[Paper] 仅做多加密货币投资组合管理：通过资产排名的神经网络方法

Source: arXiv - 2512.08124v1

概览

Zijiang Yang 提出了一种全新的加密资产配置思路：不再单独预测每种币的价格，而是让神经网络学习对一篮子加密货币的预期收益进行排序，并据此分配资本。该方法在覆盖 2020‑2023 整个市场周期的日线数据上进行测试，取得了超过 1 的夏普比率和约 64 % 的年化收益，优于多种已有基准。

主要贡献

• 横截面排序模型 – 首个预测多个加密资产之间相对收益顺序，而非绝对价格变动的工作。
• 仅做多、基于排序的加权方案 – 将预测的排序转化为投资组合权重，且不进行卖空，使策略对大多数交易者更为现实。
• 稳健回测 – 在覆盖牛市、熊市和横盘阶段的 3.5 年日线市场数据上进行广泛评估，并对交易成本进行敏感性分析。
• 绩效优势 – 实现了 1.01 的夏普比率和 64.26 % 的年化收益，超越经典动量、均值‑方差以及强化学习基准。

方法论

1. 数据准备 – 2020 年 5 月至 2023 年 11 月期间，收集精选的主要加密货币（如 BTC、ETH、BNB、SOL 等）的日线 OHLCV（开盘、最高、最低、收盘、成交量）数据。
2. 特征工程 – 对每个资产的每一天，提取一段短窗口的技术指标（移动平均线、RSI、波动率、成交量加权收益），并组装成固定大小的特征向量。
3. 神经排序网络 – 一个前馈网络（或轻量级 Transformer）接受 所有 资产在时间 t 的拼接特征向量，输出每个资产的得分。对得分进行排序即可得到次日收益的预测排名。
4. 权重构建 – 前 k 名资产获得正权重，权重随排名线性或指数衰减，其余资产权重为零。组合每日再平衡，遵循仅做多约束。
5. 训练目标 – 使用成对排序损失（如 hinge loss），促使网络为实际在下一期表现更好的资产分配更高得分。
6. 评估 – 在模拟交易中加入真实的滑点和不同的交易费用（0 %–0.5 %），检验策略的鲁棒性。

结果与发现

• 模型在所有市场状态（牛市、熊市、横盘）下均表现优异。
• 当交易费用升至 0.3 %/笔时，绩效下降幅度有限，验证了策略的成本效益。
• 消融实验表明，使用完整的横截面输入（所有资产一起）至关重要；若对每个币单独训练模型，夏普比率降至约 0.6。

实际意义

• 加密基金的组合构建 – 基于排序的配置可以轻松嵌入现有执行流水线，只需每日更新特征并对一个中等规模的神经网络进行前向传播。
• 风险调整后收益 – 更高的夏普比率和更低的回撤使该方法对偏好仅做多、风险厌恶的机构投资者具有吸引力。
• 可扩展性 – 由于模型针对固定资产集合工作，新增代币只需扩展特征矩阵；同一网络即可重新训练或微调，无需重新设计系统。
• 自动化 – 每日再平衡频率与典型的加密交易所 API 相匹配，可实现完全自动化的机器人，捕捉全市场的结构性变化，而非单一价格冲击。

局限性与未来工作

• 数据时段 – 研究止于 2023 年 11 月；快速演变的加密生态（新 DeFi 代币、监管冲击）可能影响样本外表现。
• 模型简易性 – 为了可解释性采用了相对浅层的前馈结构；更深或基于注意力的模型有望捕获更丰富的时序动态。
• 仅做多约束 – 虽符合多数交易者的实际需求，但忽略了做空或衍生品（期货、期权）可能带来的收益。将排序扩展至相对做空信号是一个待探索的方向。
• 交易成本模型 – 回测假设费用统一；实际滑点在不同交易所和流动性层级间差异显著。未来工作可加入订单簿模拟，以获得更精确的成本估计。

结论：通过将焦点从预测绝对价格移动转向对加密资产篮子中预期收益进行排序，Yang 的神经排序框架提供了一种稳健、高夏普、仅做多的策略，开发者可轻松将其用于构建自动化的加密资产管理系统。

作者

• Zijiang Yang

论文信息

• arXiv ID: 2512.08124v1
• 分类: cs.LG, cs.AI, cs.NE
• 发表时间: 2025 年 12 月 9 日
• PDF: Download PDF