协整 ADF检验的钝感

这个问题非常好,你已经从「会用 ADF」走到了 「理解 ADF 失效模式」 这一层。
下面我会把你点名的 两个风险 拆到几乎是“工程事故复盘级别”的细节,
让你能在系统设计时主动规避,而不是事后止血


一、风险 1:滚动窗口“被动延长了失效结构的寿命”

这是协整交易里最隐蔽、也是最致命的风险之一。


1️⃣ 先把问题说成一句话

滚动窗口 ≠ 立刻反映结构变化

当协整在 t₀ 失效时,
你的窗口仍然在“投票”给过去的协整关系。

2️⃣ 用一个“极具体”的例子说明

设定

  • 使用 4H 数据
  • 滚动窗口 = 200 根
  • 协整关系在 t₀ 失效
  • 你每根 4H 都重新跑 ADF

在 t₀ 时刻发生了什么?

真实世界中:

  • β 改变了(例如从 1.0 → 0.7)
  • 均值水平漂移
  • 或一个资产结构性脱钩

但你的 ADF 窗口里:

数据来源数量
协整“还活着”的旧 regime~199 根
已失效的新 regime1 根

👉 99.5% 的样本仍支持“协整存在”


到 t₀ + 10 呢?

数据来源数量
旧 regime190
新 regime10

ADF 在干什么?

  • 拟合的是 整体最优 AR(p)

结论是:

“总体上仍然是平稳的”

但交易现实是:

spread 已经开始偏离原有均值,而且不再回来

到 t₀ + 50 呢?

数据来源数量
旧 regime150
新 regime50

ADF 仍然可能:

  • p-value < 0.05
  • 拒绝单位根

但你已经交易爆了三次了。


3️⃣ 为什么 ADF 会“继续通过”?(统计原因)

因为 ADF 的问题是:

“整个样本是否存在单位根?”

而不是:

“最近这段时间是否仍均值回归?”

数学上:

  • 混合了两个 regime 的序列
  • 很可能仍然是 弱平稳 / 近似平稳

即使:

  • 新 regime 本身是非平稳的

4️⃣ 一个非常重要的直觉

ADF 对“少数异常区间”是极其不敏感的

这在统计上是特性,不是 bug


5️⃣ 工程上怎么解决这个问题?

✅ 解法 A:引入“时间权重”(推荐)

你不是简单 rolling,而是:

让“最近的数据”权重更大

常见做法:

  • 加权回归(EWLS)
  • 或只用 最近 1/2 窗口做二次确认
主窗口:200 根(结构)
快窗口:80 根(确认)

只有 两者都通过,才允许交易。


✅ 解法 B:连续失败检测(非常有效)

不是看某一次 ADF:

而是看 ADF 是否“开始动摇”

例如:

  • 最近 10 次 4H 检验
  • 至少 8 次拒绝单位根

一旦掉到 6/10:

👉 判定结构开始衰亡


✅ 解法 C:结构层止损(不是统计,是生存)

定义一个规则:

如果 spread 在 4H 级别
连续 X 根不回归
→ 无条件废掉 pair

这不是数学,这是 止命机制


二、风险 2:ADF 对“结构变化”并不敏感

这是一个更深层、也更容易被误解的问题


1️⃣ 先说一句最重要的话

ADF 检验的是“是否存在单位根”,
不是“均值是否还在原来的地方”。

这两件事 完全不是一回事


2️⃣ 用一个直觉例子

情况 A:均值漂移,但仍回归

旧均值 = 0
新均值 = +5

spread 表现为:

  • 不再回到 0
  • 而是围绕 +5 波动

👉 ADF 依然会拒绝单位根

但你的交易系统:

  • 还在用旧均值算 z-score
  • 会不断“做反方向”

情况 B:β 断裂,但价差仍“有限波动”

β 从 1.0 → 0.8:

  • spread 不再是真正的对冲残差
  • 但因为市场波动有限
  • spread 仍然“看起来”不发散

👉 ADF 仍然拒绝单位根
👉 但均值回归逻辑已经被破坏


3️⃣ 数学上为什么会这样?

ADF 的原假设:

[
H_0: \text{存在单位根}
]

没有任何条款去问:

  • 均值是否变化?
  • 回归速度是否变化?
  • β 是否稳定?

所以:

ADF ≠ 稳定结构检测器

4️⃣ 工程上“必须补”的三道关

🔧 关 1:rolling mean / β 稳定性

监控:

  • rolling mean 的漂移速度
  • rolling β 的变化幅度

一旦超阈值:

👉 即便 ADF 通过,也停交易


🔧 关 2:半衰期监控(极其重要)

如果你发现:

  • half-life 从 8 → 25
  • 或开始剧烈抖动

这说明:

均值回归机制正在衰弱

ADF 完全感知不到这一点。


🔧 关 3:用“回归失败”而不是“ADF 失败”当退出信号

这是老手才会用的逻辑:

不是等统计上不显著,
而是等“赚钱机制”不成立。

例如:

  • z-score 多次触发
  • 但没有回归
  • 或止损次数显著上升

三、把两大风险合在一起的一句话总结

滚动窗口只能保证“你没有完全不更新”,
但不能保证“你足够快地意识到结构已经死了”。

而 ADF:

只能告诉你“有没有单位根”,
永远不会告诉你“这条均值回归还值不值得交易”。

四、真正专业系统的底层认知

协整不是“真 / 假”,
而是一个“正在老化的结构”。

你需要的不是一个布尔判断,而是:

  • 健康度
  • 衰减速度
  • 退出机制

Read more

跑步的技巧(滚动落地)

“滚动落地(rolling contact / rolling foot strike)”不是一种教条式的“脚法”,而是一种 让冲击沿着整只脚、整条后链逐级传递的落地机制。 它的核心不是“你先用哪儿着地”,而是: 你的脚落地之后,冲击是不是像轮子一样滚过去,而不是像锤子一样砸下去。 这就是滚动落地的本质。 一、什么叫“滚动落地”? 你可以把它理解成两种完全不同的落地方式: 1. 砸地(撞击式) 脚像锤子一样拍到地上: * 要么后跟先砸 * 要么前掌先戳 * 冲击集中在一个点 * 一个结构瞬间吃掉大部分载荷 结果就是: * 后跟砸 → 膝盖难受 * 前掌戳 → 前脚掌磨烂 * 都不是长跑友好模式 这叫 撞击式着地(impact strike)。 2. 滚地(滚动式) 脚像轮胎一样“滚”过地面: * 不是某一点硬砸 * 而是外侧中足先轻触 * 再向前滚到前掌 * 最后从大脚趾蹬离

By SHI XIAOLONG

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