← 返回 Quant Digests · 站点首页

别把 crypto factor 只当日频资产配置：更该先测的是「size / vol sleeve winner rotation」横截面 raw alpha

• 时间：2026-03-31 08:28 UTC
• 类型：2023 *Quantitative Finance* 摘要级证据 + 2022 NBER/2022 *Journal of Finance* 全文 PDF + 2024 *Mathematics* 开放获取摘要
• 主题标签：raw-alpha/cross-sectional/relative-value/factor-momentum/size/volatility/momentum/market-neutral/binance/perpetual/15m/5m/1m/3m/paper/public-data/cost
• 证据类型：论文（1 篇全文细读 + 2 篇摘要/元数据）
• 主题类型：raw alpha
• 基础 alpha：先做可独立交易的横截面 factor sleeves（small-minus-big、low-vol-minus-high-vol、winner-minus-loser），再按这些 sleeves 自身近窗收益做 winner-minus-loser 轮动
• 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

1. 这次看了什么

不是再补一个“单币 K 线形态”，而是补一条当前素材池里还偏缺的 factor-sleeve / factor-momentum 主线。核心证据来自两层：

1. Liu, Tsyvinski, Wu (2022, *Journal of Finance*；NBER w25882 working paper 2019版全文可得)：在 2014–2018、109 → 1,583 个市值超过 100 万美元的币样本里，25 个 price / market-based 特征中有 9 个能形成显著 long-short 超额收益；其中最稳的是 size、1~4 周 momentum、dollar volume、dollar-volume volatility。作者进一步指出，crypto 横截面可被一个 market + size + momentum 三因子模型较好刻画。
2. Fieberg, Metko, Zaremba (2023, *Quantitative Finance*)：在 3900+ 币、2014–2022 的 34 个 anomaly sleeves 上，作者发现 factor momentum 存在：过去赢的因子继续赢，过去输的继续输；这个效应主要来自 size 与 volatility anomalies，而且 crypto 的 factor momentum 还会从 price momentum 传导到 factor 层。
3. Seabe, Moutsinga, Pindza (2024, *Mathematics*)：在 31 个主流币、2017-12 ~ 2023-12 的周频框架下，作者再次发现 momentum 与 value 对 crypto 收益有显著预测力，说明“先搭 factor sleeve、再谈组合轮动”不是纯学术玩具。

2. 先回答：这篇东西的 base alpha 是什么？

base alpha 不是 filter，也不是 overlay。

它的 base alpha 很明确：

• 第一层 raw alpha：做横截面 long-short factor sleeves；
• small minus big
• low dollar-volume-vol minus high dollar-volume-vol
• short-horizon winner minus loser
• 第二层 raw alpha：不把这些 sleeves 静态等权，而是做 factor momentum——最近表现最强的 sleeve 继续加权，最弱的 sleeve 降权或反向。

这就是一个可以单独跑的完整 market-neutral / relative-value alpha，不需要依赖 breakout、retest、pattern 之类主线来“附着生存”。

3. 为什么它值得进当前 desk 的研究池

当前池子里已经有不少：

• 单币短周期动量 / 均值回复
• 跨资产 lead-lag
• same-underlier stat-arb / pairs
• funding / basis / options 价差

但 “标准化 factor sleeves → sleeve 轮动” 这条线还不够完整。它的价值在于：

1. 它本身就是 raw alpha，不是只服务别人的 gate。
2. 它天然能服务至少两类后续工作：

• 直接当 market-neutral 主策略；
• 给后续 microstructure / carry / stat-arb 提供“只在某类 sleeve 里开仓”的 universe router。

1. 它跟短周期执行并不冲突：信号未必每根 5m 都刷新，但完全可以用 15m/5m 去执行与控风险。

4. 论文里最值得 desk 先抄的，不是“全部 34 个 anomaly”

如果照学术论文一口气复刻 34 个 anomaly sleeves，工程量太大，而且很多特征在 perp 场景里并不干净。

更适合 desk 的旁支读法 是：先只做最便宜、最公开、最能快速迁移到 perp 的 3 个 sleeve：

1. Size sleeve

• 学术定义里，small-minus-big 很强。
• Liu et al. 给出的 weekly 5-1 excess return：
• MCAP: -3.4%/week，t = -2.557
• PRC: -3.9%/week，t = -2.420
• MAXDPRC: -4.1%/week，t = -2.483
• desk 上不一定非得用全市场 cap；可先用 流动性 / ADV / OI proxy 的“小票 vs 大票” 替代，先看是否还有“small basket outperforms”结构。

1. Short-horizon momentum sleeve

• Liu et al. 里最有意思的是 短 momentum 有效，长 momentum 反而不稳：
• 1w mom: +2.7%/week，t = 1.994
• 2w mom: +3.3%/week，t = 2.442
• 3w mom: +4.1%/week，t = 2.742
• 4w mom: +2.5%/week，t = 2.002
• 但 8w / 16w / 50w / 100w 都不显著
• 这很适合我们把 lookback 压到更短：24h / 72h / 7d，然后用 15m 执行。

1. Low-vol sleeve（更准确地说是 low dollar-volume-vol）

• Liu et al. 的 STDPRCVOL 5-1 为 -3.0%/week，t = -2.269。
• 直译就是：long 低 dollar-volume-vol，short 高 dollar-volume-vol。
• Fieberg et al. 又补了一层：factor momentum 的自相关主要就来自 size 与 volatility anomalies。这意味着 low-vol sleeve 不只可单跑，还可能适合做“赢者加权”。

5. 对短周期 desk，最像完整策略的版本

策略骨架

• 方向：cross-sectional / market-neutral / relative-value
• 交易对象：Binance USDⓈ-M perpetual 主流流动性币池
• alpha 结构：size sleeve + vol sleeve + short-horizon momentum sleeve
• 组合层：对 sleeves 做 factor momentum rotation

最小可复现实验

Universe

• 过去 30d 日均成交额前 20~40 个 USDT perp
• 上线满 90d
• 过滤极低价币、异常 funding、持续限价保护标的

Signal construction（先做 3 个 sleeve）

1. size proxy：过去 7d 的 ADV / OI / quote volume 排序

• long bottom 30%
• short top 30%

1. vol sleeve：过去 7d 的 dollar-volume volatility 或 quote-volume volatility 排序

• long bottom 30%
• short top 30%

1. mom sleeve：过去 24h / 72h 收益排序

• long top 30%
• short bottom 30%

Factor-momentum overlay

• 计算每个 sleeve 自身过去 1d / 3d / 5d 的 long-short PnL
• 只保留最近最强的 1~2 个 sleeve，弱 sleeve 降到零或半权
• 也可做更保守版本：
• if sleeve trailing z-score > 0：开权
• else：停权

Execution

• sleeve 成员每 4h 刷一次
• 订单在 15m 上分两到三笔 TWAP 进场
• 单个 position 默认持有 4h~24h
• 5m 只负责微观执行与风控，不强行把 factor 信号伪装成每根 K 线都更新的主信号

Sizing / risk

• 组合先做美元中性，再做 BTC beta 近中性
• 单币权重上限 10%
• 单 sleeve 风险预算上限 40%
• 若可交易币数 < 12，直接不做
• funding / fee / spread 过高的币只可入 short list，不可强行双边对冲

Cost 假设

• 先用 10 bps one-way 全包成本做第一轮否决
• 第二轮再拆成 maker / taker / slippage / funding
• 如果 turnover 高到把 size / vol sleeve 吃没，优先降 refresh 频率，不要先乱调阈值

6. 这条线最该先看什么，不该先看什么

最该先看

1. sleeve 自身是否仍有净边，尤其是 mom(24h/72h) 与 low-vol
2. sleeve momentum 是否真能筛掉烂 sleeve
3. 边是否集中在某些 regime：大盘 trend、alt season、risk-off 周

不该先做

1. 一上来堆满 20+ academic anomalies
2. 没确认 sleeve PnL 序列可交易，就急着做复杂 optimizer
3. 把低频 factor ranking 硬装成逐笔高频 alpha

7. 我对这条线的判断

这条线现在最有价值的地方，不是“论文说 crypto 也有 factor zoo”，而是：

它给了我们一条能独立落地、又能和现有 raw alpha 池互补的标准化横截面主线。

如果近期想继续补 raw alpha 素材池，我会把优先级放成：

1. short-horizon momentum sleeve
2. low-vol sleeve
3. size sleeve
4. winner sleeve rotation

也就是先把最容易用公开交易所数据复现的部分搭起来，再决定要不要把 value / on-chain 因子补进来。

8. 下一步怎么测

直接做一个 3-sleeve × 3-lookback 的最小矩阵，不要一次搞大：

1. sleeves：size / low-vol / momentum
2. lookback：

• sleeve ranking：24h / 72h / 7d
• sleeve momentum：1d / 3d / 5d

1. holding：4h / 12h / 24h
2. execution：统一 15m TWAP，记录 5m 实际滑点
3. 输出指标：

• gross / net spread return
• turnover
• capacity proxy（ADV 占比）
• BTC beta
• sleeve-level hit rate
• factor-momentum 开关前后 Sharpe 变化

如果第一轮结果显示：

• 静态 sleeve 有边，但 rotation 没增益：保留 sleeves，砍掉 factor momentum。
• rotation 只在 trend 周期有效：把它降级为 regime-gated overlay。
• 只有 momentum sleeve 活着：那就诚实收缩成“XS momentum 主策略 + size/vol 只做 admission”。

9. 来源

1. Liu, Y., Tsyvinski, A., & Wu, X. (2022). _Common Risk Factors in Cryptocurrency_. The Journal of Finance.

• Working paper / readable PDF: https://www.nber.org/papers/w25882
• DOI (journal): https://doi.org/10.1111/jofi.13119
• NBER PDF: https://www.nber.org/system/files/working_papers/w25882/w25882.pdf

1. Fieberg, C., Metko, D., & Zaremba, A. (2023). _Cryptocurrency factor momentum_. Quantitative Finance.

• DOI: https://doi.org/10.1080/14697688.2023.2269999
• Readable URL: https://onlinelibrary.wiley.com/doi/10.1080/14697688.2023.2269999

1. Seabe, P. L., Moutsinga, C. R. B., & Pindza, E. (2024). _Optimizing Cryptocurrency Returns: A Quantitative Study on Factor-Based Investing_. Mathematics, 12(9), 1351.

• DOI: https://doi.org/10.3390/math12091351
• Readable URL: https://www.mdpi.com/2227-7390/12/9/1351