永续合约交易的参与者与行为

2025 年 3 月 12 日，一个匿名钱包在 Hyperliquid 上以 430 万 USDC 初始保证金开立了 50 倍杠杆的 ETH 多头头寸，随后利用未实现利润持续加仓，最终将名义价值扩大至超过 3 亿美元 ^[1]。在 Hyperliquid 的维持保证金率（约 0.3%）下，50 倍杠杆意味着清算价格距离入场价格约 1.7%，而该交易者通过不断提取超额保证金进一步收窄了这一缓冲空间。这笔交易的全过程在链上公开可见，跟单交易者迅速涌入做多，空头被迫平仓，价格被进一步推高。然而，该交易者并未选择平仓，而是从账户中提取已实现利润，故意降低保证金率并抬高自身的清算价格。事实上，Hyperliquid 允许交易者在持仓期间提取超过维持保证金要求的保证金余额，这一规则成为该策略的关键操作点。最终，该仓位在 ETH 价格为 1,915 美元处被协议自动清算。由于清算金额超出了清算人市场竞价的承接能力，且保险基金规模不足以吸收，头寸最终被转移至 HLP 做市金库接管，导致金库在平仓过程中承受了约 400 万美元的滑点损失，并触发了超过 1.3 亿美元的流动性提供者恐慌性提款 ^[2]。这一事件揭示了在一个无需许可、完全透明且支持高杠杆的数字原生环境中，参与者行为的基本假设已被重写。这引出本章的核心问题：永续合约市场中存在哪些参与者，他们之间如何进行博弈，以及市场利润的最终来源是什么？

这笔鲸鱼交易精确计算出被清算的罚金远低于在公开市场上正常平仓 3 亿美元头寸的滑点，从而将价格冲击系统性地转嫁给了协议的被动流动性提供者。这表明，链上环境中的寄生行为已从传统金融中的信息优势转向对协议规则经济学含义的深度利用。

为理解这种新型博弈，本章以 Harris (2003) 的经典三分法为学术起点，建立功能性与行为性双层分类框架，依次分析六类核心参与者的行为逻辑与利润来源、参与者间的博弈网络与利润流动映射、数字原生环境对参与者行为的三重重塑、自主人工智能代理作为新型参与者的崛起，以及与传统金融的系统性对比。全章的核心论点是：利润驱动型交易者的收益最终只来自两个渠道：功利型交易者为风险转移支付的对冲溢价，以及无效交易者因错误决策而产生的系统性亏损，而数字原生环境通过角色流动化、博弈算法化和透明性悖论对这一博弈结构产生了根本性的重塑。

4.1 参与者分类框架

在展开分析之前，有必要简要回顾本章将反复调用的几个前序概念。第 1 章提出的透明性悖论指出，链上数据的完全公开并不等同于信息优势的均等分配；可组合性论题阐明了智能合约之间的无缝互操作如何创造了传统金融中不存在的原子化执行能力。第 2 章分析的废除到期日代价表明，永续合约通过取消到期交割获得了灵活性，但同时引入了库存风险无限期化等结构性成本。这些概念构成了理解本章参与者行为分析的必要背景。

市场微观结构理论提供了两种互补的分类视角：一种基于交易的功能目的，回答“为何交易”的问题，揭示市场存在的根本经济功能；另一种基于参与者在市场中扮演的具体角色，回答“如何交易”的问题，聚焦于不同参与者在价格形成和流动性供给过程中扮演的特定角色。

4.1.1 功能性分类

Harris (2003) 将市场参与者按交易动机划分为三大基本类别 ^[3]。功利型交易者参与市场并非为了从价格变动中直接获利，而是为了实现某种外部经济目标。在永续合约市场中，最典型的功利型交易者是对冲者。例如，一个比特币矿工可能会通过做空永续合约来锁定未来的挖矿收益，从而将价格波动的风险转移给市场中的其他参与者。对于这位矿工而言，永续合约是一种风险管理工具，而非投机手段。同样，一个持有大量 ETH 的去中心化金融协议金库，也可能使用永续合约来对冲其资产负债表上的价格风险。功利型交易者的核心特征是，他们愿意为获得确定性而支付一定的成本，例如接受一个略微不利的成交价格。他们是市场流动性的主要需求方，其交易需求源于外部经济活动，构成了市场存在的根本原因，即风险转移。

利润驱动型交易者以从市场中提取利润为核心目标，是市场流动性的主要供给方和价格发现的主要驱动力。这个群体内部可以根据其利润来源进一步细分。知情交易者依靠其信息优势（无论是对基本面的深入研究、对链上数据的独到分析，还是对非公开信息的掌握）来预测价格走势并从中获利。套利者则不依赖于对价格方向的判断，而是通过发现并利用不同市场或不同资产之间的定价差异来赚取低风险利润。做市商通过同时提供买卖报价来赚取价差，为市场提供即时交易的便利。该框架还特别区分了一类寄生型交易者，即不依赖基本面信息，而是通过利用其他交易者的行为来获利 ^[3]。在链上环境中，MEV 搜索者和抢跑机器人便是寄生型交易者的典型代表：它们通过监控交易等待池来预判其他交易者的意图，并抢先执行交易以攫取利润，其行为通常不会提升市场的价格发现效率。

无效交易者是该分类体系中至关重要但常被忽视的第三类参与者。这类交易者期望从交易中获利，但由于技能、信息或判断力的缺乏，他们平均而言是持续亏损的 ^[3]。他们常常错误地认为自己是利润驱动型交易者。在加密货币永续合约市场中，无效交易者的存在尤为突出。2025 年 10 月的极端行情为其规模提供了直接证据：在短短 24 小时内，超过 162 万个交易账户被强制清算，总清算金额超过 190 亿美元，其中按金额计约 85% 至 90%（约 87%）为多头头寸（精确清算统计来自 CoinGlass，交易所数据普遍低估真实规模）^[4][5]。这些交易者在市场平静期或上涨期追高建仓，使用了远超其风险承受能力的高杠杆，且普遍缺乏下行保护策略。行为金融学研究表明，这类交易行为在心理机制上与赌博存在高度相似性 ^[6]。他们的亏损，构成了利润驱动型交易者利润的重要来源。

4.1.2 利润的两个终极来源

上述三分法的核心价值在于，它不仅揭示了市场存在的根本原因（功利型交易者的风险转移需求），还揭示了市场利润的最终来源：利润驱动型交易者的收益，归根结底只来自两个渠道 ^[3]。值得预先指出的是，套利者的利润在表面上来自市场定价偏差的纠正，似乎独立于以下两大来源。然而，定价偏差本身是由功利型交易者的非弹性需求和无效交易者的错误定价共同产生的，因此套利利润在终极意义上仍可追溯至两大来源，是其间接衍生形式。

第一个来源是功利型交易者为获得效用而支付的对冲溢价。功利型交易者为了将未来的不确定性转化为当前的确定性，愿意支付溢价，例如接受略微不利的成交价格以保证订单的即时执行，或者在较长时期内承受正的资金费率以维持对冲头寸。这些额外的成本本质上是他们为风险转移支付的保险费，直接流入了做市商赚取的买卖价差、空头对手方收取的资金费率，以及套利者捕获的基差利润之中（资金费率的具体计算机制，包括利率组件与溢价组件的构成、典型的八小时结算周期以及费率的极端幅度范围，详见第 2 章§2.3；在正常市场条件下，每八小时的资金费率通常在 ±0.01% 的量级，但在极端行情中可攀升至 ±0.1% 甚至更高，此时资金费率本身即成为一项显著的利润来源或持仓成本）。这一利润渠道是永续合约市场存在的根本经济理由：如果没有真实的对冲需求，衍生品市场将退化为一个纯粹的零和博弈场所。然而，在加密永续合约市场中，功利型交易者的占比远低于传统大宗商品或金融期货市场。Schmeling 等人 (2023) 基于国际清算银行的数据研究了加密市场的套利交易结构，该研究主要分析了资金费率的统计特征和套利策略的风险收益特征 ^[7]。从其发现（加密永续合约市场的资金费率以正值为主但高度时变、且投机性头寸占主导）可以初步推断，加密衍生品市场的参与者以投机动机为主导，真实对冲需求的占比可能低于传统大宗商品期货市场（在多数此类市场中，商业套保者通常持有过半的未平仓合约，尽管具体比例因品种与时期而异）。然而，需要指出的是，这一推断涉及从套利交易结构到对冲需求占比的额外论证步骤，不应被视为该论文的直接结论。此外，在解读加密市场对冲需求偏低的现象时，需要区分对冲需求不存在与对冲需求存在但无法表达两种截然不同的状态。事实上，相当一部分机构投资者——包括持有加密资产敞口的基金、企业金库和资产管理公司——具有通过永续合约进行风险对冲的真实经济需求，但受制于司法管辖区的监管限制、受托责任的合规约束，或缺乏受监管交易场所的准入渠道，而无法将这种需求转化为实际的对冲头寸。这意味着市场上可观测到的对冲需求可能系统性地低于实际的经济对冲需要，而随着监管框架的逐步明晰和受监管交易基础设施的成熟，这部分被抑制的需求有可能在未来释放，从而改变两大利润来源的相对比例。

第二个来源是无效交易者因错误决策而产生的系统性亏损。由于在信息获取、数据分析能力或执行速度上存在系统性劣势，无效交易者平均而言处于持续亏损状态。他们的亏损通过多条路径流向利润驱动型交易者：在被清算时，其空头对手方直接获得方向性利润；在日常交易中，做市商从其无毒订单流中安全地赚取买卖价差；在触发强制平仓时，清算人收取可观的清算罚金。从市场微观结构的视角来看，正是无效交易者提供的无毒订单流补贴了做市商对知情交易者的逆向选择损失，使其得以维持盈利并继续提供流动性（这一机制在§4.3.3完整展开）。当前加密永续合约市场的结构性特征是，无效交易者的亏损构成了利润的最大单一来源，而对冲溢价尚未充分发育。这种以投机为主导的利润结构，是市场脆弱性的一个根源：当无效交易者因亏损枯竭而退出时，市场将失去其利润的主要来源，做市商将因无法弥补逆向选择损失而撤退，最终导致市场流动性的周期性枯竭。

然而，上述枯竭假说不应被理解为一个单向的、不可逆的过程，而应被置于一个动态均衡框架中加以审视。无效交易者的存量在任何时点上取决于两个相互对抗的速率：补充速率与消耗速率。补充速率由新用户的流入所驱动，这种流入在牛市周期中受到价格叙事（“上涨即正确”的确认偏差）、社交媒体传播效应以及宏观流动性宽松共同催化而显著加速；消耗速率则由亏损驱动的退出所决定，无效交易者在经历连续亏损和强制清算后逐步离场。当补充速率持续高于消耗速率时，市场呈现出流动性充裕、价差收窄、做市商盈利丰厚的繁荣景象；当消耗速率超过补充速率时，市场则进入流动性萎缩、价差扩大、利润驱动型参与者相互倾轧的衰退阶段。这一动态框架与牛熊周期之间存在高度的内在对应关系：牛市本质上是无效交易者净流入的时期，熊市则是净流出的时期，而周期的转折点往往出现在两个速率趋于均衡的临界区域。更为根本的是，无效交易者的流入与流出本身并非外生的随机事件，而是全球宏观条件的内生产物。美元流动性周期（以美联储资产负债表规模和全球美元融资成本为代理变量）、全球风险偏好的潮汐变化（以 VIX 指数和新兴市场资本流动为代理变量）以及各主要司法管辖区的监管周期（从宽容到收紧再到明确化），共同决定了加密市场参与者的进出节奏。在宏观流动性充裕、风险偏好上升且监管环境相对宽松的时期，大量缺乏金融经验的新参与者被吸引进入高杠杆的永续合约市场，为利润驱动型交易者提供充沛的无毒订单流；而当宏观条件逆转时，新用户流入骤降，存量无效交易者加速出清，市场利润来源随之枯竭。因此，对永续合约市场可持续性的评估不能脱离对宏观流动性环境的判断，市场的内在博弈结构固然重要，但参与者构成的变化归根结底受制于外部宏观条件对资本和人群流动的塑造。

4.1.3 行为性分类

功能性分类解释了参与者“为何”交易，但要理解市场的微观运作机制，还需分析他们“如何”交易，即他们在市场中扮演的具体角色。基于前述理论框架 ^[3]，可以将永续合约市场的参与者划分为七个核心角色。做市商是市场流动性的提供者，他们通过同时挂出买卖报价，为其他交易者提供即时交易的便利。知情交易者是价格发现的驱动者，他们利用信息优势进行交易，将新信息融入价格。套利者是市场效率的维护者，通过消除不同市场间的价差，确保“一价定律”得以维持。投机者是风险的主要承担者和市场活力的来源，其交易活动为市场提供了大量的流动性，但也可能放大波动性。清算人是系统稳定性的保障者，负责在杠杆交易者的保证金不足时强制平仓其头寸，以防止风险扩散。此外，经纪人/代理人为其他所有类型的交易者提供市场准入、订单执行和交易保护服务，在链上环境中由去中心化交易所（DEX）聚合器、MEV 保护服务和钱包前端承担了这一角色。

表 4-1. 永续合约市场参与者的行为性分类（数据来源：作者整理）

表 4-1 梳理了七类参与者的核心功能、利润来源、主要风险与典型代表。其中两个结构性特征值得注意：利润来源的多样性（从做市商的买卖价差到清算人的清算罚金），以及风险暴露的不对称性（做市商与投机者承受持续性、不确定性的风险，套利者与清算人则更多面临执行层面的竞争压力），这为后续的博弈关系分析奠定了微观基础。

需要说明的是，投机者在功能性分类框架中并非一个独立类别，而是横跨利润驱动型与无效交易者两大类别的跨类角色：少数具有真正判断力的投机者属于利润驱动型交易者，而多数缺乏信息优势的投机者则属于无效交易者。这种跨类属性使得投机者群体的整体行为呈现出高度的异质性，§4.2.5将对此展开详细分析。

此外，经纪人/代理人的角色定位与其他六类参与者存在本质差异。前六类参与者直接参与市场博弈，通过承担风险或提供服务来争夺利润；而经纪人/代理人属于市场基础设施层，为其他参与者提供市场准入和执行服务，本身不直接参与方向性博弈。因此，本章后续的行为分析与博弈网络构建将聚焦于六类直接博弈参与者，经纪人/代理人的功能将在第 5 章的服务商生态中详细讨论。

图 4-1 整合功能性与行为性两个维度，呈现参与者的双层分类框架（顶层“为何交易”、第二层“如何交易”）。该图揭示的核心张力在于，同一行为角色（如投机者）可能在功能维度上分属不同类别，这正是后续分析所需处理的复杂性。

图 4-1. 永续合约市场参与者的双维度分类框架（概念框架图，基于 Harris 2003 ^[3] 三分法的作者整理，非实测数据）

4.1.4 负和博弈的隐性成本

永续合约市场在严格的数学意义上并非零和博弈，而是负和博弈。如果将所有交易者的已实现盈亏与未实现盈亏进行加总，其结果必然小于零。这个差额代表了维持整个市场基础设施运行所必须消耗的摩擦成本。

$$L_{\text{neg}} = \sum_{i=1}^{N_f} f_i + \sum_{k=1}^{N_m} m_k + \sum_{l=1}^{N_g} g_l \tag{4-1}$$

其中，$f_i$ 为第 $i$ 笔交易的手续费，$m_k$ 为第 $k$ 次最大可提取价值的抽取量，$g_l$ 为第 $l$ 笔交易的 Gas 费。$L_{\text{neg}}$ 即为市场的负和量，代表所有参与者盈亏总和的负值。值得说明的是，资金费率不计入负和量，因为主流平台（Binance、Hyperliquid、dYdX 等）的资金费率被设计为多空双方之间的直接转移支付，协议本身不从中提取费用。此外，该公式未显式列出滑点成本和保证金机会成本等隐性摩擦。在链上薄流动性环境中，大额订单的市场冲击（滑点）可能构成重要的隐性交易成本，而锁定在保证金中的资本所放弃的收益则是另一项容易被忽视的成本。这些隐性摩擦进一步加深了市场的负和性质。

这个负和量类比于传统金融体系中的制度性摩擦成本，只是其征收方式已被数字原生架构重塑。传统金融通过交易所、清算所和经纪商等中介机构征收显性费用，而链上金融则通过协议硬编码的手续费、区块链网络的执行费用以及由算法机器人提取的最大可提取价值来完成征收。特别是在完全透明的公共内存池环境中，最大可提取价值构成了一种隐性税收。每一笔通过去中心化交易所执行的订单，都可能在排序和打包过程中被搜索者通过抢跑或三明治攻击提取部分价值，这进一步加深了市场的负和性质。

值得注意的是，在 DEX 生态中还存在一种特殊的外部资金来源，即协议代币激励。部分协议通过流动性挖矿、交易挖矿和空投补贴参与者，本质上是一种铸币税，由代币持有者通过稀释承担成本。然而，协议代币激励并非永续合约市场的内在制度特征（大量中心化交易所无需依赖此机制即可运转），因此它不构成独立的利润来源类别，而是 DEX 特有的外部补贴机制。这一外部补贴机制对公式 (4-1) 所刻画的负和博弈边界条件产生了重要影响：在不存在代币激励的情况下，永续合约市场严格地是负和博弈，所有参与者的盈亏总和必然为负；在引入代币激励的情况下，若补贴总额超过 $L_{\text{neg}}$，参与者整体在短期内可能呈现正和收益，但这种正和性质建立在代币持续增发的基础之上，而代币通胀不可避免地稀释存量持有者的价值，从长期来看不具备可持续性，随着代币价格因通胀压力而下降，补贴的实际价值递减，市场最终将回归其内在的负和本质。

4.1.5 分类学的局限性

在使用此分类框架时，必须认识到其在数字原生环境下面临的局限性。在传统金融市场中，由于牌照制度和高度的专业化分工，参与者的角色通常是相对固定的。然而，在去中心化金融的环境中，角色的边界变得模糊。一个用户可能在同一天内既是投机者（开立杠杆头寸），又是做市商（向流动性池提供资金），还是套利者（利用不同协议间的价差获利）。这种角色流动性是数字原生市场最独特的特征之一，我们将在§4.4中详细探讨。此外，该分类框架主要基于人类行为假设构建，但链上市场中越来越多的交易是由自动化机器人执行的，这些经济机器人的行为模式与人类交易者截然不同，同样需要对经典理论进行审视。

尽管存在这些局限性，上述分类框架依然具有重要的分析价值。它为理解复杂多样的市场行为提供了一个结构化的起点，使我们能够系统性地剖析各类参与者的核心动机、策略及其对市场的影响。承认其局限性，并非否定其有效性，而是为了在分析中保持批判性视角，尤其是在审视数字原生环境如何打破这些经典分类边界时。

4.2 六类核心参与者的行为分析

在 Harris (2003) 利润来源框架下，每类参与者都可以被理解为争夺两大利润来源中特定份额的经济实体。其行为逻辑由利润来源、风险暴露与博弈关系三者共同决定。本节将依次分析永续合约市场中的六类核心参与者，揭示数字原生环境如何重塑了经典市场微观结构理论中关于参与者行为的基本假设。

4.2.1 做市商

做市商是市场微观结构中的核心流动性提供者，其基本商业模式是通过在订单簿双边提供报价，赚取买卖价差。做市商主要从无效交易者的无毒订单流中赚取买卖价差，同时从功利型交易者愿意跨越价差以获得即时执行的对冲溢价中获取收益。然而，这一利润池持续受到知情交易者和机制寄生者的压缩。

做市商面临的核心挑战可以通过价差三分法来理解。Stoll (1989) 证明了买卖价差可以分解为订单处理成本、库存持有成本和逆向选择成本 ^[8]。在传统金融市场中，这三项成本保持着相对稳定的比例。但在加密永续合约市场中，逆向选择成本被显著放大。需要指出的是，这一判断主要基于理论推断：由于加密市场中知情交易比例较高这一经验事实，根据经典的价差分解逻辑可以合理推断逆向选择成分的权重相应上升。然而，对加密永续合约市场中逆向选择成本占买卖价差具体百分比的直接经验测量目前仍较为有限，运用 Huang-Stoll 或 Glosten-Harris 等经典价差分解方法对链上市场数据进行系统性的成分估计，尚属有待深入开展的研究议题。正如前文分析的废除到期日代价，无到期日意味着库存风险无限期化，做市商无法确定趋势何时结束，这使得他们对逆向选择风险更为敏感。Tiniç 等人 (2023) 记录了加密市场显著的逆向选择成本（在其样本中约占有效价差的 10%），据此可推断做市商在加密市场面临的逆向选择风险高于传统市场，这部分解释了为什么加密永续合约的买卖价差系统性地宽于传统期货 ^[9]。Easley 等人 (1996) 提出的信息交易概率模型为量化订单流毒性提供了经典工具 ^[10]。在链上环境中，由于所有交易数据公开可见，传统 PIN 模型的假设条件发生了变化，信息交易不再隐藏于匿名订单流中，而是可以通过链上分析部分观察。这要求研究者在应用经典订单流毒性度量工具时，对其适用条件进行审慎调整。此外，Milionis 等人 (2022) 对去中心化交易所中自动做市商的损失进行了形式化分析，证明被动流动性提供者因逆向选择而承受的损失在结构上高于传统做市商的库存损失 ^[11]。

图 4-2 将做市商买卖价差分解为订单处理、库存持有与逆向选择三项成本，对比传统与加密永续合约市场中各成本项的相对权重——加密市场的逆向选择占比显著更高，反映链上知情交易的高比例对做市商盈利能力的压缩。

图 4-2. 做市商买卖价差的三重成本分解（示意性成本结构：柱内各成本段高度仅为定性相对权重、非实测占比，加密侧逆向选择段最大仅示意该成本被显著放大的方向，并不代表其实际占价差的比例；Tiniç 等人 2023 在其样本中实测逆向选择约占有效价差 10% ^[9]，系独立经验锚点）

中心化交易所与去中心化交易所的做市范式已经发生分化。在中心化交易所上，做市由专业机构主导，运用高频算法与跨交易所对冲策略，其核心竞争力是速度和信息处理能力，面临的最大未知是交易所订单流质量的不透明性。在去中心化交易所上，做市模式进一步分化为被动流动性池模式和链上中央限价订单簿与金库结合的模式。被动模式下，流动性提供者被动承担全部逆向选择风险，机制简单但资本低效。金库模式则通过协议算法主动做市，试图在低门槛和风险管理之间取得均衡。

去中心化永续合约交易所的执行架构并非铁板一块，其底层共识与排序机制的差异对做市商的策略选择和风险暴露产生了深远影响。当前主流的 DEX 执行架构可归纳为三种范式。第一种是完全链上模式，即交易匹配与结算均依赖底层公链的共识机制完成，典型代表为部署在以太坊或 Solana 等通用 L1 上的自动做市商协议。在这种架构下，所有交易意图经由公开的内存池传播，区块生产者拥有对交易排序的最终控制权，做市商因此暴露于最为严峻的 MEV 风险，三明治攻击、抢跑和尾随交易构成了持续的隐性成本。与此同时，区块确认时间构成了不可压缩的延迟下限，使得做市商在剧烈波动中难以及时撤单或调整报价，库存风险因此被放大。第二种是应用链或中心化排序器模式，以 Hyperliquid 为典型代表。Hyperliquid 运行自有的 L1 区块链（基于 HyperBFT 共识），但其验证者集合相对集中，排序器由协议团队控制，交易匹配在链下以亚秒级延迟完成后再批量上链确认。这种架构赋予了做市商接近中心化交易所的执行速度和确定性排序，有效消除了传统公链内存池带来的 MEV 风险，但代价是引入了对排序器运营方的信任假设——排序器理论上拥有对交易排序和审查的单方面权力，这构成了一种与传统金融中交易所内部化订单流类似的中心化风险。第三种是基于 Cosmos SDK 构建的应用链模式，以 dYdX v4 为代表。dYdX v4 在其专属 Cosmos 链上运行链下订单簿，验证者同时承担订单匹配和区块提议的双重角色，订单簿的维护在链下内存中完成，仅将最终成交结果提交至链上共识。这种混合架构通过验证者的去中心化分散了排序权力，但也引入了一个微妙的 MEV 向量：验证者作为区块提议者，理论上可以在观察到订单簿状态后进行策略性排序，尽管 dYdX 通过经济激励和声誉机制对此加以约束。三种架构的延迟特征也存在显著差异——完全链上模式的延迟以秒计，Hyperliquid 的排序器延迟以亚秒计，dYdX v4 的混合模式介于两者之间——这直接决定了做市商报价更新的频率上限和库存对冲的时效性。对于专业做市商而言，架构选择本质上是一个信任模型与延迟特征之间的权衡：完全链上模式提供了最强的去信任保证但延迟最高且 MEV 暴露最大，中心化排序器模式提供了最低延迟但需要信任排序器的公正性，Cosmos 应用链模式则试图在两者之间寻求折中。

上述执行架构的差异进一步延伸至标记价格机制对做市商行为和清算触发的塑造。标记价格是永续合约协议用于计算未实现盈亏和判定清算触发的基准价格，其构成方式在不同平台间存在实质性区别。多数协议采用外部预言机价格（如 Chainlink 或 Pyth Network 提供的聚合现货价格）作为标记价格的核心锚点，以避免协议内部成交价格被操纵进而触发不当清算。然而，标记价格的更新频率、平滑算法以及与协议内部成交价格的偏离容忍度，均会影响做市商的行为决策。在标记价格更新较慢或平滑窗口较长的协议中，协议内部成交价格可能在短时间内显著偏离标记价格，做市商可据此调整报价策略以规避因标记价格滞后而被错误清算的风险；反之，在标记价格高度敏感且实时更新的协议中，做市商的清算缓冲空间更为精确但也更为脆弱，任何外部预言机的价格尖峰都可能瞬间触发大规模清算，进而迫使做市商在承接清算流时承担超额市场冲击。Hyperliquid 采用以主流中心化交易所成交量加权价格为锚点的标记价格机制，并设有瞬时偏离保护阈值，这在一定程度上降低了预言机操纵引发的系统性清算风险，但也意味着在极端行情中标记价格可能滞后于真实市场价格，为做市金库接管清算头寸时的定价引入了额外的不确定性。标记价格机制的设计因此成为做市商评估协议风险的关键变量之一，它不仅决定了清算触发的精确条件，也通过影响做市商的报价行为间接塑造了整个市场的流动性深度和价格发现效率。值得注意的是，中心化交易所与去中心化交易所的做市商面临着性质不同的信息劣势。中心化交易所中，第三方做市商可能面临交易所自营做市服务的潜在利益冲突，后者凭借对订单流的优先可见性可能在信息上占据结构性优势；而在去中心化交易所中，做市商面临的主要信息威胁则来自 MEV 搜索者的定向狙击，后者通过监控公开的交易意图实施抢跑和三明治攻击。两种信息劣势在性质上截然不同：前者源于不透明环境中的信息不对称，后者源于完全透明环境中的执行速度不对称，但均对做市商的盈利能力构成系统性侵蚀。

Hyperliquid 的做市金库双面性是理解做市商困境的典型案例。在面对非知情的强制清算流时，做市商能够获取丰厚利润；但在面对拥有机制寄生优势的策略性行为者时，则会承受系统性亏损。这表明做市商的盈亏本质上是其订单流毒性浓度的函数，同一个做市商在不同信息含量的对手方面前会表现出截然不同的盈利特征。这一案例同时揭示了专业做市商与被动金库模式之间的深层差异。专业做市商通常部署一整套精密的风险控制体系，包括实时订单流毒性检测（基于 VPIN 等指标动态识别知情交易的浓度）、严格的库存上限约束、分层报价策略（根据订单流质量动态调整不同价格层级的挂单深度）以及跨资产相关性对冲。相比之下，HLP 等被动金库模式缺乏实时的毒性过滤机制，本质上以统一的策略无差别地承接所有类型的订单流，这使其在结构上暴露于逆向选择的尖峰风险，当有毒订单流集中涌入时，被动金库无法像专业做市商那样迅速收窄报价或暂停做市，从而系统性地承受了不成比例的损失。

4.2.2 知情交易者

知情交易者是市场价格发现的主要驱动力，其利润主要来自与无效交易者的方向性博弈，同时通过逆向选择从做市商的库存中提取价值。知情交易者的存在使得市场价格能够反映最新的信息，但同时也增加了做市商的成本。

Kyle (1985) 的经典模型描述了知情交易者如何策略性地执行交易，将私有信息逐步融入价格 ^[12]。在数字原生环境中，这一逻辑被加速且复杂化。信息传播与执行速度的提升使得传统的信息优势窗口期大幅缩短。更重要的是，信息优势的来源已经被重塑。传统的基于基本面研究和行业知识的信息优势依然存在，但基于链上数据分析、巨鲸地址追踪、智能合约交互监控以及最大可提取价值等待池扫描的数字原生信息优势占比显著上升。

这种数字原生信息优势体现了透明性悖论的具象化。链上信息是公开的私有信息，所有人都能看到巨鲸的持仓和交易意图，但只有具备特定数据处理能力和算法基础设施的参与者才能正确解读其含义并转化为交易信号。因此，知情交易者的壁垒从信息获取的特权转向了公开信息的处理与执行能力。

知情交易者在市场微观结构中具有双面性。一方面，他们通过交易将信息传递给价格，促进了价格发现，提高了市场的定价效率。另一方面，他们的交易行为增加了做市商的逆向选择成本，迫使做市商扩大价差以弥补潜在损失，从而降低了所有市场参与者的流动性。市场机制设计的核心权衡之一，即是如何在鼓励知情交易以促进价格发现与保护做市商以维持流动性之间找到最优均衡。

值得注意的是，链上信息优势具有快速衰减的时间特征。随着越来越多的参与者部署类似的链上分析工具和巨鲸追踪算法，基于链上数据透明性的 alpha 收益呈现加速递减的趋势。与此同时，私有交易通道（如私有内存池和 Flashbots Protect 等交易隐私保护机制）的普及进一步侵蚀了基于透明性的信息优势，交易意图被隐藏至区块确认的那一刻，使得依赖待确认交易池扫描的知情策略失去用武之地。这构成了一场信息优势的持续军备竞赛，其中优势的半衰期呈渐进式缩短，迫使知情交易者不断投入更高的技术成本以维持日益脆弱的边际优势。

4.2.3 套利者

套利者通过在不同市场或工具之间寻找价格差异来获取无风险或低风险利润。如§4.1.2所论证的，套利者的利润在表面上来自系统定价的偏差，但定价偏差本身是功利型交易者的非弹性需求和无效交易者的定价错误共同创造的产物，因此套利利润在终极意义上仍可追溯至两大来源。套利者的活动通过纠正定价偏差，间接地服务于对冲溢价的实现，使得对冲者能够获得更准确的执行价格。

在永续合约市场中，套利行为主要表现为三种核心形式。资金费率套利是其中最普遍的策略，即在永续合约市场建立空头头寸，同时在现货市场买入等量资产，从而赚取正的资金费率。国际清算银行的工作论文（Schmeling 等人，2023）表明，加密市场的资金费率 carry 在多数时期能够产生正收益，但其收益分布具有显著的负偏度特征且高度时变，类似于传统外汇套利交易，这类策略在尾部事件中面临突然且剧烈的亏损风险，稳定收益的表象下隐藏着不对称的崩盘暴露 ^[7]。Werapun 等人 (2025) 的实证研究进一步表明，在特定市场条件下，资金费率套利甚至能产生超额回报 ^[13]。跨市场套利则利用同一资产在不同交易所的短暂价差获利，这种价差通常由流动性差异和价格更新速度差异驱动。三角套利则是在单一交易所内，利用三种资产交叉汇率的不一致完成循环套利。

然而，将资金费率套利和跨平台套利定性为“无风险”是一种危险的简化。这类策略更准确的表述是低风险但非无风险。其风险敞口至少体现在三个维度。第一，费率反转风险具有显著的历史频率。资金费率的符号和幅度会随市场情绪急剧切换，在极端行情中，原本为正的资金费率可能在数小时内转为深度负值，且负值持续时间往往超出套利者的预期容忍区间，导致策略从稳定收益骤然转为持续失血。历史数据表明，在重大市场事件期间，资金费率的日内波动幅度可达正常时期的数十倍，这种非线性跳跃使得基于历史均值回归假设的费率预测模型在最需要发挥作用的时刻恰恰失效。第二，在采用统一保证金体系的平台上，现货多头头寸的浮动亏损与永续合约空头头寸共享同一保证金池，当标的资产价格剧烈上涨时，虽然永续空头的账面亏损与现货多头的账面盈利在理论上相互对冲，但在极端波动中，标记价格与现货价格的短暂偏离、以及保证金计算中的时滞效应，可能导致账户整体保证金率瞬间跌破维持水平，触发强制清算。套利者在“对冲”状态下被清算，这在传统金融语境中近乎悖论，却是链上统一保证金系统的结构性脆弱点。第三，跨平台套利面临保证金分割与提款延迟的摩擦成本。当套利者在A平台持有多头、B平台持有空头时，单边的剧烈浮亏要求在亏损端追加保证金，但盈利端的资金提取往往受制于提款冷却期、链上确认延迟以及流动性桥的拥堵，这种时间错配在市场最需要资金调配的时刻制造了流动性陷阱，使得理论上完美对冲的头寸在实践中暴露于单边清算风险之下。

Shleifer 与 Vishny (1997) 在其开创性论文中提出的“套利的局限性”框架为理解上述风险提供了深刻的理论透镜 ^[14]。该框架的核心洞见在于，现实世界中的套利远非教科书模型所描述的无成本、无风险活动，套利者面临资本约束、追加保证金压力以及委托代理问题，这些摩擦使得定价偏差可能在被纠正之前进一步恶化。在加密永续合约市场中，这一框架的适用性需要沿原子性维度进行关键区分。一端是链上原子套利，即在单个交易的原子性执行保障下，借款、交易和偿还在同一区块内完成，不存在持仓期间的价格风险，套利者面临的唯一不确定性是交易能否被成功打包，这类套利接近于理论上的零风险基准，Shleifer-Vishny 框架中的资本约束和追加保证金压力在此类场景中不适用。另一端是非原子头寸套利，包括资金费率套利和跨交易所价差套利，套利者必须在一段时间内维持多个独立头寸，承受价格波动、保证金追缴和流动性错配的风险，而这恰恰是 Shleifer-Vishny 框架所警示的危险地带。在尾部事件中，这类名义上的“套利”策略可能因追加保证金的压力而被迫在最不利的时点平仓，使得原本旨在纠正定价偏差的行为本身成为市场波动的放大器。因此，永续合约市场中的套利者群体实际上横跨了从近乎零风险到与方向性投机无异的广阔风险光谱。

可组合性论题在套利行为中得到了直接体现，但其适用范围需要严格限定。链上环境的原子性执行特征与闪电贷机制相结合，使得现货去中心化交易所之间的原子套利可以实现零资本和零风险的执行，套利者可以在单个交易区块内完成借款、跨池交易和还款的完整闭环，这在传统金融市场中是无法想象的。然而，这一机制在永续合约的头寸套利中并不适用。资金费率套利和跨平台价差套利需要在不同时间点和不同平台上维持独立头寸，其持仓跨越多个区块乃至数日，无法被压缩进单个原子交易之中。即便是现货原子套利本身，也并非真正的“零成本”：套利者之间对同一价差机会的激烈竞争催生了优先 Gas 拍卖，获胜者往往需要将套利利润的大部分支付为 Gas 费用和区块构建者的小费，套利的经济租金在竞争均衡中趋向于被执行成本所消耗。这种数字原生的原子套利机制极大地提高了链上现货市场的价格收敛效率，但其效率提升并不自动延伸至需要持续持仓的永续合约套利领域。

4.2.4 机制寄生者

寄生型交易者这一概念由 Harris (2003) 提出，在传统金融市场中，其主要表现为信息寄生 ^[3]。信息寄生者利用通过不正当手段获得的非公开信息来获利，典型行为包括内幕交易和抢跑客户订单，这类行为通常被法律所禁止。然而，永续合约的链上环境催生了一种全新的寄生形态，即机制寄生。这是理解链上市场微观结构演变的核心理论贡献。

机制寄生与信息寄生在优势来源、行为性质和合法性上存在根本差异。为了将这一概念从描述性语言提升为可操作的分析工具，本章给出如下定义。

机制寄生是指市场参与者在完全遵守协议显式规则的前提下，利用规则组合所产生的非预期经济学后果，将交易成本或风险系统性地转嫁给其他参与者的行为。其成立需同时满足三个条件：（1）行为完全处于协议规则的允许范围之内；（2）行为所利用的经济学后果并非协议设计者的预期意图；（3）行为导致了价值从被动参与者向主动利用者的净转移。

需要对条件（2）中“协议设计者的预期意图”这一判据作出补充说明。在去中心化治理的语境下，协议的规则往往经由社区提案与投票产生，并不存在单一的、可明确归属的“设计者意图”，这使得条件（2）在实际操作中面临认定困难。一种更具可操作性的替代表述是：该行为所产生的负外部性（即对其他参与者和生态系统整体功能的损害）超过了其为生态系统带来的正外部性。这一基于净外部性的判据无需追溯主观意图，而是通过评估行为的客观经济后果来完成认定，在治理主体分散化的链上环境中具有更强的适用性。

机制寄生者的优势并非源于知道别人不知道的信息，而是源于比别人更深地理解协议规则的经济学含义。他们利用的是认知不对称，即协议规则对所有人公开，但其深层经济影响并未被所有参与者充分理解。这种区分将机制寄生与普通套利区别开来：套利纠正市场定价偏差，使价格趋向均衡，具有正外部性；而机制寄生利用规则漏洞转嫁成本，不改善市场效率，具有负外部性。

图 4-3 以左右并列结构呈现从信息寄生到机制寄生的演进，其核心是一个范式转移：优势来源从“利用别人不知道的信息”转向“比别人更深地理解公开的规则”，持续性从随信息扩散而消散变为结构性存续，防御也相应地从法律惩罚转向机制修复。

图 4-3. 机制寄生与信息寄生的演进对比（概念对比图，作者归纳，非实测数据）

引言中描述的 Hyperliquid 鲸鱼事件是机制寄生的典型案例。该交易者的行为完全满足定义 4-1 的三个条件：行为在协议规则范围内（条件 1）；利用了清算罚金低于市场平仓滑点这一非预期的经济学后果（条件 2）；将价格冲击成本从自身转移至被动流动性提供者（条件 3）。因此，主动触发清算成为了一种比自行平仓更优的退出策略。这种不等式的存在是协议机制设计的固有漏洞，而非交易者的道德缺陷。

机制寄生行为在链上市场呈现出一种光谱分布。从温和的最大可提取价值三明治攻击，到利用极端资金费率的策略性头寸，再到激进的策略性清算，甚至利用清算与保险基金机制联合漏洞的复杂攻击。这些行为的共同特征是，它们在协议规则层面是合规的。然而，协议规则层面的合规并不等同于法律层面的合规。市场操纵的法律标准在不同法域存在差异。欧盟《市场滥用条例》(MAR) 采用效果导向标准，制造虚假或误导性信号、或导致异常/人为价格即可构成操纵，不以主观意图为要件；而美国《商品交易法》的价格操纵（Rule 180.2）传统上要求特定意图制造“人为价格”，单纯价格效果尚不构成操纵，但后《多德-弗兰克》的欺诈型 Rule 180.1 仅需鲁莽即可成立。在这些框架下，即便行为完全遵守协议显式规则，若其效果构成对市场价格的人为操纵或对其他参与者的系统性损害，仍可能面临法律追诉。因此，机制寄生的法律地位目前仍处于未定状态，这构成了防御机制寄生的双重挑战：在机制层面，需要通过重设计来修复使这种行为有利可图的经济漏洞；在法律层面，则需要监管框架对链上行为的新型分类和效果导向的规制原则进行回应。

4.2.5 投机者与无效交易者

投机者试图从价格方向判断中获利，他们在市场中承担了主要的风险。然而，投机者群体内部存在显著的分化。少数有信息的方向性交易者对基本面或技术面具有真正的判断力，能够实现平均盈利，在经济学意义上，他们可以被视为知情交易者的一个子集。但绝大多数投机者属于无效交易者，他们基于情绪、噪声或从众心理进行交易，使用远超自身风险承受能力的高杠杆，其结果是系统性地沦为利润驱动型交易者的对手方，承受持续的亏损。

无效交易者的系统性亏损构成了永续合约市场利润转移的核心机制。§4.1.1所引 2025 年 10 月的清算数据（逾 162 万账户被强平、总额逾 190 亿美元、约 87% 为多头 ^[4][5]）正是其宏观证据：这并非单纯的市场波动，而是一个系统性的财富转移事件——无效交易者在市场平静期逐步累积杠杆，在去杠杆期则将前期累积的资本通过清算机制转移给做市商、知情交易者和清算人。

上述87%多头清算的极端单边性，不能仅用个体层面的过度自信或杠杆滥用来解释，而需要引入群体行为的分析框架。Banerjee (1992) 提出的信息瀑布理论为理解这种极端一致性提供了严谨的微观基础 ^[15]。该理论指出，当个体在信息不完全的条件下进行序贯决策时，理性的策略是忽略自身的私有信号而跟随先行者的行为，因为先行者的选择被视为包含了其私有信息的聚合。一旦这种跟随行为达到临界质量，后续参与者无论持有何种私有信息都会选择从众，形成自我强化的信息级联。在加密永续合约市场中，信息级联的形成条件被结构性地强化。持续为正的资金费率构成了最直观的群体情绪信号：当资金费率长期维持在年化30%甚至更高水平时，它向市场传递的隐含信息是“绝大多数参与者看多”，后来者倾向于将这一信号解读为市场共识而非拥挤风险的警示。与此同时，加密市场高度依赖社交媒体进行信息传播，关键意见领袖的公开喊单行为在 Twitter、Telegram 等平台上构成了强大的级联触发器，一位拥有大量追随者的 KOL 公开宣布开立多头头寸，其追随者中的相当比例会在缺乏独立判断的情况下直接跟单，这种行为进一步推高价格和资金费率，吸引更多的模仿者加入，从而形成正反馈循环。链上数据的完全透明性在此扮演了双重角色：它既使得巨鲸的持仓方向和 KOL 的交易行为成为公开可观测的信号源，加速了信息级联的传播，同时也使得头寸的极端单边集中可以被所有人看到却无人愿意成为第一个逆向行动者。当整个市场的多头头寸在信息级联的驱动下累积到临界水平时，任何外生冲击都足以触发§4.3.4所描述的清算级联，而级联的单边性正是前期羊群行为单边性的镜像反映。

这种行为模式并非源于单纯的市场教育不足，而是由永续合约的产品设计特征所系统性诱发的。Skwarek 等人 (2025) 的研究证实，多种行为偏差显著影响了加密投资者的决策过程 ^[16]。Delfabbro 等人 (2021) 进一步指出，加密市场的交易行为与赌博在心理机制上具有高度相似性 ^[6]。具体而言，永续合约交易的心理黏性可以通过三种经典机制加以解释。第一，变比率强化效应，即高杠杆交易偶尔产生的巨额盈利构成了一种间歇性的大额正反馈，其强化效力远高于稳定的小额收益，这与老虎机的奖励机制在心理学原理上同构。第二，近失效应，即交易者在清算价格附近侥幸逃脱的经历（例如价格在距清算线不到1%处反弹）会被主观编码为“差点成功”而非“几乎失败”，从而强化继续高杠杆交易的意愿。第三，心理账户效应，即交易者倾向于将每笔交易视为独立的心理账户，而非整体投资组合的一部分，这导致他们在单笔交易中承担远超理性标准的风险，同时对累积亏损的感知被系统性地钝化。更为关键的是，永续合约市场的全天候不间断交易特征消除了传统金融市场休市机制所提供的天然“冷静期”。在传统股票或期货市场中，收盘后的数小时间隔为交易者提供了反思决策、评估损失和恢复理性的时间窗口；而在24/7全年无休的永续合约市场中，这一缓冲机制完全缺失，亏损后的冲动性报复交易可以在数秒内执行，情绪驱动的交易链条得以无限延伸，从而显著放大了上述三种心理机制的破坏力。高杠杆、无需许可的准入机制以及情绪化的社区文化，共同构建了一个吸引并留住无效交易者的环境。这些持续亏损如何在经济学上补贴做市商的逆向选择损失，详见§4.3.3。

4.2.6 清算人

清算人在永续合约生态中扮演着系统坏账清理者的角色。他们的核心动机是从无效交易者的系统性亏损中获取利润，即赚取被清算者支付的清算罚金。通过及时接管并平仓资不抵债的头寸，清算人确保了协议的偿付能力，防止坏账向系统性风险演变。

然而，清算人的行为在极端市场条件下具有双面性。在正常市场中，清算人与投机者构成功能性互补，维持系统的健康运转。但在市场剧烈波动时，清算人的个体理性行为可能成为清算级联的加速器。为了尽快触发清算以赚取罚金，清算人会在市场上抛售被清算的资产，这种大规模的卖压会进一步压低市场价格，从而触发更多原本安全的头寸进入清算状态。

清算机制的具体设计对清算执行者的身份属性和行为模式具有决定性影响，而不同平台在清算执行者的角色定位上存在根本性差异。在中心化交易所中，清算本质上是平台内部风控流程的一部分，交易所的清算引擎作为协议的内置组件自动执行强制平仓，清算过程对外部参与者不可见，剩余保证金（若有）归还交易者，亏损缺口由交易所的保险基金吸收，外部独立清算人在这一模式中不存在。在去中心化借贷协议（如 Aave、Compound）中，清算则被设计为完全外部化的经济激励活动：当借款人的抵押率降至清算阈值以下时，任何外部参与者都可以通过调用智能合约的清算函数来偿还部分债务并以折价获取抵押品，清算人因此是无需许可的独立经济行为者，其参与完全由利润动机驱动。永续合约 DEX 的清算机制则介于上述两种范式之间，形成了一种混合模式。以 Hyperliquid 为例，其清算流程采用分层递进的架构：当交易者的保证金率降至维持保证金要求以下时，协议首先尝试通过内部清算引擎在市场上以限价单方式逐步平仓；若市场流动性不足以在合理滑点范围内完成平仓，则将剩余头寸转移至 HLP 做市金库由被动流动性提供者集体承接；仅在极端情况下，保险基金才作为最后的亏损吸收层介入。在这种混合模式中，“清算人”并非一个单一的外部独立角色，而是由协议清算引擎、做市金库和保险基金共同构成的多层防御体系，外部独立清算机器人的参与空间被显著压缩。dYdX v4 则采用了另一种混合路径，其清算由验证者节点在区块提议过程中执行，清算订单被嵌入区块构建流程之中，这使得清算执行与区块排序权力产生了耦合，验证者在理论上可以策略性地选择何时以及如何执行清算。因此，将清算人笼统地描述为外部独立的利润追求者，仅适用于借贷协议的纯外部化模式；在中心化交易所和多数永续合约 DEX 的实际运行中，清算执行者的身份远为复杂，涉及平台内部引擎、被动金库参与者和验证者等多种角色的交织。传统的悬崖式清算往往会导致价格的断崖式下跌，而渐进式清算或金库接管式设计则试图平滑清算冲击。具体而言，当前主流清算机制可归纳为四种类型：其一，悬崖式（全额）清算，即当保证金率触及阈值时一次性强制平仓全部头寸，其执行简洁但对市场价格的瞬时冲击最大，极易引发级联效应；其二，渐进式（部分）清算，即仅平仓足以将保证金率恢复至维持要求之上的最小头寸比例，通过增量式缩减头寸将价格冲击分散至多个时间窗口；其三，金库接管式清算，即协议金库直接吸收濒临清算的头寸并在后续市场条件更有利时逐步平仓，从而将即时的市场冲击转化为金库的库存风险；其四，自动减仓机制，即在保险基金耗尽或市场流动性严重不足时，协议强制削减盈利方交易者的未实现利润以覆盖亏损方的穿仓损失，这一机制虽然有效防止了协议层面的系统性违约，但以牺牲盈利交易者的合理预期为代价，引发了关于对手方风险再分配的公平性争议。在高杠杆的加密衍生品市场中，清算机制的设计不仅关系到单个协议的稳定性，更是防范跨市场风险传染的关键防线；欧洲证券和市场管理局 (2025) 对最大可提取价值的分析亦指出，交易排序与跨场所价差等链上微观结构问题具有系统性含义 ^[17]。清算执行者（无论其身份是平台内部引擎、外部独立机器人还是被动金库）作为这一机制的实际运作者，其利润追求与系统稳定目标之间始终存在着微妙的张力。

清算活动的法律定性在不同司法管辖区正面临日益严格的审视，这构成了清算人行为分析中不可忽视的监管风险维度。在传统金融体系中，强制平仓属于受监管金融机构的内部风控行为，执行主体的牌照资质和合规义务有明确的法律框架。然而，在无需许可的链上环境中，清算活动的法律属性变得模糊：当一个匿名钱包地址通过调用智能合约函数来强制平仓他人头寸并从中获取经济收益时，这一行为在某些司法管辖区可能被视为提供金融服务。例如，欧盟《加密资产市场监管条例》对加密资产服务提供者施加了授权（authorization）和合规义务，若清算活动被归类为此类服务，则匿名参与者将面临合规要求与匿名性之间的根本矛盾。与此同时，金融行动特别工作组推动的旅行规则要求虚拟资产服务提供者在交易中传递发送方和接收方的身份信息，这一要求对依赖匿名性运作的链上清算机器人构成了直接挑战。尽管当前多数司法管辖区尚未将链上清算活动明确纳入金融服务牌照的监管范围，但监管趋势的收紧意味着，以匿名方式参与清算并提取利润的行为模式可能在中期内面临法律地位的根本性重估。这种监管不确定性不仅影响清算人的行为激励，也可能对清算市场的参与者结构产生深远影响：若清算活动最终被要求持牌经营，当前由匿名机器人主导的竞争格局将被迫向合规化的专业机构转型，清算效率和市场覆盖范围都可能因此发生结构性变化。

4.3 参与者间的博弈网络

在确立了永续合约市场利润的两个终极来源以及六类核心参与者的基本特征之后，我们现在可以构建一幅动态的市场图景。参与者在市场中的生存与繁荣，并非取决于其静态的身份标签，而是取决于其在复杂博弈网络中的位置以及对利润流动的截取能力。这种博弈在数字原生环境中呈现出与传统金融市场截然不同的动态特征，高杠杆、完全透明与协议机制的确定性共同重塑了博弈的规则。本节将通过剖析四组核心的博弈关系，最终揭示整个生态系统中利润流动的完整网络结构。

4.3.1 做市商与知情交易者

做市商与知情交易者之间的博弈，构成了所有金融市场微观结构理论的基石，但在永续合约的链上环境中，这场博弈的烈度被推向了新的极致。如§4.2.1所述的价差三分法，做市商的买卖价差必须补偿订单处理、库存持有与逆向选择三项成本 ^[18]，而在加密资产永续合约市场中，这种逆向选择的性质发生了根本性转变。

链上环境的完全透明悖论地加剧了做市商的逆向选择风险：公开可见的持仓与清算价格属于公开的私有信息，需极高的数据处理能力才能转化为真实的交易优势 ^[12]，知情交易者据此更精确地预测短期价格走势，在与做市商的博弈中占据上风（其信息优势的具体来源已在§4.2.2展开）。研究记录了加密市场显著的逆向选择成本，据此可推断做市商在提供流动性时面临的逆向选择环境比传统市场更为严峻 ^[9]。

永续合约缺乏到期日进一步放大了做市商的库存风险——如§4.2.1所析，库存风险因此被无限期化，做市商无法确定单边趋势何时结束，只能要求更宽的价差以补偿潜在的巨大损失 ^[19]。这种双重压力在 Hyperliquid 的 HLP 金库案例中得到了集中体现。在2025年10月的市场剧烈波动中，面对大量由清算触发的无毒订单流，该金库单日实现了约4000万美元的盈利 ^[20]（该 2025 年 10 月数据来自做市商 Kappa Lab 的行业分析，非同行评审，其计算方法和数据覆盖范围尚未经过独立验证）；然而，在面对策略性行为者精心策划的清算事件时，同一个金库却承受了约400万美元的亏损 ^[2]。此处需要对“无毒”这一概念作出精确区分：清算触发的订单流在信息毒性维度上确属低毒，因为清算是由保证金率机械性触发的强制行为，并不承载关于资产基本面的私有信息，做市商在接受此类订单流时不会面临经典意义上的逆向选择；然而，在流动性毒性维度上，清算订单流却具有极高的毒性，因为大规模清算产生的单方向集中卖压会对市场价格造成剧烈冲击，做市商即使正确判断了订单流不含信息信号，仍可能因承接巨量单边头寸而遭受严重的库存损失。这一对比揭示了做市商利润的脆弱性，其盈亏本质上取决于对手方订单流的信息含量，而在一个无需许可的匿名网络中，筛选和区分订单流的毒性是一项极具挑战性的任务。

4.3.2 做市商与机制寄生者

除了传统的知情交易者，永续合约做市商还面临着一种链上环境独有的新型对手方，即机制寄生者。承§4.2.4界定的机制寄生——其优势并非源于独家信息，而在于比别人更深地理解协议规则的经济学含义——这种从信息寄生向机制寄生的范式转移，构成了去中心化金融微观结构中影响深远的结构性变化之一。

与传统金融中非法利用非公开信息的信息寄生（如内幕交易、抢跑客户订单 ^[3]）不同，链上市场的机制寄生者完全在协议公开透明的规则框架内运作，敏锐地捕捉协议设计在极端情况下的经济学漏洞，并将其转化为无风险或低风险的套利机会。如引言所述的 Hyperliquid 鲸鱼事件便是机制寄生的经典案例。该交易者通过故意提取保证金以抬高自身的清算价格，利用清算罚金低于市场平仓滑点这一规则漏洞，将巨额价格冲击成本系统性地转嫁给了协议的被动流动性提供者 ^[20]。

这种机制寄生行为对做市商构成了前所未有的毒性。传统的逆向选择模型假设知情交易者的优势是暂时的，随着信息逐渐融入价格，优势将随之消散 ^[21]。然而，机制寄生者的优势是结构性的，只要协议的规则漏洞未被修复，这种寄生行为就可以被反复执行。做市商面对的不再是基于价格预期的随机博弈，而是基于确定性规则漏洞的系统性提取。这种全新的毒性订单流不仅直接侵蚀了做市商的资本基础，更严重的是，它破坏了被动流动性提供的经济合理性，迫使做市商采用更具防御性的报价策略，最终导致整个市场流动性的系统性下降。防范这种机制寄生，不能依靠事后的行为惩罚，而必须依赖于更为严密的机制设计，确保在任何状态下，策略性利用规则的成本都高于其潜在收益。

4.3.3 利润驱动者与无效交易者

在剥离了复杂的策略与机制外衣后，对永续合约市场利润结构的分析揭示了一个核心事实：维持整个生态系统运转的绝大部分利润，最终来源于无效交易者的系统性亏损。所有利润驱动型参与者，无论是做市商、知情交易者还是机制寄生者，其财富积累在宏观层面上都高度依赖于无效交易者这一利润来源。

无效交易者通常被定义为那些期望从交易中获利，但由于技能、信息处理能力或情绪控制的系统性不足，而在长期博弈中持续亏损的市场参与者 ^[3]。在加密资产永续合约市场中，这一群体的行为模式呈现出与行为金融学中过度自信理论高度吻合的特征。研究表明，缺乏专业选股能力但过度自信的投资者，倾向于进行更频繁的交易，使用更高的杠杆，并最终获得更差的投资回报 ^[22]。永续合约的高杠杆特性、全天候的无间断交易以及强烈的市场情绪驱动，为这种过度自信行为提供了系统性的诱发条件。许多无效交易者的行为模式已经模糊了投资与赌博的边界，他们倾向于在市场上涨期间追高建仓，并在缺乏有效对冲策略的情况下承受远超其风险承受能力的波动敞口 ^[6]。

从市场微观结构的视角来看，无效交易者的存在是解决做市商生存困境的关键经济学力量。做市商在与知情交易者和机制寄生者的博弈中必然承受逆向选择损失，如果市场完全由理性且信息充分的参与者组成，做市商将无法持续提供流动性 ^[18]。正是无效交易者源源不断提供的无毒订单流，使得做市商能够安全地赚取买卖价差，从而在整体上维持盈利。更进一步，当无效交易者的仓位因价格不利波动而被强制清算时，他们的亏损直接转化为清算人的罚金收入以及空头对手方的方向性利润。因此，加密永续合约市场呈现出一种深刻的依赖性：高昂的市场基础设施运行成本、做市商的风险补偿以及各类套利者的利润，在很大程度上是由那些缺乏竞争优势却盲目使用高杠杆的无效交易者来补贴的。

4.3.4 投机者与清算机制

杠杆是永续合约市场的核心驱动力，但它也是将个体层面的理性行为转化为系统层面非线性风险的关键机制。投机者与清算机制之间的互动，构成了加密市场中最具破坏性的微观结构现象，即清算级联。2025 年 10 月的市场崩盘事件提供了一个典型的观测样本，展示了杠杆周期如何在四个截然不同的阶段中演进，最终引发系统性的流动性蒸发。

在第一阶段的积累期，市场处于相对平静的上升趋势中。无效交易者受到财富效应的吸引，不断追高建仓并逐步增加杠杆倍数 ^[4]。值得注意的是，积累期的杠杆膨胀并非线性过程，而是受到典型的反身性正反馈机制驱动 ^[23]：价格上涨推动资金费率转正，正向的资金费率本身被市场解读为多头占优的信号，社交媒体上的看涨叙事随之扩散，这种叙事又吸引新的参与者携带资金涌入市场，新参与者为追求更高回报率而采用更高杠杆倍数，其买入行为进一步推升价格，形成一个从价格到叙事再到资金流入的自我强化循环。在这个阶段，系统的脆弱性在暗中累积，大量多头头寸的清算价格密集分布在当前市场价格下方不远处。做市商为了满足旺盛的交易需求，不断扩大其风险敞口。随着价格触及局部高点，市场进入第二阶段的临界期。第一批零星的清算信号开始出现，敏感的做市商察觉到订单流毒性的上升，开始基于个体理性缩减报价深度，市场流动性悄然蒸发。

图 4-4 呈现杠杆周期的四阶段演进：横轴为时间，纵轴同时呈现价格走势与系统杠杆水平。各阶段时长高度不对称——积累期可持续数周至数月，而级联期往往在数小时至数天内完成，这种时间尺度的不对称正是杠杆市场非线性风险的核心体现。

图 4-4. 杠杆周期的四阶段模型（概念模型，作者构建；价格与系统杠杆两条曲线为定性示意，非真实时间序列；2025 年 10 月事件规模见正文 ^[4][5]）

当初始的实质性清算被触发时，市场迅速跌入第三阶段的级联期。这是一个典型的正反馈循环：清算引擎自动向市场抛售被清算者的抵押资产，这种不计成本的市价卖出在已经稀薄的流动性池中引发剧烈的价格下挫；价格的进一步下跌又触及了更低位置的清算线，触发新一轮的强制平仓 ^[24]。在这个阶段，做市商完全撤退以保护自身资本，导致流动性彻底枯竭，价格呈现急剧非线性下跌。2025 年 10 月的事件即这一过程的极端体现，其清算规模与单边性（逾 162 万账户、逾 190 亿美元、约 87% 多头）详见§4.1.1 ^[4][5]。

级联期的破坏力在很大程度上取决于保证金制度的微观结构差异以及平台层面的风险缓释机制。在逐仓保证金模式下，单一头寸的清算不会波及交易者的其他持仓，级联效应相对局部化；然而，当前主流平台日益普及的全仓保证金（统一保证金）模式在资本效率上的优势恰恰构成了级联期的关键加速器：在全仓模式下，某一资产的剧烈下跌会侵蚀账户整体的保证金水平，进而触发原本安全的跨资产头寸被连带清算，形成跨资产传染路径。面对级联压力，平台的保险基金充当第三阶段的第一道缓冲：当清算引擎无法以优于破产价格的价格在公开市场完成平仓时，保险基金承接差额损失，避免亏损直接向盈利交易者转嫁。然而，保险基金的规模是有限的，在极端尾部事件中，当连续清算的亏损速度超过保险基金的承受能力时，协议被迫启动自动减仓机制，即按照盈利排序强制削减对手方的头寸以实现系统性的风险释放。自动减仓机制本身虽然有效地防止了协议层面的违约，但其对盈利交易者的强制平仓具有显著的负外部性，进一步加剧了市场参与者的信任危机和流动性收缩。

级联期的另一个关键特征是跨平台传染。在当今高度碎片化的加密衍生品市场中，中心化交易所与去中心化协议之间通过三条主要渠道形成传染链：其一，跨平台套利者在多个场所同时持有对冲头寸，当一个平台的清算迫使其平仓时，其在其他平台上的对冲头寸也随之解除，将抛售压力传导至原本未受影响的市场；其二，做市商在市场压力下的同步撤退具有跨平台特征，当一个场所的订单流毒性骤升时，做市商出于风险管理考量会同时缩减其在所有场所的报价深度，导致流动性在全市场范围内同步蒸发；其三，永续合约的标记价格通常基于多个交易所的现货价格指数计算，一个平台的价格崩溃会通过指数权重传导至其他平台的标记价格，触发本不应发生的清算。与此同时，清算过程本身也存在若干失效模式：预言机在极端波动中可能出现延迟、失灵甚至被操纵，导致标记价格偏离真实市场价格，2020年3月 MakerDAO 的零价格清算事件即为典型案例：在以太坊网络严重拥堵的条件下，清算人以零出价赢得了价值数百万美元的抵押品拍卖，暴露了在网络拥塞时清算机制可能完全失效的系统性风险 ^[25]。更深层的非线性效应在于，级联期的价格冲击并非与清算规模成线性比例，而是随着流动性枯竭呈指数级放大：当订单簿深度收缩至正常水平的十分之一时，同等规模的市价卖出所引发的价格滑移可能是正常条件下的数十倍，这种流动性真空中的非线性价格冲击正是级联期破坏力远超线性预期的根本原因。

这些因素共同指向第四阶段的恢复期，在庞大的去杠杆过程完成后，市场进入恢复期。系统杠杆水平大幅下降，做市商在重新评估风险后缓慢恢复流动性提供，价格在新的低点企稳，等待下一个周期的开始。这种由清算机制驱动的非线性加速下跌，揭示了去中心化市场中个体最优行为叠加导致系统性脆弱的结构特征 ^[26]。

4.3.5 利润流动的完整映射

通过对上述四组核心博弈关系的深入剖析，我们现在可以绘制出永续合约市场中利润流动的完整拓扑结构。这并非一个简单的零和游戏，而是一个具有明确层级和流向的复杂有向网络，其中各类参与者基于其信息优势、资金规模和对机制的理解程度，占据着不同的生态位。

在这个生态网络中，无效交易者和功利型交易者构成了系统的基础利润来源。功利型交易者为了对冲风险而自愿支付的对冲溢价，以及无效交易者因方向判断错误和被清算而产生的庞大系统性亏损，汇聚成了驱动整个市场运转的两大利润来源。做市商位于网络的中心枢纽位置，一方面从无毒订单流中获取稳定的价差收益，另一方面又不可避免地因逆向选择而向信息优势方转移利润。知情交易者凭借信息优势，机制寄生者凭借对规则的深层理解，以及套利者凭借速度和资本优势，共同构成了这个生态系统中利润提取能力最强的参与者群体。他们不仅直接从无效交易者的方向性错误中获利，还持续从做市商的库存中提取价值。

图 4-5 绘制利润流动的完整拓扑：边的方向与粗细表示利润流向与相对规模，呈现“源头（功利型与无效交易者）→做市商中转→终端（知情交易者、机制寄生者、套利者）”三层结构，其中做市商入边（价差收益）与出边（逆向选择损失）的对比直观揭示了“两头受压”困境。贯穿全网的协议手续费与最大可提取价值抽取，正是§4.1.4负和量的微观来源。

图 4-5. 利润流动的完整映射（利润流动概念示意图：节点/边为机制关系，边粗细为定性相对量、非实测规模）

与此同时，整个博弈网络还受到持续的外部抽取。协议和交易所通过交易手续费提取系统价值，而底层的区块链验证者和矿工则通过网络费用和可提取价值抽走另一部分利润。这使得永续合约市场在本质上呈现出严格的负和博弈特征（如§4.1.4 的负和量公式所刻画）。理解这幅利润流动的总图景直接决定了对市场结构的认知深度，它表明，在一个无需许可、完全透明且高度杠杆化的数字原生环境中，财富以较高的效率从缺乏信息和机制理解的参与者流向掌握算法、速度和规则优势的参与者。需要指出的是，上述拓扑结构是一个简化模型，它省略了若干重要的反馈回路与外溢路径。首先，永续合约的资金费率会反向影响现货市场的定价，而现货价格的变动又通过预言机喂价回馈至永续合约的标记价格，形成跨市场的循环反馈，而这种反馈在极端行情中可能产生自我强化的螺旋效应。其次，该模型未纳入协议间竞争效应：当多个永续合约协议争夺同一批流动性提供者和交易者时，利润流动的方向和规模会随协议间激励结构的变化而动态调整。最后，利润流动网络并非封闭于加密市场内部，而是通过多条路径向外部金融体系溢出。例如，极端去杠杆事件可能触发稳定币的脱锚压力，机构投资者通过 ETF 或结构化产品持有的加密敞口可能将链上去杠杆的冲击传导至传统金融市场，形成跨系统的风险传染。这些被简化掉的维度不改变上述利润流动拓扑的核心结构，但提示读者在将其应用于极端情景分析时需审慎考虑模型的边界条件。这一利润流动格局为后续章节探讨如何通过机制设计提升市场质量提供了实证基础。

4.4 数字原生环境的三重重塑

数字原生环境通过重写交易的基础规则，从根本上改变了参与者的行为模式。在传统金融市场中，参与者的身份是固定的，博弈主要发生在人类交易者之间，且信息环境具有高度的不透明性。然而，在无需许可、完全透明且高度可组合的链上永续合约市场中，这些基本假设被彻底颠覆。这种环境不仅降低了参与门槛，还催生了全新的博弈形态。具体而言，数字原生环境对参与者行为的重塑体现在三个核心维度：角色从固定身份向流动状态的转变、博弈从人类决策向算法执行的演进，以及透明性在高杠杆环境下向系统脆弱性的转化。这三重重塑共同构建了一个在表面上与传统金融相似，但在底层运行逻辑上截然不同的全新生态系统。

4.4.1 角色的流动化

在传统金融体系中，参与者的角色具有高度的固化特征。这种固化主要源于严格的牌照准入制度、高昂的资本要求以及复杂的合规审查机制。做市商、经纪商、清算机构和投机者各自占据明确的市场生态位，跨越这些边界需要付出极高的制度成本。因此，传统市场的参与者分类往往呈现出静态的树状结构，每个实体在其生命周期内通常只扮演一种或少数几种固定角色。

链上金融的无需许可特性彻底打破了这种角色固化。在永续合约协议中，参与者的身份不再是固定的标签，而是可以随时切换的流动状态。同一个钱包地址在不同的时间点，甚至在同一笔复杂的组合交易中，可以同时扮演多种角色。这种角色流动化可被抽象为一个状态转移图，其中包含投机、做市、套利、清算和治理等多个节点，且节点之间的转移成本趋近于零。

图 4-6 以状态转移图展示链上参与者如何近乎零成本地切换市场角色（投机、做市、套利、清算、治理五节点）：其关键特征是近乎完全连通，几乎任意两节点间都有直接转移路径，与传统金融因牌照制度和合规要求而呈稀疏连接的状态转移图形成鲜明对比。

图 4-6. 参与者的状态转移图（角色状态转移概念示意，非实测数据）

这种状态的自由转移并非仅仅是理论上的可能性，而是已经在链上数据中得到了初步支持。对 Hyperliquid 交易数据的一项独立分析表明，市场中最活跃的约 15% 的地址在同一自然月内参与了至少两种不同的市场活动，例如在进行方向性投机的同时向协议的金库提供流动性，而这些地址贡献了超过 40% 的总交易量 ^[27]。需要特别指出的是，该数据来自非同行评审的独立分析报告，其样本覆盖范围、地址归属的聚类方法以及统计推断的稳健性均尚未经过学术界的独立验证，因此上述具体数值应被视为量级上的参考估计而非精确结论。尽管如此，这一初步证据指向了一个值得关注的趋势：角色流动性主要由专业参与者驱动。他们利用数字原生环境的低摩擦特性，动态调整其在市场中的功能定位，以实现资本效率和收益的最大化。

角色的流动化深刻改变了专业化的内涵。链上金融极大地降低了角色转换的制度门槛，使得专业参与者能够更高效地整合跨域策略，同时也为普通用户参与被动做市等复杂活动提供了可能。然而，这并不意味着市场走向了去专业化。相反，专业化的壁垒从基于牌照的制度准入，转向了基于机制理解、算法技术和资本规模的认知与技术壁垒。在这种新范式下，参与者的竞争力不再取决于其拥有的身份标签，而取决于其在不同状态间高效切换并捕捉利润的能力。值得在此进行一项重要的区分：角色流动化在实践中可能表现为两种截然不同的行为模式。其一是理性的策略多元化，即参与者基于对市场微观结构和自身比较优势的深入理解，在不同状态间进行审慎的动态配置，以优化风险调整后的整体收益；其二则是过度自信驱动的策略漂移，即参与者在某一角色中获得短期成功后，在缺乏充分认知准备的情况下贸然扩展至不熟悉的领域，例如一个成功的方向性投机者在未充分理解逆向选择风险的前提下转而尝试主动做市。前者是低摩擦环境的正面产物，后者则可能加速资本的损耗。两者之间的界限在事前往往难以清晰界定，但在事后的盈亏数据中通常会呈现出显著的差异。

4.4.2 博弈的算法化

数字原生环境不仅改变了参与者的角色形态，还从根本上重塑了博弈的执行方式。在链上市场中，由智能合约定义的透明规则和公开的内存池，为算法化博弈提供了结构性有利条件。经济机器人（包括最大可提取价值搜索者、清算机器人和套利机器人）已经成为市场微观结构中具有决定性影响的组成部分，它们对市场行为的影响甚至超过了人类交易者。

最大可提取价值搜索者的行为机制是博弈算法化的典型代表。在以太坊主网等通用型区块链上，这些算法程序持续扫描公开的交易等待池，寻找可以利用的大额订单或定价偏差。一旦发现机会，它们会通过向区块构建者支付更高的 Gas 费用，以确保其交易被优先打包，从而执行抢跑或三明治攻击。据 Flashbots 与 EigenPhi 的数据，以太坊主网上累计提取的最大可提取价值（包括抢跑、三明治攻击和套利等类型）自 2020 年以来估计在 10 亿至 20 亿美元量级；需要区分的是，验证者经 MEV-Boost 获得的支付规模另达数十亿美元，二者口径不同、不应混同 ^[28]。这一数据虽然主要反映的是以太坊主网现货交易与通用 DeFi 场景中的价值提取规模，但它所揭示的核心逻辑，即算法化博弈已从边缘策略演变为链上金融的核心利润分配机制，同样适用于永续合约市场。

然而，永续合约协议中最大可提取价值的具体表现形式与以太坊主网的内存池博弈存在本质差异。在采用应用链架构的永续合约协议（如 Hyperliquid）中，交易排序权集中于协议自身的排序器，由此产生的排序权最大可提取价值构成了一种独特的攻击面：排序器运营者或与之共谋的参与者可以通过操控交易执行顺序获取超额利润。此外，预言机更新前置交易是永续合约市场特有的另一重要形式，攻击者利用预言机价格更新与实际市场价格变动之间的时间差窗口，在新价格生效前抢先建仓以捕获确定性利润。这两种形式与以太坊内存池中基于 Gas 竞价的抢跑机制在机理上截然不同：后者依赖于公共内存池中交易意图的可见性与区块构建者的排序竞价，而前者则分别利用了中心化排序器的特权地位和预言机更新的离散时间结构。这一区分在学理上至关重要，因为不同的攻击面对应着不同的防御策略和制度设计路径。

最大可提取价值的本质，是第 1 章所讨论的透明性悖论在交易执行层面的直接体现。公开的内存池使得所有交易意图对全网可见，但这种可见性并不能平均地转化为所有人的利益。只有具备最快计算速度和最优网络拓扑的搜索者，才能将这种透明性转化为实际的利润。换言之，在算法主导的博弈中，所有参与者均可观察到相同的信息，但只有具备最高计算速度的算法才能将其转化为交易优势。这种动态导致了普通用户在交易执行过程中系统性地处于劣势，他们往往在不知情的情况下为搜索者的服务支付了隐性的成本。

面对算法化博弈带来的负外部性，加密社区的应对策略并非试图彻底消除最大可提取价值，而是通过制度化手段对其进行管理和规范。例如，Flashbots 引入了密封竞价机制，MEV-Share 协议实现了利润向用户的部分回返，而以太坊协议层则推进了提议者与构建者分离的架构设计 ^[29]。这些机制创新的核心目标是在承认算法博弈不可避免的前提下，通过市场化手段降低其对普通用户的剥削程度。这一制度化过程与传统金融市场中对高频交易的监管演进存在着深刻的结构性相似，均反映了市场在追求效率与维护公平之间的艰难平衡。

4.4.3 透明性-脆弱性悖论

在低杠杆的现货市场中，链上数据的完全透明通常被视为一种积极属性，它赋予了市场极高的可审计性、可监控性和可验证性。然而，当这种透明性与永续合约市场的高杠杆特征相结合时，其性质发生了根本性的反转。本节提出透明性-脆弱性悖论这一核心概念，旨在阐明在特定条件下，信息的绝对开放如何转化为系统的结构性脆弱性。

在链上永续合约市场中，每一个交易者的仓位大小和保证金余额都通过智能合约的公开状态对所有人直接可见，而清算价格虽然并非直接存储在链上状态中，但可以根据公开的维持保证金参数和标记价格公式精确计算得出，因此在实际效果上等同于完全公开。当交易者使用极高的杠杆时，其清算价格往往距离当前市场价格非常接近。这种组合创造了一种极具吸引力的攻击向量：如果一个拥有充足资本的攻击者能够精确计算出某个高杠杆多头的清算价格，并且评估出将市场价格压低至该触发点所需的成本低于清算带来的潜在收益，那么定向触发该清算就成为一种具有正期望值的理性策略。更为重要的是，这种攻击逻辑并不局限于对单一头寸的定向狙击，而是可以扩展至系统层面。由于所有持仓数据均可被聚合分析，攻击者能够构建完整的清算热力图，即标注出在各个价格水平上将被触发清算的头寸总量及其累计规模。这种热力图揭示了价格下行路径上清算级联的临界点：当价格被压低至第一层密集清算区间时，所释放的强制卖压将进一步压低价格并触发下一层清算，形成自我强化的级联效应。因此，系统层面的清算级联攻击，即不以某一特定头寸为目标，而是以触发整个清算链条为策略，在透明性与高杠杆并存的环境中成为一种具有更高预期收益的理性行为。

图 4-7 以左右对比描绘透明性-脆弱性悖论：同一份完全透明的数据，在低杠杆场景下增强市场可审计性与风险评估，在高杠杆场景下却与大资本攻击能力结合，使定向触发他人清算成为具有正期望值的策略。两场景的关键分界正是杠杆水平。

图 4-7. 透明性-脆弱性悖论的机制（透明性-脆弱性悖论的机制示意图，非实测数据）

如引言所述的 Hyperliquid 鲸鱼事件正是这一悖论的极端展示。在该事件中，交易者并非被动地被清算，而是主动利用了自身清算价格公开可见这一事实，将清算转化为一种策略工具 ^[30]。这表明，在透明且高杠杆的环境中，对透明数据经济学含义的理解深度，比信息获取本身更具决定性的竞争优势。

透明性-脆弱性悖论揭示了链上市场设计中的一个深层矛盾：信息的开放性并不必然等同于博弈的公平性。当所有参与者的仓位信息完全公开，且部分参与者具备利用这些信息实施定向清算的能力时，透明性反而加剧了市场中的不对称利润提取。这一悖论不仅是第 1 章宏观透明性论题在微观参与者层面的具体化，也为后续章节探讨清算机制的重新设计和流动性保护提供了核心的理论出发点。

4.4.4 三重重塑的叠加效应

角色的流动化、博弈的算法化以及透明性-脆弱性悖论，这三重重塑并非孤立发生，而是相互交织、共同作用，最终塑造了一个与传统金融在形式上相似，但在性质上截然不同的全新交易生态。

表 4-2 从角色形态、博弈主体、信息环境、竞争优势与脆弱性来源五个维度，总结传统金融与链上永续合约市场在参与者行为层面的系统性差异。贯穿所有维度的主线在于：链上市场的核心转变并非消除了传统金融的约束，而是将约束的性质从制度性壁垒转换为认知与技术性壁垒——金融博弈的底层逻辑不变，但实现这些逻辑的微观机制已发生根本性改变。

表 4-2. 传统金融与链上永续合约市场参与者行为特征比较（数据来源：作者整理）

在这个叠加产生的新生态中，传统的市场微观结构理论部分失效。例如，做市商面临的逆向选择风险不再仅仅来自于拥有内幕信息的知情交易者，更多地来自于能够精确计算清算级联和深度理解协议漏洞的机制寄生者。同样，散户投资者的亏损不再仅仅是因为判断失误，还因为他们在完全透明的环境中在高频算法和定向清算策略面前处于系统性劣势。

这种对比的目的并非评判两种体系的优劣，而是确立一个关键的认知基准：链上永续合约市场的底层博弈规则已经发生了不可逆转的改变。理解这种从固定身份到流动状态、从人类博弈到算法对抗、从不透明保护到透明性脆弱的范式转移，是深入分析该市场生态结构、评估其系统性风险以及设计更稳健协议机制的必要前提。

4.5 AI Agent：第七类参与者的崛起

§4.2分析的六类参与者（做市商、知情交易者、套利者、机制寄生者、投机者、清算人）都遵循一个共同的模式：人类设计策略，由人或简单算法执行。AI Agent 的出现打破了这个模式：它能够在执行预设策略之外自主生成策略，处理非结构化信息，并跨市场、跨协议、跨链发现和利用机会。AI Agent 的崛起将§4.4识别的三重重塑（角色流动化、博弈算法化、透明性-脆弱性悖论）推向极致，并催生一系列前所未有的全新问题。

4.5.1 从自动化到自主代理

§4.4.2分析的经济机器人（MEV 搜索者、清算机器人、套利机器人）属于自动化代理。它们按照人类预设的确定性规则在确定性条件下执行确定性操作。例如，一个套利机器人的逻辑可能是“如果价差超过X，则执行套利；否则等待”。这类代理的行为完全可预测，因为规则由人编写，规则本身不会改变。

基于大型语言模型的 AI Agent 属于自主代理，与自动化代理存在三个本质区别。在策略来源上，自动化代理的策略由人类设计、机器负责执行，而自主代理能够自主生成、评估和调整策略，在市场交互中不断优化。在信息处理能力上，自动化代理仅处理结构化数据（价格、订单簿、链上状态），而自主代理可处理非结构化信息（新闻、研报、社交媒体、监管文本）。在适应能力上，自动化代理的规则固定，环境变化时需要人工更新，而自主代理持续学习并在市场交互中自适应。

这个跃迁不是量变而是质变。从形式化的角度看，自动化代理的行为可以建模为确定性有限自动机，即给定状态和输入，输出完全确定；而自主代理的行为更接近于部分可观测马尔可夫决策过程，其策略基于对环境的不完全观测动态调整，输出具有内在的不确定性。

行业数据佐证了这种跃迁的速度。Messari (2024) 的《Crypto Theses 2025》对 AI Agent 的爆发式增长作出了定性判断，但未给出具体的管理资产规模目标 ^[31]；截至 2026 年中，由 AI Agent 管理的链上资产尚无权威统计口径，市面流传的具体数字多为第三方市场估算，应审慎对待。尽管如此，即使保守估计，其增长速度也暗示了一个快速接近的转折点：当 AI Agent 管理的资产达到市场总量的某个临界比例时，市场的微观结构将发生质的改变。

4.5.2 AI Agent 对两大利润来源的争夺

将 AI Agent 纳入§4.1的利润来源框架，它不是简单地在六类参与者中新增一类，而是同时在两大利润来源上、以多种角色、发起多维度竞争。

在无效交易者亏损的争夺上，AI Agent 首先以知情交易者的角色参与竞争。AI Agent 可以同时阅读和理解所有公开新闻、链上数据、社交媒体情绪与监管动态，在此基础上生成方向性判断，其信息处理的广度和速度远超人类知情交易者。Lopez-Lira 和 Tang (2023) 的研究表明，当引入能阅读新闻的 LLM Agent 时，市场价格发现效率显著提高，信息不对称程度大幅下降 ^[32]。这意味着传统知情交易者相对于 AI Agent 可能转变为信息劣势方，信息优势的来源从独家信息转移至推理和关联能力，竞争维度从信息差转向智能差。与此同时，AI Agent 的存在还加快了无效交易者的亏损速度，因为 AI 对手方的定价更精确，留给人类犯错的空间更小。AI Agent 越普及，无效交易者亏损的总量可能反而下降，但并非因为无效交易者变少，而是因为每个无效交易者亏损得更快，存活时间更短，持续贡献的亏损减少。这可能对市场流动性产生间接的负面影响。然而，这一趋势存在一个值得关注的反向效应：“AI 叙事”本身可能吸引新一波无效交易者进入市场，即零售投资者被 AI 驱动的交易机器人所吸引，对其回报预期抱有不切实际的幻想，从而成为新的亏损来源。更为微妙的是，设计不当的 AI 交易代理本身可能演化为一种全新类别的“无效 AI 交易者”，它们因过拟合历史数据、模型漂移或遭受对抗性攻击而产生系统性亏损，其行为模式虽然在形式上表现为算法理性，但在经济后果上与人类无效交易者并无本质区别，甚至可能因规模化部署而放大亏损的总量和速度。

在对冲溢价的争夺上，AI Agent 以做市商的角色实现人类做市商无法达到的多维优化。它可以同时在多个交易所、多个交易对上管理库存，实时评估每笔订单的毒性概率，在毫秒内调整报价宽度和深度。第 2 章§2.2.5识别的废除到期日导致做市风险无限期化这一代价，在 AI 做市商面前可能被部分缓解，因为 AI 的库存管理可以跨资产、跨市场地动态对冲，实现人类做市商无法企及的多维风险分散。然而，AI 做市商同时加剧了人类做市商的竞争压力。在 AI 做市商能够提供更窄价差和更深深度的市场中，人类做市商的生存空间被结构性地压缩，做市可能从有技术门槛的专业活动演化为以 AI 基础设施为门槛的寡头活动。

此外，AI Agent 还可以更精准地识别和利用协议的代币激励，自动在不同协议之间切换以最大化收益，进一步加速了协议代币激励的效率化开采，使得协议通过代币激励来获取流动性的成本上升。

4.5.3 对六类参与者的差异化冲击

AI Agent 的崛起对§4.2的六类参与者产生了不对称的冲击。有些角色被增强，有些被削弱，有些面临存亡问题。

图 4-8 以冲击向量呈现 AI Agent 对六类参与者的差异化影响（分布高度不均）：做市商与套利者两极分化，知情交易者与机制寄生者表现为“军备升级”（竞争维度从信息差升至智能差），投机者与无效交易者加速淘汰，清算人则走向完全自动化（AI 取代规则型清算人、罚金被竞争性压缩、引入同质化风险）。整体效果是参与者结构进一步集中化。

图 4-8. AI Agent 对六类参与者的差异化冲击（AI 冲击为作者定性判断，方向＝增强/削弱、长度＝相对强度，非实测数据；横轴刻度不代表测量值）

做市商：两极分化。 顶级做市商通过引入 AI 获得压倒性优势，能够在更多市场上同时运作，库存管理更高效，风险控制更精细。中小做市商则被逐步淘汰，因为其无法在速度和精度上与 AI 做市商竞争。整体结果是做市集中度上升，流动性可能更深但来源更集中，系统韧性可能下降。

知情交易者：信息优势被重新定义。 基于公开信息处理的知情优势被 AI 抹平，生存空间转向独家数据源、更深推理与更低延迟的组合，但这些优势本身也在被 AI 逐步削弱。竞争维度从信息差转向智能差，知情交易的门槛上升而非下降。

套利者：效率提升但利润压缩。 AI 使套利执行更快更精确，但竞争也更激烈。套利利润趋零，市场效率提升。套利作为市场效率维护者的可持续性受到质疑。

机制寄生者：军备升级。 AI 使机制漏洞的发现更快更系统化。策略性清算、保险基金套利的精度提升。协议的机制设计必须对抗 AI 级别的漏洞发现能力，第 11 章和第 29 章的清算设计面临更高标准。

投机者与无效交易者：加速淘汰。 面对 AI 对手方，人类投机者的信息劣势进一步扩大，亏损速度加快。无效交易者亏损的产生速度加快但总量可能下降，市场可能面临无效交易者枯竭的远期问题。

清算人：完全自动化。 AI 驱动的清算机器人在速度和策略精度上远超规则型机器人。清算市场的竞争加剧，清算罚金被竞争性压缩。然而，AI 清算系统也引入了新型运营风险：对抗性输入（如精心构造的价格序列）可能误导 AI 清算机器人的决策判断，导致其在不利时机执行清算或错误评估清算头寸的价值；基于相似模型架构的清算人群体存在同质化风险，在极端市场条件下可能同时失效或做出相同的错误判断；此外，市场微观结构的持续演变可能导致模型漂移，使基于历史数据训练的参数在新的市场状态下失去有效性。

一个关键的洞察是：AI Agent 的冲击不是均匀的，它放大了市场的不平等。拥有 AI 基础设施的参与者与没有的参与者之间的差距，可能比传统金融中机构与散户的差距更大。这引出了第 25 章（市场质量）层面的公平性问题：“AI 参与者与人类参与者的速度鸿沟是否需要制度性的应对？”

4.5.4 三个全新博弈形态

AI Agent 不仅改变了现有参与者的竞争格局，还催生了三种在§4.3的博弈网络中不存在的全新博弈形态。

第一种博弈形态出现在 AI 与 AI 之间，其核心风险是策略同质化。当市场中的大部分做市商和套利者都是基于相似大模型构建的 AI Agent 时，它们对同一信号的反应模式可能高度相似。在异常事件发生时，所有 AI 可能同时扩大价差、倾斜报价至同一方向、达到风控阈值并缩减敞口。这比第 2 章§2.4.2和§4.3.4中分析的人类做市商的同步流动性收缩更快、更彻底，因为 AI 的同步是毫秒级的，而人类的流动性收缩至少分散在分钟至小时级。然而，AI 的恢复也可能更快，因为 AI 不受行为偏差影响，一旦触发条件消失即可立即恢复报价，这可能使危机呈现更尖锐但更短暂的 V 形特征。策略同质化的根源在于相同的模型架构对相同的输入产生相同的输出，其可预测性高于人类行为，防御手段需要在模型多样性层面进行设计。这一风险并非纯粹的理论推演，而是在传统量化金融中已有历史先例。2007 年 8 月的量化基金危机中，采用相似多因子模型的量化对冲基金在数日之内同步展开头寸平仓，导致原本高度分散化的投资组合出现多个标准差的异常亏损 ^[33]。该事件的核心教训在于，策略同质性本身即为系统性风险的来源：当足够多的参与者基于相同的信号做出相同的决策时，市场在正常时期表现出的流动性深度会在压力事件中瞬间蒸发。在 AI 主导的市场中，级联动态的时间尺度可能发生根本性压缩。传统量化危机通常遵循一个四阶段模型：数周的头寸积累、触发事件的出现、数日的级联平仓、以及数周的市场恢复。然而，当博弈主体从人类量化交易员（其决策周期为小时至天）替换为 AI Agent（其反应时间为毫秒级）时，上述四阶段可能坍缩为两阶段结构，即缓慢的同质化头寸积累与近乎瞬时的级联崩溃。中间的“逐步展开”阶段因所有 AI 几乎同时触发风控阈值而被消除，使得危机从渐进式演化转变为相变式突发。

第二种博弈形态出现在 AI 与人类之间，其核心特征是信息处理能力的结构性不对称。当 AI Agent 能够在毫秒内处理数千个数据源，同时评估基本面、技术面、链上数据、情绪和跨市场信号，而人类交易者仍然主要依赖有限的信息和直觉时，两者之间的能力差距具有系统性特征。这种差距在非结构化信息的处理上表现得尤为显著。以一条监管新闻的出现为例，人类需要数分钟到数小时来阅读、理解和判断其影响，AI Agent 则可以在秒级内完成处理并执行交易。这是一种源于信息处理能力根本不对称的结构性差异，而非信息获取权的不对称。从§4.1利润来源框架的视角，这意味着 AI Agent 可以更高效地从无效交易者的系统性亏损中提取价值，但同时也可能因为无效交易者的加速退出而导致这一利润来源萎缩。§4.4.3的透明性-脆弱性悖论在此获得了新维度：透明性的利用门槛从计算速度进一步提升至推理智能。

第三种博弈形态出现在 AI Agent 与协议机制之间，其本质是机制寄生的智能化。§4.2.4定义的机制寄生在 AI 时代将被显著放大。当前的机制寄生主要由人类策略师通过深度研究协议文档来实现，发现一个可利用的漏洞通常需要数天至数周；而 AI Agent 可以系统性地分析所有链上协议的智能合约代码，模拟不同的攻击路径和经济后果，在数小时内发现人类需要数周才能找到的机制漏洞，并自动构建和执行策略性攻击。这意味着协议的机制设计必须能够抵御 AI 级别的漏洞发现能力。Dou, Goldstein 和 Ji (2025) 的研究进一步指出，即使没有明确的指令，基于相同强化学习范式训练的 AI Agent 也可能在互动中发展出隐性共谋策略，例如共同维持较高的买卖价差 ^[34]。这种共谋比人类共谋更难检测和证实，因为它并非通过显式的通信或协议实现，而是从相同的学习过程中自然涌现。在此需要区分两个常被混淆的概念：隐性共谋是指独立的 AI Agent 通过反复博弈在学习过程中自发收敛于合作均衡（如共同维持高价差），其中存在真实的策略互动和相互适应；策略趋同则是指基于相似模型架构和训练数据的 AI Agent 独立地产生了相似的输出，并无合作动态。两者在市场影响上可能同样有害，但在因果机制上截然不同。传统的共谋检测方法，无论是基于通信监控还是行为模式分析，在这两种情形下均可能失效，因为既不存在可截获的显式协调信号，价格行为上的相似模式也无法区分是源于互动学习还是独立趋同。

4.5.5 对分析框架的修正

AI Agent 的引入要求对本章前四节建立的框架进行若干修正。

在利润来源层面，AI 的普及可能使两大利润来源的相对比例发生结构性变化。无效交易者的系统性亏损可能因其被加速淘汰而萎缩，而对冲溢价则可能随着 AI 使更精确的对冲策略变得普及而扩大，更多参与者因此可以成为功利型交易者。这种比例变化对市场健康程度的诊断具有直接含义。在参与者分类层面，AI Agent 并非简单的第七类参与者，其更准确的定位是一种可以在同一时间窗口内同时执行做市、知情交易、套利和清算等多种功能的多角色参与者。它将§4.4.1所描述的状态转移图中的角色切换速度从人类的分钟至小时级加速至毫秒级，使状态转移从离散跳转趋向连续流动。在博弈网络层面，当博弈双方均为 AI 时，博弈的性质可能从不完全信息博弈演化为不完全可预测的算法博弈，其中每方的策略空间本身动态变化，传统博弈论的均衡概念可能不再适用，这对分析工具提出了新的要求。本章识别的三重重塑也因 AI 的参与而被推向极端：角色流动化加速至毫秒级切换，博弈算法化从规则型升级为自主学习型且行为可预测性下降，透明性-脆弱性悖论的信息利用门槛从计算速度提升至推理智能。

AI Agent 不是本章分析框架的“例外”，而是其逻辑极端。它将§4.4识别的三重重塑中的每一重都推向了人类参与者无法企及的极端形态。对这些极端形态的系统性分析将在第 31 章中展开。

AI Agent 的自主决策能力还引发了一个现有法律框架尚未解决的根本性问题：当一个自主运行的 AI Agent 在永续合约市场中造成损害（例如通过高频策略引发闪崩、利用机制漏洞系统性抽取流动性、或与其他 AI Agent 形成隐性共谋），法律责任应当归属于谁？是编写底层模型的开发者，是将 Agent 部署到特定市场的运营者，还是 Agent 本身作为某种“电子人格”承担责任？欧盟《人工智能法案》(EU AI Act) 采用基于风险等级的分类监管框架，但并未将高频/算法交易列入其高风险类别（算法交易主要由 MiFID II 的 RTS 6 与 DORA 规制）；无论是 AI Act 还是上述交易规则，均预设了人类对 AI 行为的可控性，而自主学习型 Agent 的决策路径往往连其开发者也无法完全预测或解释。美国现行的算法交易监管（如 SEC 的市场准入规则 Rule 15c3-5，以及 CFTC 的电子交易风险原则——其更早的自动化交易规则 Reg AT 已于 2020 年撤回）同样建立在“算法是人类意图的执行工具”这一假设之上，将责任追溯至部署算法的自然人或法人。然而，当 AI Agent 的行为并非源于预设规则而是从强化学习中涌现，当其策略选择超出了任何人类事先的设计或预期，“工具”与“独立行为者”之间的界限便从根本上模糊了。这一法律归责的空白不仅是理论问题，它直接影响市场参与者的风险评估和行为激励：如果责任归属不清，部署者可能过度冒险；如果责任过重，创新可能被抑制。现有法律体系以人类决策者为核心假设而构建的归责逻辑，在面对具备自主决策能力的 AI Agent 时，需要从根本上重新审视“行为”、“意图”与“责任”之间的关系。

4.6 与传统金融的对比

将链上永续合约市场与传统金融市场进行系统对比，不是为了评判优劣，而是为了精确识别：什么是金融市场的普遍规律，在两者中都成立；什么是数字原生技术带来的结构性创新；什么是全新的、传统金融中不存在的现象。

4.6.1 不变的底层逻辑

逆向选择是做市商面临的永恒困境。无论技术如何变化，做市商总是面临一个基本的信息不对称问题：无法事先区分“无毒”订单和“有毒”订单。这个困境在传统期货市场中存在，在链上永续合约中也存在，在 AI 时代仍然存在。利润最终来自“提供服务”或“他人的错误”。这个底层逻辑不因链上化而改变。在传统金融中，做市商从价差中获利，套利者从定价偏差中获利，知情交易者从信息优势中获利。在链上永续合约中，这些利润来源依然存在，只是实现方式改变了。高杠杆在放大收益的同时放大风险。保证金和清算机制是杠杆市场的必要组成。无论是传统期货还是链上永续合约，高杠杆都要求严格的风险管理机制。“有人赚就有人亏”的零和/负和性质是交易市场的数学事实。永续合约市场中，所有交易者的盈亏总和小于零，差额用于支付手续费、Gas 费、MEV 成本。这个负和性质与传统期货市场相同。然而，在承认上述底层逻辑不变性的同时，也需要审慎界定经典模型的适用边界。Glosten-Milgrom 模型的连续时间假设、Kyle 模型中做市商承担报价义务的前提，以及标准均衡分析所依赖的连续价格调整机制，在链上环境中均面临结构性偏离：离散的区块出块机制取代了连续时间交易，无需许可的流动性提供意味着不存在传统意义上的做市商报价义务，而区块级别的原子性执行（即同一区块内的交易要么全部成功要么全部回滚）创造了经典理论中不存在的执行动态。这些差异并不意味着逆向选择、利润来源和杠杆动态等底层逻辑失效，但要求研究者在将经典市场微观结构模型应用于链上永续合约分析时，明确标注其假设条件与链上现实之间的偏离，并对模型结论的适用范围保持审慎。

4.6.2 已变的实现方式

表 4-3 从准入方式、信息优势来源、寄生行为性质、清算公开性、博弈速度和做市风险六个核心维度，比较了链上永续合约与传统金融的结构性转变，并提炼了每个维度的核心变化方向。

表 4-3. 链上永续合约与传统金融的核心转变（数据来源：作者基于文献整理）

从表 4-3 中可以提炼出一个贯穿所有维度的深层模式：每一行的“核心转变”列都指向同一个方向，即从依赖外部制度保障的市场，转向依赖内生技术能力的市场。准入从牌照审批转向知识技术壁垒，信息优势从独占性渠道转向处理能力竞争，寄生行为的防御从法律惩罚转向机制修复，清算从不透明的内部流程转向公开的盈利机会，博弈速度失去了休市这一天然减震器，做市风险则因到期日的消失而被无限期化。这六个维度的同向转变并非巧合，而是同一个底层逻辑（智能合约对中介功能的替代）在不同层面的具体展现。

上述六个维度的详细论证已在§4.4（角色流动化、博弈算法化、透明性-脆弱性悖论）和§4.2（做市商库存风险、机制寄生、清算机制）中展开，此处仅以表格形式提供总括性对比。值得强调的是，这些转变并非彼此独立，而是相互强化。例如，准入的去牌照化使得角色流动成为可能，而角色流动又加剧了博弈的算法化。

4.6.3 全新的物种与现象

三种在链上永续合约市场中达到了前所未有的规模和系统性的现象值得特别分析。需要承认的是，传统金融中并非完全不存在类似的结构性问题（例如做市商的虚假报价问题和信用违约互换市场早期的透明度缺陷均呈现出某些可类比的特征），但链上环境的无许可准入、完全透明和代码自动执行特性，使得这些现象在形态、规模和系统性影响上发生了质的跃迁。

机制寄生是链上市场独有的寄生形态（详见§4.2.4）：在规则完全透明且由代码强制执行的环境中，系统性地发现和利用协议规则的经济学漏洞成为一种可盈利的专门活动；而传统金融的规则由人执行、存在酌情空间，不具备精确利用规则字面含义套利的条件。如引言所述的 Hyperliquid 鲸鱼事件即满足定义 4-1 三个条件的典型案例。

透明性-脆弱性悖论（详见§4.4.3）同样为传统金融所无：完全透明的持仓信息与高杠杆、算法执行相结合，使定向触发他人清算成为具有正期望值的策略；而传统金融持仓不透明，这种定向清算在信息层面即不可行。

角色的原子化切换则体现了智能合约可组合性（第 1 章可组合性论题）对参与者行为的重塑：在同一笔交易中，一个参与者可经闪电贷借入资金、利用价差执行套利并在自动做市商（Automated Market Maker, AMM）中提供流动性，这种单笔交易内多角色并行的原子化操作在传统金融中因技术架构限制而无法实现。

4.7 本章小结

永续合约市场的参与者生态可以通过 Harris (2003) 的利润来源框架来理解。利润驱动型交易者的收益最终只来自两个渠道：功利型交易者为风险转移支付的对冲溢价，以及无效交易者因错误决策而产生的系统性亏损。前者代表对冲需求，是市场存在的经济理由；后者是当前加密永续合约市场利润的最大来源。所有利润驱动型参与者（做市商、知情交易者、套利者、机制寄生者、清算人）都在争夺这两大利润来源的份额。理解这个框架，就理解了为什么某些参与者的利润必然对应某些参与者的亏损，为什么市场的可持续性取决于两大利润来源的相对规模。

第 1 章识别的六大独特性在参与者层面产生了三个结构性变化。角色流动化使参与者从固定的身份转变为流动的状态，同一个地址可以在不同时刻处于不同状态，状态之间的转移成本趋零。博弈算法化使参与者从人类决策转变为机器执行，经济机器人在市场中的影响力不断上升。透明性-脆弱性悖论使完全透明不再意味着公平，反而创造了定向触发其他参与者清算的可能性，高杠杆与完全透明的组合为定向清算策略创造了结构性有利条件。

“机制寄生”作为一种全新的寄生形态，挑战了传统的“信息不对称”分析范式。它不是利用别人不知道的信息，而是比别人更深地理解协议规则的经济学含义。防御机制寄生的正确方法不是“惩罚行为者”，而是“修复使这种行为有利可图的机制漏洞”。这对机制设计提出了更高的要求。

AI Agent 的崛起将上述三重重塑推向极致。它不仅改变了现有参与者的竞争格局，还催生了全新的博弈形态：AI vs. AI 的策略同质化风险、AI vs. 人类的认知鸿沟、AI vs. 协议机制的智能化寄生。AI Agent 对市场微观结构的系统性影响（包括对流动性、价格发现、市场稳定性的影响）将在第 31 章中深入展开。

这些参与者依赖什么样的基础设施来交易？不同的基础设施如何影响他们的行为和风险？下一章将聚焦于为这些参与者提供服务的服务商生态。

参考文献

[1] CoinDesk. (2025, March 12). Hyperliquid loses \$4M after whale's over \$200M ether trade unwinds. CoinDesk. https://www.coindesk.com/markets/2025/03/12/hyperliquid-loses-usd4m-after-whale-s-over-usd200m-ether-trade-unwinds

[2] Arkham Intelligence. (2025). Hyperliquid whale passes \$4M loss to HLP vault. https://info.arkm.com/research/hyperliquid-whale-passes-4m-loss-to-hlp-vault

[3] Harris, L. (2003). Trading and exchanges: Market microstructure for practitioners. Oxford University Press.

[4] FTI Consulting. (2025, December 24). Crypto crash Oct 2025: Leverage meets liquidity. https://www.fticonsulting.com/insights/articles/crypto-crash-october-2025-leverage-met-liquidity

[5] CoinGlass. (2025). Crypto derivatives liquidation data, October 10–11, 2025. CoinGlass. https://www.coinglass.com/

[6] Delfabbro, P., King, D. L., & Williams, J. (2021). Cryptocurrency trading, gambling and problem gambling. Addictive Behaviors, 122, 107021. https://doi.org/10.1016/j.addbeh.2021.107021

[7] Schmeling, M., Schrimpf, A., & Todorov, K. (2023). Crypto carry (BIS Working Papers No. 1087). Bank for International Settlements. https://www.bis.org/publ/work1087.htm

[8] Stoll, H. R. (1989). Inferring the components of the bid–ask spread: Theory and empirical tests. The Journal of Finance, 44(1), 115–134. https://doi.org/10.1111/j.1540-6261.1989.tb02407.x

[9] Tiniç, M., Sensoy, A., Akyildirim, E., & Corbet, S. (2023). Adverse selection in cryptocurrency markets. The Journal of Financial Research, 46(2), 497–546. https://doi.org/10.1111/jfir.12317

[10] Easley, D., Kiefer, N. M., O'Hara, M., & Paperman, J. B. (1996). Liquidity, information, and infrequently traded stocks. The Journal of Finance, 51(4), 1405–1436. https://doi.org/10.1111/j.1540-6261.1996.tb04074.x

[11] Milionis, J., Moallemi, C. C., Roughgarden, T., & Zhang, A. L. (2022). Automated market making and loss-versus-rebalancing. arXiv preprint arXiv:2208.06046. https://arxiv.org/abs/2208.06046 https://doi.org/10.48550/arXiv.2208.06046

[12] Kyle, A. S. (1985). Continuous auctions and insider trading. Econometrica, 53(6), 1315–1335. https://doi.org/10.2307/1913210

[13] Werapun, W., Karode, T., Suaboot, J., Arpornthip, T., & Sangiamkul, E. (2025). Exploring risk and return profiles of funding rate arbitrage on CEX and DEX. Blockchain: Research and Applications, 6(4), 100261. https://doi.org/10.1016/j.bcra.2025.100261

[14] Shleifer, A., & Vishny, R. W. (1997). The limits of arbitrage. The Journal of Finance, 52(1), 35–55. https://doi.org/10.1111/j.1540-6261.1997.tb03807.x

[15] Banerjee, A. V. (1992). A simple model of herd behavior. The Quarterly Journal of Economics, 107(3), 797–817. https://doi.org/10.2307/2118364

[16] Skwarek, M. (2025). Why do investors behave irrationally in the cryptocurrency and emerging stock markets? SAGE Open, 15(3), 21582440251361212. https://doi.org/10.1177/21582440251361212

[17] European Securities and Markets Authority. (2025, July). Maximal extractable value: Implications for crypto-asset markets (Report ESMA50-481369926-29744). https://www.esma.europa.eu/

[18] Stoll, H. R. (2000). Presidential address: Friction. The Journal of Finance, 55(4), 1479–1514. https://doi.org/10.1111/0022-1082.00259

[19] Hendershott, T., & Menkveld, A. J. (2014). Price pressures. Journal of Financial Economics, 114(3), 405–423. https://doi.org/10.1016/j.jfineco.2014.07.012

[20] Kappa Lab. (2025). HLP vs LLP: How perpetual DEX vaults performed in the \$20B crypto crash (October 2025). https://kappalab.io/insights/hlp-vs-llp-how-perpetual-dex-vaults-performed-in-the-20b-crypto-crash-october-2025

[21] Glosten, L. R., & Milgrom, P. R. (1985). Bid, ask and transaction prices in a specialist market with heterogeneously informed traders. Journal of Financial Economics, 14(1), 71–100. https://doi.org/10.1016/0304-405X(85)90044-3

[22] Barber, B. M., & Odean, T. (2000). Trading is hazardous to your wealth: The common stock investment performance of individual investors. The Journal of Finance, 55(2), 773–806. https://doi.org/10.1111/0022-1082.00226

[23] Shiller, R. J. (2019). Narrative economics: How stories go viral and drive major economic events. Princeton University Press. https://doi.org/10.2307/j.ctvdf0jm5

[24] Brunnermeier, M. K., & Pedersen, L. H. (2009). Market liquidity and funding liquidity. The Review of Financial Studies, 22(6), 2201–2238. https://doi.org/10.1093/rfs/hhn098

[25] MakerDAO. (2020, April). Black Thursday post mortem. https://blog.makerdao.com/the-market-collapse-of-march-12-2020-how-it-impacted-makerdao/

[26] Lehar, A., & Parlour, C. A. (2021). Decentralized exchange: The Uniswap automated market maker (Working Paper). University of Calgary & UC Berkeley. https://doi.org/10.2139/ssrn.3905316

[27] Liu, J.-H. (2025). Hyperliquid's trading behavior: An interdisciplinary analysis of whale trading behavior. https://medium.com/@gwrx2005/hyperliquids-trading-behavior-f867c897d970

[28] Flashbots. (2025). Flashbots: Mitigating the negative externalities posed by Maximal Extractable Value. https://www.flashbots.net/

[29] Gramlich, V., Jelito, D., & Sedlmeir, J. (2024). Maximal extractable value: Current understanding, categorization, and open research questions. Electronic Markets, 34. https://doi.org/10.1007/s12525-024-00727-x

[30] Bawa, N. (2026, January). How hedge funds, basis traders, and a \$200M whale extracted alpha from crypto's \$19 billion October. https://medium.com/@navnoorbawa

[31] Selkis, R., & Messari Research. (2024, December). The crypto theses 2025. Messari. https://messari.io/report/the-crypto-theses-2025

[32] Lopez-Lira, A., & Tang, Y. (2023). Can ChatGPT forecast stock price movements? Return predictability and large language models. arXiv preprint arXiv:2304.07619. https://arxiv.org/abs/2304.07619 https://doi.org/10.48550/arXiv.2304.07619

[33] Khandani, A. E., & Lo, A. W. (2011). What happened to the quants in August 2007? Evidence from factors and transactions data. Journal of Financial Markets, 14(1), 1–46. https://doi.org/10.1016/j.finmar.2010.07.005

[34] Dou, W. W., Goldstein, I., & Ji, Y. (2025). AI-powered trading, algorithmic collusion, and price efficiency (NBER Working Paper No. 34054). National Bureau of Economic Research. https://www.nber.org/papers/w34054