| 本篇位置 | 第五部分「从信号到交易」第七篇。第 24 篇讲杠杆怎么把你赶出场，这一篇讲整个市场的杠杆：有多少、贵不贵、什么时候被清一次 |
| 用到的数据 | BTCUSDT 永续合约的持仓量与多空比（5 分钟一条、63 万条，2020-09 起）、7,305 次资金费率结算、349 万根 1 分钟溢价指数、永续与现货日线 |
| 动手 | 新模块 talab.derivs：align、funding_from_premium、annualize、basis、regimes、deleveraging，附 10 个测试 |
| 读完你能 | 自己把交易所的资金费率算出来；说清持仓量、溢价、费率三者的关系；判断一个「情绪指标」到底在统计什么 |
一、先做一个决定
2021 年 4 月 13 日收盘，你手上没有仓位，屏幕上有三个数：
2021-04-08 00:00:00+00:00 58122.26 0.038 19.344 0.092 0.336
2021-04-09 00:00:00+00:00 58176.03 0.001 18.820 0.068 0.247
2021-04-10 00:00:00+00:00 59832.43 0.028 20.202 0.281 1.027
2021-04-11 00:00:00+00:00 60090.20 0.004 20.727 0.292 1.066
2021-04-12 00:00:00+00:00 59911.18 -0.003 21.499 0.294 1.075
2021-04-13 00:00:00+00:00 63649.71 0.062 24.461 0.297 1.083
2021-04-13：收盘 63,649.71（当天 +6.2%，历史新高），持仓价值 24.46 亿美元
持仓价值在此前的历史上排第 1 高（也就是新高）
当天三次结算的资金费合计 0.297%，折成年化 108%，在此前的历史上处于 94.5% 分位
三个数同时在极值上：
- 价格创了历史新高（当天 +6.2%）
- 持仓价值创了历史新高，24.5 亿美元
- 资金费率折成年化 108%——多头每天要付给空头 0.3%
（第二天就是 Coinbase 上市的日子。）
怎么读这三个数？
- A. 趋势确认。价格新高 + 持仓量新高 = 新资金在进场，跟。
- B. 拥挤警告。多头愿意付 108% 的年息也要做多，这是见顶的样子，别碰。
- C. 这三个数说的是同一件事，不能当成三个独立的证据。
先写下你的选择。 第十一节揭晓这一次发生了什么，第七、八节告诉你这种情形一般会发生什么——两者不一样。
二、打个比方：拔河
永续合约市场是一场拔河。
绳子两头各站着一群人。每一张合约都是一个多头和一个空头，所以绳子两边的人数永远严格相等——不是「大致相等」，是恒等式。
于是三个数各有各的含义：
- 持仓量＝绳子上一共有多少对人在拉。它要增加，必须同时来一个新的多头和一个新的空头；要减少，必须有一对人同时松手。
- 成交量＝这一分钟有多少人换了手。老张走了小王顶上，绳子上还是那么多人——换手不改变人数。这就是为什么持仓量和成交量是两个数，而且可以朝相反的方向动。
- 资金费率＝想站多头那边的人太多，绳子被拉偏了（合约价格高于现货），于是多头要掏钱雇人去站空头那边。费率就是这份雇佣费的价钱。
- 强平＝有人力气不够被拖倒、被拖出场。他一走，他那一侧的力量突然消失，绳子猛地窜向另一边——这就是第 2 篇说的被迫交易者，只不过这次我们能在数据里看见他们。
这个比方还能解释一个常见的误会。有人说「多空比 2.0，说明散户在疯狂做多」。可绳子两边人数恒等，多空持仓量永远是 1:1，哪来的 2.0？第八节会看到，交易所统计的其实是别的东西。
三、持仓量不是成交量
先把这两个数分清楚，因为后面全靠它。
compare = pd.DataFrame({"收盘": close, "日涨幅": close.pct_change(),
"成交额（亿美元）": perp["quote_volume"] / 1e8,
"持仓价值（亿美元）": oi_value / 1e8,
"持仓量变化": oi_value.pct_change()}).loc["2021-04-16":"2021-04-20"]
print(compare.round(3).to_string())
big = pd.Timestamp("2021-04-18", tz="UTC")
print(f"\n2021-04-18：成交额 {perp['quote_volume'][big] / 1e8:.0f} 亿美元，是前一天的 "
f"{perp['quote_volume'][big] / perp['quote_volume'][big - pd.Timedelta('1D')]:.1f} 倍；"
f"持仓价值却从 {oi_value[big - pd.Timedelta('1D')] / 1e8:.1f} 亿掉到 {oi_value[big] / 1e8:.1f} 亿"
f"（{oi_value.pct_change()[big]:.1%}）")
print("成交量大＝换手多，持仓量掉＝仓位在成对离场。同一天两件事可以同时发生。")
2021-04-16 00:00:00+00:00 61424.67 -0.029 157.404 21.421 -0.064
2021-04-17 00:00:00+00:00 60090.14 -0.022 118.625 21.209 -0.010
2021-04-18 00:00:00+00:00 56140.05 -0.066 290.257 15.903 -0.250
2021-04-19 00:00:00+00:00 55634.39 -0.009 159.804 15.099 -0.051
2021-04-20 00:00:00+00:00 56410.56 0.014 179.363 15.892 0.053
2021-04-18：成交额 290 亿美元，是前一天的 2.4 倍；持仓价值却从 21.2 亿掉到 15.9 亿（-25.0%）
成交量大＝换手多，持仓量掉＝仓位在成对离场。同一天两件事可以同时发生。
2021 年 4 月 18 日：成交额 290 亿美元，是前一天的 2.4 倍；持仓价值却从 21.2 亿掉到 15.9 亿，一天少了四分之一。
一天之内成交了 290 亿，而绳子上的人少了四分之一——这两件事一点也不矛盾：那 290 亿里有很大一部分是平仓的成交（一个多头和一个空头同时离场，成交量 +1，持仓量 −1）。
右边那张图是这两个数的比值：BTC 永续合约每天的成交额，是收盘持仓价值的好几倍——整条绳子上的人每天要被换掉好几遍。所以「今天成交量创新高」和「现在有多少杠杆挂在市场上」是完全不同的两个问题，后者只有持仓量能回答。
四、价格和持仓量的四种组合
教科书上有一张表，几乎每本讲期货的书里都有：
| 持仓量增加 | 持仓量减少 | |
|---|---|---|
| 价格上涨 | 新多进场，趋势健康 | 空头平仓推动，趋势可疑 |
| 价格下跌 | 新空进场，下跌健康 | 多头平仓，下跌接近尾声 |
这张表的左半边是对的：持仓量增加，确实意味着有新的一对人上场。问题在右半边的那些形容词——「健康」「可疑」「接近尾声」是预测，而上面那句话只是记账。
把它拿到数据上：
regime = V.regimes(close, oi_coins)
print(regime.value_counts().to_string())
rows = []
for label in sorted(regime.dropna().unique()):
mask = (regime == label).fillna(False)
starts = mask & ~mask.shift(1, fill_value=False) # 连着的算一段，只取段首
for horizon in [1, 5, 20]:
forward = close.shift(-horizon) / close - 1
picked, everyone = forward[starts].dropna(), forward.dropna()
boot = np.array([rng.choice(picked, len(picked)).mean() for _ in range(2000)])
rows.append({"组合": label, "之后": f"{horizon} 天", "段数": len(picked),
"平均": picked.mean(), "中位数": picked.median(), "胜率": (picked > 0).mean(),
"同期全样本平均": everyone.mean(),
"95% 区间": f"[{np.percentile(boot, 2.5):+.3f}, {np.percentile(boot, 97.5):+.3f}]"})
print()
print(pd.DataFrame(rows).round(4).to_string(index=False))
⚠️ 这里有一个必须处理的技术细节：相邻几天常常落在同一格里，它们的 20 天窗口几乎完全重叠，直接当成独立样本会把不确定性低估好几倍。所以连着的日子只取段首。
组合 之后 段数 平均 中位数 胜率 同期全样本平均 95% 区间
价涨 + 仓涨：新多进场 1 天 446 0.0007 -0.0006 0.4843 0.0015 [-0.002, +0.003]
价涨 + 仓涨：新多进场 5 天 444 0.0081 0.0024 0.5225 0.0074 [+0.002, +0.014]
价涨 + 仓涨：新多进场 20 天 442 0.0327 0.0073 0.5362 0.0293 [+0.019, +0.047]
价涨 + 仓跌：空头平仓 1 天 404 0.0011 0.0005 0.5124 0.0015 [-0.002, +0.004]
价涨 + 仓跌：空头平仓 5 天 404 0.0070 0.0009 0.5124 0.0074 [+0.000, +0.013]
价涨 + 仓跌：空头平仓 20 天 398 0.0273 0.0077 0.5251 0.0293 [+0.013, +0.042]
价跌 + 仓涨：新空进场 1 天 397 0.0008 0.0010 0.5264 0.0015 [-0.002, +0.004]
价跌 + 仓涨：新空进场 5 天 397 0.0058 0.0051 0.5592 0.0074 [-0.000, +0.012]
价跌 + 仓涨：新空进场 20 天 396 0.0277 0.0080 0.5455 0.0293 [+0.013, +0.042]
价跌 + 仓跌：多头平仓 1 天 444 0.0025 0.0015 0.5180 0.0015 [-0.000, +0.005]
价跌 + 仓跌：多头平仓 5 天 442 0.0097 0.0065 0.5588 0.0074 [+0.003, +0.016]
价跌 + 仓跌：多头平仓 20 天 439 0.0296 0.0108 0.5444 0.0293 [+0.016, +0.044]
四格之后 20 天的平均收益是 2.73% 到 3.27%，而同期全样本是 2.93%——四个 95% 区间全都把 2.93% 包在里面。换句话说：
知道今天落在哪一格，对预测后面 20 天没有任何帮助。
这不是说这张表是错的，而是说它被用错了。它是一句关于刚刚发生了什么的陈述（这根 K 线上动的主要是新开仓还是平仓），不是一句关于接下来会发生什么的预测。第 8 篇讲趋势、第 13 篇讲背离时遇到的是同一件事：描述过去的定义，不会自动变成预测未来的信号。
五、资金费率是一条分段函数
很多人把资金费率当成「市场情绪温度计」。它其实是一条写死的公式，而且我们能用公开数据把它算出来。
公式
Binance 的文档写得很清楚：
资金费率 = 平均溢价指数 + clamp(利率 − 平均溢价指数, −0.05%, +0.05%)
其中利率固定是每 8 小时 0.01%。这个 clamp 有一个非常重要的后果：
只要平均溢价落在 −0.04% 到 +0.06% 之间，括号里的东西就等于「利率 − 溢价」本身，加回去之后费率精确等于 0.01%。 溢价在这个区间里怎么动都不影响费率。
超出这个区间，费率才开始跟着溢价走：溢价高于 0.06% 时费率 = 溢价 − 0.05%，低于 −0.04% 时费率 = 溢价 + 0.05%。最后还有一个 ±0.3% 的上下限。
左边那张图就是把七千多次结算画出来：每一个点都落在那条分段折线上，中间那一段平台就是 clamp 造成的。
用公开数据重算一遍
光看公式不算懂。把 349 万根 1 分钟溢价指数拿来，自己算一遍，和官方的结算值对账：
recomputed = V.funding_from_premium(premium)
checked = pd.concat([funding.rename("官方结算"), recomputed.rename("用溢价指数重算")], axis=1).dropna()
error = (checked["用溢价指数重算"] - checked["官方结算"]).abs()
print(f"对上 {len(checked):,} 次结算：中位误差 {error.median():.2e}，90% 分位 {error.quantile(.9):.2e}，"
f"最大 {error.max():.2e}")
print(f"误差小于 1e-5（0.001 个百分点）的比例：{(error < 1e-5).mean():.1%}")
simple = premium.resample("8h", label="right", closed="right").mean()
simple.index = simple.index.round("h")
plain = simple + np.clip(V.INTEREST_RATE - simple, -V.CLAMP, V.CLAMP)
plain_error = (np.clip(plain, -V.CAP, V.CAP).reindex(checked.index) - checked["官方结算"]).abs()
print(f"改用简单平均（不按时间加权）：中位误差 {plain_error.median():.2e}，差了 "
f"{plain_error.median() / error.median():.1f} 倍")
对上 7,286 次结算：中位误差 1.37e-06，90% 分位 9.99e-06，最大 5.57e-04
误差小于 1e-5（0.001 个百分点）的比例：90.0%
改用简单平均（不按时间加权）：中位误差 5.73e-06，差了 4.2 倍
中位误差 1.37e-06——也就是 0.00014 个百分点；90% 的结算误差小于 1e-5。
有一个细节是对账逼出来的：「平均溢价指数」是时间加权的，越靠近结算时刻的那一分钟权重越大（线性递增）。用简单平均也能算个大概，但误差要大 4.2 倍。剩下那一点点误差是因为交易所采样比每分钟一次更密，我们只有 1 分钟的公开数据。
两个能直接验证的推论：
为什么 0.01% 出现得最多：
平均溢价落在 −0.04% 到 +0.06% 之间的比例：34.53%
官方费率恰好等于 0.01% 的比例： 34.11%
资金费率的上下限 ±0.3% = 第一档维持保证金率 0.4% × 0.75（第 24 篇）；实际触顶 2 次
- 平均溢价落在 clamp 区间里的比例是 34.53%，而官方费率恰好等于 0.01% 的比例是 34.11%——两个数几乎一样。三分之一的时间里，资金费率根本不含任何信息，它就是那个常数。
- 上下限 ±0.3% 正好是第一档维持保证金率 0.4% 的 0.75 倍（第 24 篇那张分层表）。整整七年只触顶过 2 次。
所以「资金费率是市场情绪」这句话要打个折：三分之一的时间它是常数，剩下的时间它是溢价指数的一个线性变换。 真正的原始数据是溢价指数，资金费率只是它的加工品。
六、溢价、指数、费率：三个数说的是同一件事
既然费率是溢价的变换，那么「永续比现货贵多少」这个数应该和费率高度一致。验证一下——顺便看看自己用最新成交价算的溢价和官方溢价指数差多少：
self_made = V.basis(perp["close"], spot["close"].reindex(perp.index))
premium_day = premium.resample("1D").mean()
three = pd.concat([self_made.rename("自己算的溢价"), premium_day.rename("官方溢价指数"),
daily_funding.rename("当日资金费")], axis=1).dropna()
print((three * 100).describe(percentiles=[.01, .5, .99]).round(4).to_string())
print("\n秩相关：")
print(three.rank().corr().round(3).to_string())
自己算的溢价 官方溢价指数 当日资金费
count 2427.0000 2427.0000 2427.0000
mean -0.0160 -0.0127 0.0324
std 0.0546 0.0542 0.0582
min -0.7365 -0.5138 -0.3815
1% -0.0846 -0.0615 -0.0365
50% -0.0383 -0.0406 0.0227
99% 0.1459 0.1550 0.3044
max 0.3109 0.2257 0.5119
秩相关：
自己算的溢价 官方溢价指数 当日资金费
自己算的溢价 1.000 0.803 0.750
官方溢价指数 0.803 1.000 0.954
当日资金费 0.750 0.954 1.000
- 官方溢价指数和当日资金费的秩相关是 0.954——基本是同一个数，正如公式所说。
- 自己用最新成交价算的溢价，和官方溢价指数只有 0.803。 差在哪里？官方用的是一篮子交易所的指数价格（不是 Binance 现货一家），而且用的是冲击价格（买一档和卖一档能吃掉多少量之后的价格），不是最新成交价。第 22 篇讲过同样的事：「价格」从来不是一个数。
这三个数不是三个独立的证据。 回到第一节那个决策点：「持仓量新高」和「资金费率年化 108%」看起来是两条独立的确认，其实费率那一条完全由溢价决定，而溢价和持仓量都是「多头挤」的不同侧面。选项 C 说对了一半。
七、极端资金费率之后
现在做这一篇最核心的检验：资金费率到了极端，之后会发生什么？
规则和第四节一样：连着的日子只取段首，避免重叠窗口；每组都给 bootstrap 的 95% 区间。
def event_starts(mask: pd.Series) -> pd.Series:
"""连着的日子算一段，只取段首：相邻的窗口重叠得太厉害，不能当成独立样本。"""
mask = mask.fillna(False)
return mask & ~mask.shift(1, fill_value=False)
rows = []
for quantile, side in [(0.99, "最高 1%"), (0.95, "最高 5%"), (0.05, "最低 5%"), (0.01, "最低 1%")]:
level = daily_funding.quantile(quantile)
mask = (daily_funding >= level) if quantile > 0.5 else (daily_funding <= level)
starts = event_starts(mask)
for horizon in [5, 20]:
forward = close.shift(-horizon) / close - 1
picked, everyone = forward[starts].dropna(), forward.dropna()
boot = np.array([rng.choice(picked, len(picked)).mean() for _ in range(2000)])
rows.append({"阈值": f"{side}（{level:.3%}/天）", "之后": f"{horizon} 天",
"天数": int(mask.sum()), "段数": len(picked), "平均": picked.mean(),
"中位数": picked.median(), "胜率": (picked > 0).mean(),
"同期全样本": everyone.mean(),
"95% 区间": f"[{np.percentile(boot, 2.5):+.3f}, {np.percentile(boot, 97.5):+.3f}]"})
print(pd.DataFrame(rows).round(4).to_string(index=False))
阈值 之后 天数 段数 平均 中位数 胜率 同期全样本 95% 区间
最高 1%（0.304%/天） 5 天 25 10 0.0275 -0.0167 0.5000 0.0074 [-0.046, +0.105]
最高 1%（0.304%/天） 20 天 25 10 0.0054 -0.0553 0.4000 0.0293 [-0.080, +0.102]
最高 5%（0.140%/天） 5 天 122 46 0.0138 0.0213 0.6087 0.0074 [-0.012, +0.039]
最高 5%（0.140%/天） 20 天 122 46 0.0258 0.0130 0.5435 0.0293 [-0.040, +0.096]
最低 5%（-0.011%/天） 5 天 122 67 0.0167 0.0154 0.6418 0.0074 [+0.002, +0.031]
最低 5%（-0.011%/天） 20 天 122 67 0.0639 0.0298 0.5970 0.0293 [+0.028, +0.098]
最低 1%（-0.037%/天） 5 天 25 15 0.0496 0.0440 0.6667 0.0074 [+0.013, +0.086]
最低 1%（-0.037%/天） 20 天 25 15 0.1525 0.1836 0.8000 0.0293 [+0.050, +0.260]
结果是明显不对称的：
高费率那一边：什么也没有。
- 最高 5%（每天 0.14% 以上，年化 51%）：46 段，之后 20 天平均 +2.6%，同期全样本 +2.9%——比平常还差一点，95% 区间 [−4.0%, +9.6%] 跨零。
- 最高 1%（每天 0.30% 以上，年化 111%）：只有 10 段，20 天平均 +0.5%，中位数 −5.5%，胜率 40%，区间 [−8.0%, +10.2%] 照样跨零。
所以「资金费率极高＝见顶」这句话，在 BTC 六年的数据上说不出统计意义。中位数是负的，方向对得上直觉，但 10 段样本撑不起任何结论。
负费率那一边：有东西。
- 最低 5%（费率为负，空头在给多头付钱）：67 段，之后 20 天平均 +6.4%，区间 [+2.8%, +9.8%]，不跨零。
- 最低 1%：15 段，20 天平均 +15.3%，中位数 +18.4%，胜率 80%。
这是不是只是「跌多了反弹」
负费率出现在什么时候？暴跌之后。那这个结果会不会只是均值回归？做一个对照组：跌幅相当、但资金费率正常的日子。
负费率是不是只是「跌多了反弹」：找出跌幅相当、但资金费率正常的日子做对照
负费率那些天之前 20 天的涨幅中位数 -5.5%，全样本 1.0%
之后 5 天：负费率 122 天平均 +3.50%；同样跌幅、费率正常 1818 天平均 +0.36%；差 +3.14%
之后 20 天：负费率 122 天平均 +9.63%；同样跌幅、费率正常 1810 天平均 +1.33%；差 +8.30%
对照组只有 +1.3%，负费率组 +9.6%，差 8.3 个百分点。 同样是跌了 5% 左右之后，费率转负的那些日子明显不一样。
会不会只是 2020–2021 的大牛市
再拆一次，按年：
size mean 全样本
年
2020 17 0.1457 0.1039
2021 9 0.1269 0.0276
2022 20 -0.0079 -0.0357
2023 1 0.2415 0.0537
2024 5 0.0605 0.0531
2025 3 0.0251 0.0002
2026 12 0.0165 -0.0151
每一年都比同年的全样本好，包括 2022 年那个熊年（−0.8% vs −3.6%）。2023 年只有 1 段，不用当真；2024 年只高出 0.7 个百分点；2025、2026 分别高出 2.5 和 3.2 个百分点。优势在缩小，但没有消失。
为什么会这样
机制上讲得通，而且和第 24 篇是同一条线：
资金费率为正是常态（86% 的结算），它只说明「想加杠杆做多的人比想做空的多」——这几乎永远成立，所以它高一点并不特殊。 资金费率为负很罕见，它意味着空头愿意倒贴钱。这只在一种情况下发生：一轮强制去杠杆刚刚结束，多头已经被清干净了，市场上剩下的杠杆全在空头那边。
换句话说，负费率不是「情绪看空」，而是「杠杆已经清完了」的一张收据。
⚠️ 还是要泼一盆冷水：67 段和 15 段的样本，而且这些段在时间上是成簇出现的（2020 年 3–4 月一簇、2021 年 5–7 月一簇、2022 年一簇）。bootstrap 区间假设段与段之间独立，而它们显然不完全独立。这个结论的可信度，比区间看上去的要低。
八、多空比：先搞清楚它统计的是什么
按**张数**算，多头持仓和空头持仓永远相等——一张合约一个多头一个空头。
所以交易所公布的三个比值统计的都不是「多空持仓量」，而是别的东西：
大户持仓多空比：大户账户里，净多头仓位之和 ÷ 净空头仓位之和
账户数多空比： 净多头的账户数 ÷ 净空头的账户数
主动买卖比： 主动买入成交量 ÷ 主动卖出成交量（这是流量，不是存量）
这一段值得慢读。绳子两头人数恒等，所以任何一个不等于 1 的「多空比」，统计的一定不是多空持仓量本身：
- 账户数多空比：数的是人头。100 个散户各拿 1 张多单、1 个机构拿 100 张空单，人头比就是 100:1，而持仓量是 1:1。
- 大户持仓多空比：只看大户账户，算他们净头寸的比。大户之外的仓位不在分母里。
- 主动买卖比：主动买入量 ÷ 主动卖出量，这是流量（这段时间成交了什么），不是存量。
检验一下，规则和前面一样——段首、bootstrap 区间，再加一个**控制住「之前涨跌了多少」**的对照组：
rows = []
for column in ["大户持仓多空比", "账户数多空比", "主动买卖比"]:
series = V.align(metrics[column], close.index)
for label, mask in [("最高十分位", series >= series.quantile(.9)),
("最低十分位", series <= series.quantile(.1))]:
starts = event_starts(mask)
forward = close.shift(-20) / close - 1
picked = forward[starts].dropna()
boot = np.array([rng.choice(picked, len(picked)).mean() for _ in range(2000)])
lower, upper = past[mask.fillna(False)].quantile(.1), past[mask.fillna(False)].quantile(.9)
control = (past >= lower) & (past <= upper) & ~mask.fillna(False) & series.notna()
rows.append({"指标": column, "有数据的天数": int(series.notna().sum()), "分组": label,
"段数": len(picked), "之前 20 天涨幅中位数": past[mask.fillna(False)].median(),
"之后 20 天平均": picked.mean(),
"95% 区间": f"[{np.percentile(boot, 2.5):+.3f}, {np.percentile(boot, 97.5):+.3f}]",
"同涨幅对照": forward[control].mean(),
"差": picked.mean() - forward[control].mean()})
print()
print(pd.DataFrame(rows).round(4).to_string(index=False))
指标 有数据的天数 分组 段数 之前 20 天涨幅中位数 之后 20 天平均 95% 区间 同涨幅对照 差
大户持仓多空比 1876 最高十分位 45 -0.0270 -0.0118 [-0.038, +0.015] 0.0334 -0.0452
大户持仓多空比 1876 最低十分位 46 0.0195 0.1156 [+0.056, +0.178] 0.0211 0.0945
账户数多空比 2172 最高十分位 81 -0.0532 -0.0182 [-0.055, +0.021] 0.0273 -0.0455
账户数多空比 2172 最低十分位 64 0.1085 0.0336 [+0.005, +0.063] 0.0304 0.0032
主动买卖比 2063 最高十分位 177 0.0176 0.0504 [+0.027, +0.071] 0.0252 0.0253
主动买卖比 2063 最低十分位 185 0.0093 0.0432 [+0.022, +0.065] 0.0251 0.0181
一格一格看：
- 账户数多空比：最低十分位之后 20 天 +3.4%，看起来不错——但同涨跌幅的对照组是 +3.0%，差只有 0.3 个百分点。这个指标的「预测力」，全部来自「它跟着价格动」。
- 主动买卖比：最高和最低十分位之后都是 +4% 到 +5%，两头一样。它标记的是「成交激烈」，不是方向。
- 大户持仓多空比：最高十分位之后 20 天 −1.2%（区间跨零），最低十分位 +11.6%，区间 [+5.6%, +17.8%]，对照组只有 +2.1%，差 9.5 个百分点。这一格还站着。
但这一格有一个必须说的问题：
大户持仓多空比缺得最多，按年：{2021: 401, 2022: 91616, 2023: 1, 2024: 11, 2025: 3}——**2022 年（唯一的熊年）缺了大半**
大户持仓多空比在 2022 年缺了 91,616 条——那是这六年里唯一的熊市年。 一个只在牛市和震荡市上检验过的「看空指标」，可信度要打折。
顺便验证一下第六节那个担心：「大户净空」和「负费率」是不是同一件事？
资金费率最低 5% 大户持仓多空比最低 10%
资金费率最低 5% 0.050 0.115
大户持仓多空比最低 10% 0.115 0.077
同时成立 32 天；只有费率 90 天；只有多空比 156 天——重合度很低，是两件事
Jaccard 只有 0.115，同时成立的只有 32 天。两件事，不是一件事——这让两个结果互相独立，也让它们各自的样本更单薄。
九、去杠杆：被迫交易者留下的痕迹
Binance 从 2024 年起不再公开强平明细（liquidationSnapshot 目录是空的）。但强平一定会留下痕迹：一串仓位被强制平掉，持仓量必然掉，而且掉得比正常平仓快得多。
所以用持仓量的骤降做代理：12 小时内持仓价值掉 5% 以上。
hourly = B.resample_ohlcv(minute, "1h")
oi_hourly = V.align(metrics["持仓价值"], hourly.index)
events = V.deleveraging(oi_hourly, window=12, threshold=0.05)
print(f"持仓量在 12 小时内掉 5% 以上：{int(events.sum())} 次，按年 "
f"{events[events].index.year.value_counts().sort_index().to_dict()}")
hourly_return = hourly["close"].pct_change()
print(f"事件那一小时的涨跌：中位数 {hourly_return[events].median():+.2%}（全样本 {hourly_return.median():+.2%}）")
print(f"事件前 24 小时的涨跌：中位数 {(hourly['close'] / hourly['close'].shift(24) - 1)[events].median():+.2%}")
rows = []
for horizon in [1, 6, 24, 24 * 7]:
forward = hourly["close"].shift(-horizon) / hourly["close"] - 1
picked, everyone = forward[events].dropna(), forward.dropna()
boot = np.array([rng.choice(picked, len(picked)).mean() for _ in range(2000)])
rows.append({"之后": f"{horizon} 小时", "次数": len(picked), "平均": picked.mean(),
"中位数": picked.median(), "胜率": (picked > 0).mean(), "同期全样本": everyone.mean(),
"95% 区间": f"[{np.percentile(boot, 2.5):+.4f}, {np.percentile(boot, 97.5):+.4f}]"})
print(pd.DataFrame(rows).round(4).to_string(index=False))
持仓量在 12 小时内掉 5% 以上：916 次，按年 {2020: 81, 2021: 285, 2022: 193, 2023: 119, 2024: 114, 2025: 81, 2026: 43}
事件那一小时的涨跌：中位数 -0.63%（全样本 +0.01%）
事件前 24 小时的涨跌：中位数 -0.83%
之后 次数 平均 中位数 胜率 同期全样本 95% 区间
1 小时 916 -0.0001 0.0006 0.5469 0.0001 [-0.0007, +0.0006]
6 小时 916 0.0004 0.0011 0.5360 0.0004 [-0.0009, +0.0017]
24 小时 916 0.0025 0.0029 0.5688 0.0015 [+0.0001, +0.0050]
168 小时 915 0.0198 0.0134 0.5738 0.0104 [+0.0136, +0.0260]
左边那张图是 916 次事件前后的中位路径，形状很典型：
- 事件前 10 小时左右，持仓量还在往上堆（中位 +4.5%），价格也在涨（+1.4%）。
- 然后 10 小时之内，持仓量塌掉。 事件那一小时价格中位数 −0.63%（全样本 +0.01%）。
- 事件之后，持仓量在原地趴着不动，价格慢慢往回爬。
之后的收益：24 小时 +0.25%（全样本 +0.15%），7 天 +1.98%（全样本 +1.04%），两个区间都不跨零，但幅度都很小——大约是把平常的收益翻个倍，不是什么大机会。而且 916 次事件同样是成簇的（2021 年 285 次，2026 年 43 次）。
这一节真正的价值不在那点收益，而在于：第 2 篇说「被迫交易者集中的地方更可能出现可预期的价格行为」，这是这门课第一次能把被迫交易者直接数出来。
十、动手：talab.derivs
新模块。它不生产信号，只把交易所公布的几个数摆正。
对齐
def align(series: pd.Series, index: pd.DatetimeIndex, how: str = "last") -> pd.Series:
"""把细粒度的序列（比如 5 分钟一条的持仓量）对齐到 K 线的索引上。
默认取每根 K 线**区间内最后一个**值：持仓量是存量，K 线收盘那一刻的存量才和收盘价配对。
`how="mean"` 取区间平均，用在流量型的数据上。
⚠️ 只用区间内的数据，不往后借（那是前视偏差，第 7 篇）。
"""
if how not in ("last", "mean", "max", "min"):
raise ValueError(f"how 只能是 last / mean / max / min，收到 {how!r}")
bucket = pd.cut(series.index, bins=index.append(index[-1:] + (index[1] - index[0])),
right=False, labels=index)
out = series.groupby(bucket, observed=False).agg(how)
out.index = index
return out
⚠️ 持仓量是存量，取每根 K 线区间内的最后一个值才和收盘价配对；而且只能用区间内的数据，往后借一条就是前视偏差（第 7 篇）。
资金费率
def funding_from_premium(premium: pd.Series, interval: str = "8h",
interest_rate: float = INTEREST_RATE, clamp: float = CLAMP,
cap: float = CAP) -> pd.Series:
"""用 1 分钟的溢价指数重算资金费率，交易所的公式是：
> 资金费率 = 平均溢价指数 + clamp(利率 − 平均溢价指数, −0.05%, +0.05%)
所以**只要平均溢价落在 −0.04% 到 +0.06% 之间，费率就精确等于利率 0.01%**——
这就是为什么 0.01% 是出现最多的那个值。超出这个范围，费率才跟着溢价走。
最后再用 ±0.3% 的上下限夹一次（这个上下限是第一档维持保证金率的 0.75 倍，第 24 篇）。
「平均溢价指数」是**时间加权**的：越靠近结算时刻的那一分钟，权重越大（线性递增）。
用简单平均也能算个大概，但和官方结算值的误差会大四倍。
"""
def weighted(values: np.ndarray) -> float:
w = np.arange(1, len(values) + 1)
return float(np.dot(values, w) / w.sum())
average = premium.resample(interval, label="right", closed="right").apply(
lambda x: weighted(x.to_numpy()) if len(x) else np.nan)
average.index = average.index.round("h")
rate = average + np.clip(interest_rate - average, -clamp, clamp)
return np.clip(rate, -cap, cap).rename("funding")
def annualize(funding: pd.Series, hours: float = 8.0) -> pd.Series:
"""把「每 8 小时」的费率折成年化，方便和借券费、利率放在一起看。
用的是单利（× 一年结算多少次），不是复利：资金费按名义价值收，不会自动滚进本金。
"""
return funding * (365 * 24 / hours)
def basis(perp: pd.Series, spot: pd.Series) -> pd.Series:
"""永续合约相对现货的溢价（正数＝合约比现货贵）。两边先按时间对齐。"""
joined = pd.concat([perp.rename("perp"), spot.rename("spot")], axis=1).dropna()
return (joined["perp"] / joined["spot"] - 1).rename("basis")
四种组合和去杠杆
REGIMES = {(True, True): "价涨 + 仓涨：新多进场",
(True, False): "价涨 + 仓跌：空头平仓",
(False, True): "价跌 + 仓涨：新空进场",
(False, False): "价跌 + 仓跌：多头平仓"}
def regimes(close: pd.Series, open_interest: pd.Series) -> pd.Series:
"""价格和持仓量的四种组合，教科书上的那张表。
背后的算术只有一句话：**持仓量要涨，必须同时有一个新的多头和一个新的空头**；
要跌，必须有一对老仓位同时离场。所以这四格说的是「这根 K 线上，
动的主要是新开的仓还是平掉的仓」。
⚠️ 这只是记账恒等式给出的一种读法，不是预测。第 25 篇把四格之后的收益都统计了一遍。
"""
price_up = close.diff() > 0
oi_up = open_interest.reindex(close.index).diff() > 0
valid = close.diff().notna() & open_interest.reindex(close.index).diff().notna()
labels = [REGIMES[(bool(p), bool(o))] for p, o in zip(price_up, oi_up)]
return pd.Series(labels, index=close.index).where(valid).rename("组合")
def deleveraging(open_interest: pd.Series, window: int = 12, threshold: float = 0.05) -> pd.Series:
"""去杠杆事件：持仓量在 `window` 根之内掉了 `threshold` 以上。
Binance 从 2024 年起不再公开强平明细，所以这里用持仓量的骤降做代理：
**一串仓位被强制平掉，持仓量一定会掉**，而且掉得比正常平仓快得多。
返回的是布尔序列，True 表示这一根是事件发生的那一根（事件连成一片时只标第一根）。
"""
drop = open_interest / open_interest.rolling(window).max() - 1
hit = (drop <= -threshold).fillna(False)
return (hit & ~hit.shift(1, fill_value=False)).rename("去杠杆")
下载与体检
talab.data 这一篇加了 download_binance_metrics（两千多个日文件，并发下载并校验）和 load_binance_metrics。数据有三个坑，全都是加载时就要处理的：
三个数据坑：
1. 持仓量为 0 的坏行 473 条，集中在 ['2021-05-22', '2022-03-07', '2022-03-08', '2023-06-06', '2023-08-09', '2023-11-11']
2. 缺失：{'持仓量': 0, '持仓价值': 0, '大户账户数多空比': 92063, '大户持仓多空比': 92032, '账户数多空比': 5754, '主动买卖比': 37154}
大户持仓多空比缺得最多，按年：{2021: 401, 2022: 91616, 2023: 1, 2024: 11, 2025: 3}——**2022 年（唯一的熊年）缺了大半**
3. 官方文件里每一行都写了两遍，`load_binance_metrics` 里已经去重
最后那一条最阴险：官方文件里每一行都写了两遍，不去重的话所有按条数的统计都会翻倍。
def load_binance_metrics(paths) -> pd.DataFrame:
"""把一组持仓量文件读成一张表，索引是 UTC 时间（5 分钟一条）。
列：持仓量（币）、持仓价值（USDT）、大户账户数多空比、大户持仓量多空比、
全部账户数多空比、主动买卖量比。
"""
paths = sorted(Path(p) for p in paths)
if not paths:
raise ValueError("没有找到任何持仓量文件，检查一下路径")
frames = []
for path in paths:
with zipfile.ZipFile(path) as z:
frames.append(pd.read_csv(z.open(z.namelist()[0])))
df = pd.concat(frames, ignore_index=True)
df.index = pd.to_datetime(df.pop("create_time"), format="%Y-%m-%d %H:%M:%S", utc=True)
df.index.name = "time"
df = df.drop(columns=["symbol"]).astype(float).sort_index()
df.columns = ["持仓量", "持仓价值", "大户账户数多空比", "大户持仓多空比", "账户数多空比", "主动买卖比"]
return df[~df.index.duplicated()] # ⚠️ 官方文件里每一行都重复了一遍
测试
10 个，全部手算。最关键的两个是资金费率公式的两段：
def test_funding_equals_the_interest_rate_inside_the_clamp():
"""平均溢价落在 −0.04% 到 +0.06% 之间时，费率精确等于 0.01%。"""
for level in [-0.0004, 0.0, 0.0003, 0.0006]:
rate = V.funding_from_premium(minutes([level] * 480))
assert rate.iloc[0] == pytest.approx(V.INTEREST_RATE)
def test_funding_weights_the_later_minutes_more():
"""前一半 0、后一半 0.2% 的溢价，时间加权的结果要比简单平均（0.1%）更靠近后一半。"""
premium = minutes([0.0] * 240 + [0.002] * 240)
weighted = V.funding_from_premium(premium).iloc[0] + V.CLAMP # 反解出加权平均
assert weighted > 0.001
assert weighted == pytest.approx(0.002 * (sum(range(241, 481)) / sum(range(1, 481))))
227 passed in 0.81s
195 passed, 32 skipped in 0.90s
十一、揭晓
2021 年 4 月 13 日之后：
2021-04-14 00:00:00+00:00 63019.10 -0.010 22.998 -0.060 0.304
2021-04-15 00:00:00+00:00 63232.55 0.003 22.874 -0.005 0.269
2021-04-16 00:00:00+00:00 61424.67 -0.029 21.421 -0.064 0.345
2021-04-17 00:00:00+00:00 60090.14 -0.022 21.209 -0.010 0.196
2021-04-18 00:00:00+00:00 56140.05 -0.066 15.903 -0.250 0.150
2021-04-19 00:00:00+00:00 55634.39 -0.009 15.099 -0.051 0.030
2021-04-20 00:00:00+00:00 56410.56 0.014 15.892 0.053 0.030
2021-04-21 00:00:00+00:00 53800.00 -0.046 15.395 -0.031 0.030
2021-04-22 00:00:00+00:00 51714.61 -0.039 16.216 0.053 0.030
2021-04-23 00:00:00+00:00 51122.62 -0.011 16.441 0.014 0.068
2021-04-24 00:00:00+00:00 50092.40 -0.020 16.731 0.018 0.054
2021-04-25 00:00:00+00:00 49063.94 -0.021 16.019 -0.043 0.070
从 2021-04-13 收盘 63,649.71 算起：
5 天后（2021-04-18）：56,140.05，-11.8%
12 天后（2021-04-25）：49,063.94，-22.9%
20 天后（2021-05-03）：57,214.83，-10.1%
到 2021 年 7 月的最低点 2021-07-20：29,775.90，-53.2%
持仓价值最大的单日降幅：-25.0%（2021-04-18，从 21.2 亿到 15.9 亿）
从 4 月 13 日的高点 24.5 亿，到 4 月 19 日的低点 15.1 亿，六天少了 38%
资金费率在 2021-04-19 掉到 0.030%/天（折年化 11.0%），也就是 0.01% 的地板
- 5 天后 −11.8%，12 天后 −22.9%，到 7 月 20 日的最低点 −53.2%。
- 4 月 18 日一天，持仓价值掉了 25%（21.2 亿 → 15.9 亿）；从 4 月 13 日的 24.5 亿到 4 月 19 日的 15.1 亿，六天少了 38%——绳子上快四成的人被拖走了。
- 资金费率在 4 月 19 日回到 0.01% 的地板，折年化从 108% 掉到 11%。雇佣费一夜之间变成零头。
所以这一次，选 B 的人赢了。
但第七节说得很清楚：这一次不代表一般情况。 同样「资金费率最高 1%」的情形在这六年里出现过 10 段，之后 20 天的平均收益是 +0.5%，95% 区间 [−8.0%, +10.2%]。2021 年 4 月这一段，是那 10 段里最难看的一段，不是典型的一段。
一笔交易证明不了任何事——这句话第 23 篇说过一次，这里再说一次，因为这一次的故事实在太好讲了。
十二、能不能拿来用
最后试一下最直接的用法：把资金费率当成第 21 篇那个一直空着的环境过滤格子。
spot_funding = daily_funding.reindex(spot.index)
mainline = R.Rule(entry=entries(spot), exit=deaths(spot), fill="next_open",
stop="chandelier", k=3.0, trigger="close")
rows = []
for label, environment in [("v3 原样（不过滤）", None),
("资金费率高于 95% 分位时不开新仓", (spot_funding < spot_funding.quantile(.95)).fillna(True)),
("资金费率高于 90% 分位时不开新仓", (spot_funding < spot_funding.quantile(.90)).fillna(True)),
("资金费率为负时不开新仓", (spot_funding >= 0).fillna(True))]:
returns, held, trades = R.run(spot, R.Rule(**(mainline.__dict__ | {"environment": environment})))
equity = (1 + returns).cumprod()
rows.append({"环境过滤": label, "交易数": len(trades), "年化": equity.iloc[-1] ** (365 / len(returns)) - 1,
"最大回撤": (equity / equity.cummax() - 1).min(), "在场时间": (held > 0).mean()})
print(pd.DataFrame(rows).round(4).to_string(index=False))
环境过滤 交易数 年化 最大回撤 在场时间
v3 原样（不过滤） 30 0.1855 -0.4769 0.2376
资金费率高于 95% 分位时不开新仓 23 0.1513 -0.3417 0.2023
资金费率高于 90% 分位时不开新仓 22 0.1579 -0.3334 0.1984
资金费率为负时不开新仓 25 0.1535 -0.4769 0.2187
⚠️ 资金费率从 2020-01 起才有，现货日线从 2017-08 起：2020 年之前的日子过滤不生效（默认放行）
- 年化从 18.6% 掉到 15.1%–15.8%
- 最大回撤从 −47.7% 改善到 −33.3%
- 交易数从 30 掉到 22–25
主线 v3 不改，三个理由：
- 样本太小。 30 笔交易砍成 22 笔，这个差别在第 21 篇的 bootstrap 区间里根本分不出来。
- 机制上说不通。 第七节的统计说的正是「高费率之后没有信息」。既然如此，拿它当入场过滤就是在拟合这几笔交易，不是在用一个已知的机制（第 20、21、23 篇都是按这个标准做的选择）。
- 它砍掉的不只是回撤，也是收益。 回撤改善来自少做了几笔，而那几笔里既有坏的也有好的。
倒是有一个用法说得通，不过它不属于这一篇：如果你持有的是杠杆多单，资金费率就是你的持仓成本（第 24 篇量过：年化中位数 8.4%，2021 年 30.6%）。那不是信号问题，是成本问题——第 29 篇算成本时会用到。
十三、小检查
- 今天成交量创了历史新高，持仓量却掉了 10%。这一天市场上发生了什么？
- 资金费率连续三天都是 0.01%。这说明市场情绪中性吗？
- 「大户持仓多空比 = 2.5，说明大户重仓做多」——这句话里的「多空」指的是什么的比？绳子两头的持仓量不是永远相等吗？
- 你发现「账户数多空比最低十分位之后 20 天平均涨 3.4%」，打算照着做。还差哪一步检验？
- 为什么第七节要把连着的日子合并成「段」，只取第一天？
十四、常见误用
1. 把持仓量当成成交量的另一种写法。 成交量是流量（这段时间换了多少手），持仓量是存量（现在还有多少对人在场）。BTC 永续每天的成交额是持仓价值的好几倍，两个数可以朝相反方向走——4 月 18 日就是。
2. 用「价格 × 持仓量」的四象限做预测。 那张表是记账，不是预测。四格之后 20 天的收益在 2.73% 到 3.27% 之间，全样本 2.93%，区间全都覆盖它。
3. 把资金费率当成连续的情绪读数。 三分之一的时间它精确等于 0.01%，因为 clamp 把它压平了。在这个区间里，费率从 0.01% 变到 0.01% 不代表任何情绪变化——它根本没有在动。
4. 「资金费率高 = 要见顶」。 资金费率 86% 的时间是正的，高一点是常态。最高 1% 的 10 段之后，95% 区间是 [−8%, +10%]。反过来，负费率那一边倒是有东西——注意方向反了。
5. 把多空比当成持仓量的多空比。 按张数永远是 1:1。交易所公布的是人头比、大户净头寸比、主动成交比，三个统计的是三件不同的事，而且只有一个在控制住「之前涨跌幅」之后还剩点东西。
6. 忘了检查这个指标有没有数据。 大户持仓多空比在 2022 年缺了大半——恰好是唯一的熊年。一个只在牛市上检验过的指标，别拿它去防熊市。
7. 把重叠窗口当成独立样本。 122 个「负费率日」里，相邻日子的 20 天窗口重叠 95% 以上。不合并成段，bootstrap 区间会窄得离谱，什么都显著。
十五、小结
- 每一张合约都有一个多头和一个空头，所以按张数算的多空持仓量永远相等。持仓量是「有多少对人在场」，不是「有多少人看多」。
- 持仓量要增加，必须同时来一个新多和一个新空。 成交量是换手，不改变持仓量——4 月 18 日成交额翻倍而持仓量掉了 25%。
- 教科书上「价格 × 持仓量」的四象限没有预测力：四格之后 20 天的平均收益都在全样本（+2.93%）的 95% 区间里。
- 资金费率 = 平均溢价指数 + clamp(0.01% − 溢价, ±0.05%)，上下限 ±0.3%（＝第一档维持保证金率的 0.75 倍）。用 1 分钟溢价指数重算 7,286 次结算，中位误差 1.37e-06，90% 小于 1e-5。
- 「平均溢价指数」是时间加权的，越靠近结算时刻权重越大；改用简单平均，误差大 4.2 倍。
- 三分之一的时间资金费率精确等于 0.01%（溢价落在 clamp 区间里的比例 34.53%，官方费率恰好 0.01% 的比例 34.11%）。
- 溢价指数和资金费率的秩相关是 0.954，它们是同一件事；自己用最新成交价算的溢价只有 0.803，因为官方用的是一篮子指数价格和冲击价格。
- 资金费率极高之后没有信息：最高 5% 之后 20 天 +2.6%（全样本 +2.9%），最高 1% 只有 10 段、区间 [−8%, +10%]。
- 资金费率转负之后有信息：最低 5% 的 67 段之后 20 天 +6.4%，区间 [+2.8%, +9.8%]；和「同样跌幅但费率正常」的对照组比高 8.3 个百分点；按年拆开每一年都好于同年全样本。机制是「杠杆已经被清完了」，不是「情绪看空」。
- 三个多空比里，两个在控制住前期涨跌幅之后就没了；只有大户持仓多空比的最低十分位还剩 9.5 个百分点，但它在 2022 年缺了大半数据。
- 持仓量骤降是强平的痕迹：12 小时内掉 5% 以上，六年 916 次；事件前持仓量还在堆、价格还在涨，事件后价格慢慢爬回来，7 天 +1.98%（全样本 +1.04%）。
- 主线 v3 不改：把资金费率当环境过滤会让年化掉 3 个百分点、回撤改善 14 个百分点，但样本太小、机制说不通。资金费率对交易者真正确定的用处是成本，不是信号。
练习
- 换个标的：把第七节的检验搬到 ETHUSDT 上（
25_download.py里换个 symbol）。负费率那一边的结论还在吗？两个币的负费率日重合度有多高？ - 换个尺度：第七节用的是「当天三次结算合计」。改成按单次结算（8 小时）做事件研究，之后 24 小时、72 小时的收益怎样？
- 溢价的日内节奏：1 分钟溢价指数在一天之内有没有规律（比如结算前后）？用第 20 篇的
sessions.profile按 UTC 小时画一遍。 - 持仓量的相对水平：第四节用的是「今天比昨天涨还是跌」。改成「持仓量相对过去 30 天的分位」，四象限的结论会变吗？
- 去杠杆的阈值：把第九节的 5%/12 小时换成 3%/6 小时和 10%/24 小时，事件数和之后的收益怎么变？有没有一个阈值让信号明显变强？（小心：你正在做第 30 篇要讲的数据窥探。）
- 把成本算进去：第十二节说资金费率的真正用处是成本。给第 23 篇的
risk.run加一个资金费参数，用实际费率重算主线 v3 在永续合约上的收益，年化差多少？ - 自己造一个溢价指数：用 Binance 现货和永续的 1 分钟最新价算溢价，和官方溢价指数比。差距主要出现在什么时候？（提示：看第 20 篇的薄流动性时段。）
小检查答案
- 大量的平仓成交。 一个多头和一个空头同时离场，成交量 +1、持仓量 −1。成交量创新高说明换手激烈，持仓量掉 10% 说明净效果是仓位在离场——典型的去杠杆（第九节）。
- 不能这么说。 0.01% 是 clamp 造成的平台：只要平均溢价落在 −0.04% 到 +0.06% 之间，费率就精确等于 0.01%。这三天的溢价可能从 −0.03% 走到 +0.05%，费率一动不动。费率没变不等于溢价没变。
- 它是大户账户的净多头仓位之和 ÷ 净空头仓位之和，分母只包含大户。绳子两头的总持仓量确实永远相等，但那是把所有人加在一起；只看其中一群人，比值可以是任何数——剩下的差额由不在统计里的那群人承担。
- 至少还差两步：（a）把连着的日子合并成段，否则重叠窗口会让区间窄得离谱；（b）做一个「之前涨跌幅相当但指标正常」的对照组。第八节做完这两步之后，这个指标的优势从 +3.4% 掉到 +0.3 个百分点。
- 因为相邻日子的 20 天窗口几乎完全重叠，它们不是独立样本。122 个负费率日合并之后只有 67 段；不合并的话，bootstrap 会把 122 个高度相关的观测当成 122 个独立观测，区间宽度大约会缩到真实值的一半以下，几乎什么都会「显著」。