时间序列趋势

1. 先把概念钉死：什么叫「时间序列趋势 / 动量」

如果把所有基于 K 线的策略画成一棵树，时间序列趋势 / 动量（Time-Series Momentum, TSMOM）应该算非常粗的一根主干。

它回答的问题非常简单：

“BTC 自己相对于过去，是处于上涨趋势还是下跌趋势？”

而不是：

“BTC 和 ETH、SOL、DOGE 相比，谁最近涨得更强？”

后者属于截面动量 Cross-Sectional Momentum。

所以最核心的区别是：

策略	比较对象	例子
时间序列动量	BTC 今天 vs BTC 过去	BTC 最近 7 天涨了 → 多 BTC
截面动量	BTC vs ETH vs SOL	最近 7 天 BTC 排第 1 → 多 BTC
时间序列反转	BTC 今天 vs BTC 过去	BTC 最近涨太多 → 空 BTC
截面反转	BTC vs 其他币	BTC 相对其他币涨太多 → 空 BTC

经典 TSMOM 最原始的形式就是：

rt−L,t=ln⁡PtPt−Lr_{t-L,t}=\ln\frac{P_t}{P_{t-L}}

然后：

signalt={+1,rt−L,t>0−1,rt−L,t<0signal_t = \begin{cases} +1,&r_{t-L,t}>0\ -1,&r_{t-L,t}<0 \end{cases}

过去收益为正就做多，过去收益为负就做空。

Moskowitz、Ooi、Pedersen 的经典研究在股票指数、债券、商品、外汇期货中发现，大约 1–12 个月存在明显的收益延续；而更长周期会出现一定反转。(Fair Model)

后来 Hurst、Ooi、Pedersen 将趋势跟随研究扩展到 1880 年之后一百多年，发现趋势跟随并不是某个特殊年代才出现的现象。(Fair Model)

---

2. 但我更建议你这样理解：TSMOM 本质是「估计隐藏趋势」

市场没有一个字段叫：

trend = bullish

你只能看到：

Open
High
Low
Close
Volume

真正存在的是一个不可直接观测的变量：

TrendtTrend_t

于是：

过去收益率

Pt/Pt−L−1P_t/P_{t-L}-1

是对 Trend 的一种估计。

均线

EMAfast−EMAslowEMA_{fast}-EMA_{slow}

也是对 Trend 的一种估计。

突破

Pt>HHV(P,L)P_t > HHV(P,L)

也是。

线性回归斜率

也是。

ADX、趋势效率、MACD、Donchian Channel

本质上仍然是在回答：

当前有没有趋势？

趋势往哪里？

趋势有多强？

趋势有多可靠？

所以更准确地说：

Trend Following 是一个策略思想；Time-Series Momentum 是实现 Trend Following 的一个数学框架。

这点非常重要。

因为以后你研究策略，不应该研究：

MA 策略好不好？

而应该研究：

怎样估计 Trend 最有效？

这一下研究空间就完全打开了。

---

3. 为什么价格会产生趋势？

这其实和你前面问过的“K 线动起来的源头是不是事件”直接关联。

趋势通常不是简单：

利好 → 涨 → 完。

而更接近：

事件→信息传播→第一批资金买入→价格上涨→突破→量化/CTA/技术资金跟随→空头止损→爆仓→更多买盘→趋势增强事件 \rightarrow 信息传播 \rightarrow 第一批资金买入 \rightarrow 价格上涨 \rightarrow 突破 \rightarrow 量化/CTA/技术资金跟随 \rightarrow 空头止损 \rightarrow 爆仓 \rightarrow 更多买盘 \rightarrow 趋势增强

所以：

事件可能负责点火，而资金流、行为偏差和市场结构负责把火继续烧下去。

TSMOM 吃的主要就是后面这一段。

---

4. 时间序列动量真正赚的是什么？

从数学上甚至可以把它说得非常漂亮。

假设趋势信号是过去收益率的加权和：

St=∑k=1Lwkrt−kS_t=\sum_{k=1}^{L}w_k r_{t-k}

然后仓位：

Positiont∝StPosition_t\propto S_t

下一期收益：

PnLt+1≈Strt+1PnL_{t+1}\approx S_t r_{t+1}

于是期望收益近似：

E[PnL]=∑k=1LwkCov(rt−k,rt+1)E[PnL] = \sum_{k=1}^{L} w_k Cov(r_{t-k},r_{t+1})

这句话非常关键：

趋势策略，本质上在押收益率存在正的序列相关性。

也就是说：

上涨之后更容易继续上涨；

下跌之后更容易继续下跌。

如果：

Cov(rt,rt−k)>0Cov(r_t,r_{t-k})>0

你有 Momentum。

如果：

Cov(rt,rt−k)<0Cov(r_t,r_{t-k})<0

你有 Mean Reversion。

所以从最底层看：

趋势和反转其实是一对镜像。

---

5. 这也解释了为什么「周期」特别重要

市场不是永远 momentum，也不是永远 reversal。

完全可能：

Corr(r1m,t,r1m,t+1)<0Corr(r_{1m,t},r_{1m,t+1})<0

但是：

Corr(r4h,t,r4h,t+1)>0Corr(r_{4h,t},r_{4h,t+1})>0

甚至：

Corr(r7d,t,r7d,t+7d)>0Corr(r_{7d,t},r_{7d,t+7d})>0

然后：

Corr(r180d,t,r180d,t+180d)<0Corr(r_{180d,t},r_{180d,t+180d})<0

于是同一个 BTC：

时间尺度	可能主要现象
秒～分钟	做市、Bid/Ask、短期反转
5m～1h	微观结构 + 短趋势混合
1h～12h	日内趋势、消息、爆仓链
1d～7d	Swing Momentum
1w～3m	中期趋势
极长周期	趋势衰减甚至反转

而 2026 年一篇针对 Bitcoin TSMOM 的研究甚至发现，相对慢的信号比快速信号有更好的风险调整后表现，其基准慢速窗口约为 12 周；研究者认为 BTC 的高波动和 24/7 交易让快速信号更容易对噪声过度反应。这个结果不能直接当成你的参数，但非常值得作为研究假设。(ScholarX)

所以千万不要问：

动量有没有效？

应该问：

在什么时间尺度上，什么市场状态下，收益自相关是正的？

这才是量化问题。

---

6. 所以时间序列趋势其实可以进一步拆成很多子家族

它们看起来完全不一样，其实都在干同一件事。

家族	典型信号	本质
Return Momentum	Pt/Pt−L−1P_t/P_{t-L}-1	过去涨跌
MA Trend	Fast MA - Slow MA	平滑后的方向
Price-MA	Pt−MAtP_t-MA_t	当前价格相对趋势中心
Breakout	Donchian / HHV / LLV	是否产生新趋势
Regression Trend	slope(log price)	价格运行斜率
Risk-adjusted Momentum	return / volatility	单位风险趋势
Trend Quality	slope × R²	趋势是否平滑
Efficiency Trend	净位移 / 总路径	是否单方向运行
MACD 类	EMA 差	多尺度趋势差
Multi-horizon	多个 Trend Signal ensemble	多周期趋势共振

我们一个一个看。

---

7. 第一类：Absolute Return Momentum

最纯正的 TSMOM。

例如 4h K：

mom42=ClosetCloset−42−1mom_{42} = \frac{Close_t}{Close_{t-42}}-1

42 根 4h K 大约是：

42×4h=168h=7days42\times4h=168h=7days

BTC：

7 天前：90,000
现在：99,000

那么：

Momentum=10%Momentum=10%

最简单：

mom > 0 → long
mom < 0 → short

但这个版本其实太粗糙。

因为：

BTC +10%

和：

DOGE +10%

完全不是一回事。

如果 BTC 波动率 3%，DOGE 波动率 15%，它们的趋势强度完全不同。

所以通常变成：

Score=ReturnLσLScore= \frac{Return_L} {\sigma_L}

也就是你之前一直在研究的：

风险调整动量。

---

8. 这时候，你以前那个 ret_42 / vol_42 已经出现了

你之前设计过：

score=ret42vol42×log⁡(1+turnover_ratio)score = \frac{ret_{42}}{vol_{42}} \times \log(1+turnover_ratio)

这里其实要特别区分。

如果你：

BTC score = 1.2
ETH score = 0.8
SOL score = 2.1
...

然后：

排名前 10 做多
排名后 10 做空

这已经主要变成：

截面动量策略。

因为最终决定仓位的是：

Rank(scorei)Rank(score_i)

而纯 TSMOM 应该：

SOL score > threshold
→ SOL 自己进入多头

BTC 是否比它强并不重要。

所以你完全可以同时构造：

TSMOMi,tTSMOM_{i,t}

和：

CSMOMi,tCSMOM_{i,t}

然后研究：

TSMOM×CSMOMTSMOM \times CSMOM

这就很有意思。

例如：

自身趋势 > 0
AND
截面排名 Top 20%

才做多。

也就是：

先要求“自己在涨”，再要求“比别人涨得强”。

这其实就是你之前提出过的“趋势过滤 + 截面选强”，从因子分类上现在就非常清楚了。

---

9. 第二类：均线趋势

最经典：

Signal=MAfast−MAslowSignal=MA_{fast}-MA_{slow}

比如：

EMA20 > EMA60
→ 多
 
EMA20 < EMA60
→ 空

它和 return momentum 其实高度相关。

因为：

EMAfast−EMAslowEMA_{fast}-EMA_{slow}

本质就是给历史收益率赋予不同权重。

最近的数据权重大；

更早的数据权重小。

所以：

MA crossover 并不是什么神秘技术指标，它只是一个 Trend Filter。

EMA 相比：

ReturnLReturn_{L}

的主要区别就是平滑。

Return momentum：

只看 t 和 t-L 两个端点

EMA：

利用整个路径。

---

10. 第三类：Breakout 趋势

例如：

HHL=max⁡(Ht−L:t)HH_L=\max(H_{t-L:t})

如果：

Closet>HHLClose_t > HH_L

说明：

创了 L 周期新高。

典型 Donchian Channel：

突破 20 日高点 → Long
突破 20 日低点 → Short

为什么突破有逻辑？

因为趋势形成过程中经常发生：

震荡
↓
资金积累
↓
突破阻力
↓
止损触发
↓
趋势资金进入
↓
FOMO
↓
趋势延续

在币圈尤其值得研究，因为还增加了：

突破
↓
空头止损
↓
空头强平
↓
强制买入
↓
更高价格
↓
进一步强平

所以 Crypto 的 breakout 有时甚至具有明显的反身性。

---

11. 第四类：回归趋势

我个人非常建议你认真研究这一类。

过去 N 根：

ln⁡Pt=a+bt+ϵt\ln P_t=a+bt+\epsilon_t

其中：

bb

就是趋势斜率。

如果：

b>0b>0

趋势向上。

但只看 slope 还不够。

考虑两种走势：

A:
100
101
102
103
104
105

和：

B:
100
110
95
112
94
105

最终都是：

100 → 105

传统 momentum 认为：

一样。

但显然 A 的趋势质量高得多。

这时候可以加入：

R2R

例如：

TrendScore=Slope×R2TrendScore= Slope\times R

甚至：

TrendScore=SlopeSE(Slope)TrendScore= \frac{Slope}{SE(Slope)}

也就是 slope t-stat。

这样你测量的不只是：

涨没涨。

而是：

是不是以稳定的路径上涨。

这通常比简单 return 更有研究价值。

---

12. 第五类：Path Efficiency

这是我很建议你加入二层因子库的一类。

定义：

ER=∣Pt−Pt−L∣∑k=t−L+1t∣Pk−Pk−1∣ER= \frac{|P_t-P_{t-L}|} {\sum_{k=t-L+1}^{t}|P_k-P_{k-1}|}

假设：

100 → 102 → 104 → 106 → 108

路径非常直。

那么：

ER≈1ER\approx1

但：

100 → 110 → 95 → 112 → 108

虽然最终也上涨：

100 → 108

但路径特别乱：

ER≪1ER\ll1

所以：

SignedEfficiency=sign(ReturnL)×ERSignedEfficiency= sign(Return_L)\times ER

就是非常漂亮的：

方向 × 趋势质量

指标。

---

13. 真正成熟的 Trend Signal 不应该只有方向

我认为最好拆成三个变量：

Trend=Direction×Strength×QualityTrend= Direction \times Strength \times Quality

例如：

Direction

D=sign(Return42)D=sign(Return_{42})

Strength

S=∣Return42∣Vol42S= \frac{|Return_{42}|}{Vol_{42}}

Quality

Q=R2Q=R

那么：

TrendScore=D×S×QTrendScore=D\times S\times Q

或者：

TrendScore=RegressionSlopeVolatility×R2TrendScore= \frac{RegressionSlope}{Volatility} \times R

这样你的模型就从：

涨 → 买。

升级成：

涨，并且涨得足够强，而且趋势足够稳定 → 买。

这才是我认为值得研究的趋势策略。

---

14. 然后还有一个极重要的问题：Signal 不应该一定是 ±1

传统：

+1
-1

信息损失非常严重。

实际上：

BTC score = +0.01
 
BTC score = +3.0

怎么可能下同样仓位？

所以最好使用连续信号。

例如：

zt=ReturnLσLLz_t= \frac{Return_L} {\sigma_L\sqrt L}

然后：

Signalt=tanh⁡(kzt)Signal_t=\tanh(kz_t)

这样：

微弱上涨 → +0.1
明显上涨 → +0.6
极强上涨 → +1.0

仓位自然变化。

这是从：

Trading Rule

升级成：

Forecast Model。

非常重要。

---

15. 然后是趋势策略真正最重要的第二部分：Position Sizing

很多人觉得：

alpha = signal。

实际上 Trend Following 里面仓位管理几乎和信号一样重要。

经典做法：

Positiont=Signalt×σtargetσtPosition_t = Signal_t \times \frac{\sigma_{target}} {\sigma_t}

假设目标风险 10%。

BTC 波动率：

20%

仓位：

10/20=0.510/20=0.5

DOGE 波动率：

50%

仓位：

10/50=0.210/50=0.2

这意味着：

不是每个币配置相同资金，而是配置相似风险。

这就是 volatility scaling。

在加密市场尤其重要。

因为不同币 volatility 差异巨大。

---

16. 一个真正完整的 Trend 系统应该是

Position=TrendDirection×TrendStrength×TrendQuality×VolScaling×RiskOverlayPosition = TrendDirection \times TrendStrength \times TrendQuality \times VolScaling \times RiskOverlay

也就是说：

K线
 ↓
趋势方向
 ↓
趋势强度
 ↓
趋势质量
 ↓
目标波动率调整
 ↓
组合风险控制
 ↓
最终仓位

Signal 和 Position 是两件事。

很多策略研究最大的错误，就是把这两件事情混在一起。

---

17. 多周期是 Trend Following 的核心，而不是“调参数”

不要简单优化：

EMA 19 / EMA 63 最优

这种东西极容易过拟合。

你应该认为市场同时存在多个 Trend Agent：

TrendfastTrend^{fast} TrendmediumTrend^{medium} TrendslowTrend^{slow}

例如：

子策略	Horizon	意义
Fast	12h–2d	新闻、爆仓、短趋势
Medium	3–14d	Swing Trend
Slow	2–12w	大级别趋势

然后：

Score=wfSf+wmSm+wsSsScore= w_fS_f+ w_mS_m+ w_sS_s

例如：

Score=0.25S1d+0.4S7d+0.35S28dScore= 0.25S_{1d} +0.4S_{7d} +0.35S_{28d}

这比寻找一个：

神奇的 42 周期

稳健得多。

---

18. 为什么多周期有效？

看一段行情：

          /
         /
        /
       /
------/

第一次突破的时候：

Fast Trend：

LONG

Medium：

Neutral

Slow：

Neutral

继续上涨：

Fast   Long
Medium Long
Slow   Neutral

形成大行情：

Fast   Long
Medium Long
Slow   Long

你实际上可以得到一个很有意义的状态变量：

TrendConsensusTrendConsensus

例如：

Fast +1
Medium +1
Slow +1

就是：

多周期共振。

而：

Fast -1
Medium +1
Slow +1

更可能只是：

上升趋势里的短期回调。

这已经可以构成 Regime Model。

---

19. Trend 最喜欢什么行情？

三个字：

走出来。

例如：

100
102
105
110
118
125

Trend 非常舒服。

下跌同理：

100
95
88
80
72

TSMOM 是可以空的，所以：

牛市能赚；

熊市同样可以赚。

长期趋势跟随研究中，一个非常著名的特征就是在部分重大市场危机中表现不错，因此经常被讨论为“crisis alpha”来源之一；但它不是每次危机都必然赚钱。(CBS Research Portal)

---

20. Trend 最怕什么？

真正的天敌不是：

下跌。

而是：

Whipsaw

例如：

100
110  → 买
98   → 卖/反手
108  → 买
97   → 卖
110  → 买

每次突破都是假的。

于是：

-2%
-1%
-2%
-1%
-2%
...

不断亏小钱。

所以 Trend Following 的典型收益结构是：

很多小亏 + 少量大赚。

而不是高胜率策略。

例如：

10 笔交易
 
-1
-1
-0.8
-1
-1
-0.5
-1
+3
+5
+9

胜率：

30%

但总收益：

+10.7

因此如果拿：

胜率

评价 trend strategy，非常容易把优秀策略筛掉。

---

21. Trend 第二怕的是 V 型反转

比如：

BTC
100
110
120
130
140

你的趋势模型：

Strong Long

突然：

140 → 115

Trend 最大的问题就是：

它一定滞后。

因为如果不滞后，那就不是 Trend Following，而是在预测拐点。

这两个目标天然冲突：

降低Lag⇒增加Noise降低Lag \Rightarrow 增加Noise 降低Noise⇒增加Lag降低Noise \Rightarrow 增加Lag

因此：

快趋势 vs 慢趋势，本质就是 Noise/Lag Trade-off。

这可能是理解所有趋势指标最重要的一句话之一。

---

22. 为什么我不建议你沉迷研究 MACD 参数

因为你最终面对的都是：

Noise↔LagNoise\leftrightarrow Lag

EMA：

快 → 灵敏 → 假信号多
慢 → 稳定 → 进场晚

Donchian：

窗口短 → 快 → 假突破
窗口长 → 慢 → 错过行情初段

Momentum：

L 短 → 噪声大
L 长 → 反应慢

Regression：

还是一样。

所以真正的研究问题不是：

EMA 20 好还是 EMA 23 好？

而是：

什么信息能够帮助我辨别“真实趋势”和“噪声趋势”？

这才会产生 Alpha。

---

23. 于是下一层研究自然出现：Trend Filter

比如趋势信号已经：

Long

但不一定立即交易。

你可以要求：

TrendStrength>thresholdTrendStrength > threshold

同时：

EfficiencyRatio>thresholdEfficiencyRatio > threshold

同时：

ADX>thresholdADX>threshold

同时：

Liquidity OK
Funding OK
Volatility OK

于是：

RawTrend→QualifiedTrendRawTrend \rightarrow QualifiedTrend

这是很重要的一次升级。

---

24. Crypto 永续还必须增加一个传统 CTA 没那么突出的维度：Funding

假设 BTC 强趋势上涨：

Trend = Strong Long

但是 Funding：

极高正 funding

那么意味着：

多头非常拥挤。

即便方向继续对，你也持续付 funding。

真正收益应该写成：

PnL=Position×PriceReturn+FundingPnL−Fee−SlippagePnL = Position\times PriceReturn + FundingPnL - Fee - Slippage

而不是：

PnL=Position×ReturnPnL=Position\times Return

所以以后你的 Crypto Trend 系统完全可以研究：

TrendScore+CarryScoreTrendScore + CarryScore

例如：

趋势很强 + funding 正常
→ Strong Long
 
趋势很强 + funding 极端昂贵
→ Reduced Long
 
趋势刚转弱 + funding 极高
→ 可能形成 crowded unwind

这就是从单纯 K 线 Alpha 走向：

K线 + 永续市场结构 Alpha。

---

25. 同样还有 OI

例如：

情况 A

Price ↑
OI ↑

意味着新仓持续进入。

可能是：

趋势扩张。

情况 B

Price ↑
OI ↓

可能大量来自：

空头平仓。

这两种：

K线完全可能一样。

但 underlying mechanism 不一样。

所以可以：

TrendPrice+ΔOI+FundingTrendPrice + \Delta OI + Funding

判断趋势结构。

这其实就是我们之前讨论“不要只限制在 K 线”的意义所在。

---

26. Crypto 甚至还有 Liquidation Trend

例如：

突破关键价位
↓
short liquidation
↓
价格上涨
↓
下一层 liquidation
↓
上涨
↓
更多 liquidation

这其实是非常典型：

PriceTrend→ForcedFlow→PriceTrendPriceTrend \rightarrow ForcedFlow \rightarrow PriceTrend

反馈循环。

也就是说：

趋势不是价格自己产生的，趋势后面是订单流。

K线只是订单流结果的压缩表示。

---

27. 所以我会把你的趋势研究分成三代

第一代：Pure Price Trend

只用 OHLCV：

ReturnReturn EMAEMA BreakoutBreakout SlopeSlope

这是 baseline。

---

第二代：Trend Quality

加入：

VolatilityVolatility R2R^2 EfficiencyRatioEfficiencyRatio VolumeVolume ATRATR

变成：

判断趋势是不是“高质量趋势”。

---

第三代：Market-Structure-Aware Trend

进一步：

PriceTrend+Funding+OI+Basis+Liquidation+TakerFlowPriceTrend + Funding + OI + Basis + Liquidation + TakerFlow

这才是我认为特别适合 Web3 的趋势系统。

因为如果最后还是：

EMA20 > EMA60

你并没有利用 Crypto 市场特殊的数据优势。

---

28. 如果按照你现在的数据底座，我建议第一轮直接做一个 Trend Research Matrix

你已经有 1m 底层数据，因此完全没必要一开始寻找一个“最优趋势策略”。

先做系统实验。

我建议从：

Signal	6h	12h	1d	3d	7d	14d	28d	84d
Raw Return	✓	✓	✓	✓	✓	✓	✓	✓
Return / Vol	✓	✓	✓	✓	✓	✓	✓	✓
EMA	✓	✓	✓	✓	✓	✓	✓	✓
Breakout	✓	✓	✓	✓	✓	✓	✓	✓
Regression Slope	✓	✓	✓	✓	✓	✓	✓	✓
Slope × R²	✓	✓	✓	✓	✓	✓	✓	✓
Efficiency Trend	✓	✓	✓	✓	✓	✓	✓	✓

而且不要首先寻找哪个格子收益最高。

先画：

Horizon×FutureReturnHorizon\times FutureReturn

也就是：

过去 6h trend → 未来 1h/4h/12h/1d return
过去 12h trend → ...
过去 1d trend → ...
...

你实际上是在画 Crypto 市场的：

Momentum Surface。

这个东西比“回测 EMA20/60”有价值得多。

---

29. 然后再做 Conditional Momentum Surface

例如分别计算：

高波动环境

E[rfuture∣Trend,HighVol]E[r_{future}|Trend,HighVol]

低波动环境

E[rfuture∣Trend,LowVol]E[r_{future}|Trend,LowVol]

再进一步：

Trend×VolumeTrend\times Volume Trend×FundingTrend\times Funding Trend×OITrend\times OI Trend×BTCRegimeTrend\times BTCRegime

最后你可能发现：

Momentum 并不是一直有效。

而是：

High Trend Quality
+ Medium Vol
+ OI Expansion
+ Non-extreme Funding

时特别有效。

这才是真正开始发现 Alpha。

---

30. 如果让我现在替你设计第一版「纯时间序列趋势基准策略」

我反而会刻意让它很简单。

Universe 沿用流动性足够好的 Binance/OKX USDT 永续池。

核心信号：

rL=ln⁡(Pt/Pt−L)r_L=\ln(P_t/P_{t-L}) volL=Std(r,L)vol_L=Std(r,L) zL=rLvolLLz_L= \frac{r_L} {vol_L\sqrt L}

使用多个 horizon：

L=1d,3d,7d,14d,28dL= 1d,3d,7d,14d,28d

每个：

SL=tanh⁡(zL)S_L=\tanh(z_L)

组合：

S=∑LwLSLS= \sum_L w_LS_L

仓位：

Positioni=Si×TargetVolVoliPosition_i= S_i \times \frac{TargetVol}{Vol_i}

然后限制：

∣Positioni∣≤MaxWeight|Position_i|\le MaxWeight

最后扣：

maker/taker fee
slippage
funding

这就是 Baseline。

暂时不要：

机器学习
复杂指标
几十个过滤器
神奇参数

---

31. 然后才一层一层加东西

Baseline：

Return/VolReturn/Vol

第二版：

Return/Vol+TrendQualityReturn/Vol + TrendQuality

第三版：

+Volume+Volume

第四版：

+Funding+Funding

第五版：

+OI+OI

第六版：

+MarketRegime+MarketRegime

这样你最后可以回答：

Funding 到底增加了多少 Sharpe？

OI 到底增加了多少？

Trend Quality 到底减少了多少 Whipsaw？

否则一开始把 20 个因子混在一起，即使 Sharpe=2，你也不知道：

钱到底从哪里来的。

---

32. 一个非常重要的研究指标：不要只看总体 Sharpe

Trend 策略尤其要拆。

至少要研究：

维度	看什么
Long / Short	多头和空头谁赚钱
BTC / Alt	Alpha 来源
Bull / Bear / Sideways	Regime
High / Low Vol	波动状态
Fast / Slow	哪个周期赚钱
Large / Small Coin	市值暴露
Funding	拥挤程度
OI	仓位扩张
Turnover	成本敏感性
Trend Strength	单调性
Trend Quality	是否只有高质量趋势有效

特别是币圈：

Long 和 Short 千万不要默认完全对称。

Crypto 长期存在明显正漂移、山寨币生命周期、暴涨暴跌不对称、short squeeze 等结构，因此：

LongThresholdLongThreshold

和：

ShortThresholdShortThreshold

完全可以不同。

甚至：

Leveragelong≠LeverageshortLeverage_{long}\neq Leverage_{short}

这是值得实证而不是先验固定的。

---

33. 目前 Crypto 上时间序列动量值得研究吗？

答案是：

非常值得，而且我会把它放在你的第一批主策略族里。

2021 年关于 20 种加密货币的研究发现，多种频率下存在明显的时间序列 momentum。(科学直接)

更值得注意的是，一篇 2026 年更新、专门加入现实交易约束的研究认为，加密资产中时间序列 momentum 的证据依然较强，而截面 momentum 在加入更严格的现实条件后明显弱得多；作者同时强调肥尾和强平路径会严重影响策略实际盈利，因此不能只看平均收益。(SSRN)

所以对你而言，TSMOM 不应该只是：

一个策略。

而应该是：

一个完整 Alpha Research Domain。

---

34. 最终我希望你建立的是这棵树

Time-Series Trend
│
├── Direction
│   ├── Return Momentum
│   ├── EMA / MA
│   ├── Breakout
│   └── Regression Slope
│
├── Strength
│   ├── Return / Vol
│   ├── Slope / Vol
│   ├── Distance from MA / ATR
│   └── Breakout Strength
│
├── Quality
│   ├── R²
│   ├── Efficiency Ratio
│   ├── ADX
│   └── Path Smoothness
│
├── Horizon
│   ├── Fast
│   ├── Medium
│   └── Slow
│
├── Confirmation
│   ├── Volume
│   ├── Volatility
│   ├── Funding
│   ├── OI
│   ├── Basis
│   ├── Taker Flow
│   └── Liquidation
│
├── Position Sizing
│   ├── Fixed
│   ├── Vol Target
│   ├── Signal Proportional
│   └── Risk Parity
│
└── Portfolio
    ├── Single Asset TSMOM
    ├── Multi-Asset TSMOM
    ├── TSMOM + CSMOM
    ├── Trend + Carry
    └── Trend + Mean Reversion

这棵树其实已经比“MACD/均线/突破有哪些策略”高一个层级了。

因为我们已经从指标分类进入了Alpha 机制分类。

---

最后给你一个很关键的研究方向判断

如果是你现在正在搭的 Crypto Quant Research 体系，我不会把目标设成：

找到一个最好的趋势策略。

我会建立三个独立 Alpha 家族：

TSMOM\boxed{TSMOM}

研究一个币自身有没有趋势；

CSMOM\boxed{CSMOM}

研究这个币相对其他币是不是更强；

再加：

TrendQuality\boxed{TrendQuality}

判断这个趋势到底值不值得跟。

然后进一步组合成：

Alpha=TSMOM×CSMOM×TrendQuality\boxed{ Alpha= TSMOM \times CSMOM \times TrendQuality }

再使用：

Funding/OI/Basis/LiquidationFunding/OI/Basis/Liquidation

进行 Crypto 特有的确认或过滤。

这条路线已经不是“做一个趋势策略”了，而是在建立一个完整的趋势 Alpha 因子族。

而且下一步最值得继续深入的，就是把上面提到的 Return Momentum、MA、Breakout、Regression Trend、Trend Efficiency 五大家族逐个拆开，讲清楚每一种的数学原理、所有常见变体、适合的市场状态以及应该如何做实验。这五类全部展开以后，基本就形成一份相当完整的「时间序列趋势策略研究手册」。