源文件：research/quant_digests/2026-03-28_1033_eth-whale-balance-imbalance-alpha.md
这次主看的是 Alan Chernoff, Julapa Jagtiani 的 Philadelphia Fed working paper：
> Beneath the Crypto Currents: The Hidden Effect of Crypto “Whales”
先把结论翻成人话：
> ETH 大户在涨之前往往先加仓，小户在涨之前反而更容易减仓。
这不是那种“链上情绪看板很有趣”的描述性材料，而是有明确方向、明确对手盘、明确可交易对象的信号：
large-holder accumulation minus small-holder distribution所以相比再补一篇纯 filter / regime，这篇更像外部数据驱动的事件型 raw alpha 候选。
论文样本是 2018-01-01 到 2023-12-31 的 2191 个日度观测，研究对象是 ETH，不是全市场散点故事。作者用 Coin Metrics 的钱包分层数据，把 ETH 持有人分成四档：
核心回归是看：第 t 天不同钱包层级的持仓变化，能否预测第 t+1 天 ETH 收益。
Table 3 的主结果非常直接：
PctDelta_Top1M = 0.6263，p = 0.001176PctDelta_100K = 0.2862，p = 0.000130PctDelta_10K = -0.4847，p = 1.24e-14PctDelta_LT10K = -1.8223，p < 2e-16Adjusted R² = 0.9024作者自己的 plain-English 总结也很硬：
> large ETH holders tend to increase their ETH holdings prior to a price increase, while small ETH holders tend to reduce their ETH holdings prior to a price increase.
更直白地说：
这点对 desk 很重要，因为它意味着信号不只是“净流入 > 0 就看多”，而是：
> 看的是大户与小户之间的持仓分歧。
这里必须先回答用户要求的那句：这篇东西的 base alpha 是什么？
答案不是“whale activity 很重要”，而是：
> 当大钱包相对更积极吸收 ETH、小钱包相对更积极让出 ETH 时，后续 ETH 价格更容易沿 whales 有利的方向漂移。
也就是说，真正的信号不是单边的 whale_buying，而是更接近：
whale accumulationretail distribution形成的 holder-imbalance spread。
这已经足够构成一个可独立交易的 alpha：
它当然也能进一步当：
但如果只把它当 gate，会低估它本身作为外部数据 raw alpha的价值。
论文最有价值的地方，不是“预测下一天 ETH 涨跌”这一个日频 headline，而是它把一个很可迁移的市场结构钉死了：
这意味着 desk 化时不一定要机械照抄论文的四档美元阈值；更合理的做法是保留结构、放松实现：
它更像：
所以它和很多短周期 raw alpha 不冲突，反而互补：
因为这里不是 survey，也不是新闻文本，而是链上真实持仓变化。哪怕便利聚合口径不免费，底层数据本身仍是公开账本数据，不是黑箱情绪分数。
Table 4 的波动回归也很值得记一下：
StdDev_Top1M = -2.13e-08，显著为负StdDev_100K = 5.61e-08，显著为正StdDev_10K = 2.16e-08，显著为正StdDev_LT10K = 5.07e-08，显著为正论文原话大意是：
> ETH return volatility 更像是由小投资者驱动，而不是由 whales 驱动。
这对策略设计的含义很直接：
所以我们不该把 retail frenzy 误读成“趋势确认”，更像应该把它读成：
定义一个最简 holder-imbalance：
L_t = z(ΔHoldings_large)S_t = z(ΔHoldings_small)Imbalance_t = L_t - S_t其中：
ΔHoldings_large：大钱包 cohort 在过去 N 分钟的净持仓变化ΔHoldings_small：小钱包 cohort 在过去 N 分钟的净持仓变化直觉上：
Imbalance_t >> 0：whales 在吸筹，零售在让筹码 → 偏多Imbalance_t << 0：whales 在派发，零售在接货 → 偏空对当前短周期 desk，我会先做事件触发式，而不是 continuous always-on：
Imbalance_t 进入历史滚动 95% 或 97.5% 分位5~15m 已经单边拉满Imbalance_t 进入历史滚动 2.5% 或 5% 分位这一步故意不把它写成“bar close > MA 就上”，因为这条线的本质是持仓结构事件。
初版别贪复杂，直接做三层：
30m / 60m / 120m / 240m 多档持有观察Imbalance_t 回到中性带就平1.0~1.5 x intraday ATR 或固定 bps 止损如果结果显示 edge 很快衰减，就把它当 1m/3m/5m 事件漂移； 如果结果在 1~4h 仍有残留，再延长持有。
这条线适合signal-strength sizing，不适合梭哈：
size ∝ clip(|Imbalance_z|, 0, cap)因为它更像稀疏 alpha，不是高频密集刷单，没必要把 turnover 做高。
它的优点是：
但也有三个真实风险：
所以这条线的核心不是手续费，而是数据工程诚实度。
1m / 3m / 5m / 15m 的关系：能做，但别假装它是每根 bar 的主信号这里要刻意诚实一点：
next 5m ETH return 的回归但它依然和当前 desk 有直接关系，因为：
1m/3m/5m/15m 上观察漂移窗口所以我会这样定位：
1m / 3m：最适合测事件爆发后的即时 follow-through5m / 15m：最适合测 drift 能否延续到更可交易的 holding window底层链上数据本身是公开的，因此最小实验可以拆成两层：
#### A. 公开原始数据层
#### B. cohort 构造层
需要自己做：
最小可复现实验不要求一上来完美重建 Coin Metrics 的四档美元桶；可以先做一个更 desk-friendly 的代理：
x% 的非交易所地址先别追求全市场高精度标签，第一轮只做：
1m15m / 30m / 60mΔlarge_balanceΔsmall_balanceimbalance = z(Δlarge) - z(Δsmall)imbalance 超分位阈值15m / 30m / 60m / 240m这个实验已经足够回答第一层 admission question：
> 分钟化后的 whale-vs-retail imbalance，到底有没有可持续到短周期 bar 的 drift？
先不要做花哨建模，先做 structure-preserving minimal experiment：
large 与 small，就先跑1m 时间点，计算过去 15m / 30m / 60m 的 Δlarge、Δsmallimbalance z-score15m30m60m240mimbalance > q95 时，ETH 后续收益是否显著更高？imbalance < q05 时，ETH 后续收益是否显著更低？1m/3m/5m 还是更像 1h/4h？ΔlargeΔsmallΔlarge - Δsmall如果第三个显著强于前两个，就说明这条线真正的 alpha 本体确实是：
> holder imbalance spread，而不是单边净流入。
next 5mevent-driven raw alpha这篇 paper 值得进当前素材池，不是因为“whales 很神秘”，而是因为它给了一个可以直接交易化的结构性方向信号：
> 当大钱包吸筹、小钱包让筹码时，ETH 后续价格更可能朝对 whales 有利的方向漂移。
它不是现成的 5m bar-close 因子，但非常适合当前 desk 做一轮分钟采样的事件型 raw alpha admission check。
一句话总结：
> 先别把 whale 数据只当链上故事；更该先测的是“大户拿货 − 小户出货”这个 holder-imbalance spread，能不能在 1m/3m/5m/15m 上留下可交易的 ETH drift。
Venue: Federal Reserve Bank of Philadelphia Working Paper DOI: https://doi.org/10.21799/frbp.wp.2024.14 Readable URL: https://www.philadelphiafed.org/the-economy/banking-and-financial-markets/beneath-the-crypto-currents-the-hidden-effect-of-crypto-whales PDF URL: https://www.philadelphiafed.org/-/media/frbp/assets/working-papers/2024/wp24-14.pdf
Readable URL: https://coinmetrics.io/