Beta套利配对交易策略设计方案2

Beta套利配对交易策略设计方案

1. 概述

Beta套利是一种基于ETH/BTC下行联动性的配对交易策略。通过追踪ETH在下跌行情中相对于BTC的收益率比值(beta),识别ETH相对强势的时机,做多ETH同时做空BTC,捕获两者之间的相对价值回归。

核心假设:当ETH的下行beta较低且趋势收敛时,说明ETH在下跌中比BTC更抗跌,暗示短期相对强势,此时做多ETH/做空BTC存在正期望。

1.1 与现有策略的区别

维度 现有协整Z-Score策略 Beta套利策略
信号来源 价差Z-score偏离与回归 下行beta收敛
Beta估计 IMM Kalman滤波器(全样本) 仅负收益K线的收益率比值
过滤体系 4层动量过滤器 + 协整门控 无外部过滤,信号自包含
交易方向 双向(多/空ETH) 单向(固定做多ETH/做空BTC)
持仓周期 中等(数小时~数天) 短周期(平均6小时)
适用标的 多币种配对 专注ETH/BTC

2. 数据源

2.1 WebSocket订阅

订阅ETH和BTC的1小时级别K线数据:

频道: candle
标的: ETH/USDC:USDC, BTC/USDC:USDC
周期: 1h
数据: time, open, high, low, close, volume, return_pct

2.2 数据对齐

ETH和BTC的K线按时间戳内连接(inner join),确保每个时间点两者数据完整。丢弃任一方缺失的时间点。

3. Beta计算算法

3.1 核心定义

Beta定义为ETH下跌时相对于BTC的收益率放大/缩小倍数:

beta_i = |ETH_return_i / BTC_return_i|

其中 ETH_return_i 为负值(仅取ETH下跌的K线)。

3.2 计算流程

输入: 当前时间点 t 之前的 ETH/BTC 对齐K线序列
输出: 长度为 N 的 beta 数据序列

步骤:
1. 从时间点 t-1 开始向前回溯(不含当前K线)
2. 筛选 ETH 收益率 < 0 的K线(负收益)
3. 对每个满足条件的K线,检查对应BTC收益率:
   a. |BTC收益率| < MIN_BTC_RETURN(趋近于0)→ 剔除该数据点,不计入
   b. BTC收益率 >= 0(非负值)→ 直接设定 beta = 3
   c. BTC收益率 < 0 → 计算 beta = |ETH_return / BTC_return|
4. 收集 N 个有效 beta 值(默认 N = 10)
5. 回溯上限: MAX_LOOKBACK 根K线(默认 100),超出则放弃本次信号
6. 按时间正序排列 beta 序列

3.3 参数说明

参数 默认值 说明
NEGATIVE_RETURN_COUNT (N) 10 需要收集的负收益K线数量
MIN_BTC_RETURN_ABS 0.0005 (0.05%) BTC收益率绝对值下限,过滤接近零的分母
MAX_LOOKBACK_BARS 100 最大回溯K线数,限制采样窗口跨度

3.4 Beta含义解读

Beta值 含义 举例
beta = 3 ETH跌但BTC未跌(惩罚值) ETH跌1%, BTC涨0.5% → beta=3
beta > 1 ETH跌幅大于BTC ETH跌2%, BTC跌1% → beta=2
beta = 1 ETH跌幅等于BTC ETH跌1%, BTC跌1% → beta=1
beta < 1 ETH跌幅小于BTC ETH跌0.5%, BTC跌1% → beta=0.5

4. 信号生成

4.1 指标计算

对N个beta数据点计算两个统计量:

EMA_beta = EWM(beta_series, span=EMA_SPAN).last()   # 指数加权移动平均
Mean_beta = arithmetic_mean(beta_series)              # 算术平均值

4.2 开仓条件

同时满足以下两个条件时触发开仓信号:

条件1: EMA_beta < BETA_EMA_THRESHOLD    (EMA低于绝对阈值)
条件2: EMA_beta < Mean_beta              (EMA低于算术均值,趋势收敛)

信号解读

  • 条件1确保下行beta处于较低水平(ETH抗跌性好)
  • 条件2确保beta趋势在下降(近期ETH相对强势在增强)
  • 两者结合表示:ETH的下行敏感度低且持续改善,是做多ETH的有利时机

4.3 参数说明

参数 默认值 说明
EMA_SPAN 5 EMA计算窗口,对N个beta点赋予近期更高权重
BETA_EMA_THRESHOLD 1.5 EMA绝对阈值上限

4.4 信号流程图

每根1h K线闭合
    │
    ▼
计算beta序列(回溯N个ETH负收益K线)
    │
    ├── 数据不足 → 跳过
    │
    ▼
计算 EMA_beta 和 Mean_beta
    │
    ├── EMA_beta >= 1.5 → 无信号
    ├── EMA_beta >= Mean_beta → 无信号
    │
    ▼
开仓信号触发
    │
    ▼
开仓比例 = Mean_beta(算术均值)

5. 仓位管理

5.1 开仓

方向 名义持仓 杠杆 保证金
ETH 多 (Long) 1 USD 10x 0.1 USD
BTC 空 (Short) Mean_beta USD 10x Mean_beta / 10 USD
  • 所有订单为市价单
  • Beta(算术均值)作为对冲比例,确保风险中性
  • 平均保证金 = (ETH保证金 + BTC保证金) / 2

5.2 仓位计算示例

假设 Mean_beta = 1.3:

ETH多单: 名义 1 USD, 保证金 = 1/10 = 0.1 USD
BTC空单: 名义 1.3 USD, 保证金 = 1.3/10 = 0.13 USD
平均保证金 = (0.1 + 0.13) / 2 = 0.115 USD

5.3 盈亏计算

ETH盈亏 = ETH名义持仓 × (ETH当前价 / ETH入场价 - 1)
BTC盈亏 = BTC名义持仓 × (1 - BTC当前价 / BTC入场价)
组合盈亏 = ETH盈亏 + BTC盈亏
收益率 = 组合盈亏 / 平均保证金

6. 风控与退出机制

6.1 移动止盈止损

阶段1 — 等待激活:
  实时跟踪组合收益率
  当收益率 > 0 且 > 5%(激活阈值)时,进入阶段2

阶段2 — 峰值追踪:
  记录并持续更新盈利峰值(只升不降)
  peak_pnl = max(peak_pnl, current_pnl)

阶段3 — 回撤触发:
  当从峰值回落 0.5%(回撤金额/平均保证金)时,触发止盈
  触发条件: current_pnl < peak_pnl - 0.5% × avg_margin

平仓操作:同时平掉ETH多单和BTC空单,均为市价单。

参数

参数 默认值 说明
激活阈值 5% 收益率达到此值后启动峰值追踪
回撤触发 0.5% 从峰值回落此幅度触发平仓

6.2 冷却期

平仓后进入冷却期,默认 3 根K线(3小时)内不开新仓,避免反复开平。

6.3 建议补充的风控措施

措施 说明 建议值
最大持仓时间 超时强制平仓 48-72小时
单日最大亏损 当日累计亏损上限 可配置
回溯窗口告警 N个负收益K线跨度过大时告警 当回溯超过50根K线

7. 实盘实现要点

7.1 数据流架构

WebSocket (1h candle)
    ├── ETH K线 ──┐
    └── BTC K线 ──┤
                  ▼
          K线对齐缓冲区
                  │
                  ▼
        Beta序列计算引擎
         (回溯10个ETH负收益K线)
                  │
                  ▼
          信号检测 (EMA < 阈值 && EMA < Mean)
                  │
              ┌───┴───┐
              │ 无信号 │ 有信号
              └───┬───┘    │
                  │        ▼
                  │   开仓执行(ETH多 + BTC空,市价单)
                  │        │
                  ▼        ▼
              等待下根K线   实时P&L监控
                           │
                  ┌────────┼────────┐
                  ▼        ▼        ▼
              止盈触发  止损触发  移动止盈触发
                  │        │        │
                  └────────┴────────┘
                           │
                           ▼
                    平仓(两腿同时,市价单)
                           │
                           ▼
                      冷却期 → 回到信号检测

7.2 关键实现注意事项

  1. 除零保护:BTC收益率绝对值 < 0.05% 时跳过该数据点
  2. 原子操作:ETH和BTC的开仓/平仓应尽量同时执行,减少单腿风险
  3. 实时监控:止盈止损应通过WebSocket实时价格推送触发,而非等待K线闭合
  4. 状态持久化:持仓状态、beta序列、峰值盈利等需持久化,支持断线恢复
  5. 最小下单量:确认Hyperliquid对ETH/BTC的最小下单量要求

7.3 配置项汇总

# Beta计算
BETA_ARB_NEGATIVE_RETURN_COUNT: 10
BETA_ARB_MIN_BTC_RETURN_ABS: 0.0005
BETA_ARB_MAX_LOOKBACK_BARS: 100

# 信号
BETA_ARB_EMA_SPAN: 5
BETA_ARB_EMA_THRESHOLD: 1.5

# 仓位
BETA_ARB_ETH_POSITION_USD: 1.0
BETA_ARB_LEVERAGE: 10

# 风控
BETA_ARB_TAKE_PROFIT_PCT: 0.05
BETA_ARB_STOP_LOSS_PCT: 0.03
BETA_ARB_TRAILING_ACTIVATION_PCT: 0.05
BETA_ARB_TRAILING_CALLBACK_PCT: 0.005
BETA_ARB_COOLDOWN_BARS: 3
BETA_ARB_MAX_HOLD_HOURS: 72

Read more

AMI的优越性

世界模型(World Models)的具体例子 如下,我按类型分类,便于理解。每类都附带实际实现、演示效果和应用场景。 1. Yann LeCun / Meta 的 JEPA 系列(最直接对应“世界模型”概念) 这些是 LeCun 主张的非生成式抽象预测世界模型代表。 * I-JEPA(Image JEPA,2023) 输入一张图像,模型把不同区域(context 和 target)编码成抽象表示,然后预测 target 的表示(不在像素级别重建)。 例子:给定一张遮挡了部分物体的图片,模型能预测“被遮挡物体的大致位置和属性”,构建对物体持久性和空间关系的理解。 这是一个“原始世界模型”,能学习物理常识(如物体不会凭空消失)。 * V-JEPA / V-JEPA 2(Video JEPA,

By SHI XIAOLONG

什么是:“世界模型(World Models)”

世界模型(World Models) 是人工智能领域的一个核心概念,尤其在 Yann LeCun 等研究者推动的下一代 AI 架构中占据中心位置。它指的是 AI 系统在内部构建的对现实世界的抽象模拟或内部表示,让机器能够像人类或动物一样“理解”物理世界、预测未来、规划行动。 简单比喻 想象你闭上眼睛也能“看到”房间里的物体会如何移动、碰撞或掉落——这就是你大脑里的世界模型。AI 的世界模型就是类似的“数字孪生”(digital twin)或“内部模拟器”:它不是简单记住数据,而是学习世界的动态、因果关系和物理直觉(如重力、物体持久性、遮挡、因果等)。 为什么需要世界模型? 当前主流的大型语言模型(LLM) 擅长处理文本(统计模式预测),但存在根本局限: * 缺乏对物理世界的真正理解 → 容易“幻觉”、无法可靠规划。 * 样本效率低 → 人类/

By SHI XIAOLONG

K线周期可配置化设计方案

K线周期可配置化设计方案 1. 背景与目标 当前 Beta 套利策略的 K 线周期硬编码为 "1h",分散在多个文件中。需要: 1. 将 K 线周期从 1h 改为 2h 2. 提取为环境变量 BETA_ARB_KLINE_INTERVAL,使其可在 .env 中配置 2. 影响范围分析 2.1 需要修改的文件(共 6 个) 文件 硬编码位置 修改内容 src/trading/config.py BetaArbConfig dataclass 新增 kline_interval 字段,

By SHI XIAOLONG

对于空间环境、“信息/逻辑”(比如代码、结构、表达)秩序追求的心理特征分析

一、为什么是“空间 + 信息”同时强化? 因为你当年面对的是“双重失控”: 1️⃣ 外部世界是脏乱 + 失序的 * 空间被污染 * 行为无边界 * 基本生活秩序崩塌 👉 所以你现在会强烈要求: * 桌面干净 * 房间有序 * 物品可控 这是在修复:“物理世界必须是可控的” 2️⃣ 人的行为和逻辑也是混乱的 * 没有规则 * 没有底线 * 没有理性 👉 所以你现在会特别在意: * 表达是否清晰 * 逻辑是否自洽 * 结构是否优雅 * 代码是否干净 这是在修复:“认知世界必须是合理的” 二、你其实构建了一个“高纯度系统” 你现在的偏好,本质上是: 👉 低噪音 + 高结构 + 强控制感 具体表现就是: * 空间:极简、整洁、可预测 * 信息:清晰、压缩、无冗余 这类人有一个很明显的优势: 👉 处理复杂问题时,

By SHI XIAOLONG