Pairs Trading در کریپتو

هدف یادگیری

در پایان این درس، قادر خواهید بود:

• رابطه هم‌انباشتگی (Cointegration) بین جفت‌ارزها را با آزمون آماری تأیید کنید
• نسبت پوشش بهینه (Hedge Ratio) را محاسبه و به‌صورت پویا به‌روز کنید
• Z-Score اسپرد را بسازید و سیگنال‌های ورود و خروج دقیق تعریف کنید
• نیم‌عمر بازگشت به میانگین را برآورد کرده و افق زمانی معامله را بر اساس آن تنظیم نمایید
• تفاوت رفتاری ETH/BTC با جفت‌های آلت/BTC را تشخیص دهید و ریسک هر کدام را مدیریت کنید

1. پایه آماری: چرا Pairs Trading کار می‌کند؟

Pairs Trading یا معامله جفتی یک استراتژی market-neutral است که بر اساس رابطه آماری بلندمدت بین دو دارایی بنا شده است. ایده اصلی این است: اگر دو دارایی هم‌انباشته (Cointegrated) باشند، اسپرد آن‌ها در بلندمدت به یک میانگین پایدار بازمی‌گردد و هر انحراف از این میانگین یک فرصت معاملاتی است.

تفاوت کلیدی: Correlation در برابر Cointegration

همبستگی (Correlation) نشان می‌دهد دو سری زمانی در یک جهت حرکت می‌کنند، اما این رابطه ممکن است ناپایدار و گذرا باشد. هم‌انباشتگی (Cointegration) چیزی عمیق‌تر است: نشان می‌دهد ترکیب خطی آن دو دارایی یک سری پایدار (stationary) ایجاد می‌کند که به‌مرور زمان به میانگین خود بازمی‌گردد.

آزمون Engle-Granger (دو مرحله‌ای):

گام اول، رگرسیون خطی بین لگاریتم قیمت‌ها:

log(ETH_t) = α + β × log(BTC_t) + ε_t

گام دوم، آزمون پایایی روی پسماندها:

اگر آزمون ADF (Augmented Dickey-Fuller) روی ε_t مقدار p-value کمتر از 0.05 نشان دهد، رابطه هم‌انباشتگی با اطمینان آماری تأیید می‌شود و می‌توانیم به استراتژی ادامه دهیم.

2. محاسبه Hedge Ratio و Z-Score

Hedge Ratio (β):

با استفاده از OLS (Ordinary Least Squares) روی پنجره متحرک 60 تا 90 روزه:

β = Cov(log(ETH), log(BTC)) / Var(log(BTC))

از پنجره متحرک استفاده می‌کنیم تا β تطبیقی (adaptive) داشته باشیم و رابطه در حال تغییر بین دو دارایی را دنبال کنیم.

اسپرد و Z-Score:

Spread_t = log(ETH_t) - β × log(BTC_t) - α

Z_t = (Spread_t - μ_spread) / σ_spread

که μ_spread و σ_spread میانگین و انحراف معیار اسپرد در پنجره نگاه به گذشته هستند.

قوانین ورود و خروج:

مثال عددی کامل:

فرض کنید:

• BTC = 65,000 دلار → log(BTC) = 11.082
• ETH = 3,200 دلار → log(ETH) = 8.071
• β = 1.15 و α = −4.67 (از رگرسیون OLS)

Spread = 8.071 − (1.15 × 11.082) + 4.67
= 8.071 − 12.744 + 4.67
= −0.003

اگر μ_spread = 0.00 و σ_spread = 0.08 باشد:

Z = (−0.003 − 0.00) / 0.08 = −0.04

این Z نزدیک صفر است، سیگنالی نداریم. حالا فرض کنید ETH به 2,850 دلار افت کند:

Spread = log(2850) − 1.15 × log(65000) + 4.67
= 7.955 − 12.744 + 4.67 = −0.119
Z = (−0.119 − 0.00) / 0.08 = −1.49

و اگر ETH به 2,650 دلار برسد:

Spread = 7.883 − 12.744 + 4.67 = −0.191
Z = −0.191 / 0.08 = −2.39

→ سیگنال ورود: Long ETH، Short BTC با اندازه متناسب با β.

3. نیم‌عمر بازگشت به میانگین

یکی از مهم‌ترین پارامترها برای تعیین افق زمانی معامله، نیم‌عمر (Half-Life) است: مدت زمانی که اسپرد طول می‌کشد تا نیمی از انحراف از میانگین را جبران کند.

مدل Ornstein-Uhlenbeck:

ΔSpread_t = κ × (θ − Spread_{t−1}) + σ × ε_t

که κ سرعت بازگشت به میانگین است.

محاسبه عملی:

رگرسیون زیر را اجرا کنید:

ΔSpread_t = a + b × Spread_{t−1} + ε_t

سپس:

Half-Life = −log(2) / log(1 + b)

مثال:

اگر رگرسیون b = −0.12 بدهد:

Half-Life = −0.693 / log(0.88)
= −0.693 / (−0.128)
≈ 5.4 روز

برای جفت ETH/BTC، Half-Life معمولاً بین 3 تا 15 روز متغیر است.

کاربرد عملی:

• Half-Life کمتر از 5 روز → تایم‌فریم روزانه یا 4 ساعته مناسب است
• Half-Life بین 5 تا 15 روز → تایم‌فریم روزانه با صبر بیشتر
• Half-Life بالای 20 روز → ریسک تغییر رژیم بالاست؛ احتیاط کنید
• قانون عملی: حداکثر 3 برابر Half-Life در معامله بمانید؛ اگر تا آن زمان بازگشت نشد، با ضرر خارج شوید

4. جفت‌های آلت/BTC: فرصت‌ها و چالش‌های واقعی

چرا آلت/BTC پیچیده‌تر از ETH/BTC است؟

در مقایسه با ETH/BTC که رابطه‌ای نسبتاً پایدار و شناخته‌شده دارد، جفت‌های آلت/BTC چند ویژگی خاص دارند که باید با احتیاط بیشتری به آن‌ها نزدیک شوید:

1. نقدشوندگی پایین‌تر: اسپرد bid-ask بالاتر است و اسلیپیج در اجرای سفارش بیشتر می‌شود
2. ناپایداری رابطه: بسیاری از آلت‌کوین‌ها دوره‌های decoupling دارند، به‌ویژه در آلت‌سیزون‌ها
3. ریسک رویداد بالاتر: یک خبر پروژه‌ای می‌تواند رابطه آماری را به‌طور کامل و ناگهانی بشکند
4. بتای ناپایدار: β در آلت‌ها نوسان بیشتری دارد و نیاز به به‌روزرسانی مکرر دارد

معیارهای انتخاب جفت آلت/BTC:

• همبستگی بالا با BTC: معمولاً r > 0.75 در 365 روز گذشته
• Market Cap قابل توجه: ترجیحاً بالاتر از 5 میلیارد دلار
• تأیید هم‌انباشتگی: آزمون Engle-Granger با p-value < 0.05
• سابقه کافی داده: حداقل 2 سال تاریخچه معاملاتی پیوسته

هزینه‌ها را در محاسبات بگنجانید:

Net_Return = Gross_Return − 2 × Maker_Fee − Funding_Rate × Days_Held

مثال: اگر سیگنال با Z = −2.5 وارد شوید و اسپرد انتظاری 8% باشد، اما هزینه‌های کل (کارمزد + funding) 1.8% باشد، بازده خالص انتظاری 6.2% است. اما در Z = −2.0 با اسپرد 4%، بازده خالص به 2.2% کاهش می‌یابد که ممکن است با توجه به ریسک، توجیه نداشته باشد.

5. مدیریت ریسک و تشخیص تغییر رژیم

خطرناک‌ترین سناریو: شکستن رابطه

Pairs Trading در کریپتو با یک ریسک بنیادی روبروست: رابطه هم‌انباشتگی ممکن است در دوره‌های خاص بشکند. این پدیده به‌ویژه در موارد زیر رخ می‌دهد:

• شروع روندهای قوی bear یا bull market
• رویدادهای ساختاری مانند هاروینگ بیت‌کوین
• آپگریدهای شبکه‌ای مهم (مثل Ethereum Merge که رابطه ETH/BTC را دوباره تعریف کرد)
• بحران‌های سیستمیک مانند سقوط LUNA

Regime Detection با Kalman Filter:

یک رویکرد پیشرفته برای ردیابی پویای β استفاده از Kalman Filter است:

State equation: β_t = β_{t−1} + η_t (η ~ N(0, Q))
Obs. equation: y_t = β_t × x_t + ε_t (ε ~ N(0, R))

این روش β را در هر لحظه به‌روز می‌کند. وقتی β شروع به تغییر سریع می‌کند، یک هشدار تغییر رژیم است و باید احتیاط بیشتری داشته باشید.

قوانین مدیریت ریسک:

1. حد ضرر سخت: اگر Z از ±3.5 تجاوز کرد، فوری خروج کنید
2. حداکثر نگهداری: بیشتر از 3 برابر Half-Life در معامله نمانید
3. سایزبندی موقعیت با Half-Kelly:

f* = (μ / σ²) × factor

در عمل، معامله‌گران حرفه‌ای 0.5 تا 0.7 برابر Kelly Criterion را توصیه می‌کنند تا ریسک کاهش یابد.

1. همبستگی بین جفت‌ها: اگر چند جفت همزمان معامله می‌کنید، همبستگی بین آن‌ها را بررسی کنید. جفت‌های BNB/BTC و ETH/BTC در یک جهت معامله شده، ریسک واقعی شما را دو برابر می‌کنند نه متنوع.

6. پیاده‌سازی: از ایده تا Backtest قابل اعتماد

چارچوب کاری گام‌به‌گام:

1. جمع‌آوری داده OHLCV روزانه (حداقل 2 سال)
2. محاسبه log قیمت‌ها
3. اجرای آزمون Engle-Granger → p-value < 0.05 لازم است
4. محاسبه β با rolling OLS (پنجره 60 روزه)
5. ساخت اسپرد و Z-Score
6. محاسبه Half-Life برای تعیین افق زمانی
7. تعریف قوانین ورود، خروج و حد ضرر
8. Backtest با کارمزد و اسلیپیج واقعی

اشتباهات رایج در Backtest:

• Look-ahead bias: تمام محاسبات باید فقط از داده‌های گذشته استفاده کنند. β امروز را نمی‌توان برای سیگنال دیروز استفاده کرد.
• Survivorship bias: فقط ارزهایی که امروز وجود دارند را بررسی نکنید؛ ارزهای از بین رفته را هم لحاظ کنید.
• هزینه‌های ناقص: funding rate در پوزیشن‌های لانگ مدت می‌تواند بخش قابل توجهی از سود را از بین ببرد.
• Overfitting پارامترها: آستانه‌های Z-Score را روی داده train بهینه نکنید و نتیجه را به‌عنوان موفقیت اعلام کنید؛ همیشه out-of-sample test داشته باشید.

شاخص‌های ارزیابی:

نتیجه‌گیری

Pairs Trading در کریپتو یک استراتژی قدرتمند اما مطالبه‌گر است که بر پایه ریاضیات آماری بنا شده، نه شهود یا الگوهای چشمی. ETH/BTC به دلیل نقدشوندگی بالا، رابطه نسبتاً پایدار و داده‌های فراوان، بهترین نقطه شروع برای این استراتژی است. جفت‌های آلت/BTC فرصت‌های بیشتری ارائه می‌دهند اما ریسک بالاتری هم دارند و نیاز به نظارت مستمر دارند. موفقیت در این حوزه به سه رکن وابسته است: انتخاب آماری درست جفت، محاسبه دقیق پارامترها، و مدیریت ریسک منضبط بدون استثنا.

خلاصه نقطه‌ای

• هم‌انباشتگی، نه همبستگی: پیش از هر چیز، رابطه آماری را با آزمون Engle-Granger تأیید کنید
• Hedge Ratio پویا: از rolling OLS یا Kalman Filter برای بتای تطبیقی استفاده کنید
• Z-Score = ابزار ورود: Z کمتر از −2 سیگنال Long ارز اول و Short ارز دوم است؛ Z بالاتر از +2 برعکس
• Half-Life = ساعت معامله: افق زمانی خود را بر اساس نیم‌عمر بازگشت به میانگین تنظیم کنید
• ETH/BTC پایدارتر از آلت/BTC: نقدشوندگی بهتر، رابطه مستحکم‌تر و کارمزد واقعی پایین‌تر
• هزینه‌ها تعیین‌کننده‌اند: در آلت‌ها، کارمزد + اسلیپیج + funding می‌تواند بازده خالص را به‌شدت کاهش دهد
• حد ضرر اجباری: Z خارج از ±3.5 به معنای شکسته شدن احتمالی رابطه است؛ فوری خروج کنید
• Backtest واقع‌بینانه: out-of-sample + هزینه واقعی + بدون look-ahead bias؛ نتایج درون داده‌های train اعتبار ندارند