矩阵、张量与热带代数：用于套利检测的线性代数

《期货与现货之间的复杂套利链》系列第 4 部分

想象一个巨大的大厅，数百名交易员同时交换货币。每个人都有自己的汇率、手续费和习惯。你站在中心，手里拿着笔记本，试图找到一条能带来利润的兑换路线：美元兑换欧元，欧元兑换日元，日元兑换回美元——最后带走的钱比开始时多。这很容易迷失方向。但如果你把所有的汇率写在一张表里——一个矩阵中——突然间，混乱就有了结构。这个矩阵的特征值（Eigenvalues）会告诉你是否存在套利机会。热带代数（Tropical Algebra）会找到最佳路径。而张量分解（Tensor decompositions）将揭示肉眼不可见的模式。

在本文中，我们将从简单的汇率表出发，探讨高级多维分析方法——每一步都将由 Rust 实现支持。

加密货币汇率矩阵的可视化：图中的边代表交易对，突出显示的循环代表检测到的套利机会。

1. 汇率矩阵：基础

1.1 从混乱到表格

假设我们有 n 个资产：BTC、ETH、USDT、SOL 等。每对资产都可以以一定的汇率进行交换。汇率矩阵 R 是一个 n × n 的表格，其中元素 R[i][j] 表示用一个单位的资产 i 可以换取多少单位的资产 j。

一个格式良好的矩阵具有以下属性：

• 对角线：R[i][i] = 1——将一种资产兑换成它自己不会改变任何东西。
• 正性：对于所有交易对，R[i][j] > 0。
• 互惠性（在理想市场中）：R[i][j] * R[j][i] = 1。

在 Rust 中，我们可以使用 nalgebra 来表示它：

use nalgebra::DMatrix;

/// 从一组交易对构建汇率矩阵
fn build_exchange_rate_matrix(
    assets: &[&str],
    rates: &[((usize, usize), f64)],
) -> DMatrix<f64> {
    let n = assets.len();
    let mut matrix = DMatrix::from_element(n, n, 0.0);

    // 对角线：兑换自己 = 1
    for i in 0..n {
        matrix[(i, i)] = 1.0;
    }

    // 填充已知汇率
    for &((i, j), rate) in rates {
        matrix[(i, j)] = rate;
        // 如果没有直接汇率，则计算互惠汇率
        if matrix[(j, i)] == 0.0 {
            matrix[(j, i)] = 1.0 / rate;
        }
    }

    matrix
}

1.2 无套利条件

这是构建所有其他内容的关键定理。

定理。 当且仅当对于任何资产循环 (i₁, i₂, ..., iₖ, i₁)，沿该循环的汇率乘积等于 1 时，市场不存在套利机会：

R[i₁][i₂] * R[i₂][i₃] * ... * R[iₖ][i₁] = 1

等价表述：矩阵 R 无套利当且仅当其秩（Rank）为 1（在乘法意义上）。这意味着存在一个价格向量 p = (p₁, p₂, ..., pₙ)，使得：

R[i][j] = pj / pi   对于所有 i, j

矩阵 R 可以分解为外积 R = (1/p) * pᵀ——这是一个秩为 1 的矩阵。如果实际矩阵偏离了秩 1，那么某个地方就隐藏着套利机会。

2. 特征值方法：O(n³) 复杂度的套利检测

2.1 Ming Ma 定理

2007 年，Ming Ma 提出了一种检测套利机会的最优美方法。这个想法极其简单。

定理 (Ming Ma)。 令 R 为 n × n 汇率矩阵。如果市场无套利，则：

1. 最大特征值 λ_max = n。
2. 所有其他特征值均等于零。
3. 对应的特征向量 v 代表平衡价格。

为什么有效？ 无套利矩阵的秩为 1，其跟踪（Trace，对角线元素之和）等于 n（因为每个 R[i][i] = 1）。对于秩为 1 的矩阵，唯一的非零特征值等于其跟踪。因此，λ_max = n。

套利准则：当且仅当 λ_max > n 时存在套利。 偏离程度 δ = λ_max - n 定量地估算了套利机会的规模。

3. 热带（Max-Plus）代数：最优雅的方法

3.1 当加法变成取最大值

这也许是我们研究中最美的发现。热带代数是一个代数系统，其中熟悉的运算被重新定义：

• “加法”：a ⊕ b = max(a, b)
• “乘法”：a ⊗ b = a + b

在这个代数中的矩阵乘法会自动寻找具有最大权重之和的路径。这正是寻找最有利可图的套利循环所需要的。

3.2 热带特征值与套利

取汇率的对数矩阵 L[i][j] = ln(R[i][j])。计算矩阵 L 的热带特征值 λ。

定理。 λ > 0 当且仅当存在套利。此外，exp(λ) 是最佳循环的利润倍数。

/// 热带 (max-plus) 矩阵乘法
fn tropical_matmul(a: &DMatrix<f64>, b: &DMatrix<f64>) -> DMatrix<f64> {
    let n = a.nrows();
    let m = b.ncols();
    let k = a.ncols();
    let mut result = DMatrix::from_element(n, m, f64::NEG_INFINITY);

    for i in 0..n {
        for j in 0..m {
            for l in 0..k {
                // 热带乘法：用 max 代替 sum，用 + 代替 *
                let val = a[(i, l)] + b[(l, j)];
                if val > result[(i, j)] {
                    result[(i, j)] = val;
                }
            }
        }
    }
    result
}

4. 主成分分析 (PCA) 与因子模型：统计套利

从确定性套利（直接价格差异）转向统计套利——寻找偏离因子模型的系统性偏差。

主成分分析 (PCA) 将资产收益分解为系统性因子和特有残差（Idiosyncratic residuals）：

ri(t) = αi + Σk βik * Fk(t) + εi(t)

其中 Fk(t) 是第 k 个因子，βik 是负载（Loading），εi(t) 是残差——即套利信号。

4.1 随机矩阵理论 (RMT)

关键问题：保留多少个因子？Marchenko-Pastur 分布描述了随机协方差矩阵的特征值谱。高于上限 $λ_+$ 的特征值带有真实信号，而位于上限之内的则是噪声。

5. 张量方法：套利的第三个维度

加密货币套利同时涉及多个维度。汇率矩阵只是一个二维切片。真实的图景是一个张量（Tensor）：

T(a, e, i) = 交易所 e 上资产 a 的工具 i 的价格/汇率

维度：

• 模式 1 (资产)： BTC、ETH、SOL...
• 模式 2 (交易所)： Binance、Kraken、Coinbase...
• 模式 3 (工具)： 现货（Spot）、永续（Perp）、期货（Futures）...

CP 分解 (CANDECOMP/PARAFAC) 将张量分解为秩 1 张量之和。残差 T - T_approx 揭示了特定价格/交易所/工具组合相对于整体市场因子结构被错误定价的异常情况。

结论

从简单的表格到多维张量，线性代数为加密货币市场提供了一种正式语言。Rust 允许我们以 HFT 所需的速度执行这些复杂的模型。

在本系列的下一部分中，我们将探索用于套利的 GNN、Transformer 和 RL，了解神经网络如何学习交易。

正在处理高维信号？请在 GitHub 上查看我们的 基于张量的交易引擎。