一、订单簿变化的行为类型 OFI追踪的是从t-1时刻到t时刻，订单簿经历了什么变化，并将变化分解为三种行为： 1. 新增挂单 (Limit Order Placement) 2. 撤单 (Cancellation) 3. 成交 (Execution) 二、订单簿变化的四种场景 让我用具体例子说明。假设我们监控的是BTC/USDT的买一档： 场景1：价格上涨（买方极度激进） t-1时刻： 买一: $50,000 × 10 BTC 卖一: $50,001 × 8 BTC t时刻： 买一: $50,001 × 5 BTC 卖一: $50,002 × 6 BTC 发生了什么？ * 原来的卖一（$50,001
一、整体结构鸟瞰 Market Data (L2/L3) ↓ [OFI Engine] ──► Leader Validation ↓ Lead–Lag Graph ↓ Edge Activation ↓ Execution Engine ↓ Risk / Exit 注意： * OFI 只在 Leader Validation 前后出现 * Execution 不再“计算 OFI”，只“使用结果” 二、核心数据结构定义 # ===== 基础数据结构 ===== class OFISignal: strength: float direction: int # +1 buy, -1 sell
OFI 在这里不是一个“策略”，而是一个“条件信号元件”。 一、顶级系统里的真实分层（非常关键） 在实盘里，OFI 永远不单独存在，它被嵌在一个更大的结构里： ┌────────────────────────────┐ │ Level 4：Portfolio / Risk │ ├────────────────────────────┤ │ Level 3：Lead–Lag Graph │ ← 核心套利结构 ├────────────────────────────┤ │ Level 2：Leader Validation │ ← OFI 在这里 ├────────────────────────────┤ │ Level 1：Micro Signals │ ← 吃单 / L2 / L3 └────────────────────────────┘ OFI 只占其中一层，而且不是最上层。 二、OFI 在系统里的“真实角色” 1️⃣ OFI 不是「我要买什么」 而是： “这个资产有没有资格成为 Leader？” 这是一个资格判断器（
在量化交易中，通过监控订单簿（LOB）变化来预判相关资产价格方向的策略，属于**市场微观结构（Market Microstructure）**研究的核心应用。 以下是针对“订单流失衡 (OFI)”及“领头羊-滞后（Lead-Lag）”策略的成熟算法和开源项目详细介绍。 1. 成熟算法：订单流失衡 (Order Flow Imbalance, OFI) OFI 不是简单的买卖量对比，它捕捉的是订单簿的动态演变（挂单、撤单、成交）。 A. 标准 OFI 算法 (Cont-Kukanov-Stoikov 模型) 这是该领域的基石算法。它将 $t$ 时刻与 $t-1$ 时刻的盘口变化分解为三个部分： * 买方贡献： * 如果价格上涨：当前买一量就是新入场的买单。 * 如果价格没变：当前买一量减去前一时刻买一量（增加为挂单，减少为撤单/成交）。 * 如果价格下跌：
在加密货币量化交易领域，顶级团队的收益率受策略类型、资金规模以及市场环境的影响非常大。由于该市场仍处于相对早期阶段，其波动率和无效性远高于传统金融市场，因此顶级团队能跑出极其惊人的数字。 以下是根据 2024-2025 年行业数据及顶级机构表现整理的收益率分布： 1. 顶级团队收益率分级 根据公开数据和行业调研（如 PwC、AIMA 及 1Token 的报告），顶级团队的年化收益率（Annualized Return）大致可以分为以下几个梯队： 团队级别策略类型典型年化收益率范围风险特征 (夏普比率)金字塔尖 (HFT)高频交易 / 极速套利100% - 300%+极高 (Sharpe > 5.0)顶级对冲基金量化多策略 / 趋势跟踪40% - 80%较高 (Sharpe 2.0 - 4.0)稳健型头部机构市场中性 / 资金费率套利15% - 30%
作者: Masood Tadi1,2* 和 Jiří Witzany2 机构: 1. 查尔斯大学数学与物理学院概率与数理统计系,捷克布拉格 2. 布拉格经济与商业大学财务与会计学院,捷克布拉格 出版: Financial Innovation (2025) 11:40 摘要 本研究针对协整的加密货币对引入了一种基于copula的新型配对交易策略。为了识别最合适的交易对并从参考资产生成交易信号以分析错价指数,本研究采用了线性和非线性协整检验、相关系数度量,并拟合了不同的copula族。然后通过对各种开仓触发条件进行回测来评估策略的表现,评估其收益和风险。研究结果表明,所提出的方法在盈利能力和风险调整后收益方面优于以往基于协整或copula的配对交易策略。 关键词: 统计套利, 配对交易, 协整, Copulas, 加密货币市场 1. 引言 配对交易是一种著名的算法交易策略,它利用两个或多个资产之间的临时异常关系,这些资产的历史价格倾向于一起波动。当这种关系开始表现出异常行为时,就会触发开仓交易信号。当资产恢复到正常行为时,头寸就会平仓(Vidyamurthy 20
统计显著性用于判断观察到的结果是否由随机性引起，还是反映了真实关系。 通俗理解 类比：抛硬币 假设你抛硬币100次，得到60次正面。 * 问题：这枚硬币是否真的偏向正面，还是只是随机波动？ * 统计显著性检验：计算“如果硬币是公平的，出现60次正面的概率是多少？” * 如果概率很小（如 < 5%），说明不太可能是随机，更可能是硬币真的有问题 → 统计显著 * 如果概率较大（如 > 5%），说明可能是随机波动 → 统计不显著 在协整检验中的应用 在协整检验中，统计显著性用来判断两个资产是否真的存在协整关系。 具体流程： # 从代码中可以看到协整检验的过程 # 1. OLS回归计算价差 spread_ols = log_alt - (alpha + beta * log_btc) # 2. ADF检验价差的平稳性 adf_result = adfuller(spread_ols,
配对交易中的时变Beta问题：理论、检测与应对策略 专注加密货币市场 | 理论深度 + 完整代码实现 目录 1. 协整关系漂移的理论基础 2. Beta漂移的五种典型模式 3. 加密货币市场中Beta漂移的根本原因 4. Beta漂移的高级检测方法 5. Beta漂移对配对交易的影响机制 6. 应对策略的理论与实现 7. purr5.py代码改进建议 8. 加密货币市场实战案例 9. 量化指标体系 10. 学术研究与最佳实践 第1章：协整关系漂移的理论基础 1.1 协整的数学定义（Engle-Granger表述） 定义：两个非平稳时间序列 X_t 和 Y_t 被称为协整的，当且仅当： 1. X_t ~ I(1), Y_t
一、为什么 研究型工作的本质是： 在不确定性中，持续拓展认知边界 它和“搬砖型劳动”有几个根本差异： 1️⃣ 结果高度滞后，甚至不保证出现 * 今天的思考，可能半年、一年后才变成成果 * 很多探索最终会失败，但失败本身并不等于无意义 * 有些研究价值，只在未来的某个场景才会被激活 如果用“今天有没有产出”“有没有可展示的结果”来衡量： * 必然导致长期焦虑 * 会诱导你做“看起来有产出”的低价值工作 * 最终伤害真正的研究能力 2️⃣ 研究型工作是在“积累状态”，不是“完成任务” 搬砖型工作是： 投入 → 产出（可计数）→ 结算 研究型工作是： 输入 → 内化 → 重组 → 突变（不定时） 在“突变”发生前，外界几乎看不到任何变化，但内部其实已经发生了大量结构性变化。 二、真正该用什么来衡量？
Beta系数详解 - 配对交易核心参数解析 基于 purr5.py 的协整检验实现 https://github.com/zhajingwen/hyperliquid-pair-hype-purr-analyze Beta_ols 参数的核心含义 beta_ols 是配对交易策略的核心参数，本文档详细解释其含义和应用。 1. 数学定义 OLS回归公式 代码位置：purr5.py 第428-432行 # 回归方程：log_alt = α + β × log_base + ε model = LinearRegression() model.fit(log_base, log_alt) # X=log(基准币价格), Y=log(ALT币价格) alpha = model.
Frontrun（或 frontrunning，中文常译为“抢先交易”、“前跑”或“抢跑”）是一种交易操纵行为，指交易者（或自动化机器人）利用提前获知他人即将执行的大额交易信息，在该交易执行前抢先下单，从而从价格波动中获利。 传统金融中的含义 在股票或传统市场中，frontrunning 通常指经纪人或交易员知道客户即将下大单（如大量买入某股票，会推高股价），于是先用自己的账户买入，待客户订单执行后股价上涨，再卖出获利。这往往被视为非法内幕交易，因为它牺牲了客户的利益。 加密货币和区块链中的含义（最常见场景） 在 DeFi（去中心化金融）、DEX（如 Uniswap）或区块链交易中，frontrunning 更常见，且往往通过 MEV（Maximal Extractable Value，最大可提取价值）机器人实现： * 区块链交易是公开的：用户提交交易后，会进入“mempool”（内存池），等待矿工/验证者打包进区块。
Hyperliquid 作为一个基于自定义 Layer 1 区块链的去中心化永续合约交易所（Perp DEX），其设计初衷是高度优化交易速度和公平性，但大额订单是否会被 MEV（Maximal Extractable Value）机器人套利，需要从平台机制和实际生态两个维度来看。总体而言，Hyperliquid 通过架构设计显著降低了经典 MEV 风险（如 frontrunning），但并非完全免疫，尤其在高波动或流动性不足的市场中，大额订单仍可能面临套利机会。下面我一步步解释。 1. Hyperliquid 的 MEV 抵抗机制 Hyperliquid 使用 on-chain Central Limit Order Book (CLOB) 订单簿模型，所有订单在链上实时匹配和更新，没有第三方 sequencer（排序器）来干预交易顺序。这避免了 Ethereum 等链上常见的 mempool 拥堵和重排序问题，