← 返回 Quant Digests · 站点首页

别把 funding divergence gate 当主角：这份 2026 Hyperliquid 新 repo 更该先测的是「bucket-neutral 1h return mean reversion × funding misalignment gate」

• 时间：2026-03-30 12:42 UTC
• 类型：GitHub
• 主题类型：raw alpha
• 基础 alpha：按 residual-correlation bucket 分组后的横截面 1 小时收益均值回归（long short-term losers / short short-term winners）
• 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/stat-arb/relative-value/hyperliquid/funding/divergence/gate/bucket-neutral/5m/15m/repo
• 证据类型：工程经验

1. 这次看了什么

看了 Jbdelrio 在 2026 年公开的 hyperstat-arb-bot 源码与配置，重点不是 README 口号，而是 4 个真正决定可复现性的模块：src/hyperstat/data/universe.py、src/hyperstat/strategy/stat_arb.py、src/hyperstat/strategy/funding_divergence_signal.py、src/hyperstat/strategy/allocator.py，以及 configs/default.yaml、configs/strategy_stat_arb.yaml。

这套骨架把一个短周期 relative-value 策略几乎完整写出来了：5m 数据、30 个币左右的 universe、每 7 天重做 bucket、12 bar（= 1h）收益回看、z_in=1.5 / z_out=0.5 / z_max=3.0、min_hold=30m / max_hold=24h、组合 gross_target=1.20、单币上限 12%、单 bucket 上限 35%。成本也不是空白：默认 next_open 成交，taker 6 bps / maker 2 bps，滑点是 8 bps + 10 bps × RV_1h(%)，还有 3% 盘中回撤 kill-switch 与 720m cooldown。

更关键的是，它把 base alpha 和 gate / overlay 分得很清楚：

• stat_arb.py 只负责做 bucket 内的横截面均值回归 raw signal；
• funding_divergence_signal.py 只负责做 乘法式 confidence gate；
• allocator.py 再去做 vol scaling / neutrality / caps / emergency flatten。

2. 核心结论

• 一句话核心结论： 这份 repo 最值钱的不是“funding 会不会预测价格”，而是它给了我们一个可直接在 5m/15m 上做最小实验的 bucket-neutral 横截面均值回归完整策略骨架，而 funding divergence 只是后接的 gate。
• 一句话证明方式： 结论来自 source code + config 的明确参数与调用顺序，而不是作者口头描述。
• 真正的 base alpha 很清楚：先用 BTC 作为市场因子，把各币种收益做 beta-neutral residual，再按 residual-return correlation 做层次聚类 bucket；然后在每个 bucket 内，对过去 12 根 5m bar 的 log return 做 median + MAD 标准化，long 最弱、short 最强，属于很干净的 cross-sectional mean reversion / stat-arb。
• 这里不是随便拿“赛道标签”分组，而是 universe.py 里每周根据 residual correlation 动态重建 4~6 个 bucket，每个 bucket 约 4~10 个币。对我们 desk 来说，这比手工 sector 标签更值钱，因为它更像真实可维护的 relative-value 配对/分桶流程。
• stat_arb.py 的入场/出场是完整可跑的：abs(z) >= 1.5 才激活；raw weight 是 -clip(z, -3, 3)；至少持有 30 分钟；之后只有在 abs(z) <= 0.5 才允许退出；超过 24h 强平。这个结构天然比“每根 bar 都跟着 z 值抖动”更适合短周期实盘。
• funding_divergence_signal.py 不是另一个独立 alpha，而是把 3 个 funding 侧特征合成为 [-1, 1] gate：carry cross-section z-score、price/funding misalignment divergence、funding velocity，默认权重分别是 0.35 / 0.40 / 0.25，再按 w_final = w_stat * (1 + 0.6 * FDS) 去放大或削弱原始 MR 权重。重点不是它替代了 alpha，而是它告诉我们：MR 先单独测，gate 再后接测 uplift。
• allocator.py 明确写了组合层：先做 regime gating，再做 FDS gate，再重新做 dollar_neutral + beta_neutral，再按 gross_target=1.20 标准化，然后套 12% 单币上限与 35% 单 bucket 上限，最后还有 z > 3.5 的 emergency flatten。这已经覆盖了 sizing / risk / exposure control。
• 默认执行假设也够诚实：不是 mid fill，而是 next_open；不是零成本，而是 taker 6bps + 波动率挂钩滑点。所以这更像一个能拿来做 honest first verdict 的骨架，而不是 PPT alpha。
• 对我们现在的研究池来说，最值得借的不是作者的“新故事”，而是这套拆法：raw alpha（bucket MR）先单测，shared gate（FDS）后测，overlay（neutralization / caps / kill-switch）单独归因。 这能直接服务后续的 pairs / cross-sectional / funding 类 alpha 组件化积累。

3. 为什么和当前项目有关

当前 desk 的缺口不是“再找一个会讲 funding crowding 的 filter”，而是继续补 能直接落地的 raw alpha 骨架。这份 repo 的主价值恰好在这里：

• 它是 5m 原生设计，天然贴近我们默认周期；
• base alpha 是相对价值 / 横截面均值回归，不是又一篇 breakout/retest 变体；
• entry / exit / sizing / neutrality / caps / cost 都写出来了，适合作为最小复现实验；
• 它把 funding 相关信息放在 gate 位置，而不是硬伪装成 alpha 本体，这和我们现在要求的“先说清楚 base alpha 是什么”完全一致。

如果这个 raw alpha 连 raw-only 版本都站不住，那就不该继续给它堆更多 filter；反过来，如果 raw-only 版本能勉强活，FDS 才值得作为 shared gate 去服务更多 relative-value alpha。

3.5 策略拆解（必填）

• 方向属性：横截面 / 相对价值 / stat-arb
• 基础 alpha：在动态 residual-correlation bucket 内，对 1h horizon return 做 robust z-score，long 短期相对跌过头的币，short 短期相对涨过头的币
• regime：更适合 bucket 内离散度抬升、均值回归半衰期不太长、整体市场不是单边强趋势碾压的环境
• filter / veto：Funding Divergence Signal 适合作为后接 confidence gate，不适合冒充 alpha 本体；另可继续加 universe liquidity floor / borrowability / jump veto
• risk / sizing / execution overlay：weekly rebucketing、vol scaling、dollar neutral、beta neutral、gross 1.20、单币 12% 上限、单 bucket 35% 上限、z>3.5 emergency flatten、3% intraday DD kill-switch、next_open + fee/slippage 成本模型

4. 可复刻的最小实验

• 研究假设： 在 Hyperliquid 5m perp 上，residual-correlation bucket 内的 1h 横截面均值回归是可交易 raw alpha；funding-price misalignment 作为 gate 只在第二步验证是否能提高 after-cost 质量。
• 数据口径： 用 Hyperliquid 公开可得的 5m candles + funding rates；先做 30d~60d 样本；universe 先取 20~30 个高成交额币种；缺失率控制在 1% 内；剔除最差 20% Amihud illiquidity 和 funding-vol 过高币种。
• bucket 构造： 用 BTC 作为 base factor，先估 rolling beta，再取 residual returns；对 residual correlation 做层次聚类，每周重建 4~6 个 bucket，每 bucket 控制在 4~10 个币。
• 实验 A（先测 raw alpha）： 直接复刻 repo 主体：horizon=12 bars、z_in=1.5、z_out=0.5、min_hold=30m、max_hold=24h、gross=1.0~1.2、dollar+beta neutral，不加 FDS，不加 funding overlay，先看它作为 bare-bones raw alpha 能不能在 taker 6bps + 滑点模型 下存活。
• 实验 B（再测 gate uplift）： 在实验 A 存活前提下，加入 FDS：fast=8、slow=72、divergence_window=24、weights=0.35/0.40/0.25，gate_scale 先跑 0.3 再跑 0.6。核心不是看总收益有没有偶然抬升，而是看 leg hit-rate、极端 adverse excursion、turnover 后的净改善。
• 15m 映射： 先把 raw alpha 做成更保守版：horizon=4~8 bars、min_hold=45~60m、divergence_window=8~12 bars。如果 15m 下 raw-only 更稳，说明 edge 可能主要死在 5m microstructure，而不是信号逻辑本身。
• 最先看 5 个指标： after-cost spread pnl、bucket neutrality leakage、turnover/day、long leg vs short leg attribution、FDS on/off uplift。如果 raw-only 版本 already 负得很稳定，就不要继续浪费时间调 gate。
• 下一步怎么测： 本周最值得先跑的是一个 两阶段 honest verdict：先做 raw-only 版本，再做 raw + FDS gate 版本；两者统一用同一套 universe、bucket、成本模型。只有 raw-only 过线，FDS 才进入后续组件池。

5. 风险与保留意见

• 这是一个 2026 新 repo，不是经论文同行评审或长期 OOS 验证的成熟策略，不能把代码存在本身误当成 alpha 已经成立。
• dynamic bucket clustering 可能制造额外换手与 bucket 漂移；如果 rebucketing 太频繁，回测很容易把“结构更新”误写成 alpha。
• FDS 的 divergence 分量本质上是 funding 与 return 的短窗错位关系，若数据时间戳对齐不严，极容易被伪 alpha 污染。
• taker 6bps + base slippage 8bps 对很多 alt perp 已经不低，若 raw signal 只在 gross PnL 上勉强成立，after-cost 可能直接归零。
• repo 默认 universe 规模与历史长度都不算很大，先做 honest first verdict 可以，但别急着把它当 production-ready engine。

6. 来源

• Jbdelrio. (2026). hyperstat-arb-bot. Venue: GitHub. DOI: N/A. Readable URL / Repo URL: https://github.com/Jbdelrio/hyperstat-arb-bot
• Key code 1（dynamic universe + residual buckets）: https://github.com/Jbdelrio/hyperstat-arb-bot/blob/main/src/hyperstat/data/universe.py
• Key code 2（raw alpha）: https://github.com/Jbdelrio/hyperstat-arb-bot/blob/main/src/hyperstat/strategy/stat_arb.py
• Key code 3（funding gate）: https://github.com/Jbdelrio/hyperstat-arb-bot/blob/main/src/hyperstat/strategy/funding_divergence_signal.py
• Key code 4（sizing/risk/allocation）: https://github.com/Jbdelrio/hyperstat-arb-bot/blob/main/src/hyperstat/strategy/allocator.py
• Key config: https://github.com/Jbdelrio/hyperstat-arb-bot/blob/main/configs/default.yaml
• Key strategy config: https://github.com/Jbdelrio/hyperstat-arb-bot/blob/main/configs/strategy_stat_arb.yaml
• Avellaneda, Marco; Lee, Jeong-Hyun. (2010). Statistical arbitrage in the US equities market. Venue: *Quantitative Finance*, 10(7). DOI: 10.1080/14697680903124632. Readable URL: https://doi.org/10.1080/14697680903124632
• Fischer, Thomas; Krauss, Christopher; Deinert, Alexander. (2019). Statistical Arbitrage in Cryptocurrency Markets. Venue: *Journal of Risk and Financial Management*, 12(1). DOI: 10.3390/jrfm12010031. Readable URL: https://doi.org/10.3390/jrfm12010031
• Makarov, Igor; Schoar, Antoinette. (2020). Trading and arbitrage in cryptocurrency markets. Venue: *Journal of Financial Economics*, 135(2). DOI: 10.1016/j.jfineco.2019.07.001. Readable URL: https://doi.org/10.1016/j.jfineco.2019.07.001