. 先用过去 N 根 return correlation 做 pair admission；
  2. 只保留 correlation 高、rolling beta 稳定、成交额合格的 pair；
  3. 再对 admitted pair 计算 ratio z-score；
  4. 只有满足以下条件才进场：

9.2 Exit

至少并行保留三种退出：

9.3 Sizing

不要做 1:1 名义金额无脑对冲，建议：

9.4 Cost

这条线最容易被忽略、也最容易死在这里：

所以所有回测都要至少输出：

10) 下一步怎么测（最重要）

A. 不要再把“高相关”当充分条件，先做 pair admission 升级

优先加三层：

  1. rolling correlation + rolling beta 稳定性；
  2. 行业/叙事相近性（例如 ARB/OP 这种强替代关系）；
  3. 成交额 / 盘口厚度门槛。

B. 先专攻 ARB/OP 1m，别急着横向铺太多 pair

下一轮最小实验建议直接围绕：

C. 把它和已有 raw alpha 组件串起来，而不是孤立裸跑

最值得组合的不是另一个 pairs 指标，而是：

D. 明确 desk 当前结论

这轮最该记住的一句不是“pairs 失效了”，而是： > plain correlation-first z-score fade 基线大多已经成本后不过线，但替代关系更强的 pair（当前最像 ARB/OP）在 1m 高频口径里，仍可能留下只有极端偏离才值得做的 pocket。

11) 风险与保留意见

12) 来源

  1. ApexQuant-Dev (2026), *Binance Correlation & Stat-Arb Suite*（GitHub repo）

    2. Repo URL: <https://github.com/ApexQuant-Dev/binance-correlation-stat-arb>

  2. README raw: <https://raw.githubusercontent.com/ApexQuant-Dev/binance-correlation-stat-arb/main/README.md>
  3. correlation_bot.py: <https://raw.githubusercontent.com/ApexQuant-Dev/binance-correlation-stat-arb/main/correlation_bot.py>
  4. phase1_data_fetch_correlation.py: <https://raw.githubusercontent.com/ApexQuant-Dev/binance-correlation-stat-arb/main/phase1_data_fetch_correlation.py>
  5. Binance USDⓈ-M Futures Klines API（public）: <https://fapi.binance.com/fapi/v1/klines>