← 返回 Quant Digests · 站点首页

别把这篇 2026 deep-learning pairs 论文只读成“LSTM 炫技”：对 short-cycle crypto desk，更该先拆的是「dynamic Johansen spread × forecast-percentile fade」这条 raw alpha 壳

• 时间：2026-04-21 14:38 UTC
• 类型：2026 Frontiers 论文全文 audit + 2026 GitHub repo source audit（README.md + crypto_pairs.py）+ Binance USDⓈ-M public-data portability probe（15m/5m）
• 主题类型：raw alpha
• 基础 alpha：dynamic cointegration spread mean reversion —— 先用 rolling Johansen 找会回归的多币 spread，再用 forecasted dynamic score 的极端分位做反向入场
• 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（可先落成完整 baseline，但当前 short-cycle first verdict 偏负）
• 主题标签：raw-alpha / stat-arb / relative-value / pairs-plus / dynamic-cointegration / johansen / forecast / percentile-entry / mean-reversion / 15m / 5m / paper / repo / public-data / cost / risk
• 证据类型：论文证据 + 工程实现 + 本地最小可移植性验证

1. 这次看了什么

这次主看 Tsoku, J. T., & Makatjane, K. (2026) 的论文 _Deep learning-based pairs trading: real-time forecasting of co-integrated cryptocurrency pairs_（*Frontiers in Applied Mathematics and Statistics*，DOI 10.3389/fams.2026.1749337），以及对应的最小复现仓 M-man2591/deep-learning-crypto-pairs-trading。

先把最关键的问题答清楚：

> 这篇东西的 base alpha 是什么？

答案不是“LSTM 预测价格”，而是：

> base alpha = 动态协整 spread 会向均衡回归；forecast 模块只是决定“这次偏离值不值得做、该不该现在做”。

所以它首先是 raw alpha，其次才是 ML 增强的 timing 壳。

2. 核心结论

• 论文/仓库最值得保留的不是 DNN 或 LSTM 本身，而是这条完整策略骨架：rolling Johansen → dynamic spread / z-score → forecasted score percentile entry → zero-cross exit。
• 这条壳天然属于 pairs / stat-arb / relative-value / mean reversion，不是 filter，也不是纯 regime 工具。
• 我做的 Binance USDⓈ-M portability probe（BTC/ETH/LTC/XRP 四腿 basket）显示：
• 15m：45d、14d formation、96-bar z-score 下，10/90 分位入场共 6 笔，gross signal hit rate ≈ 47.1%，cum net ≈ -1.50%；说明把日频论文直接压成 15m，信号过于粘滞，gross 都还没站稳。
• 5m：20d、7d formation、180-bar z-score 下，10/90 分位入场 4 笔，cum net ≈ -0.57%；但若改成更稀疏的 5/95 strongest-only admission，gross cum ≈ +0.18%，扣 8 bps round-trip 后转成 net ≈ -0.22%。
• 翻成人话：这条 alpha 壳不是完全死掉，而是“forecast 很容易做出漂亮拟合，但短周期真钱问题主要死在持仓太久和成本太厚”。

3. 为什么和当前项目有关

它和 desk 当前主线的关系很直接：

• 它补的是 raw alpha 素材池里的 relative-value / stat-arb，不是又一个趋势或 breakout 变种；
• 它自带完整组件：entry / exit / turnover / threshold / cost；
• 还顺手告诉我们一个很现实的研究教训：预测得准，不等于交易赚得到。

一句话核心结论：

> dynamic cointegration spread 这条 raw alpha 在 5m/15m 不是不能移植，但不能直接照搬“预测极端分位就一路拿到 zero-cross”这套慢节奏执行。

一句话证明方式：

> 论文给了方法、repo 给了最小实现，我再用 Binance 公共 15m/5m 数据做了 desk-friendly 快检，结果是 forecast 侧看着顺，但 post-cost 侧还不够。

3.5 策略拆解（必填）

• 方向属性：相对价值 / stat-arb / market-neutral
• 基础 alpha：dynamic cointegration spread mean reversion
• regime：协整关系仍稳定、spread 半衰期仍落在可交易区间时才开机
• filter / veto：forecast percentile 必须足够极端；后续应补 half-life / corr / liquidity / funding veto
• risk / sizing / execution overlay：gross-neutral basket sizing、更稀疏的 admission、time-stop 替代死等 zero-cross、maker-first / child execution

4. 可复刻的最小实验

研究假设：对 liquid-perp basket，dynamic Johansen spread 的 forecast-percentile fade 在 5m/15m 仍有 gross edge，但需要比论文更短的持有和更严的入场。

一个可计算定义：

1. BTC/ETH/LTC/XRP 或更广 liquid basket；
2. rolling Johansen 估权重，EWM 平滑；
3. spread -> rolling z-score；
4. 用最近 30 个 score 预测 next score；
5. 仅在预测值落到 expanding 5/95 或更极端分位时开仓；
6. 先比较 zero-cross exit vs time-stop(4/8/12 bars)；
7. friction ladder 至少做 4 / 8 / 12 bps。

最该先看：

• post-cost expectancy / trade
• active bar share（别让信号长期黏在仓位里）

5. 风险与保留意见

• 这轮 probe 不是 paper-faithful full replication，而是 desk-friendly first verdict；模型也用轻量预测器替代了论文原始 DNN/LSTM。
• 当前结果最大的问题不是“完全没预测力”，而是 预测力没有翻译成足够厚的交易边。
• 15m 比 5m 更差，提示这条壳压到 intraday 后未必是“越慢越稳”，反而可能是越慢越拖、越容易被持仓成本和 regime 漂移侵蚀。
• 若后续不加入 time-stop / tighter admission / turnover veto，这条线很容易变成“看起来聪明、实盘不赚钱”的典型 ML stat-arb。

6. 来源

1. Tsoku, J. T., & Makatjane, K. (2026). _Deep learning-based pairs trading: real-time forecasting of co-integrated cryptocurrency pairs_. Frontiers in Applied Mathematics and Statistics.

• DOI：10.3389/fams.2026.1749337
• Readable URL：https://www.frontiersin.org/journals/applied-mathematics-and-statistics/articles/10.3389/fams.2026.1749337/full

1. M-man2591. (2026). _deep-learning-crypto-pairs-trading_. GitHub repository.

• Repo URL：https://github.com/M-man2591/deep-learning-crypto-pairs-trading
• Audited files：README.md, crypto_pairs.py

1. Local probe artifacts

• /root/clawd/jerry/momentum/reports/artifacts/quant_digests/2026-04-21_dlcointegration_probe_15m.json
• /root/clawd/jerry/momentum/reports/artifacts/quant_digests/2026-04-21_dlcointegration_probe_5m.json
• /root/clawd/jerry/momentum/reports/artifacts/quant_digests/2026-04-21_dlcointegration_thresholdscan_15m.csv
• /root/clawd/jerry/momentum/reports/artifacts/quant_digests/2026-04-21_dlcointegration_thresholdscan_5m.csv

7. 下一步怎么测

先别急着换更复杂模型，先做 3 个最便宜的 A/B：

1. 10/90 vs 5/95 admission —— 先把持仓黏性压下来；
2. zero-cross exit vs 4/8/12-bar time-stop —— 验证是不是“等太久”把 gross edge 耗掉；
3. single-best basket vs all-eligible baskets —— 看这条壳更像 router 还是 portfolio engine。

如果这三步后 5m 能在 8 bps 以内保住正的 post-cost expectancy，它才值得进入更正式的 short-cycle stat-arb replication 池。