ETH/BTC 结构性 Beta 套利策略

ETH/BTC 结构性 Beta 套利策略

核心命题:ETH 相对 BTC 在涨跌两端存在结构性 beta 不对称,这个不对称本身就是 alpha 来源。

1. 市场结构基础

1.1 非对称 Beta

ETH 与 BTC 的联动关系并非一个固定的 beta 值,而是在不同市场方向上呈现出结构性差异

  • 正收益 beta(pos_beta):ETH 与 BTC 同涨时,ETH 涨幅相对 BTC 的倍数
  • 负收益 beta(neg_beta):ETH 与 BTC 同跌时,ETH 跌幅相对 BTC 的倍数

在绝大多数市场阶段,这两个 beta 不相等。例如某时段:

neg_mean_beta = 1.01    (下跌时 ETH 跌幅 ≈ BTC 的 1.01 倍)
pos_mean_beta = 1.85    (上涨时 ETH 涨幅 ≈ BTC 的 1.85 倍)

这意味着 ETH 在上涨时放大效应远大于下跌时 — 市场结构呈现"涨多跌少"的不对称。

1.2 beta 不是恒定的

beta 在持仓周期内持续抖动,不会停留在开仓时的快照值。关键观察:

  • 实际 beta 通常落在 neg_mean 和 pos_mean 之间,大致在两者均值附近
  • 触发开仓信号本身就意味着 beta 有向开仓方向扩张的趋势(EMA < Mean 说明 beta 正在收敛,预期回归/扩张)

2. 两个方向的结构背景

2.1 正向开仓(做多 ETH + 做空 BTC)

市场结构前提

方向 beta 行为 含义
下跌时 beta 收敛(neg_beta 较小) ETH 跌幅 ≈ BTC,甚至更小
上涨时 beta 放大(pos_beta 较大) ETH 涨幅 >> BTC

经济含义:ETH 在下跌中表现出韧性(跌得少),在上涨中表现出弹性(涨得多)。
这是做多 ETH 的理想结构 — 下有支撑,上有弹性

2.2 反向开仓(做空 ETH + 做多 BTC)

市场结构前提

方向 beta 行为 含义
上涨时 beta 收敛(pos_beta 较小) ETH 涨幅 ≈ BTC,甚至更小
下跌时 beta 放大(neg_beta 较大) ETH 跌幅 >> BTC

经济含义:ETH 在上涨中动力不足(涨得少),在下跌中加速放大(跌得多)。
这是做空 ETH 的理想结构 — 涨不动,跌得狠


3. 仓位配比:min(neg_mean, pos_mean)

3.1 为什么用 min

BTC 仓位名义价值 = beta × ETH 仓位名义价值

无论正向还是反向,min(neg_mean, pos_mean) 始终自然选中收敛方向的 beta:

开仓方向 收敛端(beta 小) 放大端(beta 大) min 选中
正向(ETH 多) neg_mean(下跌收敛) pos_mean(上涨放大) neg_mean
反向(ETH 空) pos_mean(上涨收敛) neg_mean(下跌放大) pos_mean

3.2 非对称收益结构

用收敛端 beta 做配比,产生的效果:

亏损方向(beta 收敛端)

  • 开仓配比 ≈ 实际 beta → 对冲基本到位 → 小亏或持平

盈利方向(beta 放大端)

  • 开仓配比 << 实际 beta → BTC 对冲不足 → 敞口放大 → 大赚

这不是对冲失误,而是主动构建的不对称收益结构

正向持仓示例(neg_mean=1.0, pos_mean=1.6, 配比=1.0):

市场下跌 → 实际 beta ≈ 1.0 ≈ 配比
  ETH亏 $1.00,BTC赚 $1.00 → 净亏 ≈ $0(对冲到位)

市场上涨 → 实际 beta ≈ 1.6 >> 配比 1.0
  ETH赚 $1.60,BTC亏 $1.00 → 净赚 $0.60(敞口获利)

3.3 与其他方案的对比

配比方案 亏损端表现 盈利端表现 本质
使用方向 beta(原方案) 对冲到位 对冲到位 纯价差回归,不吃 beta 扩张
使用 avg(neg, pos) 部分对冲 部分获利 折中,两端都不极致
使用 min(neg, pos) 对冲到位 敞口获利 收敛端保护,放大端吃利润
使用 max(neg, pos) 过度对冲,反亏 对冲到位 反向不对称,最差方案

4. 信号与仓位的协同

整个策略可以分解为三层:

第一层:信号检测 — 识别 beta 不对称的出现

开仓条件 EMA < Mean 检测 beta 序列正在收敛,意味着不对称结构正在形成或加剧。

第二层:方向判定 — 确定哪端收敛、哪端放大

  • 负收益 beta 收敛 → 正向开仓(做多 ETH)
  • 正收益 beta 收敛 → 反向开仓(做空 ETH)

第三层:仓位配比 — 将结构判断转化为收益不对称

min(neg_mean, pos_mean) 用收敛端 beta 做 BTC 配比,确保:

  • 收敛端(亏损方向)被正确对冲
  • 放大端(盈利方向)保留敞口,捕获 beta 扩张收益

三层协同,形成完整的结构性套利逻辑闭环:

信号判定不对称 → 方向选择收敛端 → min 配比锁定不对称收益结构

5. 风险与边界条件

5.1 策略有效的前提

  • beta 的非对称性在持仓周期内持续存在(不会快速反转)
  • 实际 beta 大致落在 neg_mean 和 pos_mean 之间
  • 开仓信号对 beta 扩张方向的判定具有统计上的正期望

5.2 失效场景

  • beta 反转:开仓后原本收敛的方向突然扩张,原本放大的方向收敛 → 两端都亏
  • beta 对称化:neg_mean ≈ pos_mean → min ≈ max,不对称消失,退化为普通配对交易
  • 极端行情:beta 结构被打破(黑天鹅),历史统计失效

5.3 内在保护机制

  • 止损(3%)限制单笔最大亏损
  • 移动止盈(激活 4%,回撤 0.3%)在盈利扩张后锁定收益
  • 最长持仓时间(72h)防止 beta 结构漂移导致的长尾风险

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