Week 14 复习 — 完整 Alpha 研究报告

日期: 2026-08-04 方向: 量化 / 统计套利 / Alpha 阶段: Phase 2 - 统计套利与Alpha Research (Day 89-102) 标签: #量化策略 #复习 #AlphaResearch #方法论

---

今日目标

---

一、Alpha 研究方法论

1.1 完整 Research Pipeline

[Hypothesis] → [Data] → [Signal] → [Backtest] → [Risk] → [Capacity] → [Production]
     ↑                                                                      ↓
     └──────────────────── [Monitor & Iterate] ←─────────────────────────────┘

1.2 Hypothesis 生成

好假设的特征：

1. 经济直觉：基于行为偏差、市场微观结构、信息不对称
2. 可验证：能明确 yes/no
3. 可证伪：知道什么样的数据会推翻
4. 未被套利：足够 niche 或者新

加密 alpha 来源 taxonomy：

• Behavioral：散户 FOMO/恐慌、羊群效应
• Microstructure：CEX/DEX 价差、清算级联
• Information：链上数据 vs 价格领先
• Risk premia：funding rate、basis、carry
• Mispricing：LP token、LST、derivatives

1.3 Data 准备

1.4 Signal 设计原则

1. 简单优于复杂：3 参数 > 30 参数（容量大、过拟合小）
2. 多 lookback 集成：避免 magic number
3. Z-score 标准化：跨资产可比
4. 频率适配：决策频率 < 信号衰减速度
5. 执行可行：考虑 t+1 才能交易

1.5 Backtest 严格性

• No look-ahead（每步 shift(1)）
• Walk-forward + DSR
• 多 regime 验证（牛/熊/横盘）
• 滑点保守 × 1.5
• Capacity 约束

1.6 Risk 检查

• VaR/ES 在限额内
• MaxDD ≤ 25%
• Sharpe stable across regimes
• Stress test 通过

1.7 Production 启动

• Paper trading 30+ 天
• 1/10 size 起步
• 实时监控偏离回测
• 月度 review

---

二、整合代码示例

2.1 端到端 Alpha 研究

# integrated_alpha_research.py
"""
端到端示范：从 hypothesis 到 production-ready
Hypothesis: BTC/ETH 协整对 + TSMOM 复合策略
"""

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
import requests


# 数据
def fetch(symbol, days=1000):
    r = requests.get('https://api.binance.com/api/v3/klines',
                      params={'symbol': symbol, 'interval': '1d', 'limit': days})
    df = pd.DataFrame(r.json(), columns=['ot','o','h','l','c','v','ct',
                                          'qav','t','tb','tq','i'])
    df['ct'] = pd.to_datetime(df['ct'], unit='ms')
    df['c'] = df['c'].astype(float)
    return df.set_index('ct')['c']


# 信号 1: pairs trading (BTC vs ETH)
def pairs_signal(btc, eth, lookback=60, entry_z=2.0):
    log_btc = np.log(btc)
    log_eth = np.log(eth)
    # 滚动 hedge ratio
    beta = pd.Series(index=btc.index, dtype=float)
    spread = pd.Series(index=btc.index, dtype=float)
    for i in range(lookback, len(btc)):
        y = log_eth.iloc[i-lookback:i].values
        x = log_btc.iloc[i-lookback:i].values
        X = sm.add_constant(x)
        b = np.linalg.lstsq(X, y, rcond=None)[0]
        beta.iloc[i] = b[1]
        spread.iloc[i] = log_eth.iloc[i] - b[0] - b[1] * log_btc.iloc[i]
    z = (spread - spread.rolling(lookback).mean()) / spread.rolling(lookback).std()
    sig = pd.Series(0.0, index=btc.index)
    sig[z > entry_z] = -1
    sig[z < -entry_z] = 1
    return sig, beta


# 信号 2: TSMOM
def tsmom_signal(prices, lookbacks=[30, 60, 90]):
    rets = prices.pct_change()
    sigs = pd.DataFrame({f'L{lb}': np.sign((1 + rets).rolling(lb).apply(np.prod) - 1)
                         for lb in lookbacks})
    return sigs.mean(axis=1)


# 信号合成
def composite_signal(btc, eth):
    pairs_sig, beta = pairs_signal(btc, eth)
    btc_tsmom = tsmom_signal(btc)
    eth_tsmom = tsmom_signal(eth)
    # 0.5 pairs + 0.25 BTC TSMOM + 0.25 ETH TSMOM 复合
    return {
        'pairs': pairs_sig,
        'beta': beta,
        'btc_mom': btc_tsmom,
        'eth_mom': eth_tsmom,
    }


# 回测
def backtest_composite(btc, eth, signals, fee_bps=5):
    rets_btc = btc.pct_change()
    rets_eth = eth.pct_change()
    # Pairs leg: long ETH short β BTC if signal=1
    pairs_leg = signals['pairs'].shift(1) * (rets_eth - signals['beta'].shift(1) * rets_btc)
    btc_leg = 0.5 * signals['btc_mom'].shift(1) * rets_btc
    eth_leg = 0.5 * signals['eth_mom'].shift(1) * rets_eth
    # 0.5 pairs + 0.25 BTC + 0.25 ETH
    gross = 0.5 * pairs_leg + btc_leg + eth_leg
    # 简化成本
    total_turnover = (signals['pairs'].diff().abs() +
                       signals['btc_mom'].diff().abs() +
                       signals['eth_mom'].diff().abs()).fillna(0)
    cost = total_turnover * (fee_bps / 10_000)
    net = gross - cost
    return pd.DataFrame({'gross': gross, 'cost': cost, 'net': net,
                          'equity': (1 + net.fillna(0)).cumprod()})


if __name__ == '__main__':
    btc = fetch('BTCUSDT', 1000)
    eth = fetch('ETHUSDT', 1000)
    aligned = pd.DataFrame({'BTC': btc, 'ETH': eth}).dropna()

    sigs = composite_signal(aligned['BTC'], aligned['ETH'])
    result = backtest_composite(aligned['BTC'], aligned['ETH'], sigs)

    print("Composite Strategy Results:")
    n = len(result['net'].dropna())
    sr = result['net'].mean() / result['net'].std() * np.sqrt(365)
    eq = result['equity']
    dd = (eq / eq.cummax() - 1).min()
    print(f"  N obs: {n}")
    print(f"  Sharpe: {sr:.3f}")
    print(f"  Total return: {eq.iloc[-1] - 1:.2%}")
    print(f"  MaxDD: {dd:.2%}")

---

三、Alpha Report 范例

3.1 Executive Summary

策略名：BTC-ETH Composite Statistical Arbitrage 类别：Multi-strategy (Pairs + TSMOM) 核心逻辑：BTC/ETH 协整对的 mean reversion + 单边 TSMOM 趋势跟踪

关键指标 (2022-2024 OOS)：

• Sharpe: 1.42
• MaxDD: -18.3%
• Calmar: 1.15
• Capacity: $50M (estimated)

建议：1/2 size 启动，30 天 paper + 60 天 live monitoring 后全规模

3.2 Hypothesis

H0: BTC 和 ETH 在 2018-2021 高度协整（同质 L1 大盘叙事），但 2022 后 narrative 分化（ETH staking、ETF spot）使协整减弱。然而短期 mean reversion 仍存在（套利者 active），同时长期 TSMOM 信号在两资产独立有效。

可证伪：若 in-sample SR < 0.5 或 OOS SR < 0.3 则放弃。

3.3 Data

• 数据源：Binance daily klines
• 样本期：2020-08-01 至 2024-12-31（4 年）
• In-sample：2020-08 至 2022-12（25 个月）
• Out-of-sample：2023-01 至 2024-12（24 个月）
• 时区：UTC

3.4 Methodology

Signal 1: Pairs (BTC-ETH)

• Rolling 60-day OLS hedge ratio β_t
• Spread = log(ETH) - α - β log(BTC)
• Z-score with 60-day window
• Entry |Z| = 2.0, Exit |Z| = 0.3, Stop |Z| = 4.0

Signal 2: TSMOM

• Lookbacks: [30, 60, 90]
• Composite = mean(sign(returns over each lookback))
• Trend filter: 200-day MA

Risk Management

• Vol target: 20% annualized
• Max single position: 20%
• Max gross leverage: 2x
• Max drawdown stop: -25%

3.5 Results

3.6 Risk Analysis

VaR/ES (95%)：

• 1d VaR: 2.3%
• 1d ES: 3.5%
• 1m VaR: 9.2%

Stress Tests：

• LUNA collapse 2022-05: -8.3%
• FTX Nov 2022: -4.1%
• USDC depeg 2023-03: -2.5%

Correlation with major factors：

• vs BTC buy-and-hold: 0.32
• vs ETH buy-and-hold: 0.28
• vs MOM factor: 0.65
• vs MR factor: 0.51

3.7 Capacity

每条腿日均 turnover ≈ 30%。BTC ADV $30B, ETH ADV $15B。 保守 5% 占比 → 单边日量 $750M+。 Capacity ≈ $200-500M AUM（含 buffer）

3.8 Production Plan

3.9 Monitoring

• 每日：Sharpe (rolling 60d), DD, exposure
• 每周：信号 IC, factor exposure, t-cost
• 每月：完整 metrics review, capacity
• 季度：参数 walk-forward 重训

---

四、关键学习总结

Day 89-94 知识图谱

[Day 89: Pairs]──────────┐
                         ├──> [Strategy Library]
[Day 90: MR + Kalman]────┤
                         │
[Day 91: Momentum]───────┤
                         │       ┌──> [Day 95: Integration]
[Day 92: Factors]────────┤
                         │
[Day 93: Backtest]───────┤  (How to validate)
                         │
[Day 94: Risk]───────────┘  (How to manage)

5 大核心 Takeaways

1. 协整 > 相关：配对交易必须用协整，不是简单相关性
2. Vol Targeting 是 free lunch：30-50% Sharpe 提升
3. Walk-forward + DSR：避免过拟合的最低门槛
4. Multi-factor 框架：把策略拆解到 factor exposure 才能真 alpha
5. Tail risk dominates：加密 fat tail 让 Sharpe 美化的策略实盘崩溃

---

五、CEX vs DEX 复盘

---

六、面试题（综合）

Q1：你怎么从 0 到 1 做一个策略？

答（用 Day 89-94 框架）：

1. Hypothesis：基于经济直觉 / 微观结构提出可证伪假设
2. Data：拿数据，做 sanity check（survivorship、point-in-time）
3. Signal：简单实现，多 lookback 集成
4. Backtest：严格 walk-forward + DSR > 0.95
5. Risk：VaR/ES、stress test、capacity 估计
6. Production：paper → pilot → scale，每月监控
7. Iterate：失效则查信号衰减、参数稳定性、market regime

Q2：评价一个策略的 5 个关键指标？

答：

1. Sharpe（不只看一个，要看滚动一致性）
2. MaxDD + Recovery time（回撤路径，不只数字）
3. Tail risk（VaR/ES、偏度、峰度）
4. Capacity（可投资规模）
5. 与现有组合的相关性（分散化 alpha 价值）

Q3：实盘 vs 回测偏离怎么处理？

答：

• 小偏离 (< 0.5σ)：正常波动，继续运行
• 方向一致但幅度偏低：检查滑点、t-cost
• 方向反向：信号衰减或 regime change，暂停 review
• MaxDD 超回测：必有未建模风险（流动性、对手方），紧急减仓
• 监控指标：rolling 30d Sharpe、turnover、t-cost ratio

Q4：什么样的策略适合配置在你的组合中？

答：

• 与现有低相关 (< 0.3)
• 容量足够覆盖目标 AUM
• Sharpe 稳健（多 regime）
• Tail risk 可控（ES < 7%）
• 信号衰减慢（实盘 6 月 Sharpe / 回测 > 0.5）
• 操作可行（执行成本、监管合规）

---

明日预告

Day 96: 三角套利 — CEX×CEX、CEX×DEX、跨链套利。从今天的统计套利转到无风险套利（理论无风险，实际有执行风险）。