IMM Kalman Beta vs OLS Beta 对 z4h 影响对比分析

1. 背景

系统使用 z4h（zscore_4h）作为配对交易的核心入/退场信号。z4h 的计算依赖于 β（hedge ratio） 构建的价差序列（spread）。β 的估计精度直接决定了 z4h 是否真实反映协整关系的偏离。

本文对比分析两种 β 估计方法在快速变化行情中对 z4h 的影响差异。

2. z4h 的构建路径

2.1 计算公式

spread = log(alt_price) - β × log(base_price)
z4h = (spread[-1] - mean(spread[:-1])) / std(spread[:-1])

β 的来源决定了 spread 的质量，进而决定 z4h 的准确性。

2.2 β 替换逻辑

analysis_core.py 中的关键代码（line 566-574）：

_kalman_warm = kalman_result is not None and _n_updates >= IMM_KALMAN_WARMUP
beta_for_spread = kalman_result['beta'] if _kalman_warm else beta_ols

• 热身前（n_updates < warmup）：使用 OLS β
• 热身后：使用 IMM Kalman β 替换 OLS β 构建 spread → 计算 z4h
• ADF 结构检验始终使用 OLS β（基于完整 beta_window，不受影响）

3. 两种 β 估计方法概述

3.1 原始 OLS β

• 算法：对最近 BETA_WINDOW（100 根 4h K 线）取对数价格做线性回归
• 更新方式：每次 tick 重算整个窗口的 OLS 回归
• 有效滞后：100 × 4h = 400h ≈ 17 天
• 权重分配：窗口内所有数据点等权

3.2 IMM Kalman β

• 算法：M=5 并行 OU Kalman Filter，每个模型使用不同的 (Q_β, Φ_β) 对，通过贝叶斯模型概率实时加权融合
• 更新方式：每根新 bar 或降频间隔到达时增量更新（v5.1）
• 有效滞后：高Q模型激活时 数个 bar 内（Q_β=1e-2 对应 Kalman Gain 最大）
• 权重分配：通过 Student-t 似然自动调节各模型权重

模型网格：

4. 快速行情中的核心区别

4.1 β 响应速度对比

4.2 IMM 的自适应追踪机制

当 β 发生真实结构性变化时：

β 突变 → innovation（观测残差）持续偏大
       → 高Q模型（M3/M4）的 Kalman Gain 更大 → 预测更接近观测
       → 高Q模型似然更高
       → 贝叶斯更新使 μ₃, μ₄ 上升
       → 融合 β = Σ μⱼ × βⱼ 快速偏向高Q模型的估计
       → β_kalman 快速追踪真实 β

而异常值（瞬时噪声，非 β 变化）时：

单次异常观测 → Student-t 似然对异常值惩罚远小于高斯
             → 模型概率变化有限
             → Huber clipping 截断状态更新幅度（±3σ）
             → β_kalman 保持稳定

5. 对 z4h 值的具体影响分析

5.1 场景 1：β 从 0.8 突变到 1.2（联动增强）

背景：基准币暴涨，目标币联动从 0.8 增强到 1.2。

原始 OLS：

• β_ols 仍在 ~0.8 附近（100 根窗口中仅 1-2 根新数据）
• spread = log_alt - 0.8 × log_base
• 因为真实 β 已是 1.2，base 大涨时 0.8 × log_base 低估了应抵消的部分
• spread 系统性偏移 → z4h 虚假放大
• 可能触发本不该触发的入场信号

IMM Kalman：

• 高Q模型概率上升 → effective_q_beta ↑
• β_kalman 在数个 bar 内追踪到 ~1.2
• spread = log_alt - 1.2 × log_base
• spread 准确反映协整关系偏离
• → z4h 更真实（减少虚假信号）

5.2 场景 2：β 从 1.0 突变到 -0.5（联动反转）

背景：极端行情下配对关系发生方向性变化。

原始 OLS：

• β_ols 仍在 ~1.0（严重滞后）
• spread 计算完全失真 → z4h 既不反映旧关系也不反映新关系
• 持续产生无意义的虚假信号

IMM Kalman：

• M4 模型（Q_β=1e-2, Φ_β=0.995）快速追踪
• regime_score 飙升到 >0.7 → Gate3 硬拦截，阻止在不确定期开仓
• β 稳定后 regime_score 回落，恢复正常交易

5.3 场景 3：瞬时闪崩后恢复（β 未真正改变）

背景：短暂闪崩导致价格剧烈波动，但基本面关系未变。

原始 OLS：

• β_ols 几乎不变（窗口足够大，1-2 根异常 K 线影响有限）
• spread 短暂偏离后回归 → z4h 先飙升后回归
• 可能在闪崩时错误入场

IMM Kalman：

• Student-t 似然（ν≈5-10）对异常值容忍度高，不像高斯那样过度反应
• Huber clipping（3σ）截断极端 innovation 对状态的影响
• β_kalman 保持稳定 → z4h 波动被抑制
• 如果 regime_score 短暂上升，阈值缩放也提供额外保护

6. z4h 特性对比总结

7. IMM 的附加保护层：体制检测

IMM 不仅改善了 z4h 的数值精度，还通过 regime_score 引入了额外的风险控制层级：

regime_score = Σ μⱼ (j ∈ 高Q模型)

阈值缩放公式（strategy.py _IMMRegimeDetector）：

t = (regime_score - soft_prob) / (hard_prob - soft_prob)  # [0, 1]
threshold_scale = 1.0 + t × (scale_max - 1.0)            # [1.0, 2.0]

这意味着在快速行情中，即使 IMM β 已修正了 z4h，体制检测仍会提高入场门槛或直接阻止入场——双重保护。

8. 数据流对比图

原始算法

K 线数据（100 根窗口）
    ↓
OLS 回归 → β_ols（滞后 ~17 天）
    ↓
spread = log_alt - β_ols × log_base
    ↓
z4h = (spread[-1] - mean) / std
    ↓
直接判断入场/退场（无体制保护）

IMM 算法

K 线数据
    ↓
┌─────────────────────────────────────────────┐
│ OLS 回归 → β_ols（ADF 检验用）               │
│                                             │
│ IMM Kalman Filter:                          │
│   M=5 并行模型 → 贝叶斯概率加权              │
│   Student-t 似然 + Huber clipping            │
│   Sage-Husa 自适应 R                         │
│   → β_kalman（快速追踪）                     │
│   → regime_score（体制检测）                  │
└─────────────────────────────────────────────┘
    ↓                        ↓
spread = log_alt          regime_score
  - β_kalman × log_base      ↓
    ↓                   ┌─────────────────┐
z4h（更准确）            │ < 0.3: 正常入场   │
    ↓                   │ 0.3-0.7: 阈值缩放 │
入场/退场判断  ←──────── │ ≥ 0.7: 硬拦截     │
                        └─────────────────┘

9. 直觉类比

10. 结论

1. z4h 精度：IMM Kalman β 通过快速追踪真实 β 变化，消除了 OLS β 滞后导致的 spread 系统性偏移，使 z4h 在快速行情中更准确、波动更小。

2. 风控增强：IMM 额外输出 regime_score 作为体制检测指标，在 β 不确定期自动提高入场门槛或硬拦截，从根本上避免了在 β 突变期的盲目交易。

3. 鲁棒性：Student-t 似然 + Huber clipping 使 IMM β 在异常值（闪崩、流动性缺失）面前保持稳定，避免 z4h 因噪声而产生虚假信号。

4. 代价：IMM 引入了额外的计算复杂度和参数（5 模型 × 多个超参数），以及热身期内仍依赖 OLS β 的过渡阶段。但在实际运行中，增量更新的计算开销极低（单次 update 为 O(M²) 矩阵运算，M=5）。