← 返回 Quant Digests · 站点首页

别把 skewness 只当“分布描述符”：对 short-cycle desk，更该先测的是「realized-skewness cross-section fade」这条 raw alpha

• 主题类型：raw alpha
• 基础 alpha：横截面上，过去一段时间收益分布更“彩票化”（正偏更高）的币，后续更容易跑输；负偏或不那么彩票化的币，后续相对更容易跑赢，因此可做 long low-skew / short high-skew 的横截面反转
• 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
• 时间：2026-04-03 02:54 UTC
• 类型：2024 *International Review of Financial Analysis* 元数据 + 2026 GitHub repo source audit（alpha_05_realized_skewness.py）+ 2015 JFE 经典 realized-skewness 因子 grounding
• 主题标签：raw-alpha / cross-sectional / mean-reversion / skewness / lottery / realized-moments / distribution-shape / long-short / top-bottom / 15m / 5m / 3m / 1m / paper / repo / public-data / cost
• 证据类型：paper-based（标题/元数据级 crypto grounding）+ repo-based（可直接抄成最小策略壳）

1. 这次为什么选它

这轮默认优先补 raw alpha 素材池，而不是再做一个纯 gate / overlay。

当前库里已经堆了很多：

• lagged-return reversal / momentum
• pairs / cointegration / basis / funding
• OFI / order-book pressure

但 “分布形状 → 横截面定价偏差” 这条线还不算厚，尤其是 skewness 这类比 MAX 更平滑、比单根极值更不脆弱 的 raw alpha 壳，值得补一篇。

一句话说，这次的 base alpha 很清楚：

> 不是追涨跌本身，而是做“彩票偏好”溢价的横截面回吐。

这比继续再写一篇普通 loser-bounce 更值得，因为它给 desk 新增的是 另一类原始信号家族，不是同一类信号换个参数皮肤。

2. 这次看的材料

2.1 近期 crypto 文献锚点

• Authors: Yakun Liu, Yan Chen
• Year: 2024
• Title: *Skewness risk and the cross-section of cryptocurrency returns*
• Venue: *International Review of Financial Analysis*, Volume 96, Article 103626
• DOI: 10.1016/j.irfa.2024.103626
• Readable URL: <https://doi.org/10.1016/j.irfa.2024.103626>
• Repo URL: 未见作者公开 repo

2.2 可直接落地的 repo 壳

• Repo: VedantUpasani46 / Alpha-Research-Discovery
• File: alpha_05_realized_skewness.py
• Readable URL: <https://github.com/VedantUpasani46/Alpha-Research-Discovery>
• Direct File URL: <https://github.com/VedantUpasani46/Alpha-Research-Discovery/blob/master/alpha_05_realized_skewness.py>

2.3 经典地基（解释 realized skewness 为什么能当 alpha）

• Authors: Diego Amaya, Peter Christoffersen, Kris Jacobs, Aurelio Vasquez
• Year: 2015
• Title: *Does realized skewness predict the cross-section of equity returns?*
• Venue: *Journal of Financial Economics*
• DOI: 10.1016/j.jfineco.2015.02.009
• Readable URL: <https://doi.org/10.1016/j.jfineco.2015.02.009>

3. 先把 base alpha 说死：它不是 filter，它就是 alpha 本体

这条线最核心的表达很简单：

1. 对每个币，取过去一段时间的 bar return；
2. 计算 realized skewness；
3. 横截面排序；
4. long 低 skew / short 高 skew。

翻成人话：

• 高正偏：更像“平时没啥、偶尔猛拉”的彩票币；
• 低偏 / 负偏：更像“走势没那么梦幻、但没被彩票偏好抬价”的币。

如果市场里确实存在对“彩票型 payoff”的追捧，那么：

> 高 skew 那一边被买贵，后续更容易回吐；低 skew 那一边相对便宜。

所以它不是：

• 纯解释型综述；
• 只服务于别的 alpha 的 veto；
• 只能当 risk overlay 的低频变量。

它本身就是一条 cross-sectional raw alpha。

4. 它和我们已经写过的 MAX / 极端单根 不是一回事

这个区别很重要。

我们库里之前已经 intake 过 lottery / MAX 相关东西，但 MAX 更像“你最近是不是出过一根梦幻长阳”； 而 realized skewness 看的是整段 return 分布的偏斜形状。

差异可以粗暴理解成：

• MAX：盯最极端那一根；
• skewness：盯整段样本里“右尾是不是系统性更肥”。

对 short-cycle desk 来说，后者有两个现实优势：

1. 没那么容易被单根异常 wick 绑架；
2. 更适合做 多币横截面排序，而不是单币图形故事会。

所以这篇值得进池，不是因为“又一个 lottery 概念”，而是因为它提供的是一条 更平滑、更适合程序化横截面壳 的 raw alpha。

5. repo 里已经给了一个相当完整的策略骨架

alpha_05_realized_skewness.py 虽然不是专门为 crypto 短周期写的，但它把策略骨架写得很完整，几乎可以直接压缩到 desk 最小实验：

• 主信号窗口：22 个观测窗口
• 对比窗口：5 / 10 / 22 / 63
• 组合建法：top/bottom 20%
• 默认换手节奏：每 5 天再平衡
• 成本假设：8 bps
• 方向：alpha = -rank(skew)，即 short high-skew / long low-skew

这些数字虽然原始设定偏日频，但有两个对我们非常有用的点：

5.1 它已经把“完整策略”四件套写出来了

不是只说一句“skewness 可能有预测力”，而是把：

• signal
• sorting
• rebalance
• cost

都写进去了。

5.2 它天然适合被压缩到 1m / 3m / 5m / 15m

因为 skewness 只是 rolling returns 的函数，不依赖难拿数据。

也就是说，我们完全可以把：

• 日频 22d → 替换成 过去 4h / 8h / 24h 的 bar-return 分布；
• 每周 rebalance → 替换成 每 1h / 2h / 4h 更新横截面；
• 8bps 成本 → 替换成 perp desk 更现实的 4 / 6 / 8 bps 单边压力测试。

6. 对 short-cycle desk，最合理的 translation 不是照抄论文周期，而是缩成“分布形状的短线横截面 fade”

6.1 推荐的最小实验壳

Universe

• Binance / OKX / Bybit 主流 USDT perp
• 先取 24h quote volume 前 30~50 个
• 过滤：近 N bars 缺失率过高、价量过低、tick 过粗的币

Signal

• 对每个币计算最近窗口的 realized skewness：
• 5m：先测 48 / 96 / 288 bars（4h / 8h / 24h）
• 15m：先测 16 / 32 / 96 bars（4h / 8h / 24h）
• 做横截面 rank
• 信号方向：long bottom q / short top q

Entry / Exit

• 每 4 根 bar 更新一次（1h on 15m；20m on 5m）
• 固定持有 4 / 8 / 12 bars 三档
• 不做单币 discretionary exit，先做最干净的固定持有回测

Sizing

• 先用 dollar-neutral
• 第二轮再试 vol-neutral / ADV-capped
• 单币权重上限先卡 5%~8%

Risk / Cost

• 单边成本先压 4 / 6 / 8 bps
• 做 BTC 单边大波动 veto：若 BTC 最近 1h 绝对收益 > 某阈值，则该次 rebalance 缩仓或跳过
• 做 liquidity floor：低于样本中位数的流动性币缩权，而不是直接等权放大尾部垃圾币

7. 我更看好的不是“极端尾部”，而是中高流动性里的温和 skew-fade

如果直接照学术直觉，最容易犯的错是：

> “彩票偏好”听起来像长尾小币现象，那我就该去最尾部找最夸张的正 skew 币狠狠干空。

我反而不建议一上来这么做。原因很简单：

1. 最尾部币的 skew 往往和脏数据、上架事件、单根拉盘、极薄盘口混在一起；
2. 你以为在做 skewness，实际可能是在做 listing/manipulation 噪音；
3. short-cycle 上真正可交易的 edge，未必在最极端分位，反而可能在 主流 perp universe 的温和右偏币 上更稳。

所以这条策略第一轮更合理的 desk 版本应该是：

• 只在中高流动性币池里做 skewness 横截面 fade；
• 不急着碰最尾部；
• 先看是否能在可交易 universe 里拿到稳定 rank IC / spread return。

8. 这条 alpha 最可能服务哪类 desk 组合

它比较适合接在这几类组合后面：

8.1 作为独立 XS raw alpha sleeve

直接跟：

• lagged-return XS reversal
• lagged-return XS momentum
• PCA residual mean reversion

并列。

好处是来源不同：

• 前几类更看价格路径；
• 这条更看 路径分布形状。

8.2 作为 trend / breakout 家族的 short basket 候选池

如果某些币刚经历一段“偶发大阳线把分布右尾拉肥”的走势，未来未必继续涨，可能更适合进入 相对价值空头备选池。

这里要注意：

• 这时 skewness 不是 filter；
• 它是单独的空头打分来源。

8.3 作为 lottery/MAX 家族的更平滑替代

已有 MAX 因子太容易被单根 bar 主导时，可以试：

• MAX
• realized skewness
• MAX × skewness intersection

看谁在 short-cycle 下更抗噪。

9. 这条线最容易失败在哪里

9.1 它可能只是慢频偏好，不一定天然压得进 1m / 3m / 5m

学术上 skewness 溢价常常更慢。

所以这里最该警惕的不是“有没有故事”，而是：

> 短到 1m / 3m 后，你算出来的可能不再是稳定的 distribution-shape premium，而只是 microstructure noise。

因此建议优先级是：

• 先 15m
• 再 5m
• 最后才看 3m / 1m

9.2 skewness 很怕异常点

虽然它比 MAX 平滑，但它仍然是三阶矩，天然对尾部敏感。

所以第一轮一定要做：

• return clip / winsor
• event flag（listing、极端 funding、插针）
• 成交额过滤

9.3 它可能和既有 reversal 家族高度重叠

如果最后发现：

• skewness 排名几乎就是 lagged-return 排名的另一种写法；
• 增量 IC 很小；

那它就不该作为独立 sleeve，而应该降级成：

• lagged-return reversal 的 companion feature；
• 或用于多因子排序中的次级项。

10. 下一步怎么测（直接给实验单）

实验 A：先确认它是不是独立 alpha，而不是旧 reversal 换壳

在主流 perp 15m universe 上：

• signal_1 = -rank(realized_skew_24h)
• signal_2 = -rank(ret_24h)
• 看两者横截面相关性、独立 IC、双变量回归

判定标准：

• 若 signal_1 对 signal_2 的增量 IC 接近 0，就别单列；
• 若增量 IC 明显为正，再继续。

实验 B：找最稳的窗口，而不是先找最猛的极端分位

窗口先测：

• 15m: 16 / 32 / 96
• 5m: 48 / 96 / 288

分位先测：

• q = 10% / 20% / 30%

目标：

• 先找成本后还能活的 rank spread；
• 不追求某个样本窗里最漂亮的 gross。

实验 C：验证它该不该只在高流动性币池里活

分三层回测：

• top-liquidity 20%
• middle 60%
• bottom 20%

我对这条线的先验是：

> 最可交易的版本，大概率不会出现在最底层流动性。

如果这条判断对，那么 desk 版 production shell 会更简单、更能下单。

11. 最终判断

这篇值得进研究池，而且优先级不低。

原因不是它已经被证明能直接在 1m/3m/5m/15m 上赚钱，而是：

1. base alpha 清楚：long low-skew / short high-skew；
2. 可独立复现：只要 OHLCV 就能做；
3. 可写成完整策略：entry / exit / sizing / risk / cost 都很好补齐；
4. 和现有池子有差异化：它是“分布形状”家族，不是又一个 lagged-return/pairs/funding 变种。

所以我的结论是：

> 把它放进 short-cycle 素材池，先按 15m 主测、5m 次测、1m/3m 最后看 的顺序，验证“可交易 universe 中的 realized-skewness cross-section fade”是否有独立增量。

如果实验 A/B/C 跑出来有增量，再决定它是：

• 独立 raw alpha sleeve，还是
• 进入多因子 XS 排序模型作为一条 distribution-shape feature。

12. 来源链接

1. Liu, Y., & Chen, Y. (2024). *Skewness risk and the cross-section of cryptocurrency returns*. *International Review of Financial Analysis*, 96, 103626. DOI: 10.1016/j.irfa.2024.103626

URL: <https://doi.org/10.1016/j.irfa.2024.103626>

1. Amaya, D., Christoffersen, P., Jacobs, K., & Vasquez, A. (2015). *Does realized skewness predict the cross-section of equity returns?* *Journal of Financial Economics*. DOI: 10.1016/j.jfineco.2015.02.009

URL: <https://doi.org/10.1016/j.jfineco.2015.02.009>

1. VedantUpasani46. (2026). *Alpha-Research-Discovery* — alpha_05_realized_skewness.py.

Repo URL: <https://github.com/VedantUpasani46/Alpha-Research-Discovery> File URL: <https://github.com/VedantUpasani46/Alpha-Research-Discovery/blob/master/alpha_05_realized_skewness.py>