Pair trade 信号挖掘算法技术(双重标准差)

核心算法: Adaptive Bollinger Z-Score + 多周期协整验证

目录

1. 系统概览
2. 信号生成全链路
3. 第一层：相关性分析
4. 第二层：协整检验 (Engle-Granger 两步法)
5. 第三层：Z-Score 计算
6. 多周期验证门控
7. Adaptive Bollinger Z-Score 策略引擎
8. 入场与退场决策逻辑
9. 风控体系
10. 关键参数速查表
11. 回测与参数优化
12. 架构总结

1. 系统概览

本系统是一个加密货币配对交易平台，专注于 Hyperliquid 交易所上的 HYPE/PURR 交易对。核心思路是利用统计套利——当两个高度相关的资产价格偏离均衡关系时入场，等待价格回归时退场获利。

核心技术栈

信号流水线概览

WebSocket K线数据 (5m/1h/4h)
        │
        ▼
┌─────────────────────┐
│  相关性分析 (Pearson) │  ← Layer 1: 收益率相关
└────────┬────────────┘
         │
         ▼
┌─────────────────────┐
│  协整检验 (EG两步法)  │  ← Layer 2: OLS回归 + ADF检验
│  · 全量OLS (Old)     │
│  · 双窗口OLS (New)   │
└────────┬────────────┘
         │
         ▼
┌─────────────────────┐
│  Z-Score 计算        │  ← Layer 3: 基于OLS价差的标准化
└────────┬────────────┘
         │
         ▼
┌─────────────────────┐
│  多周期门控验证       │  ← Gate 1: 协整通过数 ≥ 2/6
│                      │  ← Gate 2: 健康监控 (4h/60d)
└────────┬────────────┘
         │
         ▼
┌─────────────────────┐
│  Adaptive Bollinger  │  ← 自适应突破检测
│  策略引擎            │
└────────┬────────────┘
         │
         ▼
┌─────────────────────┐
│  风控 9 项检查       │  ← 入场前最终审查
└────────┬────────────┘
         │
         ▼
      交易执行

2. 信号生成全链路

数据采集层

系统通过 WebSocket 订阅 Hyperliquid 交易所的 K线数据，支持三个时间框架：

并行处理架构

WebSocket → K线缓冲队列 (10,000) → 批量写入线程 → DB
                   │
                   ▼
           分析任务队列 (30,000)
                   │
                   ▼
         30 个分析工作线程 (并行)
          ├─ 相关性分析
          ├─ 协整检验 (Old + New)
          ├─ Z-Score 计算
          ├─ 健康监控
          └─ 信号强度分类

性能指标:

• 信号延迟: < 5 秒 (K线到分析完成)
• 告警延迟: < 10 秒 (分析到飞书通知)
• DB 写入: > 40K 行/秒 (COPY 方法)

3. 第一层：相关性分析

源码: src/utils/analysis/analysis_core.py:83-140

为什么使用收益率相关而非价格相关？

算法实现

# 1. 对齐时间索引
aligned = pd.DataFrame({'base': base_prices, 'alt': alt_prices}).dropna()

# 2. 计算收益率序列
base_returns = aligned['base'].pct_change().dropna()
alt_returns  = aligned['alt'].pct_change().dropna()

# 3. Pearson 相关系数
correlation = base_returns.corr(alt_returns, method='pearson')

最低数据要求: 20 个数据点 (MIN_POINTS_FOR_CORRELATION)

4. 第二层：协整检验

源码: src/utils/analysis/analysis_core.py:149-407

协整检验是配对交易的理论基石。两个非平稳价格序列如果存在协整关系，它们的线性组合（价差）是平稳的——这意味着价差会均值回归。

4.1 Engle-Granger 两步法

第一步: OLS 回归

$$\log(P_{alt}) = \alpha + \beta \cdot \log(P_{base}) + \varepsilon$$

第二步: 对残差 $\varepsilon$ 做 ADF (Augmented Dickey-Fuller) 检验

• p-value < 0.05 → 残差平稳 → 协整成立
• p-value ≥ 0.05 → 残差非平稳 → 协整不成立

4.2 智能模型选择

系统根据截距项 $\alpha$ 的统计特性自动选择最优模型：

def _select_cointegration_model(alpha, alpha_pvalue):
    if alpha_pvalue < 0.05 and |alpha| > 5.0:
        # 跨资产类配对 (如 NEAR/BTC): α巨大，去掉截距
        return "no_intercept_forced", False

    elif alpha_pvalue < 0.05 and |alpha| < 2.0:
        # 同类资产配对 (如 UNI/SUSHI): α显著但小，保留截距
        return "standard_EG", True

    else:
        # α不显著或中等范围: 默认无截距
        return "no_intercept", False

设计原理: 不同资产对的价格关系存在结构性差异。跨资产类（如 meme 币 vs 主流币）的截距可能很大但无统计意义，保留会扭曲价差计算。

4.3 两种协整检验方法

Method A: 全量 OLS (验证性)

# 使用全部历史数据
model = sm.OLS(log_alt_all, sm.add_constant(log_base_all)).fit()
spread = log_alt - (α + β × log_base)  # 或不含α
adf_pvalue = adfuller(spread).pvalue

• 优点: 参数估计最稳定
• 缺点: 存在 look-ahead bias
• 用途: 事后验证，作为协整计数的一票

Method B: 双窗口 OLS (实时交易)

# OLS 回归窗口: 100 期 (BETA_WINDOW)
# 使用前 99 个点回归，避免 look-ahead bias
ols_data = recent_data[-100:-1]  # 前 99 个点
model = sm.OLS(log_alt_ols, sm.add_constant(log_base_ols)).fit()

# Z-Score 窗口: 30 期 (ZSCORE_WINDOW)
# 用短窗口计算价差，提高均值回归检测灵敏度
spread_zscore = log_alt[-30:] - (α + β × log_base[-30:])

# ADF 检验用完整 100 期
spread_full = log_alt[-100:] - (α + β × log_base[-100:])
adf_pvalue = adfuller(spread_full).pvalue

双窗口设计哲学:

  ← ──── BETA_WINDOW (100期) ──── →
  [━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━]
  ^                              ^
  OLS 回归 (前99点)          当前点(不参与回归)
                     ← ZSCORE_WINDOW (30期) →
                     [━━━━━━━━━━━━━━━━━━━━━━]
                     ^                      ^
                     Z-Score 计算窗口    最新值

• 长窗口 (100期): 保证回归参数 β 的稳定性
• 短窗口 (30期): 提高均值回归检测的灵敏度
• 去除最后一点: 避免 look-ahead bias

5. 第三层：Z-Score 计算

源码: src/utils/analysis/analysis_core.py:410-480

公式

$$Z_{score} = \frac{S_{current} - \bar{S}{window}}{\sigma{S_{window}}}$$

其中:

• $S_{current}$ = 当前价差 (OLS 残差)
• $\bar{S}_{window}$ = 窗口内价差均值 (前 N-1 期)
• $\sigma_{S_{window}}$ = 窗口内价差标准差 (前 N-1 期)

实现细节

spread = cointegration_result['spread']  # 来自双窗口OLS

# 使用前 N-1 期计算统计量（避免样本偏差）
spread_mean = spread.iloc[:-1].mean()
spread_std  = spread.iloc[:-1].std()

# 当前 Z-Score
zscore = (spread.iloc[-1] - spread_mean) / spread_std

Z-Score 的经济学含义

信号强度分级

SIGNAL_STRENGTH_THRESHOLDS = {'strong': 2.5, 'medium': 2.0}

def determine_signal_strength(zscore):
    abs_z = abs(zscore)
    if abs_z > 2.5:  return 'strong'   # 强信号
    elif abs_z > 2.0: return 'medium'  # 中等信号
    else:              return 'weak'    # 弱信号

信号强度直接影响仓位大小：

6. 多周期验证门控

源码: src/utils/analysis/analysis_core.py:700-858

这是信号从"原始计算"到"可交易信号"的关键验证环节。

Gate 1: 协整通过数检查

3 个时间周期 × 2 种方法 (Old + New) = 6 个协整检验结果

  5m/7d:   Old ✓  New ✗  → 1 通过
  1h/30d:  Old ✓  New ✓  → 2 通过
  4h/60d:  Old ✗  New ✓  → 1 通过
  ────────────────────────────
  总计: 4/6 通过 ≥ 2 (阈值)  → ✅ Gate 1 通过

阈值: COINTEGRATION_THRESHOLD = 2 (至少 2 个检验通过)

设计考虑: 阈值设为 2 而非 6，是因为不同市场状态下协整关系会暂时性弱化，过于严格会错过有效信号。

Gate 2: 健康监控

仅在 4h/60d 周期执行，使用双窗口健康监控器:

长期窗口 (200 期 ≈ 33 天):  → 长期结构稳定性
短期窗口 (100 期 ≈ 17 天):  → 近期状态判断

判定: 短期窗口状态 == HEALTHY → ✅ Gate 2 通过

健康评分组成:

状态分级: HEALTHY → DEGRADING → UNHEALTHY

完整验证流程图

 对每个周期 (5m/7d, 1h/30d, 4h/60d):
   ├─ 计算 correlation
   ├─ Old OLS 协整检验 → passed/failed
   ├─ New 双窗口 OLS 协整检验 → passed/failed
   ├─ 健康监控 (仅 4h/60d)
   └─ 计算 Z-Score

 Gate 1: cointegration_count ≥ 2 ?
   ├─ NO  → ❌ 信号丢弃
   └─ YES → 继续

 Gate 2: 4h/60d 短期健康 == HEALTHY ?
   ├─ NO  → ❌ 信号丢弃
   └─ YES → ✅ 信号通过

 方向: direction = 'long' if zscore_4h < 0 else 'short'
 强度: strength = determine_signal_strength(zscore_4h)

7. Adaptive Bollinger Z-Score 策略引擎

源码: src/trading/strategy.py

这是系统的核心交易策略，对通过多周期验证的 Z-Score 进行二次处理，生成精确的入场/退场时机。

7.1 核心思想

传统方法: 当 |zscore_4h| > 阈值时交易

本策略: 跟踪 Z-Score 相对于自身移动平均的偏离度

传统: 绝对阈值 → 在震荡市中频繁假信号
本策略: 自适应阈值 → 根据近期波动率动态调整

7.2 算法步骤

# Step 1: EMA 追踪 Z-Score 的"中枢"
ema_zscore = EMA(zscore_4h, span=72)  # 72 × 5min = 6小时

# Step 2: 计算 Z-Score 的近期波动率
rolling_std = std(zscore_4h[-72:], ddof=1)
rolling_std = max(rolling_std, 0.01)  # 最小标准差保护

# Step 3: 计算自适应 Z (核心指标)
adaptive_z = (zscore_4h - ema_zscore) / rolling_std

# Step 4: 突破检测
breakout = |adaptive_z| > threshold AND 上一tick未超阈值

7.3 数学推导

Adaptive Z 的含义: 衡量当前 Z-Score 偏离近期"正常水平"的程度，单位是近期波动的标准差。

$$adaptive_z = \frac{z_{4h}^{(t)} - EMA(z_{4h}, 72)}{\sigma_{rolling}(z_{4h}, 72)}$$

优势: 自动适应市场状态变化，在波动加剧时抑制信号，在真正异常时快速响应。

7.4 状态机

┌──────────┐     breakout      ┌──────────┐    reversion     ┌──────────┐
│  空仓     │ ──────────────→  │  持仓     │ ──────────────→  │  平仓     │
│  (IDLE)   │  |az| > 2.5     │  (OPEN)   │  回归到 18%     │  (CLOSE)  │
│           │  |z4h| > 0.5    │           │                  │           │
│           │  冷却期已过      │           │  或触发止损      │           │
└──────────┘                   └──────────┘                   └───┬──────┘
     ▲                                                            │
     │                     冷却 30 分钟                            │
     └────────────────────────────────────────────────────────────┘

7.5 EMA 增量更新

# 衰减因子
alpha = 2.0 / (span + 1)  # span=72 → alpha ≈ 0.0274

# 增量更新 (每个 5m tick)
if ema is None:
    ema = z4h              # 首次: 直接赋值
else:
    ema = alpha * z4h + (1 - alpha) * ema  # 等价于 ewm(span=72, adjust=False)

缓冲区: deque(maxlen=144) — 存储最近 12 小时的 z4h 值

8. 入场与退场决策逻辑

8.1 入场条件 (4 重检查)

源码: src/trading/strategy.py:396-462

def _check_entry(symbol, z4h, adaptive_z, timestamp):
    # ① 无持仓
    if position is not None:
        return None

    # ② 突破检测: 首次穿越阈值
    current_above = |adaptive_z| > threshold  # threshold = 2.5
    breakout = current_above and not prev_above_threshold
    if not breakout:
        return None

    # ③ Z-Score 绝对值过滤
    if abs(z4h) < min_zscore_abs:  # min_zscore_abs = 0.5
        return None

    # ④ 冷却期检查
    if last_trade_time and elapsed < cooldown_minutes * 60:  # 30 min
        return None

    # 方向判断
    direction = 'long' if adaptive_z < -threshold else 'short'
    return EntrySignal(direction, z4h, adaptive_z)

8.2 退场条件 (均值回归退出)

源码: src/trading/strategy.py:338-394

def _check_exit(symbol, z4h, adaptive_z):
    baseline = position.entry_adaptive_z  # 入场时的 adaptive_z
    reversion_target = baseline * reversion_factor  # 0.18

    # Long 仓位: adaptive_z 从负值回归到接近 0
    if direction == 'long' and adaptive_z >= reversion_target:
        return ExitSignal('reversion')

    # Short 仓位: adaptive_z 从正值回归到接近 0
    if direction == 'short' and adaptive_z <= reversion_target:
        return ExitSignal('reversion')

退场示例:

入场: adaptive_z = -3.0 (做多)
退出目标: -3.0 × 0.18 = -0.54
含义: adaptive_z 从 -3.0 回归到 -0.54 即退出
      即回归了 (3.0 - 0.54) / 3.0 = 82% 的路程

8.3 风控退场 (Secondary)

9. 风控体系

源码: src/trading/risk_manager.py, src/trading/safety.py

9.1 九项开仓前检查

┌────────────────────────────────────────────────────┐
│                 Pre-Trade Check (9项)                │
├─────┬──────────────────────────────────────────────┤
│  1  │ 交易功能已启用 (TRADING_ENABLED=true)         │
│  2  │ Kill Switch 未激活                            │
│  3  │ 熔断器未触发                                  │
│  4  │ 无重复仓位 (同一交易对不重复开仓)              │
│  5  │ 未达最大持仓对数上限 (max=3)                   │
│  6  │ 总敞口未超限 (max=$3,000)                     │
│  7  │ 当日亏损未超限 (max=$500)                     │
│  8  │ 最大回撤在限制内 (max=10%)                    │
│  9  │ 可用余额充足 (保证金 × 安全系数)              │
└─────┴──────────────────────────────────────────────┘
        任意一项失败 → 拒绝开仓并记录原因

9.2 三层安全机制

Layer 1: Kill Switch (紧急停止)
  ┌─────────────────────────────┐
  │ touch /tmp/trading_kill_switch │ → 立即停止所有交易
  │ rm /tmp/trading_kill_switch    │ → 恢复交易
  └─────────────────────────────┘

Layer 2: Rate Limiter (速率限制)
  ┌─────────────────────────────┐
  │ 滑动窗口 60 秒              │
  │ 最大 30 笔下单/分钟         │ → 防止信号风暴
  └─────────────────────────────┘

Layer 3: Circuit Breaker (熔断器)
  ┌─────────────────────────────┐
  │ 连续 5 次下单失败           │ → 熔断 300 秒
  │ 冷却期自动恢复              │ → 防止级联故障
  └─────────────────────────────┘

9.3 仓位大小计算

# 1. 基础仓位
base_usd = 100  # 默认 $100

# 2. 信号强度缩放
scale = {'strong': 1.5, 'medium': 1.0, 'weak': 0.7}
position_usd = base_usd * scale[strength]

# 3. 上限检查
position_usd = min(position_usd, max_position_usd)  # max=500

# 4. 可用余额动态限制
max_affordable = available_balance * leverage / legs * 0.9
position_usd = min(position_usd, max_affordable)

# 5. 转换为币种数量
alt_size = position_usd / alt_price

10. 关键参数速查表

分析参数

策略参数

风控参数

11. 回测与参数优化

可用回测脚本

参数敏感性分析范围

回测评估指标

• 胜率 (Win Rate)
• 盈亏比 (Profit Factor)
• 最大回撤 (Max Drawdown)
• 夏普比率 (Sharpe Ratio)
• 索提诺比率 (Sortino Ratio)
• 平均持仓时间
• 最大连续亏损次数

12. 架构总结

信号挖掘的分层设计

                    ┌─────────────────────┐
                    │     数据采集层       │
                    │  WebSocket + DB     │
                    └─────────┬───────────┘
                              │
                    ┌─────────▼───────────┐
                    │   统计分析层         │
                    │  相关性 + 协整 + Z   │
                    └─────────┬───────────┘
                              │
                    ┌─────────▼───────────┐
                    │   信号验证层         │
                    │  多周期门控 + 健康   │
                    └─────────┬───────────┘
                              │
                    ┌─────────▼───────────┐
                    │   策略决策层         │
                    │  Adaptive Bollinger │
                    └─────────┬───────────┘
                              │
                    ┌─────────▼───────────┐
                    │   风控执行层         │
                    │  9项检查 + 3层安全  │
                    └─────────┬───────────┘
                              │
                    ┌─────────▼───────────┐
                    │   交易执行层         │
                    │  Hyperliquid SDK    │
                    └─────────────────────┘

关键设计决策

信号从生成到执行的时间线

T+0s:     WebSocket 收到新 5m K线
T+1~3s:   分析工作线程完成多周期计算
T+3~5s:   多周期门控验证 (Gate 1 + Gate 2)
T+5s:     Adaptive Bollinger 策略处理
T+5~6s:   风控 9 项检查
T+6~8s:   Hyperliquid 市价单提交
T+8~10s:  飞书告警通知推送

端到端延迟: < 10 秒