← 返回 Quant Digests · 站点首页

别把 Wen et al. (2022) 只读成“crypto 日内可预测性论文”：对 short-cycle crypto desk，更该先拆的是「recent-return continuation × jump/liquidity/event regime switch」这条 raw alpha

• 时间：2026-04-21 23:32 UTC
• 类型：2022 论文 audit（ScienceDirect 摘要/导言片段 + Crossref 元数据 + DuckDuckGo/EconPapers 摘要片段）
• 主题类型：raw alpha
• 基础 alpha：最近一小段收益对下一小段收益有预测力；平稳时更像 continuation，但在大跳跃 / 事件 / 流动性扰动下容易切到 reversal
• 是否可独立复现：是
• 是否可直接落地完整策略（entry/exit/sizing/risk/cost）：否（论文给的是可交易 predictability 证据，不是完整交易壳）
• 主题标签：raw-alpha / single-asset / intraday / momentum / reversal / regime-switch / jump / liquidity / event / bitcoin / eth / ltc / xrp / 1m / 3m / 5m / 15m
• 证据类型：论文证据（高频样本 + 条件分层）

1) 这次 intake 的核心（先回答 base alpha）

这篇东西最值钱的，不是“crypto 里既有动量也有反转”这句大白话，而是：

> 同一个 recent-return alpha，会随 market state 切换符号。

也就是：平时你可以把“最近几根很强/很弱”先当成 continuation 候选；但一旦碰到 大 intraday jump、FOMC、流动性恶化或异常事件窗口，同一类 recent-return 信号就更该怀疑它会不会转成 exhaustion fade / reversal。

对我们 desk，这比再抄一个裸 momentum 公式更有用，因为它天然就是一条 可拆成 raw alpha + regime router 的短周期主线。

2) 核心结论

• 论文报告：crypto 日内收益存在可预测性，而且不是单一方向，而是 momentum 与 reversal 都会出现。
• 主样本使用 Bitcoin 高频数据，覆盖 2013-03-03 到 2020-05-31；摘要片段还指出，这种现象也能在 Ethereum、Litecoin、Ripple 等活跃币上看到。
• 这种 predictability 会随条件变化：在 large intraday price jumps、FOMC announcement、liquidity levels、COVID-19 outbreak 下，模式会发生变化。
• 对短周期实战的真正启发不是“永远追”或“永远反着做”，而是：先把 recent return 当 base alpha，再用事件/跳跃/流动性做方向路由。

3) 为什么和当前项目有关

当前 momentum 已经积累了不少 breakout / trend / pairs / funding / relative-value 壳，但“同一个短窗收益信号何时追、何时反着做”这层还值得补。

这篇论文的价值在于它刚好补这个缺口：

• 它给的是 短周期 raw alpha 母体，不是纯解释型综述；
• 它天然可接我们现在的 regime/filter/overlay 框架；
• 它和现有 1m/3m/5m/15m 数据口径高度兼容，不需要先等另类数据权限。

一句话核心结论：recent return 在 crypto 短周期里不是没用，而是会随 market state 从 continuation 切到 reversal。

一句话证明方式：作者用 Bitcoin 长样本高频数据做条件分层，比较不同 jump / event / liquidity 环境下的日内 predictability 模式。

3.5) 策略拆解（必填）

• 方向属性：顺势 + 逆势（条件切换）
• 基础 alpha：recent intraday return -> next-window return
• regime：normal / jump / event / low-liquidity
• filter / veto：大跳跃后禁追；FOMC 窗口禁裸 momentum；低流动期提高阈值
• risk / sizing / execution overlay：信号强度分档仓位 + event window size-down + time-stop + cost gate

4) 可复刻的最小实验

先别追论文里的全部设定，直接做一个能在本周给 first verdict 的最小版：

• 研究假设
• 在 BTC/ETH/SOL 的 5m 数据上，最近 3~6 根 bar 的累计收益对下一段 2~4 根 bar 仍有预测力；
• 但若当前 bar 属于 异常 jump / FOMC 前后窗口 / 低流动分位，则 continuation edge 会减弱，甚至翻成 reversal。
• 可计算定义
• r_past = close_t / close_{t-k} - 1
• jump_flag = |ret_1bar| > rolling_sigma * z
• liq_flag = quote_volume 或 成交笔数/成交额 落入低分位
• router：
• normal regime：顺 sign(r_past) 做 2~4 bar continuation
• jump/event/low-liq regime：反 sign(r_past) 做 1~3 bar fade
• 最小回测切口
• 资产：BTCUSDT / ETHUSDT / SOLUSDT perpetual
• 周期：先 5m，再映射到 15m；若有余力，再压到 1m/3m
• 样本：近 90~180d
• 成本：双边 fee + 2 档滑点假设
• 最该先看 2 个指标
• 成本后收益 / Sharpe（先看 alpha 有没有净边）
• regime 分层后的 trade count 与 hit-rate（先看“追”和“反”是不是被 router 真正分开）

5) 风险与保留意见

• 这篇论文是 predictability 研究，不是已经给好 entry/exit/sizing 的实盘系统；要自己补完整交易壳。
• 目前拿到的是摘要/导言与元数据证据，不是全文逐段细读；因此这里更适合做 first intake，不宜过度细化到作者未明说的参数。
• 24/7 crypto 的 microstructure 与 2013~2020 早期样本差异很大，结论迁到今天时必须先过 recent sample + cost 检验。
• FOMC 这类宏观事件对 BTC 比对小币更强；alt 上可能更需要 BTC lead / market-beta 过滤。

6) 下一步怎么测

直接做一个 mom-vs-fade regime router baseline：

1. 在 BTC/ETH/SOL 5m 上先估 r_past(15m/30m) 对 r_future(10m/20m) 的分层条件期望；
2. 用 jump_flag + low_liq_flag + macro_event_window 把样本切成 continuation 与 fade 两组；
3. 对比三套壳：always momentum / always reversal / state-routed hybrid；
4. 只要 hybrid 在成本后明显优于前两者，就值得进下一轮 admission。

7) 来源（按可追溯口径）

1. Wen, Z., Bouri, E., Xu, Y., & Zhao, Y. (2022). _Intraday return predictability in the cryptocurrency markets: Momentum, reversal, or both_. The North American Journal of Economics and Finance, 62.

• DOI: 10.1016/j.najef.2022.101733
• Readable URL: https://www.sciencedirect.com/science/article/pii/S1062940822000833
• DOI URL: https://doi.org/10.1016/j.najef.2022.101733

1. Wen, Z., Bouri, E., Xu, Y., & Zhao, Y. (2022). SSRN working-paper version.

• DOI: 10.2139/ssrn.4080253
• Readable URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4080253

1. Metadata / abstract-supporting sources used in this intake:

• Crossref: https://api.crossref.org/works/10.1016/j.najef.2022.101733
• Search snippet / abstract mirror evidence: https://econpapers.repec.org/RePEc:eee:ecofin:v:62:y:2022:i:c:s1062940822000833