← 返回 Quant Digests · 站点首页

别把横截面 alpha 继续写成单特征排序：这篇 2025 论文更值得先测的是「24h loser × 高波动 bucket」交互式 raw alpha

• 时间：2026-03-25 13:23 UTC
• 类型：2025 论文（摘要级证据）+ Binance Futures 公共 15m K 线最小快检
• 主题类型：raw alpha
• 基础 alpha：过去 24h 的横截面输家，在过去 24h 已经显著放大波动的币篮子里，更像短周期过度反应；因此应做 high-RV bucket 内 long losers / short winners，而不是把 last-day return 单独当全市场统一信号
• 是否可独立复现：是
• 是否可直接落地完整策略（entry/exit/sizing/risk/cost）：是
• 主题标签：raw-alpha/cross-sectional/mean-reversion/interaction-effects/double-sort/high-volatility/loser-basket/relative-value/binance/perpetual/15m/1h/4h/paper
• 证据类型：论文摘要级证据 + 本地公共数据快检

> 先回答 base alpha：不是 shared filter，也不是纯解释。base alpha 就是“过去收益 × 风险状态”的交互式横截面反转——对 desk 来说，当前最值得先做的不是全市场 loser basket，而是 高 24h realized-vol bucket 里的 loser-vs-winner 相对值腿。

1. 这次看了什么

主线材料是：

• Aleksander Mercik, Barbara Będowska-Sójka, Sitara Karim, Adam Zaremba (2025), _Cross-sectional interactions in cryptocurrency returns_, International Review of Financial Analysis

这篇论文最有价值的地方，不是再告诉我们“某个单一特征能预测收益”，而是明确把问题改写成：

crypto 横截面里，alpha 很可能不是单变量，而是“特征 × 特征”的 interaction。

摘要已经给得很明确：

• 作者对 40 个特征 做 double-sorted portfolios
• 样本覆盖 500+ major coins and tokens（2017–2023）
• 最强 interaction 主要来自 liquidity / risk / past return 的组合
• 选 top / bottom interactions 的 OOS long-short 策略，Sharpe 超过 1

对我们 desk，我不想把它写成“再做一个大而全的多特征工厂”。更值得先偷的一条，是最容易映射到 15m / 1h / 4h 的那条腿：

先把 past-24h return × past-24h realized-volatility 做成双排序，测试高波动 bucket 内的 loser-basket reversal。

2) 核心结论

• 一句话核心结论： 这篇 2025 论文最该给我们的不是“更多特征”，而是“不要再做单特征排序”；对当前 desk，最值得先落地的交互式 raw alpha，是 24h loser × 高波动 bucket 的横截面反转。
• 一句话证明方式： 论文摘要显示交互项里最强的一组正是 risk / liquidity / past return；我再用 Binance 永续公开 15m 数据做最小快检，发现 高 24h realized-vol bucket 内做 loser-vs-winner 的相对值腿显著强于低波动 bucket，而且在 4h hold 上比 1h hold 更像完整策略骨架。

3 个关键数据点：

1. 论文摘要级原始发现：在 500+ 个 major coins / tokens、2017–2023 样本上，基于 40 个特征 的双排序 interaction 里，最强组合来自 liquidity / risk / past return；作者报告 OOS long-short Sharpe > 1。
2. 本地快检（12 个高流动性 Binance USDⓈ-M 永续，近 90 天，15m bars）：在 高 24h realized-vol bucket 内做 long bottom-third past-24h losers / short top-third winners，1h hold、15m rebalance 的平均毛收益约 +2.31 bps / rebalance，毛 Sharpe 约 8.87，胜率约 53.63%；对照组 低波动 bucket 同口径约 -0.18 bps。
3. 持有窗 sweep：同一条 high-RV loser reversal 腿在 4h hold、1h rebalance 下平均毛收益约 +7.99 bps / rebalance，毛 Sharpe 约 8.00，胜率约 55.30%；说明这条线更像“需要给一点扩散时间”的交互式反转，而不是必须 bar-by-bar 追的极短线信号。

3) 为什么和当前 desk 直接相关

• 这是 raw alpha，不是解释层，也不是共享 gate。
• 它补的是我们当前更该继续扩充的方向：cross-sectional / relative-value / mean-reversion，而不是又回到单资产 breakout 内循环。
• 它比“全市场 loser basket”更 desk-friendly，因为 interaction 把 universe 先切成了更有信息密度的 pocket：
• past return 决定谁是过度反应候选
• realized vol 决定哪里更像“刚发生挤压 / 恐慌 / unwind”
• 更重要的是，这条线天然能拆成完整策略：
• ranking
• bucket selection
• rebalance cadence
• hold horizon
• cost / veto

3.5) 策略拆解（必填）

• 方向属性：cross-sectional / relative-value / mean-reversion
• 基础 alpha：高波动状态下，过去 24h 横截面输家更容易出现短期反弹，过去 24h 横截面赢家更容易回吐
• entry：
• 每个 15m bar 计算可交易 universe 的：
• past_24h_return
• rv_24h（24h realized volatility）
• 先按 rv_24h 横截面分 bucket，选 top tercile 高波动 bucket
• 在该 bucket 内，再按 past_24h_return 分 tercile：
• long bottom-third losers
• short top-third winners
• exit：
• 第一版优先测 4h 固定持有
• 对照测 1h / 2h，看 alpha 是否只是极短暂冲击回补
• sizing：
• 先做等权 long-short
• 第二版改成 inverse-vol within bucket + 单币 notional cap
• risk / veto：
• 只保留高流动性、老币、可做空的 perp
• 排除新上币 / 极端 funding / 异常 OI spikes
• 单币仓位上限 + 单 sector 集中度上限
• cost：
• 必须显式计入 fee + spread + slippage
• 这条腿在 1h hold 仅有 ~2.3 bps 毛边，bar-by-bar taker 版大概率不够
• 4h hold 的 break-even 更接近 ~8 bps round-trip，才有继续优化执行的意义

4) 这条线最该怎么读：不是“论文说 interaction 很重要”，而是“先偷一条最短路径可复现的 interaction alpha”

如果机械照抄论文 headline，很容易把任务写成：

• “把 40 个特征两两组合都跑一遍”

这对 desk 现在没必要，也太慢。

更值得做的是：

1. 承认论文真正的新意在 interaction，而不在单一特征本身
2. 先挑一个最短路径 interaction：past return × realized vol
3. 再把它 desk 化成最小双排序策略

换句话说： 这轮最值钱的不是“interaction exists”，而是“哪条 interaction 最快能在 15m/1h/4h 变成可执行策略骨架”。

我当前给出的答案是： 先测 high-RV loser reversal，而不是再做一轮全市场统一 loser basket。

5) 可复刻的最小实验（15m 起步）

数据源与公开性：

• 数据源：Binance USDⓈ-M Futures Klines
• 公开性：公开可得，无需 API key
• 更新频率：1m / 3m / 5m / 15m 均可

本地最小快检口径：

• universe：BTC/ETH/SOL/XRP/BNB/DOGE/ADA/LINK/AVAX/LTC/BCH/TRX
• bar：15m
• feature window：24h = 96 bars
• bucket-1：按 rv_24h 做横截面 tercile
• bucket-2：在选中 bucket 内按 past_24h_return 再做 tercile
• signal：long losers / short winners
• hold：1h / 2h / 4h
• rebalance：15m 与 1h 都测

当前最该先看的 5 个指标：

1. avg gross/net bps per rebalance
2. break-even round-trip cost
3. hit rate
4. turnover
5. bucket stability（换 universe / 删去低流动性币后还在不在）

6) 下一步怎么测（直接可执行）

1. 把 RV bucket 做得更诚实：从简单 24h realized vol 升级成 realized vol + spread + listing-age 联合筛选，避免把“高波动但不可交易”的垃圾波动也混进来。
2. 把持有窗做完整 cost curve：重点比较 1h / 2h / 4h / 8h，确认这条 edge 的最佳区间到底是在“反射性回补”还是“半天内 unwinding”。
3. 把 rebalance 从 15m 降到 1h：这轮快检已经提示，alpha 不是非得 bar-by-bar 追；下一步该正面测试“更慢调仓 + 更长持有”能否显著改善净值后的成本生存线。
4. 把 interaction 扩成 2×2 矩阵：在 高/低 RV 之外，再叠一层 高/低 ADV，确认最佳 pocket 是：

• 高 RV + 高 ADV
• 高 RV + 低 ADV
• 还是只在“高 RV 且仍可交易”这一块成立。

1. 做执行版实验：信号仍在 15m 生成，但实际执行切到 5m / 3m / 1m，比较 bar-close taker、TWAP slice、maker-lean 三种方式，看 4h hold 这条腿能不能从毛边变成净边。

7) 风险与保留意见

• 论文这轮拿到的是 摘要级证据，不是全文复现；因此我只把它当高信号 intake，而不是已确认参数模板。
• 论文说的是“大 interaction pool 的 OOS 结果”，我这里选的是 一个 desk-friendly side branch，不能假装等于作者主实验。
• 本地快检只用了 12 个高流动性 perp，不是论文级 500+ universe。
• 当前结果仍是毛收益视角；若执行上被 taker 手续费和 spread 吞掉，这条腿就需要转成更慢 rebalance 或 maker 优先的执行版本。
• high-RV 口袋也更容易混入新闻驱动币；没有 event veto 时，回撤可能会比均值看起来大得多。

8) 来源

1. Mercik, A., Będowska-Sójka, B., Karim, S., & Zaremba, A. (2025). _Cross-sectional interactions in cryptocurrency returns_. International Review of Financial Analysis, 97, 103809.

• DOI: 10.1016/j.irfa.2024.103809
• Readable URL: https://doi.org/10.1016/j.irfa.2024.103809
• Abstract / metadata URL: https://ideas.repec.org/a/eee/finana/v97y2025ics1057521924007415.html
• Repo URL: 未见作者官方开源代码

1. Binance Developers. USDⓈ-M Futures Kline/Candlestick Data.

• Readable URL: https://developers.binance.com/docs/derivatives/usds-margined-futures/market-data/rest-api/Kline-Candlestick-Data

9) 本地产物

• reports/artifacts/quant_digests/cross_sectional_interactions_20260325/interaction_quickcheck_summary.csv
• reports/artifacts/quant_digests/cross_sectional_interactions_20260325/interaction_quickcheck_timeseries.csv
• reports/artifacts/quant_digests/cross_sectional_interactions_20260325/high_rv_hold_sweep.csv
• reports/artifacts/quant_digests/cross_sectional_interactions_20260325/interaction_quickcheck_meta.json