Adaptive Z-Score 标准差正则化设计方案

版本: v1.0 | 日期: 2026-03-07 | 分支: std_adaptive

1. 问题背景

1.1 核心公式

Adaptive Bollinger Z-Score 策略的核心计算：

adaptive_z = (z4h - ema) / std

其中：

• z4h: 协整分析产出的 4 小时 Z-Score（衡量配对价差偏离程度）
• ema: z4h 的指数移动平均（跟踪"当前正常水位"）
• std: z4h 的滚动标准差（衡量近期波动率，Welford 增量算法）

1.2 问题现象

当市场进入低波动期（盘整/窄幅震荡），z4h 变化极小，导致 std → 0。此时：

adaptive_z = (z4h - ema) / 0.001 → 数千甚至数万

后果：

• az 值爆炸，轻松突破任何阈值（如 threshold=2.9）
• 产生大量虚假入场信号
• 实际价差偏离极小，无套利空间，交易成本无法覆盖
• 以 PURR|HYPE 配对为例：std=0.01 时，z4h 仅偏离 ema 0.03 就产生 az=3.0 的"强信号"，但对应的实际价格偏离不到 0.1%，扣除手续费后必然亏损

1.3 问题本质

这是统计学中经典的除零/小分母放大效应。在信噪比极低时，标准化操作将噪声放大为虚假信号。需要一种机制确保分母有合理下界，同时保持高波动期的信号灵敏度。

2. 方案选型

2.1 候选方案对比

2.2 最终选择：方差加法正则化

effective_std = √(sample_variance + floor²)

选择理由：

1. 数学等价性：等价于对方差施加 L2 正则化（Ridge Regression），在统计学和机器学习中是处理小方差/奇异矩阵的标准做法
2. 贝叶斯解释：等价于对方差设置 Inverse-Gamma 先验，floor² 为先验方差的下界。即"在没有足够证据（数据）时，我相信波动率不会低于 floor"
3. 平滑过渡：当 std 从 0 增大时，effective_std 从 floor 平滑过渡到 std（无跳变、无拐点）
4. 单参数：只需调一个 std_floor，无额外权重或窗口参数
5. 行业标准：广泛应用于金融风控（VaR 计算）、信号处理（Wiener 滤波）、贝叶斯推断

3. 数学原理

3.1 正则化公式推导

设 z4h 序列的滚动样本方差为 $\sigma^2_{sample}$，正则化后的有效方差为：

$$\sigma^2_{eff} = \sigma^2_{sample} + \sigma^2_{floor}$$

有效标准差：

$$\sigma_{eff} = \sqrt{\sigma^2_{sample} + \sigma^2_{floor}}$$

正则化后的 adaptive_z：

$$az_{reg} = \frac{z_{4h} - \text{ema}}{\sigma_{eff}} = \frac{z_{4h} - \text{ema}}{\sqrt{\sigma^2_{sample} + \sigma^2_{floor}}}$$

3.2 极端情况分析

3.3 与 L2 正则化的等价性

在 Ridge 回归中，损失函数为：

$$L = |y - X\beta|^2 + \lambda|\beta|^2$$

对方差估计做加法正则化 $\sigma^2_{eff} = \sigma^2 + \lambda$ 与 Ridge 的正则项结构相同。floor² 即正则化强度 λ，控制"对小方差的不信任程度"。

4. 参数标定：回测验证

4.1 回测配置

• 标的: PURR/USDC:USDC vs HYPE/USDC:USDC
• 数据: 最近 30 天，8255 个 5 分钟数据点
• 固定参数:
  • STD_WINDOW = 72（滚动窗口）
  • MIN_ZSCORE_ABS = 0.25（z4h 绝对值过滤）
  • STOP_LOSS = 30%
  • MAX_HOLD_HOURS = 24h
  • REVERSION_FACTOR = 0.0（纯止损/超时退出）
  • COOLDOWN = 15 min
• 平仓逻辑: 使用 adaptive_z 判断（与实盘一致），非 z4h 原始值

4.2 EMA=72 回测结果（主参数）

Threshold = 2.9（生产参数）

Threshold = 2.5

Threshold = 2.0

4.3 EMA=36 回测结果（对照组）

Threshold = 2.9

Threshold = 2.0

4.4 回测结论

1. EMA=72 有明确的稳健区间：floor=0.28~0.32 在 threshold=2.5 和 2.9 下均盈利，是跨参数稳健区间
2. EMA=36 无稳定规律：各 threshold 下最优 floor 差异大（0.00/0.10/0.35 交替最优），不具备参数稳健性
3. floor=0.0（无正则化）在 EMA=72 下全面亏损：threshold=2.0/2.5/2.9 均为负收益，验证了正则化的必要性
4. floor=0.30 的综合表现：
   • EMA=72 + threshold=2.9: +59.56%，胜率 61.1%，盈亏比 2.85，最大回撤 10.66%
   • EMA=72 + threshold=2.5: +21.48%，胜率 55.0%
   • 跨参数稳健，非过拟合于单一参数组合

最终选定值: std_floor = 0.3

5. 正则化效果量化

std_floor=0.3 时，原始 std 与正则化后 std 的映射关系（100 个等距数据点，0.01~0.30）：

核心特性：

• std < floor 时，effective_std 被"兜底"到 ≈ floor，az 抑制效果显著
• std > floor 时，正则化影响衰减，高波动信号灵敏度不受损
• 过渡区间平滑，无硬截断的不连续跳变（对比 max(std, floor) 方案）

6. 代码实现

6.1 核心计算（strategy.py）

def _update_adaptive_z(self, bl: SymbolBaseline,
                       realtime_z4h: float | None = None,
                       std_floor: float = 0.0) -> float | None:
    """计算 adaptive_z 并更新 bl.last_std

    std 正则化：effective_std = √(sample_var + floor²)
    当 std_floor > 0 时，对方差做加法正则化（L2 regularization），
    平滑抑制低波动期 az 爆炸，无不连续跳变。
    """
    if bl.ema is None:
        return None
    n = len(bl.std_window)
    if n < max(10, bl.std_window.maxlen // 2):
        return None

    variance = bl.welford_m2 / (n - 1) if n > 1 else 0.0
    regularized_var = variance + std_floor * std_floor   # L2 正则化
    std = max(regularized_var ** 0.5, self._min_std)
    bl.last_std = std

    current_z4h = realtime_z4h if realtime_z4h is not None else bl.std_window[-1]
    return (current_z4h - bl.ema) / std

调用点：

# strategy.py: _process_tick_unlocked()
adaptive_z = self._update_adaptive_z(bl, realtime_z4h=z4h, std_floor=params.std_floor)

6.2 配置层（config.py）

@dataclass(frozen=True)
class StrategyParams:
    # ... 其他参数 ...
    # 标准差正则化下限（方差加法正则化: effective_std = √(local_var + floor²), 0=禁用）
    std_floor: float = 0.3

支持三级覆盖：全局默认 → 币种级 → 配对级

# 全局
TRADING_STRATEGY_STD_FLOOR=0.3

# 币种级覆盖（如 PURR 使用不同 floor）
TRADING_STRATEGY_PURR_STD_FLOOR=0.25

# 配对级覆盖（如 PURR|HYPE 配对专属）
TRADING_STRATEGY_PURR__HYPE_STD_FLOOR=0.35

6.3 Welford 增量算法

滚动标准差采用 Welford 增量算法，避免对整个窗口重复计算：

# 窗口已满时：移除旧值 + 添加新值
if n == bl.std_window.maxlen:
    old = bl.std_window[0]
    old_mean = bl.welford_mean
    bl.welford_mean = old_mean + (z4h - old) / n
    bl.welford_m2 += (z4h - old) * ((z4h - bl.welford_mean) + (old - old_mean))
    if bl.welford_m2 < 0:
        bl.welford_m2 = 0.0  # 浮点保护

# 每 500 次更新重新精确计算，消除浮点漂移
if bl.welford_updates >= 500:
    self._recalculate_welford(bl)
    bl.welford_updates = 0

正则化在 Welford 输出端施加，不修改 Welford 内部状态——保持统计量的纯粹性。

7. 改动文件清单

8. 使用指南

8.1 启用/禁用

# 启用正则化（默认）
TRADING_STRATEGY_STD_FLOOR=0.3

# 禁用正则化（恢复原始行为）
TRADING_STRATEGY_STD_FLOOR=0

8.2 参数调优建议

8.3 监控要点

实盘运行时关注日志中的 std= 字段：

📍 tick(candle) | PURR|HYPE | z4h=+0.1234 az=+1.85 (64%thresh) | ema=0.0856 std=0.3012 | buf=72/72

• std ≈ 0.30：正则化在起作用（原始 std 很小）
• std > 0.40：原始波动率已足够，正则化影响很小
• std >> 0.50：高波动期，正则化几乎无影响