← 返回 Quant Digests · 站点首页
别把这个 2025 `Crypto_Stat-Arb_HFT_Model` 仓只读成“又一个配对回归 demo”：对 short-cycle crypto desk，更该先拆的是「microprice spread fade × order-book imbalance veto」这条完整 raw alpha 壳
更新时间：2026-04-25 21:24 UTC
研究时间：2026-04-25 21:28 UTC
类型：GitHub / repo
主题标签：raw-alpha / pairs / stat-arb / relative-value / mean-reversion / microstructure / microprice / order-book-imbalance / spread-zscore / 1m / 3m / 5m / 15m / repo / public-data / cost / risk
证据类型：工程源码审计 + public-data portability probe
源文件：research/quant_digests/2026-04-25_2128_microprice-spreadfade-obi-veto-shell.md
- 时间：2026-04-25 21:28 UTC
- 类型：GitHub / repo
- 主题类型：raw alpha
- 基础 alpha：两条高相关/协整 perp 的相对价差如果在短时间内偏离到历史尾部，后续更容易向均值回归；交易上对应 short rich leg / long cheap leg 的 spread fade
- 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（repo 已给出完整壳；但我本轮 public-data probe 只先验证了 base alpha，本轮还没把历史 OBI filter 一并做完）
- 主题标签：raw-alpha / pairs / stat-arb / relative-value / mean-reversion / microstructure / microprice / order-book-imbalance / spread-zscore / 1m / 3m / 5m / 15m / repo / public-data / cost / risk
- 证据类型：工程源码审计 + public-data portability probe
1. 先回答：这篇东西的 base alpha 是什么？
base alpha 不是 OBI，也不是微价格本身。 它的 alpha 本体是：pair spread overextension mean reversion。
更直白地说：
- 先找两条平时经常一起动的币；
- 如果某一刻它们的相对价格关系突然“拉太开”；
- 那后面几分钟里，常见路径是 leader 回一点、lagger 跟一点，spread 往回收；
OBI / microprice 在这里更像入场确认 / 执行 veto，不是 alpha 本体。
所以它属于：
- 主题类型：raw alpha
- 不是纯 filter 文
- 但实现里带了一个很实用的 microstructure admission 层
2. 这次看了什么
这次看的是 2025 GitHub repo：SamarthChaudhary-22 / Crypto_Stat-Arb_HFT_Model。
repo 不算学术化，也谈不上工程成熟，但优点是壳非常完整：
data_loader.py：拉 Binance USDⓈ-M 1m K 线；analyzer.py：先做相关性 + OLS + ADF + half-life，筛 pair；book_recorder.py：抓 top-5 depth，算 obi 和 micro_price；main.cpp：实时算 spread z-score，用 OBI 做 admission，再下单；RiskEngine：单仓亏损阈值 + 全局 kill switch。
这就是它比很多“只有 notebook 没有交易壳”的 repo 更值得 intake 的地方。
3. 一句话核心结论
一句话核心结论：这仓真正值得 desk 借的，不是“协整检测”本身，而是把一条朴素的 spread fade，往前推进成了可直接部署的短周期完整策略壳：pair admission -> spread signal -> OBI veto -> sizing -> exit -> kill switch。
4. 它是怎么证明这件事的
一句话说明它怎么证明：不是靠论文统计表，而是靠一套可读源码把研究、筛选、实时信号、执行和风控串成了完整流程；我又额外用 Binance 公共 1m 数据做了一个最小 portability probe，先确认这条 base alpha 最近是否还有“几分钟内回归”的形状。
5. repo 到底写了什么（拆成人话）
5.1 Pair admission：先别乱配
analyzer.py 的逻辑不是“看到两条线像就上”，而是：
- 先抓 top 50 liquid USDT perp；
- 用 1 年
1m 数据；
- 为了加速，把序列 resample 到
1h 做 pair scan；
- 只保留：
- correlation >
0.85
- ADF p-value <
0.05
- half-life <
240 分钟
- overlap >
1000 小时
这一步的意义很简单： 不是所有相关 pair 都值得做，得先筛出“真有回归 tendency”的 pair。
5.2 Alpha 本体：spread z-score fade
repo 在实盘里交易的是：
spread = log(p1) - hedge_ratio * log(p2)z = (spread - mean) / std
入场逻辑：
z > 2：spread 太高，做 short leg1 / long leg2z < -2：spread 太低，做 long leg1 / short leg2
这就是最核心的 raw alpha。
5.3 它真正有意思的地方：不是裸 z-score，而是加了 microstructure veto
main.cpp 里不是直接拿 mid price，而是先算一个微价格（microprice）：
weighted_price = (best_bid * ask_vol + best_ask * bid_vol) / (bid_vol + ask_vol)
直觉上，它是在问：
- 如果买盘更厚，真实短时公允价往往更偏向 ask；
- 如果卖盘更厚，真实短时公允价往往更偏向 bid。
然后再算每条腿自己的盘口失衡：
obi = (bid_vol - ask_vol) / (bid_vol + ask_vol)
repo 的 admission 是：
- 若
z > 2，准备做 short leg1 / long leg2，那就希望：
leg1 不要也在强买盘里继续被顶；leg2 不要还在强卖盘里继续被砸；- 反过来若
z < -2 也一样。
源码里的默认阈值：
OBI_LONG_THRESHOLD = -0.2OBI_SHORT_THRESHOLD = 0.2Z_ENTRY = 2.0Z_EXIT = 0.5
换成人话就是： 只有当 spread 已经偏了，而且盘口短时力量也不反着你时，才让你进。
这层设计对短周期 desk 很重要，因为它解决的是：
- 价差确实“看起来偏了”，
- 但你一进场就继续被 order-flow 顶飞/砸穿
也就是很多 pair fade 策略最常见的“看对均值、死于路径”的问题。
6. 为什么这篇对当前项目有价值
这仓和当前 momentum 项目有直接关系，不是因为它写得多漂亮，而是因为它补的是一个很清楚的缺口：
- 它是 raw alpha，不是纯解释文
- alpha 本体很清楚：spread fade；
- filter 也清楚：OBI veto；
- 可以明确拆层。
- 它是完整策略壳，不只是信号片段
- 有 pair admission
- 有 entry / exit
- 有 sizing
- 有 risk engine
- 有 execution queue
- 它能下沉到
1m / 3m / 5m，再向上映射到 15m
- microstructure 层天然更适合
1m/3m
- spread fade 本体则可以用
5m/15m 先做慢一点的 honest first verdict
- 它比“又一篇普通 pair z-score 文”多了一层真正可研究的执行 veto
- 当前 desk 最近 pairs digest 已经不少；
- 但这仓多出来的价值，是把 L2 盘口方向确认 明确放进了 pair fade 的 admission。
7. 我补做的最小 portability probe（诚实版）
为了不被 repo 的“实盘感”迷惑，我先只做了一个不带历史 OBI 的 base-alpha probe：
数据与口径
- 数据源：Binance USDⓈ-M public
1m klines
- 公开性：公开可得，无需私有数据
- 更新频率：
1m
- 样本：最近约
8 * 1500 ≈ 12000 根 1m bars（约 8 天）
- 测试 pair：
LINKUSDT / SOLUSDT（repo strategies.json 已给）ENAUSDT / XRPUSDT（repo strategies.json 已给）- 信号：
- 用 repo 提供的
hedge_ratio
- rolling
60 分钟 spread z-score
- 当
|z| >= 2 / 2.5 / 3 时，做反向 spread fade
- 评估：看未来
1/3/5 分钟 spread 是否向回收，单位是 spread-space gross bps
- 这里只是先看 alpha 形状，还不是完整实盘净收益
核心结果
LINKUSDT / SOLUSDT
|z|>=2：未来 3m 平均回归约 +1.09 bps，胜率 57.4%|z|>=2.5：未来 5m 平均回归约 +2.65 bps，胜率 58.0%|z|>=3：未来 3m 平均回归约 +4.81 bps，胜率 65.3%；未来 5m 约 +5.64 bps，胜率 64.7%
ENAUSDT / XRPUSDT
|z|>=2：未来 3m 平均回归约 +1.23 bps，胜率 55.4%|z|>=2.5：未来 5m 平均回归约 +1.74 bps，胜率 54.0%|z|>=3：未来 3m 平均回归约 +3.05 bps，胜率 59.9%；未来 5m 约 +4.15 bps，胜率 58.0%
先怎么解读
这组结果说明三件事：
- base alpha 不是空壳：极端 spread 偏离后，后面几分钟确实更常往回走；
- 阈值越高，单位机会厚度越明显：
|z|>=3 明显比 |z|>=2 更像样；
- 这也正说明 OBI veto 有研究价值：如果 base alpha 只有几 bps 厚，那你更需要 admission 层把“最容易继续跑偏的 entry”踢掉。
但也要诚实：
- 这些数字目前还是 gross spread-space edge；
- 没扣双腿手续费、滑点、冲击成本；
- 也没做真正的历史 depth replay；
- 所以它现在更像：alpha 形状存在，execution / filter 是否能把它救到可交易，要继续测。
8. 策略拆解（按可直接复现口径写）
Base alpha
- 高相关/协整 pair 的 spread 短时过度偏离，未来几分钟更容易均值回复。
Entry
- 先做 pair admission：相关性、ADF、half-life 过滤；
- 实时计算
spread z-score；
z > +z_th：short leg1 / long leg2z < -z_th：long leg1 / short leg2- 只有当两条腿的
OBI 没有明显反着你时才入场。
Exit
- z-score 回到
0.5 附近先止盈/平仓；
- repo 原版没有特别优雅的 spread stop，而是更多依赖单仓 PnL kill；
- 对 desk 来说，更好的版本应再补：
time stop + spread stop + liquidity break stop。
Sizing
- repo 默认
BET_SIZE = 1000 USD，两腿按价格和 hedge_ratio 换算张数；
- 第一版完全可以用 dollar-neutral notional；
- 第二版再换成 residual-vol targeting / pair-level vol targeting。
Risk
- repo 已有：
- 单仓亏损阈值（
MAX_LOSS_PER_POS = -20 USD）
- 全局 kill（
GLOBAL_PNL_KILL = -100 USD）
- 但 desk 更该补：
- 单 pair 并发限制
- 同 sector pair 冲突净额控制
- OBI 反转后的早退条件
- spread 再扩张到
4σ 以上的硬止损
Cost
- 这是成败关键。
- 这类两腿策略最怕：
- 双腿 taker 费
- 薄腿滑点
- 一腿成交、一腿没成交的 legging risk
- 所以 OBI veto 的真正使命，不只是“提高胜率”，而是提升单位机会厚度，让 gross edge 更有机会穿过成本门槛。
9. 最值得复用 / 借鉴的部分
如果把这仓当素材库，而不是当成可直接上线代码，最值得借的是这 5 件事：
- pair admission 和实盘执行是分开的
- spread 信号和 microstructure veto 是分层的
- 这让你后续可以单独替换 OBI / CVD / OFI，而不用重写 alpha 本体。
- microprice 比 mid 更适合短周期 entry 视角
- 它不是万能，但比裸 last/mid 更接近“盘口当前更想往哪边走”。
- execution queue + risk engine 的架子是对的
- 即便实现还粗糙，结构上已经比很多 notebook 仓前进一步。
- 它天然适合做
1m/3m 研究，再向 5m/15m 做 slower projection
- 也就是：先测更快的 alpha 形状，再看慢一点的可部署版。
10. 最小可复现实验怎么做
如果下一轮直接复现，我建议别一次把 HFT 壳全抄完，先做三个层次：
实验 A：只测 base alpha（最快）
- 数据：Binance
1m klines
- pair：从 top-liquidity universe 里筛 20~40 组
- signal：rolling spread z-score
- threshold：
2 / 2.5 / 3
- exit：
1/3/5/10m fixed hold + z -> 0.5 crossing
- 输出：trade count / gross bps / win rate / pair ranking
实验 B：给 base alpha 加一个“伪 OBI”层
- 若还拿不到历史 depth，可先用：
- taker buy ratio
- micro-return burst
- quote imbalance proxy
- 目标不是完美替代，而是先看 admission layer 能不能筛掉最差 entry。
实验 C：再上真实 L2 admission
- 数据：Binance depth websocket 或定频 snapshot 录制
- 对齐方式：entry 前
1~5s 的 top-of-book / top-5 depth
- 检查：
- OBI 阈值是否真能提升 markout
- microprice vs mid 哪个更稳
- 只 veto 最差样本，还是能显著抬高整组 alpha
11. 下一步怎么测
下一步不要再泛泛地讲“pairs + microstructure 很有道理”，直接测这 4 件事：
- 先把 OBI 从“叙事层”拉到统计层
- 对每次 spread entry，记录入场前
1s/3s/5s 的 obi1/obi2
- 比较
OBI-aligned 与 OBI-opposed 两组未来 1m/3m/5m 的 spread markout
- 把
|z|>=3 做成主样本，而不是默认 |z|>=2
- 当前 probe 很清楚：极端样本明显更厚
- OBI filter 应优先服务于厚样本，而不是稀释到所有普通偏离
- 做一版成本梯子
4 / 8 / 12 / 16 bps 四档总成本- 分别看 maker-first、maker+taker、双腿 taker 是否还能活
- 做 pair router，不做 always-on 全开
- 这条线很可能不是“所有 pair 全天候都有效”
- 更像是：少数 liquid pair、少数极端 spread、少数 order-book 配合时段，才有 pocket
12. 风险与边界
- repo 的工程风格比较粗，很多参数是 demo 级，不应直接照搬；
strategies.json 里也能看到部分离谱 hedge ratio / pair 组合，说明 pair discovery 仍需要更严格的 sanity check；- 当前我还没做历史 depth replay，所以 OBI 这层目前仍是高潜力假设，不是已验证事实；
- 如果最终发现只有 base alpha 有一点 edge，但 OBI 提升不明显，那它就应被降级为：
spread fade raw alpha- + 一个未过检的 microstructure filter 候选
13. 本地实验产物
reports/artifacts/quant_digests/2026-04-25_microprice_obi_pairfade_probe_summary.csv