交易者的數字指紋：如何通過訂單簿行為識別做市商

交易演算法的行為指紋：獨特的timing、sizing和placement模式

每個演算法都會留下獨特的指紋。學會解讀它——你就能知道交易對手方是誰。

引言：訂單簿即犯罪現場

當法醫鑑識人員到達現場時，他們會尋找指紋、鞋印、DNA——一切能將事件與特定個人關聯起來的線索。訂單簿就是這樣一個場所，每秒鐘數百名參與者在此留下自己的"指紋"：特定大小、特定頻率、距價格特定距離、特定存活時間的訂單。

在中心化交易所（CEX）上，這些指紋是匿名的——你只能看到每個價格層級的彙總委託量。但即使從彙總資料中也能瞭解很多。而在擁有鏈上訂單簿的DEX交易所——如Hyperliquid——每筆訂單都繫結到特定的錢包地址，"指紋"變成了個人專屬的。

在本文中，我們將探討如何構建"數字指紋"（behavioral fingerprints）系統，用於識別參與者型別和具體的做市商演算法。

第一部分：什麼是行為指紋

雷達圖：交易者行為指紋的五個關鍵維度

每個演算法都是一套規則

做市商機器人是一個按照嚴格（或可學習的）規則做出決策的程式：

• 距mid-price多遠掛單？ 每個MM都有自己的"價差配置"。
• 掛多大的量？ 整數手（100、500、1000）？隨機數？帶±5%噪聲的固定大小？
• 多久更新一次報價？ 每50毫秒？僅在mid-price變化時？按定時器？
• 如何響應成交？ 即時重新掛單？暫停？調整對側？
• 如何響應波動率？ 擴大價差？撤回報價？縮小掛單量？
• 如何管理庫存？ 倉位累積時的報價偏斜（skew）？

每一組答案都構成了演算法的獨特"簽名"。

"指紋"的五個維度

┌─────────────────────────────────────────────────────────────────┐
│              交易者数字指纹                                       │
│                                                                 │
│  1. TIMING       │  订单间隔、对事件的反应、                      │
│                  │  日内活动模式                                  │
│──────────────────┼─────────────────────────────────────────────  │
│  2. SIZING       │  订单大小分布、                                │
│                  │  整数倍特征、离散程度                           │
│──────────────────┼─────────────────────────────────────────────  │
│  3. PLACEMENT    │  距mid-price的距离、                           │
│                  │  bid/ask对称性、价格水平锚定                    │
│──────────────────┼─────────────────────────────────────────────  │
│  4. REACTION     │  对成交、撤单、价格跳跃、                      │
│                  │  波动率变化的响应                               │
│──────────────────┼─────────────────────────────────────────────  │
│  5. LIFECYCLE    │  订单平均存活时间、                             │
│                  │  撤单条件、modify vs cancel+new                │
│──────────────────┴─────────────────────────────────────────────  │
└─────────────────────────────────────────────────────────────────┘

第二部分：特徵提取

帶自激勵的Hawkes過程：具有指數衰減的事件簇

Timing：何時以及多頻繁

Timing模式是指紋中最難偽造的元素。它由演算法架構、網路延遲、硬體甚至開發者的時區所決定。

關鍵指標：

• 訂單間隔（IOI） — 同一參與者連續訂單之間的時間間隔。HFT機器人的IOI為50-500微秒，手動交易者為數秒至數分鐘。

• 成交反應時間 — 訂單被執行到下一次操作之間的延遲。反映了機器人的內部架構。

• 日內週期模式 — 日內活動分佈。機構做市商在交易時段活躍，加密貨幣機器人則全天候執行。

• 自激勵（Hawkes強度） — 當前訂單"激發"下一個訂單的程度。做市商表現出強烈的自激勵特徵。

Hawkes過程非常適合建模timing模式——這是一種具有自激勵特性的點過程。Hawkes過程的參數（基礎強度μ、激勵係數α、衰減速率β）構成了參與者緊湊的"時序指紋"。

Sizing：多少和如何

• 大小分佈 — 訂單大小的分佈。專業做市商經常使用帶噪聲的整數手：100 ± 5、500 ± 10。
• 大小-深度相關性 — 訂單大小是否取決於當前盤口深度？
• 買賣盤大小不對稱性 — bid和ask的大小比例。偏斜模式是庫存管理的"筆跡"。
• 大小自相關 — 大小在時間序列上的重複性。

Placement：在盤口的位置

• 價差偏移 — 距mid-price的距離（以tick或基點計）
• 價位偏好 — 是否錨定於特定價位（整數關口？）
• 報價對稱性 — bid和ask訂單的對稱程度
• 多層級足跡 — 同時報價的層級數量

Reaction：如何響應事件

• 成交後行為 — 訂單被執行後發生了什麼
• 波動率響應 — 波動率上升時行為如何變化
• 報價成交比（QTR） — 訂單更新次數與執行次數的比率
• 逆向選擇響應 — 價格向不利方向移動時的反應

Lifecycle：訂單生命週期

• 訂單存活時間分佈 — 訂單的平均存活時間
• Modify vs Cancel+New — 通過modify還是cancel+new更新？
• 批次撤單 — 逐個撤單還是批次撤單？

第三部分：參與者分類

市場參與者分類體系：做市商、高頻交易者、機會主義者、基本面交易者和噪聲交易者

市場參與者分類體系

基於行為特徵，可以將參與者劃分為穩定的類別。CFTC研究（Kirilenko等，2011）：

1. Market Makers（做市商）

• 超過80%時間維持雙邊報價（bid + ask）
• 日終淨持倉為零或接近零
• 高QTR（>100:1）
• 通過擴大價差響應波動率

2. High-Frequency Traders（高頻交易者）

• 超高訊息頻率（>1000事件/分鐘）
• 極短持倉時間（秒級）
• 亞毫秒級反應時間

3. Opportunistic Traders（機會主義者）

• 中等頻率
• 對特定市場條件做出反應
• 不規則timing，圍繞事件聚集

4. Fundamental Traders（基本面交易者）

• 建立長期倉位
• 低頻率、大訂單量
• 使用TWAP/VWAP演算法執行

5. Noise Traders（噪聲/散戶交易者）

• 小訂單量、不規則timing
• 反應式：在行情啟動後交易，而非提前
• 在波動率峰值時下市價單

分類方法

有監督學習： 對於DEX資料（Hyperliquid），可以從已知做市商地址構建訓練集。RNN模型準確率可達>85%。

無監督學習：

• 譜聚類（Cont等，2023）— 基於訂單流模式相似矩陣的聚類
• FIDR-SCAN（2024）— 特徵插值 + 降維 + 基於密度的聚類
• 逆強化學習（CFTC，2014）— 恢復每個交易者的獎勵函數

第四部分：識別具體的做市商

從分類到識別

分類回答的是"這是做市商嗎？"的問題。識別回答的是"這是那個特定的做市商嗎？"的問題。

構建指紋向量

從五個維度中，我們提取一個數值向量——參與者的embedding：

Fingerprint Vector（示例）:
┌──────────────────────────────────────────────────────────┐
│  Timing:                                                 │
│    hawkes_mu:           0.3       (基础强度)              │
│    hawkes_alpha:        0.7       (自激励)                │
│    hawkes_beta:         1.2       (衰减速率)              │
│    median_IOI_ms:       240       (订单间隔毫秒)          │
│    circadian_peak_utc:  14.5      (活跃高峰)              │
│                                                          │
│  Sizing:                                                 │
│    median_size:         500                              │
│    size_cv:             0.08      (变异系数)              │
│    round_lot_ratio:     0.92      (整数手比例)            │
│    bid_ask_size_ratio:  0.97                             │
│                                                          │
│  Placement:                                              │
│    median_offset_bps:   3.2       (距mid-price)          │
│    quoting_symmetry:    0.94      (0=不对称,1=对称)       │
│    num_levels:          5         (报价层级数)            │
│                                                          │
│  Reaction:                                               │
│    post_fill_delay_ms:  12                               │
│    vol_spread_elasticity: 2.1     (价差/σ)               │
│    qtr:                 850       (报价成交比)            │
│                                                          │
│  Lifecycle:                                              │
│    median_lifetime_ms:  1200                             │
│    modify_ratio:        0.85      (modify vs cancel+new) │
│    batch_cancel_rate:   0.60      (批量撤单比例)          │
└──────────────────────────────────────────────────────────┘

地址聚類："一個操作者——N個錢包"

地址聚類圖：一個操作者——多個錢包，通過行為相似性聚合

在Hyperliquid上，一個做市商可以通過數十甚至數百個地址進行操作。

聚合演算法：

1. 為每個活躍地址 — 在N小時視窗內構建fingerprint向量
2. 層次聚類 — 合併距離 < 閾值的地址
3. 時間驗證 — 驗證聚類在時間維度上的穩定性
4. 跨交易對驗證 — 如果兩個地址交易不同的交易對但fingerprint匹配——這是強訊號

聚类 #7（推测为：Wintermute）
├── 0x3a1f...2e8c  — BTC/USDT, 45%活跃度
├── 0x7b2d...9f1a  — ETH/USDT, 30%活跃度
├── 0xc4e8...5d3b  — SOL/USDT, 15%活跃度
└── 0x91fa...0c7e  — ARB/USDT, 10%活跃度

共同模式: symmetric quoting, 5 levels, median_IOI=240ms,
median_size=500±8%, batch cancel 60%, presence 95%

第五部分：操縱場景及其指紋

Spoofing：虛假掛單的指紋

幌骗者指纹：
  cancel_rate:         > 95%
  lifetime:            < 2 秒
  placement:           距mid-price 1-3个tick
  size:                异常大（>10倍median depth）
  reaction_to_approach: 价格靠近时撤单
  cyclicity:           每分钟重复>3次

Squeeze：流動性陷阱

四個階段：靜默建倉 → 撤走流動性 → 止損單級聯觸發 → 獲利了結。通過監測從第1階段到第2階段的轉變，可以實現即時檢測。

Iceberg / Hidden accumulation：靜默吸籌

静默吸筹指纹：
  visible_size:        小量（10-50手）
  refill_speed:        即时（成交后< 100ms）
  refill_count:        单一价位每个交易时段> 20次
  price_reaction:      尽管有成交量但价格不动

Wash Trading：自成交

來自同一聚類的兩個或多個地址同時在bid和ask掛單並互相成交。目的：刷交易量。

第六部分：在Marketmaker.cc中的實現

行為指紋系統架構

┌─────────────────────────────────────────────────────────────┐
│  DATA LAYER                                                 │
│  ├── Hyperliquid Node  → L3 order-by-order + wallet IDs    │
│  ├── CEX WebSocket     → L2 depth + trades                 │
│  └── Historical Store  → QuestDB / Parquet                 │
├─────────────────────────────────────────────────────────────┤
│  FEATURE EXTRACTION                                         │
│  ├── Timing Engine     → Hawkes fit, IOI distribution       │
│  ├── Sizing Engine     → Size stats, round-lot detection    │
│  ├── Placement Engine  → Offset calc, symmetry analysis     │
│  ├── Reaction Engine   → Post-fill tracker, vol response    │
│  └── Lifecycle Engine  → Lifetime stats, cancel patterns    │
├─────────────────────────────────────────────────────────────┤
│  CLASSIFICATION / IDENTIFICATION                            │
│  ├── Online Classifier → Real-time participant tagging      │
│  ├── Cluster Engine    → Address clustering (DEX)           │
│  ├── Similarity Search → Fingerprint matching               │
│  └── Anomaly Detector  → Spoof / squeeze / wash detection   │
├─────────────────────────────────────────────────────────────┤
│  VISUALIZATION                                              │
│  ├── Queue Position + Participant Labels                    │
│  ├── Cluster Graph (known MM clusters)                      │
│  ├── Alert System (manipulation detected)                   │
│  └── Historical Fingerprint Browser                         │
└─────────────────────────────────────────────────────────────┘

交易者在終端中看到的內容

╔═══════════════════════════════════════════════════════════════════════════╗
║  10000 USDT  │  总量: 3,200                                             ║
║──────────────┼───────────────────────────────────────────────────────── ║
║  明细:       │  🤖 MM (cluster#7, ~Wintermute): 800 手 [5 levels]      ║
║              │  🤖 MM (cluster#12, 未知):       400 手 [3 levels]      ║
║              │  ⚠️ 可疑 (spoof score 87):       500 手 [lifetime<2s]   ║
║              │  🟡 @pro_scalper:                100 手                  ║
║              │  🔴 我的:                        10 手                   ║
║              │  👤 散户 / 未分类:                1,390 手               ║
║──────────────┼───────────────────────────────────────────────────────── ║
║  前方排队    │  真实: ~1,200 (排除spoof)   名义: 1,800                  ║
║  "净"ETA     │  6.7s (vs 名义 10s)                                     ║
║  挂单类型:   │  MM支撑 (65% MM成交量) — 大概率不会撤走                  ║
╚═══════════════════════════════════════════════════════════════════════════╝

警報

• 🔴 在你的價位檢測到幌騙 — 在你的訂單前方發現可疑大單
• 🟡 做市商撤退 — 做市商撤走報價，流動性下降
• 🟡 檢測到Squeeze佈局 — 一組地址正在建倉並撤走流動性
• 🟢 掛單牆加固 — 在你的價位有已知做市商增加了委託量

第七部分：倫理與侷限性

可以做什麼，不可以做什麼

可以且應該做的：

• 按型別對匿名參與者進行分類，以輔助自身交易決策
• 檢測操縱行為，防範逆向選擇
• 在DEX上對地址進行聚類，以理解市場結構

不可以做的：

• 通過錢包地址去匿名化自然人
• 未經同意出售已識別的行為模式
• 用於市場操縱

侷限性

1. 自適應演算法 — 高階做市商會新增隨機化處理
2. 模式切換 — 同一個機器人可能根據市場狀態改變行為
3. 假陽性 — 兩個參與者可能恰好具有相似參數
4. CEX不透明性 — 在CEX上無法獲取L3資料

結語：從解讀盤口到解讀參與者

傳統交易者看到的是：10000價位有2,400手委託。進階交易者看到的是："我的訂單排在第1,800位，預計等待時間15秒"。而擁有行為指紋分析的交易者看到的是：

"這2,400手中有800手是做市商（可能是Wintermute），掛單牆可靠。500手疑似幌騙，在我前面的真實排隊是1,300而不是1,800。調整後的預計等待時間為10秒。做市商沒有撤走報價——這意味著目前不預期有大幅波動。"

每一層新增的資訊都是一種優勢。與速度不同，訂單簿解讀的質量是散戶交易者可以參與競爭的領域。

在Marketmaker.cc，我們正在構建這一系統——從排隊位置到行為指紋分析——作為一個完整的產品。

上一篇文章：《掛單牆中的排隊：訂單簿密度中的訂單位置分析》

參考文獻與延伸閱讀

• Kirilenko A., Kyle A., Samadi M., Tuzun T. — «The Flash Crash: High-Frequency Trading in an Electronic Market» (CFTC, 2011)
• Paddrik M., Hayes R., Scherer W., Beling P. — «Gaussian Process-Based Algorithmic Trading Strategy Identification» (CFTC / OFR, 2014)
• Cont R. et al. — «Unsupervised spectral clustering of trader order flow» (2023)
• FIDR-SCAN — «Explainable Machine Learning for HFT Dynamics Discovery» (2024)
• Do B.L., Putniņš T.J. — «Detecting Layering and Spoofing in Markets» (SSRN, 2023)
• Hawkes A.G. — «Spectra of Some Self-Exciting and Mutually Exciting Point Processes» (Biometrika, 1971)
• Avellaneda M., Stoikov S. — «High-Frequency Trading in a Limit Order Book» (Quantitative Finance, 2008)