← 返回 Quant Digests · 站点首页

别把这份 2026 Hyperliquid stat-arb repo 直接当完整交易系统：对 short-cycle desk，更该先测的是「bucket dispersion MR × funding-divergence admission」这条 raw alpha

更新时间：2026-04-12 23:43 UTC 研究时间：2026-04-12 23:56 UTC 类型：quant_digest 主题标签：raw-alpha/stat-arb/cross-sectional/relative-value/mean-reversion/bucket-dispersion/funding/funding-divergence/gate/hyperliquid/5m/1h/repo/public-data/cost/risk 证据类型：2026 GitHub repo source audit（`README.md` + `configs/default.yaml` + `configs/strategy_stat_arb.yaml` + `src/hyperstat/strategy/stat_arb.py` + `src/hyperstat/strategy/funding_divergence_signal.py` + `src/hyperstat/strategy/regime.py` + `src/hyperstat/strategy/allocator.py` + `src/hyperstat/backtest/engine.py` + `src/hyperstat/backtest/costs.py`）+ repo bundled public-data probe（`data/candles/*/5m.parquet` + `data/funding/*/8h.parquet`）

源文件：research/quant_digests/2026-04-12_2356_hyperstat-fds-gated-bucket-mr-alpha.md

1. 这次看了什么

主材料（repo）

这轮最值得 intake 的，不是把 repo 整体照抄成“又一个完整 stat-arb 系统”，而是先把它拆开成两层：

  1. alpha 本体：5m 频率下、看过去 12 bars = 1h 的 bucket 内 cross-sectional mean reversion；
  2. 过滤层：funding-divergence signal（FDS）只在资金费率和价格错位时给 alpha 放行或加权。

也就是说，这轮真正值得 desk 先测的不是： > “repo 里整套配置能不能直接搬上线？”

而是： > “bucket dispersion MR 这条 raw alpha 单独站不站得住？以及 funding divergence 能不能把一堆垃圾反转信号筛掉？”

2. 先回答一句：这篇东西的 base alpha 是什么？

很清楚：

> base alpha = bucket 内过去 1 小时相对强弱偏离过大后的 cross-sectional mean reversion。

翻成人话：

funding 在这里不是主信号，只是：

所以本轮主题归类应是：

3. repo 到底怎么写这条 alpha

3.1 stat_arb.py：核心信号其实很朴素

repo 的 StatArbStrategy 并不神秘，本体就是：

也就是： > 过去 1h 明显相对偏离的币，按 contrarian 方向做 fade。

这是标准的 raw alpha 骨架，而且是可直接复现的，不靠私有数据，不靠模型黑箱。

3.2 allocator.py / regime.py：真正复杂的是“怎么别把它做烂”

repo 真正费力写的不是 alpha 本体，而是：

这恰恰说明一个现实：

> 这条 alpha 的难点不在“有没有想法”，而在“怎样把换手和拥挤过滤掉”。

3.3 funding_divergence_signal.py：repo 里最值钱的旁支

FDS 不是简单看 funding 高低，而是揉了三件事：

repo 把它设计成：

这很符合 desk 用法，因为它回答的是： > 哪些 MR 偏离更像 crowding 失衡，哪些只是趋势里你去逆着接飞刀。

4. 最小 public-data probe：先看“原始 alpha”，再看“FDS 是否有用”

这次我没有停在源码阅读，而是直接用 repo 自带公开数据做最小实验：

4.1 数据口径

为什么这口径是合格的：

5. 结果一：repo 默认整套 stat-arb 在自带数据上，先被成本吃掉

我先按 repo 默认参数跑了一轮最小回测（BTC + ETH/SOL/AVAX/ARB/OP，bucket MR + neutralization + funding overlay/FDS + repo 默认成本）：

5.1 默认成本配置

5.2 回测摘要

这组数的核心意思很简单：

> raw idea 不是完全没回归味道，但默认做法的 gross 基本打平，净值则被换手成本狠狠干穿。

所以这题不能老实巴交写成“可直接落地完整策略”，那样是在骗自己。

6. 结果二：bucket dispersion 本身会压缩，但“怎么分配腿”才是胜负手

我把 alpha 本体拆出来，不走整套 backtest engine，而是直接看 bucket 内结构是否在未来 1h 有压缩：

6.1 bucket spread 压缩证据

定义：

结果：

翻成人话：

> bucket dispersion 会压缩，这件事是真的。

但问题也正出在这里：

7. 结果三：vanilla 单做 MR 事件不行，但 FDS 过滤后的 pocket 变得像样

接着我只看真正会触发交易的事件：

7.1 不加 FDS，原始 MR 事件是负的

在 funding 可对齐的样本里：

也就是说： > vanilla bucket MR 在这个 pocket 里并不够好。

7.2 一旦用 FDS 做 admission，质量明显改善

我把 repo 的 FDS 思路做成最小 batch gate，对 active MR 事件按 gate score 做筛选：

#### 当加权 FDS 分数 > 0

#### 当加权 FDS 分数 > 0.25

从单腿事件角度再看也类似：

这组数最关键：

> 不是“funding 自己就是 alpha”，而是“funding divergence 能把原本质量很差的 MR pocket 筛成勉强像样的 pocket”。

8. 这题该怎么落在我们研究池里

8.1 正确标签

我会把这题标成：

不是：

8.2 它对 desk 真正的价值

这题最值钱的不是“repo 已经写好了回测引擎”，而是它给了一个更适合 desk 的拆法：

  1. 先承认 bucket MR 本体很脆；
  2. 再用 crowding / funding 错位去筛 pocket；
  3. 最后只做最值得做的几次，不要整本书一直滚。

这比直接抄 full-book stat-arb，更接近真钱研究。

9. 与 1m / 3m / 5m / 15m 的关系

5m

这是本题当前最自然的第一落点：

3m / 1m

可以做，但不是马上压过去：

15m

更像控制组或低频版：

10. 下一步怎么测

这里必须很具体，不然这篇 digest 只有阅读价值，没有研发价值。

10.1 第一优先：别再做 whole-book，改做 sparse book

直接测这三版：

  1. top1 rich / top1 cheap only
  2. top2 / bottom2 only
  3. 只保留 FDS > 0.1 / 0.25 的 event

目标：

10.2 第二优先：把持有逻辑从“迟钝 hysteresis”改成“clock exit + compression exit”

当前 repo 是：

下一步该测：

10.3 第三优先：把成本分成 maker / taker 两张账

当前 repo 默认成本对 short-cycle 太狠，下一步必须拆开：

因为这题现在最像的是： > gross edge 只在精选 pocket 上存在，能不能活下来主要看是否能把执行从“持续滚动 taker”改成“低频 + 更偏 maker”。

10.4 第四优先：跨 venue 可移植性

若后续想从 repo bundled 数据走向更通用研究，先复现到：

11. 一句话结论

这题最后我会给一个很明确的结论：

> hyperstat-arb-bot 里真正该 intake 的，不是“默认 full-book stat-arb”，而是“bucket dispersion MR 这条 raw alpha + funding-divergence admission 这层过滤”。

更直接一点：

12. 文件与来源