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. 钱回不来（回归太慢）
3. 关系在漂（不稳定）

所以 MVP 必须强约束这三点，其余的（ACF 细节、异方差形态）先降级。

二、MVP 的 5 → 3 → 1 压缩逻辑

原始 5 维度

MVP 实际只算 4 个量

用 4 个 scalar → 1 个 PTS

三、Pair Tradability Score（MVP）定义

1️⃣ 必要门槛（Gate，不计分）

ADF p < 0.05

不通过：
→ PTS = 0，直接 reject

2️⃣ 四个核心指标（全部 ∈ [0, 1]）

🟦 (A) 波动 / 成本充分性得分 S_vol

直觉：

能不能覆盖手续费，而且不是偶尔一下

vol_cost_ratio = spread_std / round_trip_cost

映射到分数（soft clip）：

S_vol = clip( (vol_cost_ratio - 2) / (8 - 2), 0, 1 )

解释：

🟦 (B) 回归速度得分 S_mr（最重要）

用你已经实现的 AR(1) 半衰期（小时）。

设定一个 理想区间：

T_min < half_life < T_max

但 不是硬 cut，而是钟形得分：

S_mr = exp( - |log(half_life / T_opt)| )

其中：

性质：

• 太快（噪声）→ 低分
• 太慢（资金占用）→ 低分
• 只奖励“刚刚好”

🟦 (C) 稳定性 proxy 得分 S_stab

MVP 不做完整 rolling beta，只用 分段方差稳定性：

var_ratio = max(std_1, std_2) / min(std_1, std_2)

映射为：

S_stab = exp( - (var_ratio - 1) )

🟦 (D) 有效偏离频率得分 S_freq

防止“95% 时间贴着 0 抖动”的假波动：

freq = P(|spread| > 1.5 * spread_std)

S_freq = clip( freq / 0.15 , 0, 1 )

3️⃣ 最终 PTS 聚合（不是平均！）

这是关键。

❌ 不要：

( S_vol + S_mr + S_stab + S_freq ) / 4

✅ 推荐：加权几何平均

PTS = (
    S_vol ** 0.25 *
    S_mr  ** 0.40 *
    S_stab** 0.20 *
    S_freq** 0.15
)

原因：

• 任一维度接近 0 → PTS 快速塌陷
• 回归速度权重最大（你工程直觉是对的）

4️⃣ 决策规则（MVP）

PTS ≥ 0.6  → 高质量可交易
0.4–0.6    → 观察 / 降权
< 0.4      → reject

四、MVP 版 compute_pair_tradability_score

def compute_pts_mvp(spread, half_life_hours, timeframe, fee_rate):
    # ---------- A. 波动 / 成本 ----------
    spread_std = spread.std()
    round_trip_cost = fee_rate * 2
    vol_cost_ratio = spread_std / round_trip_cost
    S_vol = np.clip((vol_cost_ratio - 2) / 6, 0, 1)

    # ---------- B. 回归速度 ----------
    T_opt = {'5m': 2, '1h': 12, '4h': 48}.get(timeframe, 12)
    S_mr = np.exp(-abs(np.log(half_life_hours / T_opt)))

    # ---------- C. 稳定性 ----------
    mid = len(spread) // 2
    std1 = spread.iloc[:mid].std()
    std2 = spread.iloc[mid:].std()
    var_ratio = max(std1, std2) / max(min(std1, std2), 1e-8)
    S_stab = np.exp(-(var_ratio - 1))

    # ---------- D. 有效偏离频率 ----------
    freq = (spread.abs() > 1.5 * spread_std).mean()
    S_freq = np.clip(freq / 0.15, 0, 1)

    # ---------- PTS ----------
    pts = (
        S_vol ** 0.25 *
        S_mr  ** 0.40 *
        S_stab** 0.20 *
        S_freq** 0.15
    )

    return {
        'PTS': pts,
        'components': {
            'S_vol': S_vol,
            'S_mr': S_mr,
            'S_stab': S_stab,
            'S_freq': S_freq,
            'vol_cost_ratio': vol_cost_ratio,
            'half_life_hours': half_life_hours,
            'var_ratio': var_ratio,
            'freq': freq
        }
    }

五、为什么这个 MVP 很适合你现在用

✅ 不破坏你现有结构

• 接在 cointegration_result['spread'] 后
• 只多一次 AR(1)

✅ 能直接排序 + 筛选

• 用 PTS 排序所有 pair
• 选 Top-K 或设阈值

✅ 为 Phase 2 留足接口

以后你可以：

• 把 ACF 得分并入 S_mr
• 把 GARCH 并入 S_stab
• 把 rolling beta 稳定性替换 var_ratio