Разработка алгоритма статистического арбитража на криптовалютных рынках

Разработка алгоритма статистического арбитража для криптовалют

Вы нашли две монеты, которые, кажется, ходят вместе — BTC и ETH. Но когда одна уходит вверх, а другая запаздывает, вы хотите на этом заработать. Статистический арбитраж (stat arb) именно про это: временные отклонения от исторически устойчивых соотношений. В отличие от чистого арбитража (безрисковой прибыли), stat arb несёт риск — соотношение может временно расшириться перед тем как вернётся. Именно эта рискованность и создаёт возможность для прибыли. Наш опыт 5+ лет и десятки реализованных проектов позволяют превратить эту идею в работающий алгоритм.

Почему коинтеграция важнее корреляции?

Корреляция показывает, как изменяются цены вместе, но не гарантирует возврата к среднему. Коинтеграция — статистическая связь, при которой линейная комбинация двух рядов стационарна. Проще говоря: активы могут расходиться, но в долгосрочной перспективе возвращаются друг к другу. Именно это свойство нужно для stat arb.

Тест Engle-Granger для проверки коинтеграции:

from statsmodels.tsa.stattools import coint def find_cointegrated_pairs(prices_dict, p_threshold=0.05): symbols = list(prices_dict.keys()) pairs = [] for i, sym1 in enumerate(symbols): for sym2 in symbols[i+1:]: score, p_value, _ = coint( prices_dict[sym1], prices_dict[sym2] ) if p_value < p_threshold: pairs.append((sym1, sym2, p_value)) return sorted(pairs, key=lambda x: x[2]) 

Хорошие кандидаты в крипте: BTC/ETH, BTC-SPOT/BTC-PERP, аналогичные Layer-1 токены, ETH/LDO (staking derivative).

Модель: Spread и Z-score

Для коинтегрированной пары (X, Y) находим hedge ratio β через OLS:

from sklearn.linear_model import LinearRegression def calculate_hedge_ratio(price_x, price_y, window=60): # Rolling OLS для динамического hedge ratio hedge_ratios = [] for i in range(window, len(price_x)): x = price_x[i-window:i].values.reshape(-1, 1) y = price_y[i-window:i].values model = LinearRegression().fit(x, y) hedge_ratios.append(model.coef_[0]) return hedge_ratios 

Spread = Y - β × X Z-score нормализует спред:

Z-score = (Spread - mean(Spread)) / std(Spread) 

Торговые сигналы:

• Z-score > +2: спред аномально широкий → продаём Y, покупаем X (лонг спред)
• Z-score < -2: спред аномально узкий → покупаем Y, продаём X (шорт спред)
• |Z-score| < 0.5: закрываем позицию (возврат к среднему)

Как выбрать между статическим и динамическим хедж-ратио?

Статическое β через OLS просто, но устаревает. Kalman Filter адаптирует hedge ratio в реальном времени, давая в 2-3 раза меньше ложных сигналов. Сравнение методов:

Пример реализации Kalman Filter:

from pykalman import KalmanFilter kf = KalmanFilter( transition_matrices=[1], observation_matrices=price_x.values.reshape(-1, 1, 1), initial_state_mean=0, initial_state_covariance=1, observation_covariance=1, transition_covariance=0.05 ) state_means, state_covs = kf.filter(price_y.values) hedge_ratio_dynamic = state_means.flatten() 

Управление рисками спреда

Stop-loss по Z-score: если Z-score расширился до 3+ вместо сужения — это может означать структурный сдвиг. Выходим из позиции.

Half-life of mean reversion: оцениваем через модель AR(1):

from statsmodels.regression.linear_model import OLS def calculate_half_life(spread): spread_lag = spread.shift(1).dropna() spread_diff = spread.diff().dropna() result = OLS(spread_diff, spread_lag).fit() half_life = -np.log(2) / result.params[0] return half_life 

Half-life < 5 дней — быстрый mean reversion, подходит для краткосрочной торговли. > 30 дней — медленный, требует более длинных позиций.

Lookback window: период для расчёта mean и std спреда. Оптимизируется через walk-forward.

Мультипарный stat arb: диверсификация и PCA

Вместо торговли парами — портфельный подход с несколькими коинтегрированными парами:

• Диверсификация снижает риск конкретной пары
• Корреляция между парами должна быть минимальной
• PCA для поиска общих факторов

Eigenvector portfolio: из матрицы ковариаций N активов через PCA извлекаем стационарные собственные векторы. Торгуем отклонение от стационарного состояния.

Execution и transaction costs

Stat arb прибылен только если доходность превышает транзакционные издержки. Экономия на slippage может достигать 30% при оптимизации исполнения.

Минимальный Z-score для входа подбирается с учётом costs: если entry при Z=1.5 не покрывает costs с учётом вероятности возврата — используем Z=2.0.

Backtesting

Walk-forward validation: обучение на 6-12 месяцах, тестирование на следующих 1-2 месяцах, повтор со сдвигом. Ключевые метрики: Sharpe Ratio > 1.5, max drawdown < 15%, средняя продолжительность позиции (half-life совпадает с реальным?).

Overfitting check: параметры, оптимизированные на одном периоде, должны работать на другом.

Что входит в работу

• Исследование и выбор коинтегрированных пар
• Разработка алгоритма с Kalman filter или OLS hedge ratio
• Бэктестинг на исторических данных с walk-forward
• Оптимизация параметров и торговых сигналов
• Интеграция с биржей через CCXT
• Мониторинг и поддержка после запуска

Гарантируем качество кода и прозрачность результатов. Мы используем Python (pandas, numpy, statsmodels, sklearn, pykalman), PostgreSQL для хранения данных, Celery для расчётов в реальном времени, Grafana для визуализации. Разворачиваем на AWS/GCP с низкой задержкой.

Стоимость разработки рассчитывается индивидуально, но окупается обычно за несколько месяцев. Свяжитесь с нами, чтобы обсудить ваш проект и получить консультацию.

Источник: Engle & Granger (1987) — Co-Integration and Error Correction: Representation, Estimation, and Testing.