好，这一步你已经是在做“系统级设计”了，不是在“用指标”。 下面我给你一套 可落地、可解释、可扩展 的： 协整健康评分（Cointegration Health Score, 0–100） 它不是玄学打分，而是把你前面担心的两个风险“量化掉”， 让系统自己判断：还能不能继续交易。 一、设计原则（先说清楚，不然后面会误用） 这不是： * 是否协整（True / False） * 是否通过 ADF 而是： 当前这段协整关系，对“未来一段时间内的交易”还有多健康？ 核心思想只有一句话： “ADF 决定有没有结构， 半衰期决定值不值得等， 稳定性决定会不会突然死。” 二、评分总体结构（非常重要） 我们把健康度拆成 三大模块： 模块权重解决什么问题ADF 强度40%是否真的平稳半衰期质量30%
这个问题非常好，你已经从「会用 ADF」走到了 「理解 ADF 失效模式」 这一层。 下面我会把你点名的 两个风险 拆到几乎是“工程事故复盘级别”的细节， 让你能在系统设计时主动规避，而不是事后止血。 一、风险 1：滚动窗口“被动延长了失效结构的寿命” 这是协整交易里最隐蔽、也是最致命的风险之一。 1️⃣ 先把问题说成一句话 滚动窗口 ≠ 立刻反映结构变化 当协整在 t₀ 失效时， 你的窗口仍然在“投票”给过去的协整关系。 2️⃣ 用一个“极具体”的例子说明 设定 * 使用 4H 数据 * 滚动窗口 = 200 根 * 协整关系在 t₀ 失效 * 你每根 4H 都重新跑
这是一个问到“系统有没有灵魂”的问题。 我先给你结论级答案，再告诉你什么时候可以不用、什么时候不用一定会出事。 一、结论先行（非常清晰） ❌ 滚动窗口不是统计上“必须”的 ✅ 但在交易系统里，它几乎是“工程上必须的” 换句话说： 你可以不滚动，但那相当于在假设： 市场结构永远不变。 二、为什么“统计上不必须”？ 从纯统计角度： * 它并 不要求参数随时间更新 * 所以： * 一次性用 500 根 * 在数学上完全合法 ADF / 协整检验的定义： 在给定样本区间内，是否存在单位根 👉 所以“不是必须”是对的 三、那为什么“交易上几乎必须”？ 因为你不是在写论文，而是在 对抗非平稳市场。 1️⃣ 市场结构一定会变（这是事实，不是观点） 在真实市场中： * 波动 regime
这是一个非常成熟、也是专业量化里真实在用的问题。 直接给结论，然后我把什么时候可以、什么时候绝对不行、以及正确用法全部讲清楚。 一、结论先行（非常明确） ✅ 可以，而且这是专业交易里“推荐”的做法之一。 用 4H K 线做协整检验，用 5min 做进出场，是一种“多时间尺度分离”的标准结构。 但要立刻补一句： ⚠️ 前提是：你清楚“谁管什么”，而不是混着用。 二、为什么这在统计和交易上是“合理的”？ 1️⃣ 协整 ≠ 交易信号，它是“结构假设” 协整检验在做什么？ 验证两个价格是否存在长期（低频）均衡关系 而 5min 交易在做什么？ 利用短期（高频）偏离 👉 这两件事本来就不该在同一个频率上做。 2️⃣ 用 4H
一、4 小时（4H）数据 是的，如果是 4 小时（4H）数据，样本量可以明显少于 300， 100 条在“工程上可用”，但属于“下限可用”，不是理想值。 更精确一点的分级结论： 样本量对 4H ADF 的评价< 80❌ 不可靠，几乎不建议80–120⚠️ 勉强可用（MVP / 探索期）120–200✅ 可接受（实盘前筛选）> 200⭐ 稳健（强烈推荐） 所以你说 100 条 —— 👉 “可以用，但要知道自己在冒什么风险” 二、为什么 4H 数据可以“少一点样本”
一、为什么 ADF 一定要选滞后阶数？ 先给直觉，再给形式。 1️⃣ 直觉解释（非常重要） ADF 检验的核心假设是： “如果序列是平稳的，它不会被过去的冲击长期影响” 但现实中： * 金融时间序列几乎一定存在 短期自相关 * 如果不控制这种自相关，ADF 的 t 统计量会 失真 👉 滞后阶数的作用： 用过去的差分项来 “吸收” 残留自相关，让误差项尽可能接近白噪声。 2️⃣ 数学形式（你一定见过） ADF 回归形式： [ \Delta y_t = \alpha + \beta t + \gamma y_{t-1} * \sum_{i=1}^{p} \delta_i \Delta y_{t-i}
一句话先给结论 宏观分析里，协整用来处理「多个非平稳宏观变量之间的长期均衡关系」 ——这是 Engle–Granger 1987 那篇论文真正“统治级”的应用场景。 一、货币经济学（最经典应用） 1️⃣ 货币需求函数（Money Demand） 问题背景： * 货币供给 ( M ) * 收入 ( Y ) * 利率 ( r ) 这些变量： * 都是 I(1)（非平稳） * 但经济理论认为存在长期关系 典型协整关系： [ \log(M_t) = \alpha + \beta \log(Y_t) + \gamma r_t + u_t ] 👉 如果 ( u_t ) 是平稳的 ⇒ 货币需求长期稳定
Engle-Granger 协整检验详解 配对交易中的协整关系检验：理论、实现与应用 专注加密货币市场 | 完整理论 + 代码实现 + 实战案例 目录 1. 理论基础与历史背景 2. 数学原理与公式推导 3. 检验步骤详解 4. ADF检验深入理解 5. 优缺点分析 6. 与Johansen检验对比 7. 代码实现详解 8. 实战应用案例 9. 常见问题与注意事项 10. 改进方向与扩展 第1章：理论基础与历史背景 1.1 什么是协整？ 协整（Cointegration） 是时间序列分析中的重要概念，由 Robert Engle 和 Clive Granger 在1987年提出，两人因此获得2003年诺贝尔经济学奖。 1.1.1 直观理解
很好，这一步问得非常对。 因为 MVP 的关键不是“少”，而是“少而不偏”。 下面我会直接给你一个可以今天就落地的 Pair Tradability Score（PTS）最小可用版本，它满足： * ✅ 覆盖你提出的 5 个维度的“信息核心” * ✅ 不依赖 ACF / GARCH / KPSS（先别上） * ✅ 参数少、解释性强 * ✅ 能直接接到你现在的 zscore_analysis 流程 一、MVP 设计原则（为什么要这样压缩） 我们先明确一件事： MVP 的目标不是“评估全面”，而是“防止犯致命错误” 在配对交易里，真正会一票否决一个 pair 的只有三类问题： 1. 赚不到钱（波动 < 成本） 2.
一、优化目标与背景 1.1 当前问题诊断 基于残差波动结构检测评估报告的分析，当前 multi_coins3.py 存在以下核心问题： 现状：仅实现"协整存在性验证" * ✅ ADF 平稳性检验（第 433、479 行） * ✅ Z-score 偏离信号（第 559 行） * ❌ 未评估配对的可交易性 缺失的关键维度： | 维度 | 影响 | 缺失导致的问题 | |------|------|--------------| | 回归速度 | 资金效率 | 可能选中"回归太慢"的币种，资金周转率低 | | 波动幅度 | 盈利能力 | 可能选中"波动不覆盖手续费"的币种，
🎯 核心亮点：双模式数据源架构 传统模式（现有）： REST API轮询 → 限流风险 + 高延迟 升级模式（新增）： WebSocket实时推送 → 零限流 + 毫秒级延迟 通过集成 strong-hyperliquid-websocket 项目，实现： 1. ✅ 实时K线数据流：毫秒级延迟，无需轮询API 2. ✅ 自动持久化：WebSocket数据 → 缓冲队列 → 批量写入TimescaleDB 3. ✅ 混合数据源：历史数据用REST API，实时数据用WebSocket 4. ✅ 解决假活问题：使用增强型WebSocket管理器，确保连接稳定 一、数据库选型推荐 基于您的需求分析： 推荐方案：TimescaleDB（PostgreSQL时序扩展） 选择理由： * ✅ 时序数据专用：专为K线这类时间序列数据优化，查询性能比普通PostgreSQL提升10-100倍 * ✅ SQL兼容：完全兼容PostgreSQL，学习成本低，生态成熟 * ✅ 实时写入优化：
一、数据库选型推荐 基于您的需求分析： 推荐方案：TimescaleDB（PostgreSQL时序扩展） 选择理由： * ✅ 时序数据专用：专为K线这类时间序列数据优化，查询性能比普通PostgreSQL提升10-100倍 * ✅ SQL兼容：完全兼容PostgreSQL，学习成本低，生态成熟 * ✅ 实时写入优化：支持高并发插入，适合您的实时增量写入需求 * ✅ 时间范围查询极快：内置时间分区（hypertable），按时间查询接近O(1) * ✅ 云服务支持：Timescale Cloud 或 AWS RDS for PostgreSQL + TimescaleDB 扩展 * ✅ 数据压缩：自动压缩历史数据，节省50-90%存储空间 * ✅ Python生态完善：psycopg2/asyncpg 驱动成熟稳定 数据规模估算（您的场景）： * 50个币种 × 3个时间周期（5m/1h/4h）× 180天 * 5分钟K线：288条/