← 返回文章列表
May 18, 2025
5 分鐘閱讀

“意願訂單簿”概念:市場行為預測的創新方法

“意願訂單簿”概念:市場行為預測的創新方法
#Desire Orderbook
#market
#prediction
#trading
#DEX
#machine learning
#finance

“意願訂單簿”代表了市場結構分析中的一個革命性概念,它基於預測市場參與者在實際執行訂單之前的潛在行為。與反映當前買賣訂單的標準訂單簿不同,“意願訂單簿”建立在對交易者未來意圖的假設之上。

意願訂單簿概念 意願訂單簿概念:潛在未來訂單的抽象漸變光影凝聚成堅實的市場流動性結構。

概念的理論基礎

“意願訂單簿”概念基於這樣一個假設:大多數交易者都有一個內部的目標頭寸實現模型,而這個模型通常不會反映在當前的市場訂單中。該模型假定交易者:

  • 建倉時有特定的退出計劃
  • 根據市場情況制定靈活的實現策略
  • 在心理上傾向於某些價格水平(整數位、入場位、盈虧平衡點)
  • 傾向於通過一系列較小的訂單來分散大額頭寸的實現

訂單建模的梯度方法

該概念的關鍵創新在於將每個潛在訂單不視為一個點事件,而是一個機率梯度或“階梯”:

P(卖出|价格, 交易者) = f(价格, 入场价, 头寸大小, 市场状况, 交易者历史)

其中:

  • P(賣出|價格, 交易者) - 交易者在特定價格下達賣出訂單的機率
  • f - 一個考慮多種因素的複雜函數

訂單建模梯度 機率梯度:當價格接近交易者心理關口時,訂單執行的可能性逐漸增加的視覺化曲線。

構建意願訂單簿的方法論

1. 交易者畫像

第一步是根據交易者的歷史行為建立使用者畫像:

  • 策略畫像:傾向於短期或長期交易
  • 風險畫像:虧損容忍度和止盈點
  • 行為畫像:對市場變動和新聞的反應
  • 時間畫像:偏好的活躍時間

2. 分析持倉頭寸

對於DEX中每個已識別的交易者,分析以下內容:

  • 當前持倉頭寸(大小、入場價)
  • 平掉相似頭寸的歷史模式
  • 平均持倉週期

3. 構建機率梯度

為每個持倉頭寸構建一個實現機率梯度:

实现梯度 = {(价格₁, 概率₁), (价格₂, 概率₂), ... (价格ₙ, 概率ₙ)}

這個梯度反映的不僅僅是一個單一訂單,而是在不同價格水平下達訂單的機率分佈。例如:

  • 持有多頭頭寸的交易者可能在入場價上漲+10%、+20%、+50%的水平有較高的賣出機率
  • 持有空頭頭寸的交易者可能在達到某些支撐位時有較高的平倉機率

4. 將梯度聚合成單一意願訂單簿

最後一步是疊加數千個單獨的梯度,以建立單一的“意願訂單簿”:

意愿订单簿(价格) = ∑ᵢ 交易者ᵢ的实现梯度(价格)

在視覺上,這可以表示為在不同價格水平上潛在供需的熱力圖。

在DEX環境中的應用

由於以下原因,去中心化交易所為實現“意願訂單簿”概念提供了獨特的機會:

  1. 完全的交易透明度 - 能夠追蹤每個地址的歷史模式
  2. 記錄的不可篡改性 - 歷史資料無法刪除或修改
  3. 通過交易圖分析識別關聯地址的能力

實際使用示例

讓我們考慮一個使用“意願訂單簿”的具體場景:

  1. 識別代幣X的前1000名最大持有者
  2. 分析類似市場事件後歷史上的賣出模式
  3. 為每個持有者構建賣出機率梯度
  4. 聚合成單一的“意願訂單簿”
  5. 識別在特定價格水平上潛在的賣盤或買盤“牆”

相較於傳統訂單簿的優勢

“意願訂單簿”具有幾個顯著優勢:

  1. 預測價值 - 在潛在訂單實際下達前顯示它們
  2. 揭示隱藏的供需水平 - 識別可能出現顯著壓力的水平
  3. 戰略規劃 - 允許交易者考慮到其他參與者的可能行為來最佳化其入場和出場點
  4. 操縱檢測 - “意願訂單簿”中的異常模式可能表明存在協同操縱行為

用於構建梯度的機器學習模型

為了有效構建單個梯度,可以使用多層機器學習模型:

第1層:交易者型別分類

  • 輸入資料:歷史交易、頭寸大小、持倉時間
  • 輸出資料:交易者類別(投機者、投資者、做市商等)

第2層:實現機率預測

  • 輸入資料:交易者型別、當前頭寸、市場狀況
  • 輸出資料:針對不同價格水平的機率分佈

第3層:時間分析

  • 輸入資料:實現機率、時間活動模式
  • 輸出資料:按時間和價格的機率分佈

技術挑戰與解決方案

“意願訂單簿”的實施伴隨著幾個技術挑戰:

  1. 計算複雜性 - 疊加數千個梯度需要大量的計算資源

    • 解決方案:使用分散式計算、最佳化的聚合演算法
  2. 使用者隱私 - 詳細的行為分析可能會引發隱私擔憂

    • 解決方案:資料匿名化、在使用者群組級別進行聚合
  3. 動態更新 - 市場狀況和交易者意圖變化迅速

    • 解決方案:即時增量模型更新

意願訂單簿的視覺化

“意願訂單簿”的視覺化可以採取多種形式:

  1. 熱力圖 - 顏色強度反映在給定價格水平出現訂單的機率
  2. 成交量分佈圖 - 三維表示,其中第三維是機率
  3. 梯度帶 - 顯示平滑機率變化的連續梯度

意願訂單簿熱力圖 市場流動性熱力圖:紅色區域表示根據預測模型形成巨大賣盤(牆)的高機率區。

結論

“意願訂單簿”概念代表了一種革命性的市場結構分析方法,尤其在去中心化金融的背景下。從確定性訂單簿向量機率訂單簿的轉變,使得對潛在市場動態的理解得以大幅擴充。

通過將訂單表示為機率梯度而非點事件,該模型更準確地反映了真實的交易者行為,他們通常會將買入或賣出決策分佈在不同的價格水平上。數千個此類梯度的疊加建立了一個潛在市場活動的多維地圖,揭示了隱藏的支撐和阻力水平。

在一個數據正成為新石油的時代,“意願訂單簿”概念代表了一種從現有區塊鏈資料中提取有價值見解的創新方式,有潛力徹底改變市場分析和交易策略的方法。

引文

@software{soloviov2025desireorderbook,
  author = {Soloviov, Eugen},
  title = {"意愿订单簿"概念:市场行为预测的创新方法},
  year = {2025},
  url = {https://marketmaker.cc/zh/blog/post/desire-orderbook},
  version = {0.1.0},
  description = "意愿订单簿——一种革命性的市场结构分析概念,基于预测市场参与者在实际执行前的潜在行为。"
}
免責宣告:本文提供的資訊僅用於教育和參考目的,不構成財務、投資或交易建議。加密貨幣交易涉及重大損失風險。

Authors

Eugen Soloviov
Eugen Soloviov

Trading-systems engineer

Trading-systems engineer building bots since 2017: cross-exchange arbitrage (connected up to 30 venues), cointegration-based pairs arbitrage across spot and futures, scalping, news and sentiment-driven strategies, trend algorithms, and portfolio management and balancing algorithms. Also builds sub-millisecond order execution, big-data warehouses, backtesting engines, AI agents, and trading interfaces (incl. open-source profitmaker.cc). Stack: JS/TS, Python, Rust/Zig/Go, DevOps, backend, frontend, architecture.

Newsletter

緊跟市場步伐

訂閱我們的時事通訊,獲取獨家 AI 交易見解、市場分析和平台更新。

我們尊重您的隱私。您可以隨時退訂。