价格发现与信息融入的过程

2025年2月21日，一场规模空前的安全事件揭示了加密市场信息传导的复杂现实。超过15亿美元的数字资产从全球第二大交易所 Bybit 的冷钱包中被盗^[1]。尽管这笔巨额资金的转移在区块链上是完全公开透明的，但市场的反应却呈现出显著的时间差与结构性分化。在异常转账发生后的近两个小时内，以太坊的价格仅出现了轻微的波动。直到 Bybit 首席执行官在社交媒体上正式确认黑客事件，价格才在短短几十分钟内出现大幅波动，ETH 价格从2,828美元迅速跌至2,708美元，跌幅达4.2%^[2]。

在这场危机中，不同市场吸收信息的速度和幅度截然不同。永续合约市场率先承压，现货市场随后跟进。更为显著的是对市场深度的冲击：在事件确认后的数小时内，比特币、以太坊和前50大山寨币的1%市场深度下降了59%，从6800万美元锐减至2800万美元^[3]。同一条公开的链上信息，为何在不同的交易场所中以不同的速度被消化？为何在数据完全公开的情况下，市场仍存在长达两小时的“信息不对称窗口”？在另一个更为微观的场景中，我们可以观察到价格发现机制的另一面。在微观市场结构中，同一资产在不同市场的价格偏离现象十分常见。例如，比特币在某头部交易所的永续合约最新成交价可能为61,234美元，而在另一家主流交易所的现货市场最新成交价为62,087美元。两个价格在同一秒内相差约1.4%。面对同一资产的两个不同价格，谁才是“真的”？教科书的标准答案通常是：“价格发现效率越高的市场，其价格越接近真实价值”。然而，在这个特定的微观时刻，永续合约价格更低，并非因为知情交易者掌握了比特币应该贬值的基本面信息，而是因为一波清算级联正在永续合约市场中发生。强制平仓的卖单将价格推低至低于基本面的水平。五分钟后，清算结束，永续价格回升并与现货重新趋同。在这五分钟内产生的853美元差价，不是“信息”，而是“机制性噪声”。这两个截然不同的场景浓缩了本章的核心问题：在永续合约主导的数字资产市场中，价格发现的过程是如何发生的？它与传统金融市场有何根本不同？

永续合约市场在价格发现中扮演着双重角色。一方面，在正常市场环境下，永续合约是高效的价格发现工具。高杠杆、低门槛和充沛的流动性使其成为知情交易者表达观点的首选场所，信息在此被最快地融入价格。另一方面，在极端市场行情下，其机制设计会向价格中注入非信息性的机械噪声。清算机制、资金费率和标记价格的计算方式会向价格中注入大量非信息性的“机制性噪声”，使价格系统性地偏离基本面。理解这种信息加速与噪声注入并存的双重特性，是评估永续合约市场效率的关键。

系统性地解剖这一过程是理解加密市场运作的关键。§13.1将建立价格发现的理论基础，探讨信息如何转化为订单流。§13.2将构建“三阶段价格发现模型”，将价格发现解构为表达、聚合与传导三个可分离的过程。§13.3提出“场所引力模型”，解释为何永续合约能吸引最多的知情交易者。§13.4通过信息流拓扑图分析跨市场的价格竞争。§13.5将深入剖析永续合约注入机制性噪声的三条路径。§13.6建立“天花板-地板模型”以界定效率边界。§13.7和§13.8将分别探讨极端行情下的价格发现障碍以及链上订单簿去中心化交易所（DEX）带来的新范式。综合以上分析，§13.9将对永续合约在价格发现中的双面性进行总结。

13.1 价格发现的理论基础

价格发现是金融市场最核心的功能，其本质是将分散在无数参与者头脑中的私有信息，通过市场机制的交互，聚合为一个公开的、具有共识性的价格^[4]。在经典的微观结构理论中，Kyle 模型和 Glosten-Milgrom 模型为理解这一过程提供了基础框架。然而，加密市场独特的三维信息空间、24/7的不间断交易、极高的杠杆率以及链上数据的透明性，要求我们对这些经典模型进行系统性的重构。本节将建立后续分析所需的全部理论工具，揭示信息是如何通过订单流被定价的。

13.1.1 加密市场的三维信息空间

信息是价格发现的起点。在传统金融市场中，信息通常被划分为公开信息（如宏观经济数据、公司财报）和私有信息（如内幕消息、机构的深度研究）。然而，加密市场的底层架构，即区块链，将信息空间从二维拓展为了三维，引入了“链上可观察信息”这一全新维度。

为了系统性地理解这一三维信息空间的结构，表 13-1 从可获取性、解读门槛、典型来源和加密市场特有示例四个维度对三种信息类型进行了对比。这一分类框架揭示了一个关键差异：公共信息和私有信息的边界在传统金融中相对清晰，而链上可观察信息的引入模糊了这一界限——它在技术上对所有人开放，但在实际效果上可能仅对少数专业机构具有信息价值。

表 13-1. 三类信息的多维对比：公共信息、私有信息与链上可观察信息（数据来源：作者整理）

这种三维信息空间从根本上改变了信息不对称的性质。在传统市场中，信息不对称主要源于“谁拥有信息”；而在加密市场中，特别是面对海量的链上数据时，信息不对称更多地源于“谁能更快、更准确地解读信息”。值得注意的是，即使在技术能力相当的参与者之间，认知偏差也会导致对同一链上数据的系统性不同解读：锚定效应使观察者倾向于将大额转账归类为“内部钱包轮换”这一高频先验事件，确认偏误促使人们选择性忽视与既有判断不符的异常特征，而可得性启发则使近期未发生过重大安全事件的经验进一步压低了风险评估。这些认知因素与技术门槛共同构成了信息解读的多层壁垒。

链上数据具有“公开但非共识”的特征。虽然所有人都可以通过区块链浏览器查看每一笔交易，但原始的十六进制数据对普通投资者而言缺乏可读性。只有具备专业数据工程能力的分析团队（如 Nansen、Arkham 或量化对冲基金），才能从这些海量数据中提取出有价值的交易信号。正如 Bybit 黑客事件所展示的，尽管异常转账在链上已经发生且公开可见，但市场仍经历了近两小时的迟滞才做出反应。事后调查表明，这是一次针对 Safe{Wallet}多签基础设施的供应链攻击：攻击者通过入侵开发者终端向签名界面注入恶意代码，使得交易在签署环节即被篡改，而 Bybit 内部的操作监控系统对此几乎无法实时察觉。这种现象被称为“透明性悖论”：绝对的数据透明并未带来绝对的信息对称。信息延迟不仅源于外部监控工具的不足，也源于攻击本身的操作隐蔽性：当恶意交易在签名层面就已被伪装为合法操作时，即便具备链上监控能力的机构也难以在第一时间将异常转账与安全事件关联。这一悖论通过提高数据处理的门槛，加剧了具备技术优势的机构与普通散户之间的信息差距。

图 13-1 展示了 Bybit 黑客事件中链上异常转账与市场价格反应之间的时间差。

图 13-1. Bybit 黑客事件中 ETH 价格的信息不对称窗口与反应时间线（价格走势为示意，关键事件点为实测，据 Kaiko/CoinDesk；时间锚点按官方时间线校准）

如图 13-1 所示，尽管链上数据完全公开，市场反应仍存在显著的滞后，这一现象凸显了信息获取与信息解读之间的差距。链上异常转账发生后近两小时内，仅有少数具备实时监控和自动化分析能力的机构对价格施加了方向性压力，而绝大多数市场参与者直到 CEO 在社交媒体上公开确认后才开始调整仓位。这种延迟揭示了加密市场中的信息不对称并非源于数据的不可及，而是源于数据解析能力的分布不均。

信息不对称不仅体现在价格反应延迟上，更体现在流动性结构的剧烈变化中。图 13-2 对比了 Bybit 黑客事件确认前后三项关键流动性指标——1%市场深度、Bybit 全球流动性份额与 ETH 永续合约未平仓量——的变化。

图 13-2. Bybit 黑客事件前后的市场流动性深度变化（事件前后深度依赖 Kaiko 付费数据，未公开复核）

图 13-2 表明，在信息高度不对称的时刻，做市商的理性反应是撤出流动性。市场深度从6800万美元降至2800万美元并非线性发生，而是集中在事件确认后最初30分钟内，随后于低位维持数小时；其蒸发仅需数十分钟，恢复至事前水平却历时约数天，形成“分钟级蒸发 vs. 天级恢复”的显著不对称。这一模式反映了做市商面对无法量化的逆向选择风险时“先撤退、后评估”的策略。

在厘清三种信息类型各自特征后，其间的传导关系同样关键。图 13-3 概括了加密市场三维信息空间的整体架构及三类信息各自的传导路径与交汇节点。

图 13-3. 加密市场的三维信息空间与传导路径

图 13-3 揭示了链上可观察信息的一个核心悖论：虽然这类数据对所有人开放，但极高的解读门槛使其在实际效果上类似于私有信息，只有少数专业机构能够将其转化为交易优势。这一悖论对 Kyle 模型的经典假设提出了挑战：在传统框架中，公开信息应当被即时定价，而加密市场中链上数据的“公开但非共识”特征模糊了公开信息与私有信息之间的边界。因此，在后续的价格发现分析中，信息的分类不能仅依据其可获取性，还必须考虑其解读所需的技术能力门槛。

13.1.2 Kyle 模型

要理解信息如何进入价格，我们必须深入微观结构层面。Albert Kyle 在1985年提出的经典模型提供了一个简洁而系统的博弈论框架^[5]。该模型将市场参与者分为三类：知情交易者、噪声交易者（或称流动性交易者）以及做市商。

在加密市场的语境下，知情交易者可能是通过链上监控提前发现黑客攻击的分析师，也可能是掌握了某种量化信号的对冲基金。他们拥有关于资产未来价值的私有信息，并试图通过交易获利。然而，如果他们一次性抛出巨额订单，会立即引起做市商的警觉并导致价格大幅不利移动（巨大的价格冲击）。因此，知情交易者会采取策略性行为：将大额订单拆分为小单，随着时间的推移渐进式地注入市场。

噪声交易者则是出于非信息原因进行交易的参与者，例如为了对冲风险、重新平衡投资组合，或是单纯受市场情绪驱动的散户。他们在模型中扮演着直接决定了市场流动性的角色：为知情交易者提供“掩护”。做市商在观察订单流时，看到的是知情订单和噪声订单混合在一起的总订单流，无法准确区分每一笔订单的真实来源。如果没有噪声交易者，知情交易者的每一次行动都会被做市商完美识别，价格发现过程将立即停滞。

做市商作为流动性的提供者，其核心任务是“从订单流中学习”。他们观察净买入或净卖出的压力，并通过贝叶斯更新来推断潜在的真实价值，进而调整报价。做市商调整报价的幅度由一个关键参数决定，即 Kyle's Lambda (λ)。

数学上，价格的变动与净订单流呈线性关系：$\Delta P = \lambda \times \text{Net Order Flow}$。

Kyle's Lambda ($\lambda$) 衡量了订单流对价格的冲击程度，它同时反映了市场深度与信息不对称程度这两个关键市场特征。具体而言，$\lambda$ 越小，说明吸收同等规模订单引起的价格变动越小，市场深度越好；相反，$\lambda$ 越大，说明做市商认为当前的订单流中包含了更高比例的“毒性”信息（即知情交易），因此他们对每一单位的净订单流都会做出更激烈的价格防御。在黑客攻击、监管机构采取严厉执法行动等重大突发事件后，$\lambda$ 值通常会急剧上升。需要说明的是，净订单流（Net Order Flow）须明确其计量口径（如以基础资产数量或名义美元计），相应地 $\lambda$ 的量纲即确定为“价格变动 / 单位数量”；口径不同会使 $\lambda$ 数值相差若干数量级，故跨市场比较时须采用一致口径。

图 13-4 展示了 Kyle 模型在加密市场中的运作机制。

图 13-4. Kyle 模型在加密市场中的运作机制

图 13-4 展示了做市商如何通过观察混合了知情订单和噪声订单的总订单流，动态调整报价，从而完成信息向价格的转化过程。在加密市场中，这一机制因竞争性做市的存在而更加复杂：多家高频交易机构同时参与报价竞争，在正常时期有效压缩了买卖价差，但在突发事件中可能出现集体撤退的同步行为。这种竞争性做市结构既加速了正常时期的价格发现，也放大了危机时期的流动性脆弱性。

13.1.3 逆向选择与买卖价差

如果 Kyle 模型解释了价格是如何随订单流移动的，那么 Glosten 和 Milgrom 在1985年提出的模型则回答了另一个基本问题：买卖价差为何存在，以及它如何反映信息不对称^[6]。

在加密货币的订单簿中，做市商在买方和卖方双边挂单，被动地等待其他交易者来成交。这种被动性使做市商面临一种系统性的风险，即逆向选择。

当一个知情交易者知道比特币的真实价值高于当前市场报价时，他会选择买入（吃掉做市商的 Ask 单）；当他知道真实价值低于当前报价时，他会选择卖出（主动成交做市商的 Bid 单）。这意味着，做市商在与知情交易者做对手盘时，在统计意义上承受系统性亏损。为了弥补这种必然的亏损，做市商必须通过与噪声交易者（随机买卖）的交易来赚取利润。

因此，Glosten-Milgrom 模型得出了一个核心结论：买卖价差本质上是做市商对逆向选择风险的定价。

价差宽度与订单流中知情交易的“毒性”（即知情交易者占总订单流的比例，记为 $\mu$）正相关。做市商的卖出报价与买入报价分别等于观察到买单、卖单到达时对资产真实价值的条件期望估计，两者之差即为买卖价差。

在加密市场中，这一机制得到了清晰的印证。对于比特币和以太坊等高流动性资产，由于存在海量的噪声交易者（极低的 $\mu$），Binance 等头部交易所的买卖价差通常不到1个基点（0.01%）。需要指出的是，这一数据指正常交易时段的最优报价价差（top-of-book spread）；在周末低流动性时段或重大新闻发布前夕，即便是 BTC 的买卖价差也可扩大至数个基点。然而，对于市值较小、信息高度不对称的山寨币，做市商面临极高的逆向选择风险，其价差往往高达数十甚至上百个基点。此外，在重大新闻发布或极端行情前夕，做市商一旦感知到逆向选择风险上升，会立即撤销紧密的挂单，导致价差迅速扩大。

图 13-5 刻画了 Glosten-Milgrom 模型中做市商面对不同类型交易者时的报价调整逻辑，以及逆向选择风险如何决定买卖价差的宽度。

图 13-5. Glosten-Milgrom 模型中的逆向选择与买卖价差形成机制

图 13-5 表明，买卖价差并非简单的交易手续费，而是做市商在信息不对称环境中对逆向选择风险的必要补偿。在加密市场中，这一机制的表现差异尤为显著：对于 BTC 和 ETH 等高流动性资产，买卖价差通常低于1个基点，而对于信息不对称程度高的山寨币，价差可能达到数十甚至上百个基点。这种跨资产的价差分化为评估不同市场的信息环境质量提供了直接的量化指标。

13.1.4 订单流信息指标

理论模型表明，订单流是传递信息的核心载体。在量化金融和微观结构研究中，学者们开发了多种指标来精确度量订单流中的信息含量。在加密衍生品市场中，以下三个指标尤为关键：

订单流不平衡。OFI 是最直接衡量微观买卖压力的指标。与仅考虑已成交订单的传统指标不同，OFI 在给定的时间窗口内，综合考量了所有改变订单簿最佳买卖价状态的事件，这些事件涵盖了市价单的成交、新限价单的提交以及已有限价单的取消。

Silantyev (2019) 针对加密货币永续合约市场的实证研究揭示了 OFI 的强大解释力^[7]。在使用 BitMEX 的 XBTUSD 永续合约 Level 2数据的研究中，OFI 在10秒至5分钟的时间窗口内，能够解释中间价变动的40%至70%（即回归的解释力）。这直接印证了 Kyle 模型的核心理论：“订单流携带信息，价格冲击反映了信息的融入过程”。需要注意的是，该研究基于 BitMEX 2019年的数据，当时的市场微观结构与2025年已有显著差异：BitMEX 采用单一保证金币种（BTC），做市商竞争程度远低于当前多交易所、统一保证金的市场格局。订单流携带信息这一核心结论在后续研究中持续得到验证，但具体的$R^2$值在当前更加竞争的市场结构下可能有所不同。

交易流不平衡。TFI 是 OFI 的一个子集，它仅仅计算在特定时间段内，主动买入的市价单交易量与主动卖出的市价单交易量之差。由于市价单执行需要支付流动性溢价（跨越买卖价差），这种“付出成本”的交易行为通常被认为包含了更强烈的方向性信念。

研究表明，在极短的时间窗口（如1秒或10秒）内，包含限价单动态的 OFI 对价格的解释力更强；但随着时间窗口拉长（大于1分钟），TFI 的解释力会逐渐逼近 OFI，两者趋于收敛。这是因为高频的限价单撤放（或做市商调整）往往含有较多短期噪声，而实质性的资金换手则在更长时间尺度上对价格发现的贡献逐渐与 OFI 相当。

上述理论差异在实证数据中得到清晰体现。图 13-6 基于 Silantyev (2019) 的 BitMEX XBTUSD 数据，比较了 OFI 与 TFI 在10秒至5分钟不同时间窗口下对永续合约中间价变动的回归解释力（$R^2$）。

图 13-6. OFI 与 TFI 对永续合约价格变动解释力的时间窗口效应（数据来源：Silantyev, 2019 ^[7]）

图 13-6 呈现出一个显著的收敛模式：在10秒和30秒的极短时间窗口内，OFI 的$R^2$值显著高于 TFI，这是因为在高频尺度下，限价单的提交和撤销行为携带了丰富的即时供需信息。然而，当时间窗口拉长至1分钟以上时，TFI 的解释力逐渐逼近 OFI，两者趋于收敛。这一收敛现象具有深刻的微观结构含义：高频限价单动态中包含较多的做市商策略性调整噪声，而以市价单衡量的实质性资金换手在更长时间尺度上对价格发现的贡献逐渐与 OFI 相当。

基于交易量同步的知情交易概率。由 Easley、López de Prado 和O'Hara 在2012年提出的 VPIN 指标，是对传统 PIN 模型的重大改进^[8]。VPIN 的核心创新在于：它放弃了以“时钟时间”（如每分钟、每小时）作为分析单位，转而采用“交易量时间”。

具体而言，VPIN 将连续的交易流划分为等交易量的“桶”。只有当市场累积了特定数量的交易量时，系统才向前推进一个周期。在每个交易量桶内，计算买方发起的交易量与卖方发起的交易量之间的绝对不平衡程度，以此来估计订单流的“毒性”（知情交易的概率）。

这种设计对加密市场具有显著的适应性。加密市场是24/7不间断运行的，其流动性和交易活跃度在不同时区（如亚洲时段与欧美重叠时段）存在巨大的日内节律差异。如果使用固定的时间窗口，低迷时段的指标会充满噪声。VPIN 通过以交易量为锚，自然地适应了这种时变特征：在交投清淡时，VPIN 更新缓慢；在剧烈波动、成交量放大的时期，VPIN 会高频采样，及时反映信息不对称程度的上升。

在加密市场的多次历史性崩盘（如2020年的“3.12”事件）中，VPIN 在价格发生实质性暴跌前数小时就已呈现出显著上升的趋势，表明知情交易者（或恐慌的先行者）已经开始单向倾泻订单，做市商面临的逆向选择风险正在急剧累积。因此，VPIN 不仅是理解价格发现的学术工具，更是极端行情下有效的早期预警指标。

图 13-7 分别展示了 Kyle's Lambda 在不同市场状态下的变化以及 OFI 与 TFI 在不同时间尺度下的解释力交替。

图 13-7. Kyle's Lambda 的市场状态依赖性与 OFI/TFI 的时间尺度效应（概念示意，非实测数据）

图 13-7 左图显示，在极端事件中流动性枯竭会导致 Lambda 值急剧上升，价格冲击倍增；右图则概念性地呈现了 OFI 与 TFI 在不同时间尺度下对价格发现主导权的交替关系。

13.1.5 加密市场的特殊性

尽管 Kyle 和 Glosten-Milgrom 模型提供了坚实的理论基石，但直接将其套用于加密市场是不充分的。数字资产市场的微观结构在六个关键维度上对经典假设提出了挑战与修正。多交易场所的碎片化打破了经典模型单一交易场所的前提，相同的资产在数百家中心化交易所和去中心化交易所同时交易，使得价格发现演变为一个跨市场的网络传导过程，套利者在其中扮演了信息传递者的关键角色。极高的杠杆率（如永续合约允许高达百倍的杠杆）在 Kyle 框架下等效于放大了知情交易者的资本效率，使他们能用极少的本金对市场施加巨大的价格压力，加速信息的表达，但同时等比例放大了噪声交易者的破坏力，为清算级联埋下隐患。24/7不间断交易消除了传统股市的“隔夜信息积压”和开盘集合竞价的跳空缺口，信息得以连续不断地被定价，但在周末或节假日等低流动性时段，少量信息注入就可能引发剧烈价格波动。信息类型的异质性（如链上可观察信息的引入）创造了一种“公开但高度不对称”的全新信息博弈环境。竞争性做市改变了单一垄断做市商的前提，多家高频交易机构的激烈竞争在正常时期极大压缩了买卖价差，提升了聚合效率，但在极端危机中可能集体撤退导致流动性真空。机制性噪声的内嵌是永续合约市场独有的特征，资金费率的极端化和强制清算引擎的机械性执行，会产生一种确定性的、结构性的价格冲击（$\sigma_{\text{mech}}$），这有别于传统模型中源于非理性行为的价格偏离。

这些修正并不否定经典模型的核心逻辑，即价格依然是通过订单流中的信息不对称来发现的，但它们要求我们在分析时，必须将“市场结构”本身视为一个关键变量。特别是“多交易场所”这一特征，直接催生了我们后续小节探讨的“三阶段价格发现模型”以及“信息流拓扑图”。

13.2 三阶段价格发现模型

在传统金融市场中，价格发现通常被视为一个相对集中的黑盒过程。然而，在加密资产市场高度分散、多中心化的微观结构下，价格发现必须被解构为一个多阶段的动态过程。本节提出本章的第一个核心理论贡献：三阶段价格发现模型。该模型将信息从知情交易者的私有认知转化为全市场共识价格的过程，划分为表达、聚合与传导三个相互衔接的阶段。

13.2.1 表达阶段

价格发现的起点是知情交易者对私有信息的表达。当知情交易者获取到关于某项资产基本面的新信息（如宏观经济数据发布、协议升级或链上资金异动）时，他们面临的首要决策并非直接交易，而是场所选择。

在加密资产市场中，同一资产往往在数十个中心化交易所和去中心化交易所的现货与衍生品市场上同时交易。知情交易者在选择表达信息的场所时，主要受四个维度的引力影响：杠杆可用性、流动性深度、匿名性以及交易成本。这一选择机制将在§13.3的“场所引力模型”中详细展开。实证研究表明，由于永续合约在这些维度上具有显著优势，知情交易者倾向于优先在永续合约市场提交订单 ^[9]。

一旦选定场所，知情交易者通过提交市价单或限价单将私有信息转化为实际的交易指令。这一过程的效率被称为表达效率，它取决于市场微观结构对信息交易者的包容度。如果市场提供高杠杆和低延迟的 API 接入，知情交易者能够以极低的资本成本和时间成本表达其信息，表达效率就高；反之，如果市场缺乏流动性或存在严格的准入限制，信息表达就会受到阻碍。

值得注意的是，Kyle (1985) 经典框架中将交易者二元划分为知情交易者与噪声交易者的方式，在加密资产市场中需要进行实质性的扩展。在该框架下，知情交易者拥有关于资产基本面的私有信息，噪声交易者则出于流动性需求或随机动机进行交易，两者的边界被假定为清晰且稳定的。然而，加密市场中存在一个规模庞大且行为特征截然不同的中间类别，即“叙事驱动交易者”（narrative-driven traders）。这些交易者受社交媒体上传播的市场叙事、关键意见领袖（KOL）的引导以及平台游戏化元素（如跟单交易、收益排行榜、社区竞赛）的驱动，他们主观上确信自己掌握了有价值的信息，但实际上是在响应社交放大循环（social amplification loop）：信息经由 Twitter（X）、Telegram 群组和 Discord 社区的多层转发与情绪渲染后，其原始信号含量已被严重稀释甚至完全扭曲。叙事驱动交易者与纯噪声交易者的关键区别在于其行为的持续性和方向性：纯噪声交易产生的价格影响在统计上是暂时性的，因为随机交易的方向性相互抵消；而叙事驱动交易者由于共享相同的叙事框架，其交易行为在时间和方向上高度相关，能够产生持续性的方向压力，驱使价格在较长时间内偏离基本面价值。这种中间类别的存在对表达阶段的信号提取构成了独特的挑战：做市商和聚合机制在后续阶段中面对的不仅是经典的“信号加白噪声”结构，还包含了这种具有持续性偏差但并不携带真实基本面信息的“有色噪声”成分。

13.2.2 聚合阶段

表达阶段产生的订单汇入特定场所的中央限价订单簿或自动做市商流动性池中，进入聚合阶段。在这一阶段，市场微观结构机制（主要是做市商和撮合引擎）负责处理这些订单，并将其中蕴含的信息提取出来，形成该场所的局部共识价格。

聚合阶段的核心挑战在于信号与噪声的分离。做市商在接收到订单流时，面临着逆向选择风险：他们无法直接区分订单是来自于拥有私有信息的知情交易者（信号），还是来自于基于流动性需求或情绪的噪声交易者（噪声）。做市商通过调整买卖报价来应对这种风险。

当知情交易者的买单消耗了订单簿上的卖出流动性时，会产生价格冲击。根据微观结构理论，这种价格冲击可以分解为三个成分。信息成分具有永久性，新信息融入价格后，价格不会回归，这是价格发现的有效产出。流动性成分则是暂时性的，源于瞬间深度不足导致的价格偏移，当做市商补充流动性后，价格会部分回归。机制成分属于非信息性波动，由清算机制等引发的强制交易导致价格剧烈波动，冲击过后价格通常会完全回归。

聚合效率衡量的是市场机制从订单流中准确提取信息成分，并过滤掉流动性成分和机制成分的能力。在流动性充足的正常市场中，聚合效率较高；但在极端波动期间，清算机制触发的强制平仓订单（机制性噪声）可能淹没真正的信息订单，导致聚合效率急剧下降。

13.2.3 传导阶段

在高度分散的加密市场中，信息在某个特定场所（领导市场）被聚合为价格后，必须通过传导机制扩散到其他所有交易场所（跟随市场），才能形成全市场的最终共识价格。这就是传导阶段。

传导阶段主要依赖两种机制。直接价格链（套利机制）依赖高频套利者监控跨市场的价格差异。当领导市场（如 Binance 永续合约）的价格因新信息而上涨，而跟随市场（如某些区域性现货交易所或 DEX）的价格尚未反应时，套利者会在领导市场卖出、在跟随市场买入。这种跨市场套利操作通过消耗跟随市场的流动性，迫使其价格向领导市场收敛 ^[4]。间接价格链（预言机机制）则服务于去中心化金融协议，当领导市场价格变动时，预言机网络（如 Chainlink）捕获这些变动并在链上更新喂价，直接改变链上衍生品或借贷协议的定价基准。

传导效率取决于跨市场套利的摩擦成本（包括交易手续费、提现延迟、网络拥堵等）和预言机的更新频率。Makarov 和 Schoar (2020) 的实证研究指出，尽管加密市场的套利效率在不断提升，但在市场剧烈波动时，跨交易所的价格差异仍可能持续数分钟甚至更长，表明传导效率在压力状态下会显著受损 ^[10]。

然而，上述分析隐含地将套利者视为资本无限、执行完美的理性代理人，这一假设在现实中远未成立。正如 Shleifer 和 Vishny (1997) 在其关于“套利的局限性”的经典论文中所论证的 ^[11]，现实中的套利者面临着严重的资本约束和代理问题，这些约束在加密市场的传导阶段中表现得尤为突出。首先，加密市场的套利者通常使用杠杆来放大资本效率，其自身资本规模有限，在极端行情下不仅无法充当价格纠偏的力量，反而可能因保证金追加（margin call）甚至被强制清算而成为价格失调的被动加剧者。其次，跨交易所套利要求套利者在多个交易所预先部署资本（pre-positioned inventory model），因为加密资产在不同交易所之间缺乏跨所互通的清算与结算机制，资金一旦存入某一交易所便被锁定在该所的账户体系中。这种预置资本模式意味着高昂的资本锁定成本：套利者必须在每一个潜在的套利场所维持闲置资金，而这些资金的机会成本在高利率环境下尤为显著。更关键的是，传导阶段的摩擦来源需要在两个性质截然不同的维度上加以区分。技术传导摩擦，包括区块链网络拥堵导致的转账确认延迟、跨链桥的处理时间等，本质上是基础设施性能的物理约束，随着技术进步呈趋势性改善。而制度传导摩擦，即交易所在极端行情下主动暂停提现处理、对 API 接口实施限流甚至临时关闭，则是交易所基于自身风控逻辑做出的有意决策。后者在极端事件中的影响往往远大于前者：当多家主要交易所同时暂停提现时，跨交易所套利的物理通道被从根本上切断，无论套利者拥有多少资本或多快的执行速度，都无法完成跨所头寸的调拨。这意味着传导效率在压力状态下的崩溃并非单纯的摩擦成本上升问题，而是套利通道的结构性断裂。

13.2.4 总效率

三阶段价格发现模型提供了一个评估全市场价格发现质量的量化框架。市场的总价格发现效率并非这三个阶段效率的简单相加，而是它们的乘积：

$$\text{总效率} = \text{表达效率} \times \text{聚合效率} \times \text{传导效率}$$

采用乘积形式而非加权和来构建总效率公式，其逻辑依据源于三个阶段之间的串联结构。信息必须依次通过表达、聚合、传导三个环节才能完成从私有认知到全市场共识价格的转化，这一过程在本质上是一条串联管道（serial pipeline），而非三条可以相互替代的并联通路。在串联系统中，任一环节的效率趋近于零，都将导致整条管道的输出趋近于零，这正是乘积运算的数学性质所天然捕捉的“瓶颈效应”。相比之下，加权和模型（如 $\text{总效率} = w_1 \cdot E_{\text{表达}} + w_2 \cdot E_{\text{聚合}} + w_3 \cdot E_{\text{传导}}$）隐含地假设各阶段之间可以相互补偿，即高表达效率可以弥补低传导效率，但这与信息传导的物理现实相悖：无论知情交易者的表达多么高效，如果套利通道完全断裂（传导效率为零），信息就无法到达跟随市场。在本模型中，我们将各阶段效率的取值范围界定为 $[0, 1]$ 区间，其中1代表理论上的无摩擦理想状态（信息在该阶段被完全、即时、无损地处理），而0代表该阶段的完全失效。需要指出的是，乘积公式是对三阶段过程的一阶近似。现实中三个阶段间存在非平凡的交互与反馈（例如传导效率持续低下会抑制知情交易者在领导市场的表达，聚合阶段的高噪声可能促使其延迟或分散下单），更完整的模型需引入阶段间反馈项来刻画这些二阶效应；但本章分析表明，一阶乘积近似已足以揭示加密市场价格发现的核心脆弱性。

这种乘积关系揭示了加密资产市场价格发现的一个关键脆弱性：短板效应。即使市场在某一个或两个阶段表现出极高的效率，只要其中一个阶段出现严重故障，整体的价格发现功能就会崩溃。

例如，在2025年10月的极端清算危机中，知情交易者依然能够高效地提交订单（表达效率高），但由于海量清算订单（机制性噪声）涌入订单簿，做市商无法有效分离信号与噪声，导致聚合效率大幅下降；同时，以太坊主网 Gas 价格飙升导致链上转账延迟，叠加多家交易所因系统过载暂停提现处理，跨市场保证金追加延迟导致套利通道受阻，传导效率急剧恶化。最终，这导致全市场的总价格发现效率在短时间内接近停滞，各场所价格出现严重脱节。

通过将价格发现解构为这三个阶段，研究者和监管者可以更精确地定位市场微观结构中的效率瓶颈，从而为优化交易机制和设计更具韧性的 DeFi 协议提供理论依据。

图 13-8 以流程图呈现三阶段价格发现模型的完整传导路径及各阶段的效率瓶颈所在。

图 13-8. 三阶段价格发现模型的完整传导流程

如图 13-8 所示，信息依次经过场所选择与订单提交的表达阶段、订单簿撮合与做市商过滤的聚合阶段、套利与预言机扩散的传导阶段，最终形成全市场共识价格。

聚合阶段的核心在于从订单流中提取真实信息信号。图 13-9 将一次大额交易引发的价格冲击分解为三个性质不同的成分——永久性的信息成分、暂时性的流动性成分与非信息性的机制成分。

图 13-9. 价格冲击的信息成分、流动性成分与机制成分分解（概念性分解示意，无定量数据）

图 13-9 清晰地展示了三种成分在时间维度上的差异行为：信息成分在冲击发生后形成永久性的价格水平位移，价格不再回归原位，这正是新信息被市场消化的证据；流动性成分则呈现出典型的“冲击-回归”模式，反映了瞬时深度不足导致的暂时性偏离；机制成分（如清算强平引发的卖压）在冲击消退后通常完全回归，因为这些交易不携带任何关于资产基本面的信息。这一分解框架表明，聚合阶段的核心任务正是将信息成分从后两者中有效分离——只有永久性的信息成分构成价格发现的有效产出，流动性成分和机制成分则是需要被过滤的噪声。

图 13-10 通过设定具体效率参数值，量化展示了三阶段效率的乘积关系在正常市场与清算密集期两种代表状态下的计算结果。

图 13-10. 不同市场状态下三阶段效率的乘积关系（概念示意，非实测数据）

图 13-10 的计算结果揭示了一个关键的非线性特征：在正常市场中，假设表达效率为0.85、聚合效率为0.80、传导效率为0.90，三者的乘积约为0.61，意味着信息从产生到全市场定价的过程中约有39%的信息价值在传导中被损耗或延迟。而当市场进入清算密集期，即便表达效率仍维持在0.80，但聚合效率因机制性噪声而骤降至0.30、传导效率因套利通道受阻降至0.40时，总效率仅为0.096——不到正常水平的六分之一。这种“任一环节的崩溃即可瘫痪整个管道”的特征，正是采用乘积而非加权和来构建总效率公式的经验依据。

13.3 场所引力模型

在§13.2的三阶段模型中，表达阶段的核心是知情交易者的场所选择。如§13.1.5所述，加密资产市场的交易场所高度碎片化。然而，实证数据表明，价格发现并非在这些场所中均匀分布，而是呈现出高度集中的特征。本节提出本章的第二个核心理论贡献：场所引力模型，用以解释为何永续合约成为了加密市场价格发现的绝对中心。

13.3.1 知情交易者的场所偏好

在传统金融市场中，现货市场通常是价格发现的基石，期货市场则主要发挥风险管理和价格发现的辅助功能。但在加密资产市场，这一关系发生了根本性转变。根据 CoinGlass 的2025年年度报告，加密衍生品市场全年总交易量达到约85.70万亿美元 ^[12]；其中永续合约占据了主导地位，其份额约93%的估算见 Ruan 与 Streltsov 等的行业研究 ^[13]。然而，名义交易量作为衡量市场活跃度的指标存在显著局限性。由于永续合约内嵌高杠杆，名义交易量会被杠杆倍数大幅膨胀：一个使用100倍杠杆的交易者以1,000美元本金建仓，便产生了100,000美元的名义交易量，但其实际风险资本仅为1,000美元。此外，名义交易量还可能受到洗盘交易的扭曲（本章§13.7.2将详细讨论）。因此，更具分析价值的度量指标包括未平仓量（Open Interest, OI），它反映了市场中实际被锁定的资本规模和持仓承诺；以及经杠杆率调整的资本加权交易量，后者试图还原交易量背后的真实风险资本流动。尽管如此，85.70万亿美元的名义交易量即便经过杠杆折算，仍然清晰地表明永续合约市场在资本活动的绝对规模上已远超现货市场。

Alexander 等学者（2020）的开创性研究表明，在不受监管的交易所上交易的永续合约，是比特币价格发现的最强驱动力 ^[9]。随后的多项研究，包括 Ruan 和 Streltsov (2024) 基于高频订单簿数据的分析，进一步证实了永续合约在价格发现中的领导地位 ^[13]。

知情交易者为何如此偏爱永续合约？这并非偶然，而是由市场微观结构的内生特性决定的。场所引力模型认为，一个交易场所吸引信息流的能力（即其“引力”）取决于四个关键维度的综合表现。

13.3.2 引力的四个维度

我们定义一个交易场所 $i$ 的信息引力 $G_i$ 为四个维度的函数：

$$G_i = f(L_i, D_i, A_i, C_i^{-1})$$

具体而言，杠杆可用性 ($L_i$) 满足了知情交易者用最小资本获取最大风险敞口的核心诉求，永续合约高达10倍至125倍的杠杆使其能以极低资本占用表达私有信息，而现货市场缺乏内生杠杆，传统期货市场杠杆率受监管限制。流动性深度 ($D_i$) 决定了执行大额订单时的价格冲击成本，2025年数据显示 Binance 永续合约的比特币±1%双边流动性深度远超任何单一现货市场，深厚流动性使大额信息交易能被隐蔽且低成本地吸收 ^[12]。匿名性 ($A_i$) 允许知情交易者推迟身份和意图被识别的时间，DEX 永续合约提供最高伪匿名性，CEX 永续合约则通过将订单流混入海量零售交易中实现“隐蔽在人群中”的效果。然而，匿名性维度内含深刻的监管张力。一方面，匿名性降低了知情交易者的信息泄露成本，使其更愿意在市场中表达私有信息，从而促进价格发现；另一方面，匿名性同样为内幕交易和市场操纵提供了庇护空间。FATF 旅行规则要求虚拟资产服务提供商在超过一定金额的转账中传递发送方和接收方身份信息，欧盟 MiCA 法规对加密资产服务商施加了全面的客户尽职调查义务，美国《银行保密法》（BSA）则通过可疑活动报告制度将合规触角延伸至加密领域。这些监管框架正在系统性地收窄匿名交易的空间，意味着引力模型中的匿名性维度并非静态参数，而是一个正在被制度力量结构性削弱的时变因素。交易成本效率 ($C_i^{-1}$) 需要从“全成本”视角加以理解，而非仅关注显性费用。永续合约的显性优势，即无展期成本、无期权时间衰减、较低的交易手续费（Maker 常获返佣），确实显著，但实际交易的全成本还须纳入以下隐性维度：资金费率的持仓成本在杠杆拥挤期间年化可超过100%，对于需要持仓数日以上的知情交易者而言，这一成本可能侵蚀甚至反转交易利润；市价单滑点作为订单规模与订单簿深度之比的函数，在流动性稀薄时段可显著放大执行成本；此外，保证金资本锁定所带来的机会成本，尤其在高利率环境下，同样不可忽视。因此，永续合约在交易成本效率上的优势虽然在大多数情境下依然成立，但其全成本远高于仅观察手续费费率所得出的印象。

如下表所示，永续合约在这四个维度上均表现出显著优势，形成了强“引力场”，将全市场绝大部分的信息交易吸引至此。

表 13-2 比较了四种交易场所在引力模型四个维度上的相对表现。

表 13-2. 四种交易场所在场所引力模型四个维度上的比较（流动性深度数据来源：CoinGlass 2025年年度报告 ^[12]，为特定快照时点数据）

需要特别指出的是，表 13-2中“BTC ±1%深度超过5000万美元”这一数据为特定观测时点的快照值，而流动性深度本身是高度时变的。在市场回调期间，做市商收缩报价，深度可能大幅缩水至正常水平的三分之一甚至更低。更重要的是，双边总深度（bid + ask 合计）掩盖了买卖方向的不对称性：在趋势性行情中，逆势方向（例如下跌趋势中的买盘深度）通常显著薄于顺势方向，而恰恰是逆势方深度决定了知情交易者逆势建仓时的实际价格冲击。因此，分析价格发现中的流动性约束时，应以方向性深度而非双边总深度为基准。

13.3.3 交易量与引力优势

永续合约的引力优势最直观地体现在交易量上。如图 13-11所示，从2020年到2025年，永续合约的交易量经历了爆发式增长。2025年，全球加密衍生品交易量达到85.7万亿美元；据 CryptoQuant 的交易所比率数据，永续/现货交易量比率攀升至3.3左右，在 Binance 等头部交易所，这一比率在某些时期甚至高达5.1 ^[14]。

交易量的聚集不仅是引力作用的结果，更是引力强化的原因。流动性具有网络效应：越多的知情交易者选择永续合约，做市商就越倾向于在此提供流动性；而更深的流动性又进一步吸引更多的交易者，形成正反馈循环。

图 13-11. 永续合约与现货年度交易量增长趋势（2020-2025）

图 13-11 显示，永续合约交易量呈指数级增长，其相对于现货的交易量比率持续攀升，反映了市场流动性和定价权向永续合约的结构性转移。

图 13-12 以饼图展示了2025年加密衍生品市场85.7万亿美元总交易量在永续合约、定期交割期货与期权之间的份额分配。

图 13-12. 2025年加密衍生品市场产品结构分布

图 13-12 显示，永续合约占据了衍生品市场约93%的份额，期权和定期期货仅占极小比例。这种高度集中的产品结构表明，无到期日和持续结算的设计特征赋予了永续合约在交易者偏好上的结构性优势。这一格局也意味着永续合约的定价机制（包括资金费率和标记价格）实际上承担了整个加密衍生品生态的价格基准功能。

13.3.4 资金费率与基差

永续合约之所以被称为“永续”，是因为它没有交割日。为了使永续合约价格锚定现货指数价格，市场引入了资金费率机制。这一机制不仅是价格锚定的工具，更是永续合约市场独有的、极具价值的二阶信息信号。

当永续合约价格高于现货价格（正基差）时，资金费率为正，多头需要向空头支付费用；反之亦然。如图 13-13所示，这形成了一个负反馈循环，激励套利者进场抹平价差。

然而，在微观结构层面，资金费率的极端值揭示了市场情绪的极度倾斜和杠杆的拥挤程度。一种被广泛讨论的代表性观察认为，资金费率与后续资产收益率之间可能存在非线性的“U型”关系（见图 13-14）。当资金费率处于极端负值（Q1，空头极度拥挤）时，后续往往出现轧空导致价格大幅上涨；而当资金费率处于极端正值（Q5，多头极度拥挤）时，后续往往面临多头清算引发的价格暴跌。需要说明的是，所引 Presto Research ^[15] 的单资产实证主要发现当期资金费率对未来收益的前瞻预测力有限，上述五分位U型模式系基于费率极端化逻辑的代表性示意，而非该文献的直接结论。因此，资金费率本身成为了知情交易者进行策略构建的重要信息输入。

图 13-13. 资金费率机制的价格锚定与负反馈循环

图 13-13 表明，资金费率不仅促使衍生品价格向现货回归，其极端值还构成了衡量市场杠杆拥挤度和脆弱性的二阶信息信号。

图 13-14. 资金费率五分位与后续7日收益率的非线性关系（代表性示意：五分位划分为作者据费率极端化逻辑的代表性构造；所引 Presto Research ^[15] 未直接给出该五分位结论）

图 13-14 以代表性方式呈现了极端负费率与极端正费率均对应更高的绝对后续波动，形成显著的U型轮廓。这一刻画提示：当资金费率偏离正常区间时，市场正在积累方向性风险，其后的均值回归往往伴随剧烈波动。因此，资金费率不仅是锚定现货的机械工具，更已演化为衡量市场脆弱性、预测短期波动率的二阶信号。

然而，上述U型关系的稳健性需要附加若干重要限定条件。其一，极端资金费率往往集中出现在宏观体制转换期间（例如美联储货币政策急转、重大地缘政治事件或监管冲击），因此费率极端值的预测力可能部分源于宏观风险溢价的均值回归，而非纯粹的加密市场微观结构现象。将宏观因子从费率信号中剥离是检验其独立预测力的必要步骤，但目前文献中尚缺乏此类控制分析。其二，不同交易所采用的资金费率计算公式存在实质性差异（各所在利率−溢价分量、clamp 边界与最终费率上限上的具体设定见§13.5.2），因而同一时刻不同交易所报出的资金费率可能存在显著偏差，U型关系对计算方法论的敏感性尚未得到系统检验。其三，随着“资金费率猎人”（funding rate hunter）策略在量化基金和零售交易者中日益流行并趋于拥挤化，基于极端费率的反向交易 alpha 可能正在经历结构性衰减：当越来越多的交易者试图利用同一信号时，信号本身的预测力会因策略反身性而被削弱。

13.3.5 引力模型的动态性

场所引力并非静态不变的。引力模型的一个重要推论是状态依赖性：在不同的市场状态下，各维度的权重会发生变化，导致信息引力分布的动态重构。

使用 Hasbrouck 的信息份额（Information Share, IS）模型进行测算，可以清晰地观察到这种动态重构在实证中呈现多种典型的市场状态。以下 IS 估计值系基于多项实证研究的综合估计，不同研究因样本期、数据频率和所选交易所组合而存在差异，故以区间形式呈现。在正常市场状态下，CEX 永续合约凭借极高的杠杆和深厚的流动性，占据了约50%-60%的信息份额，是价格发现的核心场所。在压力市场状态（如宏观冲击）下，当突发宏观消息（如美联储意外加息）公布时，知情交易者急需最高效的工具来表达信息，此时永续合约的高杠杆和低延迟优势被进一步放大，其信息份额可能攀升至60%-70%。

危机状态的分析则需要引入一个关键的类型学区分，因为不同性质的危机对价格发现领导权的影响截然不同。第一类为纯机制性危机（pure mechanical crisis），其典型形态是清算级联，即由技术性触发因素（如单一大户爆仓、保险基金耗竭引发 ADL）导致的连锁强制平仓，而无重大新信息的输入。在此类危机中，永续合约市场充斥着由清算引擎强制发出的市价单，这些订单不携带任何关于资产基本面的信息，而是纯粹的机制性噪声。做市商因库存风险过高而撤出流动性，导致聚合效率崩溃。此时，现货市场因不存在强制清算机制，反而成为相对纯净的信息源，其信息份额可能反超永续合约，基于多项研究的综合估计，现货市场 IS 份额在此情境下可达约35%-45%甚至更高，永续合约的 IS 份额则可能跌至30%-40%。第二类为信息-机制复合型危机（information-mechanical compound crisis），其典型形态是重大新闻事件叠加清算级联，例如 Bybit 黑客事件中安全漏洞信息的发布同时引发大规模清算。在此类危机中，市场同时需要处理两类截然不同的价格信号：一是关于事件基本面含义的信息性信号，二是清算产生的机制性噪声。由于知情交易者仍然首选杠杆效率最高的衍生品市场来表达其对事件基本面含义的判断，头部衍生品市场的信息性订单流与机制性噪声混合在一起，但前者的信息密度足以使衍生品市场维持甚至提升其 IS 份额，基于多项研究的综合估计，头部衍生品市场 IS 份额在此情境下可达约50%-60%以上。这一区分解释了一个表面上的悖论：危机状态下永续合约的 IS 份额究竟是上升还是下降，取决于危机的信息结构而非仅仅是波动幅度。

状态依赖性表明，加密市场的价格发现领导权并非固定在单一场所，而是随危机性质的不同在永续合约和现货市场之间动态切换。

图 13-15 对比了正常、压力和危机三种市场状态下各交易场所的信息份额分布。

图 13-15. 正常、压力与危机三种市场状态下的信息份额分布（此处“危机”为纯机制性危机/清算级联；信息份额为综合估计/示意值）

图 13-15 表明，在正常和压力市场中 CEX 永续合约占据信息份额的主导地位。在危机状态下，价格发现的领导权分布取决于危机的信息结构：纯机制性危机（清算级联）中，永续市场被机制性噪声淹没，现货市场被动接管价格发现的领导权；而在信息-机制复合型危机中，知情交易者对事件含义的表达需求使头部衍生品市场维持其信息中心地位。

13.3.6 CEX 与 DEX 永续的引力分化

进入2024-2025周期，随着“意图为中心”架构和高性能应用链（如 Hyperliquid）的成熟，去中心化永续合约开始对中心化交易所的引力形成实质性挑战。

如图 13-16所示，到2025年底，DEX 永续合约的月度交易量已突破1万亿美元，占整个永续合约市场的份额攀升至22% ^[12]。然而，与 CEX 面临的交易量真实性挑战（§13.7.2将详细讨论）类似，DEX 交易量同样存在显著的失真风险。2025年 Perp DEX 之间的激烈竞争催生了大量非价格发现性质的交易活动：空投挖矿（airdrop farming）驱动交易者为获取代币分配而刷量，交易挖矿（trading mining）机制直接以手续费返还激励交易量膨胀，机器人刷量（bot farming）则通过自动化策略在低流动性交易对上制造虚假活跃度。这些活动虽然贡献了名义交易量，却几乎不包含任何价格发现信息。因此，22%的市场份额中真正代表知情交易者表达私有信息的有效价格发现活动占比，可能显著低于名义数字所暗示的水平。

虽然 CEX（特别是 Binance 和 OKX）在绝对流动性深度和机构资金托管规模上仍占据显著优势，但 DEX 在“匿名性”和“抗审查性”这两个引力维度上具有不可替代的优势。这种引力维度的差异化导致了知情交易者的分层：宏观与机构知情交易者主要依赖 CEX 永续合约，因为他们需要极深的流动性来消化大额订单，且对合规性有严格要求。相比之下，链上 Alpha 与长尾资产知情交易者越来越倾向于使用 DEX 永续合约。对于新发行的代币或尚未在顶级 CEX 上市的长尾资产，DEX 永续合约往往是唯一的杠杆做空工具，因此在这些特定资产上，DEX 永续合约掌握了绝对的定价权。

图 13-16. CEX 与 DEX 永续合约交易量份额对比（2024-2025；份额为名义交易量口径）

图 13-16 显示，DEX 永续合约市场份额在2024至2025年间稳步上升，反映了高性能应用链在流动性和执行效率上开始实质性地分流 CEX 的引力。这种分流并非均匀发生：在 BTC 和 ETH 等主流资产上，CEX 仍保持绝对的流动性优势；但在长尾资产和新发行代币上，DEX 永续合约已成为唯一的杠杆做空工具，因此在这些特定资产上掌握了定价权。这一差异化的引力分布预示着未来的价格发现格局可能呈现“主流资产 CEX 主导、长尾资产 DEX 主导”的双轨结构。

然而，DEX 的“抗审查性”引力优势本身正面临严峻的法律现实检验。2022年美国财政部外国资产控制办公室（OFAC）对 Tornado Cash 的制裁首次确立了政府可将智能合约地址列入制裁名单的先例，这一决定虽在司法审查中经历了反复，但其制度信号已深刻改变了去中心化协议的合规风险预期。对于 Perp DEX 而言，关键在于“抗审查性”并非等同于法律免疫。以 Hyperliquid 为例，其高性能架构的核心（中心化排序器）既是实现亚秒级终局性的技术基础，也是制裁合规的天然关口和系统的单点故障：监管当局可以通过对排序器运营实体施压来实现交易审查，正如2025年3月 JELLY 事件中验证者紧急协调关闭市场所展示的那样。更广义而言，任何在物理基础设施层面存在可识别运营实体的 DEX，其抗审查性声明都需要在“技术可行性”与“法律可执行性”之间做出更审慎的区分。

13.4 信息流拓扑图

承前述的市场碎片化结构，“真实价格”的形成不再是单一市场的孤立过程，而是多市场博弈的动态结果。本节提出信息流拓扑图理论框架，作为本章的第三个核心理论贡献（CC3），系统性地揭示价格发现的跨市场传导机制，并探讨不同类型市场在价格发现中的角色与地位。

13.4.1 拓扑图的构建

为了系统性地描述碎片化市场中的价格发现过程，我们构建了信息流拓扑图。在这个有向加权图 $\mathcal{G} = (V, E, W)$ 中，节点集合 $V$ 代表各个交易场所（如 Binance 永续合约、Coinbase 现货、Hyperliquid 等），有向边集合 $E$ 表示价格信号的传导方向，而权重函数 $W: E \rightarrow \mathbb{R}^+$ 则反映了信息传导的强度（如单位时间内的价格信号传递弹性）。此处 $\mathbb{R}^+$ 取严格正值，即边存在则其权重必大于零（无传导关系对应边不存在，而非权重为零）。

在这一拓扑结构中，信息流并非均匀分布。高流动性、低交易成本的衍生品市场通常作为“信息源”节点，率先反映新的市场信息；而流动性较弱或交易成本较高的现货市场则作为“接收”节点，被动跟随价格变化。套利者在这一网络中扮演着“连通器”的角色，通过跨市场套利策略将价格偏差抹平，从而完成信息流的物理传导。当套利摩擦（交易手续费、网络延迟、资金转移时间等）较低时，拓扑图的连通性强，价格趋于一致；当摩擦升高时，连通性下降，各节点之间出现持续性价差。

图 13-17 构建了以 Binance 永续合约为核心的加密资产市场信息流拓扑图。

图 13-17. 加密资产市场的信息流拓扑图

图 13-17 展示了以 Binance 永续合约为核心的信息传导路径，CEX 永续、CEX 现货、DEX 与传统金融市场之间存在方向性不对称的信息流动，有向边权重反映传导的相对强度。

上图所呈现的拓扑结构揭示了一个核心事实：在当前的加密市场中，Binance 永续合约是信息流网络的“超级枢纽”，其出度远高于其他节点，意味着该市场产生的价格信号向几乎所有其他市场单向辐射。与此同时，指数价格和预言机虽然自身不产生交易，但通过作为清算和资金费率计算的基准，反向约束着整个网络的价格边界。

13.4.2 度量工具

在实证金融学中，衡量不同市场在价格发现中贡献度的标准工具主要包括两个经典模型。

Hasbrouck 信息份额模型基于向量误差修正模型的残差协方差矩阵，衡量某一市场对有效价格方差的贡献比例 ^[4]。其核心逻辑在于，价格发现的主导市场通常具有更高的波动性创新，即该市场对新信息的反应最为剧烈和迅速。IS 模型的数学表达可以概括为：

$$IS_j = \frac{\psi_j^2 \sigma_j^2}{\sum_{k=1}^{n} \psi_k^2 \sigma_k^2}$$

其中 $\psi_j$ 是市场 $j$ 在共同趋势中的权重（即由向量误差修正模型的移动平均表示导出的共同因子载荷），$\sigma_j^2$ 是该市场创新项的方差。需注意此处 $\sigma_j$ 指市场 $j$ 的创新项标准差，与前文 $\sigma_{\text{mech}}/\sigma_{\text{info}}$ 的波动率含义不同。上式为创新协方差对角化（正交）后的形式；一般情形需经 Cholesky 分解，且 IS 模型对误差项协方差矩阵的 Cholesky 正交化顺序较为敏感，结果依赖排序，故实务中通常需要计算上下界来确定最终份额。

Gonzalo-Granger 成分份额模型则关注于各个市场价格对共同趋势的误差修正速度 ^[16]。CS 份额越高的市场，其对价格偏离的修正责任越小，即其他市场需要向该市场“靠拢”。与 IS 模型不同，CS 模型衡量的是市场对永久性价格冲击的引导能力，而非短期波动性的贡献。

表 13-3 比较了 Hasbrouck IS、Gonzalo-Granger CS 及两者联合使用的特征。

表 13-3. 价格发现度量方法对比：Hasbrouck IS、Gonzalo-Granger CS 及二者联合（数据来源：作者整理）

在评估加密市场的价格发现效率时，研究者通常结合使用这两种度量工具，以获得更全面的市场微观结构洞察。Putniņš (2013) 进一步提出了信息领导份额，通过将 IS 与 CS 的比值进行标准化，消除了噪声对度量结果的干扰 ^[17]。

13.4.3 实证格局

大量的实证研究表明，在当前的加密资产价格发现格局中，中心化交易所的永续合约市场占据了主导地位。Cosenza 与 Stalder (2024) 利用高频数据分析了比特币在碎片化市场中的价格发现过程，发现非监管交易所（尤其是 Binance）是价格发现的首要来源，其永续合约和现货市场合计贡献了超过50%的信息份额 ^[18]。Entrop, Frijns 与 Seruset (2020) 的研究则进一步证实，在波动率上升和市场不确定性增加的时期，期货/永续合约市场对价格发现的贡献会显著增强 ^[19]。Dimpfl 与 Peter (2021) 的跨交易所分析则揭示了价格发现领导权从 Bitfinex 向 Binance 的历史性转移 ^[20]。不受监管场所主导价格发现的格局本身面临监管事件风险。2023年11月 Binance 与美国司法部及 CFTC 达成的43亿美元和解案表明，针对主导性场所的执法行动可能导致信息流拓扑的突然重构。此外，2024年1月 BTC 现货 ETF 获批后，CME 及受监管市场的 IS 份额已显著增长，“不受监管场所主导”的格局正在被制度性力量所改变。

图 13-18 比较了主要交易场所的 Hasbrouck IS 与 Gonzalo-Granger CS 份额。

图 13-18. 主要交易场所的 Hasbrouck IS 与 Gonzalo-Granger CS 份额比较（综合多项研究 ^[18][19]；CME 为 2024 年现货 ETF 前样本）

图 13-18 综合了多项实证研究的结果，显示三大 CEX 永续合约（Binance、OKX、Bybit）合计贡献了约64%的 IS 份额和56%的 CS 份额，确认了衍生品市场在价格发现中的主导地位；计入 Hyperliquid 等永续 DEX 后，全部永续合约的 IS 合计约72%。

如上图所示，Binance 永续合约是“价格领导者”，其 IS 份额约为32%，CS 份额约为28%，均显著高于其他场所。相比之下，传统金融市场（如 CME 期货）的贡献仅约6%，这与其周末休市、较高的交易门槛以及合约规模限制等因素有关。然而，CME 的 IS 份额与其系统性重要性并不成比例：CME 是机构合规配置加密敞口的主要渠道，其结算价被用于多种 ETF 的净值计算，交易时段关闭与开盘产生的缺口效应本身可成为信息事件。需要指出的是，该6%的 IS 数据来源于2024年 BTC 现货 ETF 获批之前的研究样本，此后格局已发生结构性变化：CME 的机构交易量和信息份额已显著增长，受监管市场在价格发现中的权重正在系统性上升。

以 Hyperliquid 为代表的高性能 DEX 正在快速崛起。尽管当前其 IS 份额约为8%，但其低延迟、链上透明和无许可准入的特性正在吸引越来越多的做市商和套利者。随着 DEX 基础设施的持续改善，其在价格发现拓扑图中的权重有望进一步上升。

13.4.4 三类领导者

基于信息流拓扑图的分析，我们可以将加密市场中的交易场所划分为三类不同的价格发现领导者（表 13-4）。这一分类体系超越了传统的“现货 vs.期货”二元对立，提供了更加精细的市场角色画像。

表 13-4. 加密市场价格发现的三类领导者及其作用机制（数据来源：作者整理）

这三类领导者在拓扑图中形成了一个相互制约的闭环：信息效率型市场产生价格创新，套利枢纽型市场验证并传导价格，而价格基准型市场则确保整个系统的长期锚定。这种三角制衡关系在正常市场条件下运行良好，但在极端行情中可能因套利摩擦的急剧上升而发生断裂，这正是下一小节将要讨论的问题。

13.4.5 套利摩擦与传导延迟

信息在拓扑图中的传导并非瞬间完成，而是受到套利摩擦的限制。在正常市场条件下，CEX 之间的套利成本约为8-12个基点，价格收敛时间约为0.5-2秒；CEX 与 DEX 之间的套利成本则更高，约为22-26 bp，收敛时间约为8-15秒。上述成本估计代表的是理想情况下的显性交易成本。需要强调的是，“8至12个基点”仅对在多家交易所预先部署了资本的机构套利者方可达成，这隐含了显著的资本锁定成本。套利的实际全成本还包括跨交易所提现延迟（正常条件下10分钟至数小时，极端行情下可能被交易所暂停）、执行期间的基差风险，以及在多个交易所同时维持保证金的机会成本。因此，套利的有效全成本可能高出显性成本数倍。当市场遭遇极端事件时，这些摩擦会被急剧放大，导致价格传导出现显著延迟和断层。

2025年2月21日发生的 Bybit 黑客事件提供了一个典型的观察切片 ^[1]。在该事件中，Bybit 交易所的以太坊冷钱包遭到朝鲜黑客组织 Lazarus Group 的攻击，损失约14至15亿美元的 ETH 及相关衍生品资产。根据 Kaiko Research 的分析，市场在黑客事件发生约一小时后（即 CEO 公开确认后）才开始大规模反应，这一延迟本身就揭示了信息不对称的持续存在：尽管区块链数据是公开的，但重大事件的信号并不能被市场即时识别 ^[3]。

图 13-19 追踪了 Bybit 黑客事件中不同交易场所的价格反应速度与跨市场价差变化。

图 13-19. Bybit 黑客事件中的跨市场价格反应与价差扩大（走势为示意，关键值据 Kaiko Research ^[3]）

图 13-19 显示，事件确认后 Binance 永续、Bybit 永续和 Coinbase 现货在反应速度和跌幅上存在显著差异，图中并标注了 Binance 永续与 Coinbase 现货之间的价差从正常的约10 USDT 一度扩大至超过150 USDT。

事件确认后的市场反应呈现出三个层面的特征。在反应速度上，Binance 永续合约率先做出反应，在5分钟内完成了约7%的价格重估，而 Coinbase 现货市场则出现了约8秒的显著延迟且跌幅较小（约2-3%），这种分层完全符合信息流拓扑图的预测。与此同时，Bybit 永续合约出现了远超其他市场的超额跌幅（一度达到约14%），其中包含了市场对 Bybit 平台偿付能力的信用风险定价，这种信用风险溢价是纯粹的局部噪声，不应被视为 ETH 基本面的信息。在套利维度上，正常情况下超过150 USDT 的跨所价差会迅速被套利者抹平，但在危机时刻，由于大量做市商撤出流动性（Bybit 的1%市场深度在事件后数小时内从6800万美元降至2800万美元，降幅达59%），加之资金转移受限和单边风险过高，套利摩擦趋于无穷大，信息传导链条发生断裂 ^[3]。

根据 Kaiko Research 的统计，在 CEO 确认黑客事件后的第一个小时内，仅 ETH-USDT 交易对的累计成交量差就达到了负5200万美元，其中包含一笔约50万美元的大额卖单 ^[3]。

13.4.6 拓扑图的状态依赖性

信息流拓扑图并非静态结构，而是具有高度的状态依赖性。随着市场环境从正常状态向压力状态、再向危机状态演变，拓扑图的节点权重和连通性会发生系统性的动态重构。

图 13-20 展示了信息流拓扑图从正常状态到危机状态的动态演变过程。

图 13-20. 信息流拓扑图从正常到压力再到危机状态的演变（此处“危机”为信息-机制复合型危机；各场所 IS 为示意值）

图 13-20 显示，随着市场从正常状态向危机状态演变，价格发现的权重逐渐向头部平台集中，边缘节点的 IS 份额大幅萎缩。这种集中化的动态提示我们，静态的 IS/CS 测量必须结合市场状态解读，否则会低估极端行情下流动性结构性崩溃对价格信号的扭曲。

正常状态下，市场波动率平稳，流动性充裕。拓扑图呈现多中心特征，CEX 现货和头部 DEX 能够维持一定的价格发现份额（如 Coinbase 现货 IS 约9%，Hyperliquid 约8%），套利通道畅通，跨市场价差维持在正常范围内。

压力状态下，宏观数据发布或局部利空导致波动率上升。做市商收缩报价宽度、降低挂单深度，流动性向交易成本最低的 Binance 永续合约集中。此时，Binance 永续的 IS 份额从正常状态的约32%上升至约42%，而 DEX 和二线 CEX 的份额则相应下降。拓扑图的“中心化”程度加深。

危机状态下，拓扑图的重构方式取决于危机的信息结构，这一分析与§13.3.5的类型学框架保持一致。按§13.3.5的危机类型学，在信息-机制复合型危机（重大新闻事件叠加清算级联，如 Bybit 黑客事件）中，跨市场套利机制大面积失效，拓扑图的连通性大幅下降，但价格发现反而呈现“高度集中化”：知情交易者仍然首选杠杆效率最高的头部衍生品市场来表达其对事件基本面含义的判断，头部衍生品节点成为最主要的信息源，其他节点大幅沦为“价格接受者”或陷入流动性枯竭。而在纯机制性危机（高杠杆触发的清算级联、无重大新信息的输入）中，永续合约的价格信号被大量机制性噪声污染，其 IS 份额反而下降，领导权暂时性转移至不受强制清算机制影响的现货市场（详见§13.3.5的分析）。这一区分意味着，危机状态下拓扑图的退化并非遵循单一模式：信息-机制复合型危机导致拓扑图向头部衍生品节点极端集中，而纯机制性危机则可能导致信息流的领导权从衍生品市场向现货市场的暂时性转移。

除上述三种市场状态外，监管冲击构成拓扑重构的第四类触发因素。当监管机构对主导性场所采取执法行动（如限制特定交易所在某一管辖区的运营），可能导致信息流拓扑在数日内发生突变，交易者被迫迁移至替代场所，领导-跟随关系可能在短期内完全逆转。这种监管驱动的拓扑重构与市场波动驱动的状态转换在性质上截然不同：后者是内生的、连续的，通常随着波动率回落而恢复；前者则是外生的、离散的，其影响可能是永久性的结构改变而非暂时性偏离。

这种状态依赖性表明，在评估加密资产的价格发现效率时，必须考虑市场所处的宏观与微观环境。静态的 IS/CS 测量往往会掩盖极端行情下流动性结构性崩溃的风险。对于监管者和风险管理者而言，关键不在于正常状态下的价格发现效率有多高，而在于危机状态下的拓扑图退化有多严重，因为正是在这些时刻，价格信号的失真会导致最大的经济损失。

13.5 机械噪声的三条路径

在前一节中，我们确立了永续合约在价格发现中的主导地位。然而，这种领导地位并非没有代价。永续合约市场的独特微观结构设计（高杠杆、自动清算、资金费率机制）在提升资本效率和信息吸收速度的同时，也内生性地产生了一种非信息驱动的价格波动，即机械噪声。

本节提出本章的第四个核心理论贡献（CC4）：永续合约不仅是价格发现的引擎，更是整个加密市场价格体系的干扰源。通过三条具体的路径，即清算级联、费率极端化与标记价格 EMA 延迟，来剖析这种机械噪声是如何产生、放大并向外传导的。

13.5.1 清算驱动的价格偏移

加密衍生品市场广泛采用确定性的自动清算机制，但其具体实现远比“以市价强平”的简化叙事更为复杂。当账户的维持保证金率低于特定阈值时，主流交易所（如 Binance、OKX）的风险引擎并不会一次性抛售全部仓位，而是采用分级清算（tiered liquidation）策略，根据仓位规模将其划分为若干梯级，从最外层仓位开始逐批平仓，每一批次在不同的价格水平上执行，以期在控制风险的同时降低对市场的冲击。在执行方式上，清算引擎通常发出激进限价单（aggressive limit order）而非纯粹的市价单，即以当前最优对手价附近的限价挂单来完成清算，而非无条件地接受任意价格。此外，当清算过程中交易对手方流动性严重不足、保险基金消耗达到预设阈值时，部分仓位并不在公开市场上执行，而是进入自动减仓（ADL, auto-deleveraging）程序，由系统在盈利交易者中直接指定对手方完成平仓。尽管分级清算和限价单机制在正常波动环境下能有效缓解市场冲击，但在极端流动性枯竭的情境中（订单簿深度骤降至正常水平的百分之几），激进限价单在稀薄的挂单上无法获得充分成交，分级清算的各批次在极短时间内连续触发，其实际效果退化为接近市价清算的行为模式。因此，这种机制设计在保护交易所免受坏账风险的同时，仍然会在极端行情下创造出巨大的“机械性抛压”，其驱动力不是任何关于资产基本面的新信息，而是系统规则的确定性执行。

当市场遭遇初始的下行冲击时，触发的第一批多头清算会产生额外的卖盘，导致价格进一步下跌，进而触发更多高杠杆仓位的清算。这种正反馈循环被称为清算级联。在级联过程中，价格的剧烈下跌完全脱离了基本面信息的指引，纯粹由系统规则和流动性枯竭所驱动。这种清算驱动的非信息性波动，即第11章§11.8.3所定义的“机制性波动”，本章以符号 $\sigma_{\text{mech}}$ 表示，以区别于信息驱动的波动 $\sigma_{\text{info}}$；其完整形式化（清算反身性方程与发散判据 $G>1$、四阶段动力学）见第11章§11.3与§11.5。此处 $G$ 为第11章定义的清算增益系数，与本章的拓扑图 $\mathcal{G}$、场所信息引力 $G_i$ 均无关。

2025年10月10日至11日发生的加密市场闪崩事件，是这一机制的极端体现 ^[21]。在短短的周末期间，全网发生了逾190亿美元（CoinGlass 口径，约191–194亿）的强制平仓，这一规模约为2020年3.12事件的19倍（详见§13.7.1）。约1600种代币的日内最大回撤平均接近60%，数百种小市值代币在至少一个交易场所上失去了70%-90%的报价价值。

图 13-21 模拟了典型清算级联事件中价格、可见强平名义规模与未平仓量的动态变化过程。

图 13-21. 清算级联中价格、可见强平名义规模与未平仓量的动态变化（概念示意：模拟数据，非实测）

图 13-21 模拟了典型清算级联：价格在初始触发后非线性下探，可见强平名义规模指数级增长，未平仓量出现约40%的断崖式下跌。

在清算级联的“峰值压力”阶段，价格下探的深度远超初始信息冲击的合理范围。这种由强制平仓导致的超调就是最典型的机械噪声。清算级联的破坏力源于三个相互强化的因素。在确定性执行层面，自动清算引擎按照预设规则无条件执行，不考虑市场流动性状况或价格合理性，正如 Greco 在对2025年10月事件的分析中所指出的，“确定性的自动化是可预测的，而可预测性是可被利用的” ^[21]。在流动性维度上，级联过程中做市商因风险急剧上升而撤出报价，导致订单簿深度骤降，清算卖单面对的是一个流动性急剧萎缩的市场，每一笔强制平仓都会造成更大的价格冲击。跨保证金传染则进一步放大了危机：在统一账户体系下，单一抵押品的贬值会导致多个不相关仓位同时触发清算，正如2025年10月事件中 Ethena 的 USDe 在 Binance 内部订单簿上的局部流动性枯竭（一度跌至约0.65美元、折价约35%）通过统一账户的交叉保证金机制引发了全品种的连锁清算 ^[21]。需强调该折价主要是 Binance 单一低流动性 USDe 交易对的定价失真——同期 Curve 上偏离不足100个基点、Bybit 仅约0.92美元，Ethena 协议维持超额抵押与正常赎回，故35%并不反映 USDe 的真实偿付风险（详见第11章相关分析）。统一保证金在正常市场中并不改变资产间的基本面相关性（BTC、ETH 和山寨币的相关性通常在0.3至0.6之间），但在清算传染下，它创造了内生的尾部相关性跳跃：单一抵押品贬值导致不相关仓位同时清算，使实际相关性可骤升至接近1.0。这种“尾部相关性突变”对在险价值（Value at Risk, VaR）等依赖历史相关性进行风险度量的模型构成了根本性挑战。Brunnermeier 与 Pedersen（2009）提出的“保证金螺旋”（margin spiral）框架为理解这一内生相关性机制提供了理论基础 ^[22]。

在清算级联的末端，自动减仓（ADL）机制构成了一条独立且影响深远的噪声传导路径。ADL 的触发条件通常与交易所保险基金的消耗状态直接挂钩：当清算引擎无法在公开市场以破产价格或更优价格完成平仓、且保险基金的余额降至预设阈值以下时，系统便启动 ADL 程序，不再依赖公开订单簿撮合，而是在盈利交易者中强制选取对手方来承接被清算的仓位。对手方的选取遵循特定的优先级排序逻辑：多数主流交易所（如 Binance、Bybit）采用盈利率与杠杆倍数的乘积作为排序指标，即那些盈利最丰厚且杠杆使用最激进的账户最先被选中。这一设计的初衷是优先削减系统中风险最集中的头寸，但它引发了一种极具破坏性的连锁反应。做市商的典型业务模式是在多个市场同时持有对冲仓位，例如在永续合约市场做空以对冲现货市场的多头敞口。当 ADL 机制将其永续合约上盈利的空头腿强制平仓后，原本风险中性的投资组合瞬间变为单向裸露敞口。做市商面对这种突然的风险暴露，理性的应对策略是立即从市场中撤出剩余的所有报价，以避免在极端波动环境下遭受进一步损失。这种撤出在微观层面表现为订单簿深度的进一步坍塌，在宏观层面则构成了流动性供给的链式退出：一家做市商的撤退会加剧价格波动，从而促使更多做市商触发自身的风控阈值并相继退出。因此，ADL 不仅是清算级联的最后一道防线，它本身也是一种噪声放大器：通过破坏做市商的对冲结构，ADL 将一个仓位层面的风险事件转化为整个市场层面的流动性危机。

上述对清算级联的分析聚焦于其机械层面：保证金不足触发清算引擎、清算订单消耗流动性、价格下跌触发更多清算，这一正反馈循环的每一个环节都是确定性规则的自动执行。然而，清算级联在现实中还叠加了一个同样重要甚至可能更具冲击力的行为放大层。CoinGlass、Hyblock Capital 等数据平台实时广播全网清算数据，每一笔大额强平的币种、方向、金额都在发生后数秒内推送至交易者的屏幕和社交媒体信息流。这种前所未有的清算过程透明性创造了一种反身性行为反馈机制：交易者在观察到大规模清算正在发生时，会基于“级联尚未结束”的预期而抢先平仓以规避风险，或主动建立空头仓位以从预期中的进一步下跌中获利，这种行为可被称为“清算前跑”（liquidation front-running）。由于清算热力图所展示的密集清算价位为市场参与者提供了关于下一波强平可能触发的价格水平的共同知识，交易者的预期和行动趋于自我实现：足够多的参与者基于相同信息做出相同方向的交易决策，其本身就产生了使价格向清算密集区移动的压力。从价格发现的角度来看，这一行为层的存在意味着清算级联中的总价格偏移不能简单地归类为纯机械噪声 $\sigma_{\text{mech}}$。机械成分（清算引擎按规则执行的强制平仓）确实不携带任何关于资产基本面的信息，属于§13.2.2所定义的机制成分，理应在价格冲击消退后完全回归。但行为预期成分则更为复杂：交易者对清算数据的主动响应可能部分反映了他们对市场脆弱性结构（杠杆分布、流动性深度、保险基金充足率）的真实评估，这种评估本身携带关于市场系统性风险状态的有效信息。因此，将清算级联期间的全部价格偏移一概视为应被过滤的噪声，可能会导致对市场实际风险水平的低估。一个更审慎的分析框架应将级联期间的价格变动分解为机械成分与行为预期成分，并认识到后者在信息属性上的模糊性。

13.5.2 费率极端化的扭曲效应

永续合约依靠资金费率锚定现货价格的机制已在§13.3.4展开。然而，在单边行情中，资金费率往往会走向极端化，从而对交易者的持仓行为和资产价格产生严重的扭曲 ^[23]。

在极度看涨的市场中，做多情绪拥挤会导致资金费率飙升。以每8小时结算一次的标准机制为例，当单次费率达到0.1%时，多头持仓的年化成本将超过100%。在解读费率极端化时需注意三个机制细节。其一，多数交易所对最终费率设有上限 cap（如 Binance 的±0.75%/8h），并对“利率−溢价指数”之差另设 clamp 边界（如 Binance 的±0.05%），0.1%的举例远未触及该上限。其二，标准的8小时结算频率正在分化：Hyperliquid 已采用每小时结算，部分协议正在实验连续费率机制，更高频率的结算降低了单次费率的绝对值但提升了费率信号的时间分辨率。其三，实际费率由利率成分（固定或半固定）和溢价指数（反映永续合约与现货基差的动态成分）两部分组成，仅讨论极端总费率而不拆解其构成会遗漏两个成分的独立信息含量。这种高昂的持有成本会产生两种效应：其一，迫使部分资金效率较低的多头被迫平仓，产生与基本面无关的卖压；其二，吸引套利者在现货市场买入并在合约市场做空（即“现货-永续”基差套利），人为增加现货买盘和合约卖盘。

这种费率极端化在历史数据中反复出现。图 13-22 选取 BTC 永续合约典型牛市阶段的数据，将资金费率的8小时变化序列与价格走势、年化持仓成本叠加呈现。

图 13-22. 资金费率极端化对 BTC 价格与持仓成本的扭曲效应（典型示意；费率以基点/8h计，0.1%/8h≈10基点≈年化约110%）

图 13-22 清晰地展示了费率极端化的两个扭曲效应。在多头拥挤阶段（图中标注的高费率区间），单次0.1%的8小时费率折合年化成本超过100%，这一惊人的持仓成本使得除最高信念的多头之外的所有参与者面临持续失血——做市商和资金效率较低的趋势追随者被迫平仓离场，由此产生的卖压完全是费率机制驱动的，与 BTC 的基本面估值无关。与此同时，极端正费率吸引了大量“现货-永续”基差套利者进场：他们在现货市场买入 BTC 并在永续合约市场做空，以收取高额的资金费率补贴，这种纯套利动机的交易行为进一步人为地改变了现货和合约市场的供需结构。

反向的极端同样具有破坏力。在恐慌抛售阶段，资金费率可能深度转负（如2026年2月28日 BTC 资金费率年化一度跌至约-6%（年化/聚合口径，非单次结算 clamp 边界内数值）），意味着空头需要向多头支付高额费用 ^[24]。这种负费率会吸引逆向套利者建立多头仓位，但其动机并非看好基本面，而是为了收取费率补贴。当费率回归正常后，这些“费率猎人”会集中平仓，进一步的分析表明产生与信息无关的价格波动。

费率极端化产生的机械噪声具有一个重要特征：8小时周期性。由于主流交易所的资金费率每8小时结算一次（UTC 时间00:00、08:00、16:00），在结算时刻前后，交易者的调仓行为会产生规律性的价格扰动。这种周期性噪声在高频数据中清晰可见，并已被量化交易机构广泛利用。该策略面临显著的执行约束：实际交易窗口极为狭窄（通常仅在结算前后1至5分钟内有效），策略的广泛认知已导致高度拥挤，而在极端费率期间建立的均值回归头寸面临方向性尾部风险，因为极端费率有时是持续趋势的信号而非短暂偏离。

13.5.3 标记价格的 EMA 延迟

为了防止市场操纵和“插针”行情导致不必要的清算，绝大多数 CEX 采用了标记价格机制 ^[25]。标记价格通常基于以下公式计算：

$$P_{\mathrm{mark}} = P_{\mathrm{index}} + \operatorname{EMA}(\text{基差})$$

其中 $P_{\mathrm{index}}$ 是多个现货交易所的加权指数价格，$\operatorname{EMA}(\text{基差})$ 是永续合约最新成交价与指数价格之差的指数移动平均值；此处基差定义为永续合约最新成交价减去指数价格（正值表示升水）。EMA 的衰减因子决定了平滑窗口的长度：窗口越长，平滑效果越强，但延迟也越大。这一公式是概念性的简化表达，不同交易所的实际实现存在显著差异（且在合约层面均为定点数运算，涉及按 tick 取整）。Binance 采用三值中位数法，即$P_{\mathrm{mark}} = \operatorname{Median}(P_1, P_2, P_3)$，其中$P_1$为最新成交价，$P_2 = P_{\mathrm{index}} + \text{移动平均基差}$，$P_3 = P_{\mathrm{index}}$；Bybit 则使用$P_{\mathrm{mark}} = P_{\mathrm{index}} \times (1 + \text{衰减EMA基差率})$。EMA 窗口参数也差异显著，例如 Binance 对 Price2采用30秒基差的简单移动平均（2025年9月前为1分钟），而非指数加权。这些实现差异直接影响了 EMA 延迟噪声的具体路径和幅度，使得不同交易所在同一市场事件中产生不同程度的标记价格偏离。

虽然 EMA 平滑有效过滤了瞬时的高频噪音，但它在数学上必然引入相位延迟。在市场发生快速单边运动时，标记价格的反应会显著滞后于真实的最新成交价和现货指数价格。

图 13-23 对比了不同 EMA 窗口下标记价格相对于现货指数的延迟与累积偏差。

图 13-23. 不同 EMA 窗口下标记价格的延迟与累积偏差（走势示意，演示 EMA 相位延迟，非实测行情）

图 13-23 对比了现货指数价格、永续合约最新成交价以及不同 EMA 窗口（30秒、120秒）的标记价格在快速下跌行情中的表现，直观演示了 EMA 平滑带来的相位延迟：窗口越长（如120秒），标记价格滞后越明显，相对现货指数的累积偏差也越大。

EMA 平滑产生了两种相互矛盾的效应。在延迟清算方面，当真实价格快速跌破清算触发线时，由于 EMA 的平滑作用，标记价格可能仍处于安全区域，这意味着本应被清算的仓位暂时存续，在价格低位积累了巨大的潜在清算压力；一旦标记价格最终追平真实价格，被推迟的清算指令将集中爆发，形成更加猛烈的次生冲击。在累积偏差方面，持续的单边行情中 EMA 标记价格与真实价格之间的偏差会持续扩大：较长的 EMA 窗口（如120秒）虽然提供了更强的抗操纵能力，但也意味着更大的累积偏差。这种偏差不仅影响清算的时机，还会扭曲资金费率的计算（因为费率通常基于标记价格与指数价格的偏差），从而将路径三的噪声反馈至路径二，形成交叉污染。

13.5.4 三条路径的叠加效应

上述三条路径并非孤立存在，它们在实际市场中往往相互交织、叠加共振。由于这些噪声源自确定性的系统规则（每8小时结算一次的资金费率、固定参数的 EMA 算法、明确的维持保证金率），它们在时间序列上呈现出高度的周期性与可预测性。

理解单条路径的噪声特征固然重要，但现实中三条路径往往同时活跃、交织叠加。图 13-24 通过时间序列模拟，将三条噪声路径在数日窗口内分层展开，并在底部面板叠加为总噪声曲线，揭示复合噪声峰值如何集中于资金费率结算时点前后。

图 13-24. 三条机械噪声路径的时间序列叠加与周期性模式（概念示意：模拟数据，非实测）

图 13-24 的四层面板结构揭示了各路径截然不同的时间频率特征。第一层面板展示了清算驱动噪声的偶发性脉冲特征：日内分布并不均匀，而是在亚洲和欧美时段交替之际出现聚集效应，因为跨时区的流动性断层往往在这些时刻暴露高杠杆仓位的脆弱性。第二层面板呈现了费率极端化噪声高度规律的8小时周期——每次 UTC 时间00:00、08:00、16:00结算前约15至30分钟，调仓行为形成可辨识的价格脉冲。第三层面板则展示了标记价格 EMA 延迟噪声的持续性低频偏差，在趋势行情中单调累积。底部的叠加面板最为关键：当清算脉冲恰好与费率结算窗口重叠时（如图中标注的高峰区域），三条噪声的共振效应使得总噪声幅度远超任何单一路径的简单加总。

如上图的模拟结果所示，三条路径的噪声在时间轴上呈现出不同的频率特征：

这些频率差异对量化交易策略的设计具有直接意义。表 13-5 从时间频率特征、触发条件和事前可预测性三个维度，系统归纳了三条噪声路径及其叠加效应的属性差异。这一分类为识别噪声主导时段与信号主导时段提供了实用的分析框架。

表 13-5. 三条机械噪声路径及其叠加效应的属性比较（数据来源：作者整理）

高频交易机构和量化做市商正是利用这种可预测的机械噪声，通过统计套利策略提取利润。例如，在资金费率结算前的数分钟内，做市商可以预判调仓方向并提前布局；在清算密集区附近，算法交易者可以通过监测未平仓量的分布来预测级联的触发点。需要区分的是，表 13-5中“中等可预测性”指的是事前方向性风险信号的质量，而非实际交易的盈利能力。清算热力图（如 CoinGlass、Hyblock）提供的数据多为基于持仓分布的概率估计而非交易所实际清算阈值的精确数据。围绕级联进行交易的策略面临严重的执行挑战，且策略本身可能通过反身性机制放大级联。这种“噪声猎取”行为本身又构成了市场微观结构的一部分，部分地缓解了机械噪声的幅度，但也使得市场的复杂性进一步增加。

13.5.5 噪声的跨市场传导

综合以上分析，我们需要认识到一个关键事实：永续合约产生的机械噪声并不会被限制在衍生品市场内部。通过跨市场套利和预言机喂价机制，这些噪声会被放大并传导至整个加密资产生态系统，形成一种系统性的“污染”。

图 13-25 以流程图形式呈现了永续合约内部噪声通过套利和预言机机制向全市场传导的完整链条。

图 13-25. 永续合约机械噪声的跨市场传导链

图 13-25 展示了永续合约内部的三类非信息性波动如何经套利与预言机机制引发 DeFi 借贷与 DEX 衍生品的二次清算，最终放大为全市场系统性噪声。

噪声传导的完整链条始于永续合约内部。清算级联、费率极端化和 EMA 延迟三条路径首先在永续合约市场内部产生非信息性的价格波动。随后，跨市场套利者观察到永续合约价格的剧烈下跌后在现货市场执行对应的卖出操作，将衍生品市场的噪声传导至现货市场。由于套利者无法区分信息驱动的价格变动和机械噪声驱动的价格变动，两者被无差别地传导。被噪声污染的 CEX 现货价格进而通过 Chainlink 等预言机的聚合机制进入链上价格指数；虽然预言机通常采用中位数或加权平均等抗操纵设计，但当多个 CEX 的现货价格同时受到噪声污染时，聚合后的指数价格同样会偏离真实的基本面价值。

被污染的预言机价格反馈至 DeFi 借贷协议（如 Aave、Compound），导致链上抵押品的估值下降，当估值跌破清算阈值时，DeFi 协议的自动清算机制被触发，产生链上的强制抛售，这是永续合约噪声在完全不同的市场层级引发的“二次级联” ^[21]。DeFi 清算产生的链上抛压进一步拉低 DEX 和 CEX 现货价格，反馈至预言机和永续合约的指数价格，完成正反馈的闭环。

传导链的每一个环节存在中间缓冲机制，使得噪声的传递并非无衰减的完美通道。Chainlink 等预言机设有偏差阈值（如0.5%）和心跳间隔（部分资产可达1小时），仅当价格变动超过阈值时才触发链上更新；Aave 等借贷协议的健康因子缓冲（health factor > 1）在价格小幅波动时足以吸收冲击。因此，上述“完整链条”仅在价格变动的速度和幅度同时击穿所有缓冲阈值的极端情况下才完全激活。从定性衡量来看，套利传导环节的噪声传递比约为1:1，预言机聚合环节因中位数聚合和偏差阈值约产生0.6至0.8的衰减，而 DeFi 清算环节因协议内杠杆效应可能产生1.2至2.0的放大。此外，预言机环节本身也面临特有的操作风险：2022年 Mango Markets 事件表明，攻击者可以通过操纵薄流动性现货市场来蓄意扭曲预言机喂价，进而触发 DeFi 协议的级联清算，而噪声传导链不仅可以被动激活，还可以被主动武器化。

正如2025年10月的闪崩事件所揭示的，Binance 内部订单簿上 USDe 的局部流动性枯竭（单一市场的机械噪声），通过统一账户的交叉保证金机制和跨市场套利传导，最终演变成为了全市场逾190亿美元的清算灾难 ^[21]。这一事件充分证明了，在当前高度互联的微观结构下，永续合约已经成为了整个加密金融体系的“公共噪声源”。

这一认识具有深远的政策和风险管理含义。对于监管者而言，仅仅关注单一市场的风险是不够的，必须从系统性的角度审视永续合约市场的噪声外溢效应。对于交易所而言，引入分级清算、多源预言机聚合、最低流动性过滤器等机制，是切断噪声传导链条的关键工程措施。对于投资者而言，理解机械噪声的存在和传导路径，有助于在极端行情中区分“信号”与“噪声”，避免在非信息性的价格波动中做出错误的投资决策。

13.6 天花板-地板模型

永续合约的价格发现效率并非一个静态的常数，而是在理论天花板与不可逾越的地板之间剧烈波动的动态变量。本节提出“天花板-地板模型”，作为本章第五个核心理论贡献（CC5），为评估加密衍生品市场的价格发现提供一个统一的分析框架。这一模型的核心洞见在于：永续合约不是简单地“比传统市场更有效率”或“更没效率”，而是具有截然不同的效率特征：在正常市场中效率极高，但在极端市场中可能陷入系统性失效。理解这种“不同的效率特征”，比给出一个静态的效率评分更具理论和实践价值。

13.6.1 天花板

价格发现效率的天花板代表了市场在最优状态下将信息转化为价格的理论能力上限。这一上限并非由单一因素决定，而是由三个核心维度共同塑造：知情交易者的数量与信息质量、信息的产生速率，以及市场的微观结构质量。

在加密市场中，天花板的高度与信息环境的丰富度直接相关。随着链上分析工具（如 Nansen、Arkham 和 Dune Analytics）的普及，信息解读的门槛大幅降低，使得更多参与者能够成为知情交易者。更多的知情交易者意味着更多的私有信息和链上可观察信息被注入市场，从而推高了价格发现的理论上限。此外，高频做市商的参与和极深的流动性池确保了订单流能够以最小的摩擦被吸收，进一步提升了微观结构的质量。在§13.3的场所引力模型中，永续合约在杠杆可用性、流动性深度、匿名性和交易成本四个维度上的系统性优势，正是其天花板高于现货市场的微观基础。

天花板可以用以下函数关系来概括：

$$\text{天花板} = f(\text{知情交易者数量},\ \text{信息质量},\ \text{市场微观结构质量})$$

在这三个维度上，永续合约市场均展现出结构性优势。杠杆的可用性使知情交易者能够以更少的资本表达更强的信息信号；深度流动性确保了大额订单不会产生过度的价格冲击；而 24/7 的连续交易则保证了信息可以在任何时刻被即时定价。这些特征共同将永续合约的天花板推至所有加密交易场所中的最高水平。

13.6.2 地板

与天花板相对，价格发现效率的地板代表了市场在最恶劣状态下的表现下限。在永续合约市场中，这一地板是由机制性噪声设定的，且具有不可逾越的性质。只要永续合约依赖杠杆和强制清算机制，机制性噪声就不可能降至零。

地板的深度由§13.5分析的三条噪声注入路径共同决定：

$$\text{地板} = f(\sigma_{\text{mech}},\ \text{资金费率扭曲},\ \text{标记价格延迟})$$

其中，清算驱动的机械性波动（$\sigma_{\text{mech}}$）是最具破坏力的噪声源。在极端市场中，这三条路径同时发力，向价格中注入大量不包含任何基本面信息的卖压或买压。在当前主流的永续合约设计中，杠杆功能内在地依赖于某种形式的强制风险出清机制，因此机制性噪声是永续合约市场必须接受的内生特征。值得注意的是，替代性设计正在探索不同的权衡路径，例如 Curve 的 LLAMMA 软清算机制允许仓位在接近清算阈值时平滑地转换抵押品形态（从波动性资产渐进转换为稳定币），而非触发硬清算式的强制抛售。这类设计可以显著降低清算事件对订单簿的瞬时冲击，但无法完全消除机制性噪声：即便是软清算中的抵押品形态转换，仍会产生可观测的市场交易流，对价格形成非信息性压力。这一逻辑揭示了一个深刻的设计悖论：赋予永续合约最高天花板的同一机制（杠杆），也同时设定了其最高的地板。

虽然地板无法被消除，但可以通过工程手段予以降低（即减少机制性噪声的破坏力）。例如，将悬崖式清算优化为渐进式清算或引入金库接管机制（参见§11.4），可以显著降低单次清算对订单簿的冲击；提高资金费率的结算频率（如从每 8 小时一次提升至每小时一次或连续结算，参见§10.5）能够减少费率套利带来的价格扭曲；优化标记价格的计算逻辑，减少对单一现货价格源的依赖（参见第 14 章），也能在一定程度上降低地板。每一种优化都能降低地板，但无法将其降至零。

13.6.3 效率的状态依赖性

在现实中，永续合约的价格发现效率在天花板与地板之间呈现出显著的状态依赖性波动，可以划分为三个典型阶段。

在正常市场中，机制性噪声处于休眠状态，效率曲线紧贴天花板运行。此时，知情交易者的信息被高效地表达和聚合，永续合约展现出远超现货市场的价格发现领导力。§13.4的信息流拓扑图显示，在这一状态下，Binance 永续合约的信息份额通常约为 30%-40%，其永续与现货合计可超过 50%，是广泛认可的价格发现中心。

然而，在清算密集期，随着杠杆平仓的连锁反应被触发，机制性噪声呈指数级飙升。此时，效率曲线急剧坠落，逼近由机制设定的地板。价格变动不再反映基本面信息的更新，而是完全由订单簿深度和清算引擎的抛售力度所主导。在这个阶段，永续合约不仅失去了价格发现的效能，反而成为向整个加密生态输出错误定价信号的污染源，§13.5分析的噪声跨市场传导路径在此刻全面激活。

在危机过后的恢复期，效率的回升呈现出明显的非对称性。效率下降通常是瞬间发生的（伴随清算级联），但回升却是一个缓慢的过程。这是因为流动性的流失往往是突发性的，而做市商重新评估风险、补充库存并恢复正常报价则需要较长的时间。这种非对称性与§8.5分析的流动性韧性特征完全一致：流动性的流失速度远快于恢复速度。从行为金融学的视角看，恢复的非对称性不仅源于做市商补充库存这一机械过程，还源于危机后弥漫的信任缺失。前景理论（prospect theory）的核心发现表明，经历损失后的持续风险规避程度系统性地超出理性贝叶斯更新所预测的水平，信任作为一种心理变量，其恢复速度天然慢于库存等资产负债表变量的修复速度。这意味着实际的效率恢复时间可能显著长于纯微观结构模型基于库存调整逻辑所给出的预测。在实践中，这意味着在清算危机刚刚平息时，市场参与者不能认为价格发现效率已立即恢复，而必须等待买卖价差和订单簿深度等微观结构指标实质性好转，才能信任永续价格作为基本面的准确反映。

图 13-26 将天花板-地板模型可视化，标注了四次历史危机中效率从天花板骤降至地板的时点。

图 13-26. 永续合约价格发现效率的天花板-地板模型（概念示意，非实测数据）

图 13-26 显示，永续合约的价格发现效率在正常市场中接近天花板，在清算危机中骤降至地板附近，并呈现出“下降快、回升慢”的非对称恢复特征。图中标注的四次历史危机事件清晰地展示了效率骤降的时点。

13.6.4 如何提升天花板与降低地板

理解天花板与地板的决定因素后，市场设计者面临着两个相对独立的工程问题：提升天花板和降低地板（表 13-6）。这两个方向可以且应该同时推进，因为它们分别决定了市场在顺境中的竞争力和在逆境中的韧性。

天花板的提升路径主要集中在信息环境与市场结构的优化上。这是一个关于“如何让信号更清晰、传输更快”的问题。具体路径包括：开发更先进的链上数据解析工具以降低信息不对称（如§4.5讨论的 AI Agent 在信息处理中的应用）；引入高频套利算法以加速跨市场信息传导，降低§13.4分析的传导阶段摩擦；通过更合理的费用结构（如 Maker 返佣机制）吸引知情交易者和高质量做市商；以及建设更深的流动性池，使大额信息驱动的交易能够以更低的冲击成本被市场吸收。

地板的降低路径则完全是协议机制设计的问题。这是一个关于“如何在保留杠杆功能的前提下，最小化机制性噪声”的工程挑战。除了前文提到的渐进式清算和高频费率结算外，优化自动减仓触发逻辑以减少对盈利方的不当干预、扩大保险基金的缓冲能力以吸收清算冲击、以及实施更精细的跨资产保证金评估模型以避免统一保证金的“最弱环节”效应，都是防止效率在极端行情下彻底崩溃的有效手段。

表 13-6. 提升价格发现天花板与降低地板的工程路径（数据来源：作者整理）

13.6.5 三种市场的比较

将天花板-地板模型应用于不同的市场类型，可以清晰地揭示它们在价格发现上的本质差异（表 13-7）。

表 13-7. 三类市场在价格发现天花板—地板模型下的比较（数据来源：作者整理）

传统期货的天花板虽然受益于成熟的信息环境和机构参与者的深度（尤其是2024年1月 BTC 现货 ETF 获批后，CME 的机构交易量和信息份额显著提升），但仍受制于周末与假日的交易中断（CME BTC 期货工作日交易时段为周日至周五17:00–16:00 CT，接近23小时，并非全天候无间断）。其地板被中央对手方的风险管理制度、到期日的“杠杆定期清零”机制以及涨跌停板与熔断机制（price limits and circuit breakers）共同有效约束。涨跌停板和熔断机制是传统期货市场特有的制度性缓冲器：当价格变动触及预设阈值时，交易被强制暂停或限制在一定区间内，从而为市场参与者提供重新评估信息和补充流动性的时间窗口，有效阻断了恐慌性抛售的正反馈循环。相比之下，加密永续合约在24/7不间断交易的同时完全缺乏此类熔断机制，这正是其地板高于传统期货的一个重要制度性原因。正因如此，传统期货的效率波动区间较窄，呈现出稳定但非最优的特征。

加密现货的天花板因缺乏杠杆而受限，知情交易者只能以 1:1 的资本效率表达观点，这在 Kyle 模型框架下意味着更低的信息表达强度。但其地板几乎为零，因为没有强制清算机制就没有机制性噪声。加密现货的效率特征是“稳定但不够充分”。

永续合约的天花板最高，因为杠杆、流动性、匿名性和低成本的四维引力（§13.3）使知情交易者的信息表达最为充分。但其地板也最高，因为清算级联、费率扭曲和标记价延迟（§13.5）构成了最强的机制性噪声源。这种“最高天花板 + 最高地板 + 最宽区间”的组合，意味着永续合约在正常市场中是广泛认可的价格发现领导者，但在极端市场中可能出现最严重的价格扭曲。

永续合约不是“比传统市场更有效率”或“更没效率”——它是“在正常市场中更有效率，在极端市场中可能更没效率，效率的波动幅度远大于传统市场”。这是一种“不同的效率特征”，不是简单的“更好”或“更差”。

图 13-27 以柱状图对比了传统期货、加密现货与永续合约三种市场各自的天花板高度、地板深度及效率区间宽度。

图 13-27. 传统期货、加密现货与永续合约的天花板-地板比较（概念示意，非实测数据；数值口径与图 13-26、图 13-38 统一）

图 13-27 的对比结果生动地印证了三种市场截然不同的效率轮廓。传统期货的天花板与地板之间的距离最为狭窄，反映了其成熟的制度约束（涨跌停板、中央对手方清算、定期到期）将效率波动锁定在一个较小的区间内——代价是天花板本身不如永续合约高。加密现货的地板几乎触及零线（因不存在强制清算机制），但其天花板也明显较低，因为缺乏杠杆使知情交易者的信息表达能力受限。永续合约的视觉形象最为醒目：天花板最高、地板也最高，两者之间的区间是三者中最宽的。这一图形化的对比抓住了永续合约价格发现的核心悖论——同一种机制（杠杆）既将天花板推至最高，也将地板抬至最高。

13.7 价格发现的障碍

在§13.5分析了机制性噪声的三条注入路径之后，本节将视野扩展至更广泛的价格发现障碍。四类力量，即清算级联的反身性、市场操纵的信号污染、行为偏差的放大效应以及信息摩擦的传导延迟，在极端行情下同时出现、相互强化，导致价格发现的系统性失效。如果说§13.6的天花板-地板模型描述了效率的“边界”，本节则深入剖析将效率推向地板的具体“力量”。

13.7.1 清算级联与价格超调

清算级联是加密衍生品市场中最具破坏力的微观结构现象。它不仅是一种风险出清过程，更是一个典型的反身性反馈循环，能够导致价格严重偏离基本面，产生巨大的超调。

这一反馈循环的基本机制已在§13.5.1界定：初始下行冲击触发强制清算，清算卖单压低价格，进而触发更深层仓位的清算。§13.7.1的反身性视角进一步凸显了做市商行为对该循环的放大：面对集中的非信息性卖压，做市商为规避逆向选择风险和库存风险，通常会选择撤出订单或大幅拓宽买卖价差，导致订单簿的买方深度急剧下降；随后，新一轮的清算卖单在更加稀薄的订单簿上执行，造成比上一轮更严重的价格冲击，直到杠杆被彻底出清或遭遇外部干预。

图 13-28 以流程图形式呈现了清算级联的正反馈循环机制及其放大路径。

图 13-28. 清算级联的反身性正反馈循环

图 13-28 展示了从外部冲击、双重侵蚀、保证金不足、强制清算、做市商撤出到订单簿深度枯竭的完整正反馈链条，以及恐慌传染对该循环的叠加放大。

清算级联中还嵌套着两个重要的放大机制。双重侵蚀效应是其中的关键一环：在统一保证金模式下，价格下跌不仅增加了未实现亏损，还同时导致作为抵押品的加密资产贬值，从两个方向同时加速保证金余额的消耗。FTI Consulting 在其 2025 年报告中指出，统一保证金“在平静市场中非常高效”，但“在压力下，同样的设计将投资组合绑定到其最弱的资产” ^[26]。在此基础上，恐慌传染进一步放大了危机：清算数据（如“过去一小时爆仓 X 亿美元”）通过社交媒体迅速传播，引发散户的恐慌性抛售，这种情绪驱动的卖压叠加在机械性卖压之上，进一步加剧了流动性危机。

从历史数据来看，清算级联的规模和破坏力呈现出惊人的升级趋势。表 13-8 汇总了加密市场四次标志性清算事件的关键参数：

表 13-8. 加密市场四次标志性清算事件的关键参数对比（数据来源：作者整理，基于公开市场数据）

图 13-29 以条形图与折线图对比了2020年3.12、2022年 Terra/Luna、2022年 FTX 破产与2025年10.10四次事件的24小时可见强平名义规模与 BTC 最大回撤幅度。

图 13-29. 四次重大清算级联事件的规模与影响对比（数据来源：^[27][26]）

图 13-29 显示，从2020年的3.12事件到2025年的10.10事件，24小时可见强平名义规模增长了约19倍；与此同时，BTC 最大回撤幅度总体上不升反降——尾部风险的累积主要体现在清算规模的急剧膨胀，而非价格跌幅的扩大。

值得深入审视的是，可见强平名义规模的19倍增长是否与市场总未平仓量（OI）的增长保持线性关系。从2020年至2025年，加密衍生品市场的总 OI 从不足百亿美元增长至约千亿美元量级，增幅约为10倍，而同期可见强平名义规模的增长幅度接近19倍，这意味着单位 OI 所对应的强平风险在上升而非下降。这一超线性趋势的背后是市场总杠杆率与市值比的系统性攀升：统一保证金模式的普及使得同等本金可以撬动更大的名义敞口，跨资产保证金互用进一步放大了有效杠杆水平。随着永续合约规模的持续扩张，一个关键的问题浮现出来：交易所保险基金和 ADL 机制的风险吸收能力是否能够跟上这种超线性增长？保险基金的规模增长主要依赖于清算盈余的线性积累，而其所需承担的尾部风险却以非线性速度膨胀，这暗示着可能存在一个临界阈值：超过该阈值后，现有的风险缓释机制将无法有效吸收清算冲击，系统性危机的烈度将出现阶跃式跳升。

在 2020 年的“3.12 事件”中，BitMEX 的订单簿结构彻底崩溃。根据 Multicoin Capital 的微观结构解剖，当时 BitMEX 订单簿上仅剩下约 2000 万美元的买单，却需要承接超过 2 亿美元的多头清算卖压 ^[27]。比特币价格在几分钟内跌破 4000 美元，而这一价格水平并非反映基本面信息，而纯粹是市场结构失效的产物。BitMEX 的结构性缺陷在于其仅接受 BTC 作为保证金抵押品，这意味着所有多头仓位天然承受双重侵蚀效应。若非 BitMEX 以“系统维护”为由短暂宕机，阻断了清算引擎的运行，价格极有可能触及更远低于基本面的水平。

到了 2025 年的“10.10 事件”，可见强平名义规模达到了前所未有的高度。据多方初步统计，在约一天的时间内，超过 190 亿美元的加密资产杠杆头寸被强制平仓，约为 3.12 事件的 19 倍（Greco ^[21] 与 FTI Consulting ^[26] 基于不同方法论分别给出了相近的估计，但由于各交易所清算数据披露标准不一，这一数字应视为量级估计而非精确统计）。BTC 价格在事件期间从约 122,500 美元的当日高点急速下挫至现货约 104,800 美元（最大回撤约 14.5%；永续合约因深度枯竭，个别场所插针更低，约 102,000 美元），随后在数小时内部分反弹至约 113,000 美元，但完全恢复至事前水平则经历了数周时间。这次事件引入了多个新的结构性风险维度。统一保证金系统将投资组合的命运绑定在表现最弱的资产上；交易所界面因流量激增而冻结，交易者无法追加保证金或管理风险；自动减仓机制强制关闭了交易对手方的盈利仓位，将原本完美对冲的投资组合瞬间变成了裸露敞口。正如 FTI Consulting 所指出的，ADL 机制实质上引入了“规则风险”：交易者的策略可能在逻辑上无懈可击，但在最关键的时刻，交易所的生存规则不允许该策略继续存续 ^[26]。

在这些极端事件中，订单簿的失衡达到了显著的程度。FTI Consulting 报告显示，10.10 事件当天 BTC 顶层订单簿深度缩减超过 90%，买卖价差从个位数基点扩大到两位数百分比 ^[26]。正常市场中对称分布的买卖深度，在危机期间变得极度不对称：买方深度几乎完全消失，而卖方则堆积了巨量的清算卖单和恐慌抛售。此时，§13.2定义的聚合阶段“信息机器”已经瘫痪：订单簿不再聚合信息，而仅仅在机械地处理清算引擎的抛售指令。做市商在极端行情中的典型行为模式可以概括为“先撤退、后评估”：当波动率急剧飙升且清算卖压集中涌入时，做市商的最优策略是立即撤出所有挂单以规避存货风险，而非试图在混乱中继续提供流动性。这种集体撤退是理性的个体决策，却导致了灾难性的集体后果：订单簿在最需要流动性的时刻恰恰失去了流动性供给。危机消退后，做市商的重返过程则遵循截然不同的动态。做市商评估“安全”重返的典型指标包括已实现波动率的回落（通常需降至危机峰值的三分之一以下）、清算量的显著下降（表明杠杆出清已基本完成）、以及 OI 的企稳（表明新一轮被动清算的风险已大幅降低）。在这些条件逐步满足的过程中，做市商会从极宽的报价价差开始，以小额挂单试探性地重建仓位。价差收窄的速度因而远慢于其扩大——这一“分钟级蒸发、天级恢复”的时间不对称性及其行为金融学根源已在§13.6.3展开。

清算级联对价格发现的破坏最终体现在订单簿微观结构的畸变上。图 13-30 以深度快照对比了 BTC-USDT 永续合约在正常市场与清算危机高峰期间的买卖挂单分布。

图 13-30. 正常市场与清算危机期间的订单簿结构对比（数据来源：^[26]；逐档深度为对 FTI“顶层深度缩减超90%”结论的代表性重构）

图 13-30 的对比揭示了一个触目惊心的微观结构事实。在正常市场中，订单簿的买卖两侧呈现近似对称的深度分布，买方和卖方各自在中间价附近维持着数千万美元的挂单。然而，在清算危机的高峰时段，这种对称性被彻底打破：买方深度缩减超过90%，仅剩下少量试探性的低价挂单散布在远离中间价的位置；而卖方则堆积了清算引擎强制发出的大额卖单和散户恐慌抛售的中小额卖单，形成了“卖盘如山、买盘如纸”的极度不对称结构。在这种订单簿形态下，每一笔新的清算卖单都会造成异常巨大的价格冲击，因为它面对的实质上是一个几乎没有承接能力的真空。

在清算级联的讨论中，还必须将交易所基础设施的降级从“偶发故障”升格为系统性操作风险因素加以审视。10.10 事件期间出现的交易所界面冻结、API 延迟激增和提现暂停等现象，并非孤立的技术事故，而是交易所容量规划长期优先平均负载而非极端负载的系统性结果。交易所的基础设施投资决策本质上是一个经济权衡：为应对极端峰值而超额配置服务器和带宽资源意味着在绝大部分正常交易时段承担高昂的闲置成本，因此交易所普遍倾向于按平均流量的若干倍而非极端峰值来规划容量。然而这一决策中存在深层的激励错位：交易所从清算过程中直接获取清算费用（通常为仓位名义价值的一定比例），而当其基础设施在极端波动期间发生降级时，用户恰恰在最需要管理风险的时刻丧失了追加保证金或主动减仓的能力，从而被动地走向清算。换言之，交易所在基础设施故障中承担的损失（声誉风险和用户流失）与其从用户无法避免的清算中获得的收入之间，存在结构性的利益冲突。这一操作风险直接影响了§13.6天花板-地板模型中“地板”的设定：基础设施降级本身成为将价格发现效率推向地板的一股独立力量，其破坏力在与清算级联叠加时尤为显著。

13.7.2 洗盘交易与虚假订单

如果说清算级联是机制层面对价格发现的破坏，那么市场操纵则是对价格发现信号的直接污染。在以订单流作为主要信息载体的微观结构中（参见§7.6和第 8 章），洗盘交易和虚假订单严重干扰了做市商和知情交易者的判断，从根本上削弱了聚合阶段的信号提取能力。

洗盘交易是指单一实体同时担当买卖双方，人为制造虚假的交易量和流动性假象。这种行为不仅误导了投资者对资产活跃度的评估，更直接破坏了订单流不平衡等微观指标的有效性：如果相当比例的成交量是自我交易产生的，那么基于成交量的信息信号就被严重稀释。关于加密市场中洗盘交易的比例，不同研究机构基于不同方法论给出了差异巨大的估计：

图 13-31 汇总了不同研究机构对加密市场洗盘交易比例的估计结果。

图 13-31. 不同研究对加密市场洗盘交易比例的估计（数据来源：^{[28][29][30][31]}；其中 Chainalysis 5–15%、Le Pennec 2.1–10% 的保守区间为作者综合整理，待核）

图 13-31 显示，由于检测方法和样本交易所的差异，各研究机构给出的洗盘交易比例估计从2%到95%不等，这一巨大的区间本身说明了问题的复杂性。即使采用最保守的2%至10%的估计，洗盘交易对价格发现聚合阶段的污染也不容忽视，因为它系统性地稀释了 OFI 等订单流信息指标的信号强度，使做市商在判断逆向选择风险时产生偏差。随着链上 DEX 交易的透明化和监管科技的进步，洗盘交易的可检测性在持续提升，但在 CEX 的封闭环境中，这一问题仍将长期存在。

Bitwise 在 2019 年提交给 SEC 的报告中，基于交易量模式分析指出，未受监管交易所中高达 95% 的比特币交易量是伪造的 ^[28]。Cong 等人（2023）在《管理科学》上发表的研究，利用统计检测和本福特定律，估计二级交易所的洗盘交易比例超过 70% ^[29]。Le Pennec 等人（2021）通过精细化的链上检测方法，给出了 2.1% 至 10% 的较低估计 ^[30]。而 Chainalysis 等基于链上追踪的机构则给出了 5% 到 15% 的相对保守估计 ^[31]。估计差异本身说明了问题的复杂性和度量的困难，但即使采用最保守的数据，这种虚假信号对价格发现聚合阶段的污染也是不可忽视的。

虚假订单则是操纵者在订单簿深处挂出大额限价单，制造虚假的供需压力，诱导其他算法或交易者向其希望的方向交易，随后在成交前迅速撤单。这种策略直接攻击了做市商的“学习机制”：做市商依据订单簿深度和订单流模式来推断逆向选择风险（参见第 8 章），虚假订单使这种推断系统性地偏离真实状态，导致做市商提供偏离真实价值的报价。在传统金融市场中，虚假订单已被《多德-弗兰克法案》明确列为违法行为，但在加密市场中，监控和惩罚机制长期以来较为薄弱。不过，这一格局正在发生实质性转变。美国商品期货交易委员会（CFTC）近年来已对加密市场操纵行为提起多次执法行动，涵盖洗盘交易、虚假订单和市场操纵等多种违法行为。一个标志性但结局反复的案例是 Mango Markets 操纵案：Eisenberg 于 2022 年 10 月通过操纵 Mango Markets 平台上的 MNGO 价格，从协议中提取了超过 1.1 亿美元，2024 年 4 月被陪审团定罪；但 2025 年 5 月，纽约南区联邦法院依据《联邦刑事诉讼规则》第 29 条以审判地不当及电信欺诈要件不足为由撤销了全部刑事定罪，检方已提起上诉，其法律最终定性截至本书撰写时尚不确定。这一反复本身恰恰揭示了链上操纵刑事追诉在审判地与欺诈构成要件上的法律不确定性。与此同时，CFTC 对永续合约的管辖权主张正在从理论走向实践，其在多起执法行动中已将永续合约视为“掉期”（swap）纳入其监管范畴。尽管如此，跨司法管辖区的执法协调仍然面临重大挑战，离岸交易所的操纵行为在实际执法层面仍然难以有效触及，虚假订单对价格发现的干扰在相当长的时期内仍将是一个持续存在的问题。

13.7.3 行为偏差与叙事驱动

加密市场的价格发现不仅受制于机制缺陷和蓄意操纵，还深受投资者行为偏差的影响。由于缺乏传统的估值锚（如现金流贴现或市盈率），加密资产的价格极易受到情绪和叙事的驱动，这在§13.2的三阶段模型中主要作用于表达阶段，大量非信息性的情绪驱动订单涌入市场，淹没了知情交易者的信号。

Kraken 在 2024 年针对 1,248 名加密资产持有者进行的一项调查揭示了显著的行为特征：高达 84% 的受访者承认曾因“错失恐惧症”而做出投资决策，同时有 81% 的人曾因“恐惧、不确定和怀疑”而进行交易 ^[32]。这种高度情绪化的从众行为在表达阶段注入了大量非基本面噪音，使做市商在聚合阶段更难从订单流中分离“信号”与“噪声”。需要指出的是，Kraken 的这项调查存在明显的选择性偏差：受访者均为已持有加密资产的用户，且通过交易所平台自愿参与调查，其行为特征不宜直接推广至整体市场参与者群体。

尽管如此，更为广泛的加密行为金融学术文献从多个维度印证了行为偏差在该市场中的显著放大效应。在处置效应方面，多项实证研究表明加密市场投资者表现出比传统股票市场更为强烈的“持亏卖盈”倾向，这一效应在 24/7 不间断交易的环境中被进一步放大：投资者在任何时刻都可以查看账户盈亏并做出交易决策，缺乏传统市场收盘时段所提供的“冷静期”，导致情绪驱动的交易频率显著上升。在社交媒体驱动的注意力交易方面，加密市场的信息传播生态呈现出独特的结构：Telegram 群组和 Discord 服务器中的实时盈亏分享（PnL screenshots）创造了强烈的社交比较压力，跟单交易平台（copy-trading platforms）将个体交易决策直接转化为可被批量复制的信号源，而意见领袖（KOL）通过 Twitter/X（通常被称为“Crypto Twitter”或“CT”）的叙事传播则构成了一条从少数影响者到大规模散户的信息级联通道。这些机制共同构成了加密市场特有的羊群行为放大器：与传统市场中主要通过分析师报告和机构持仓披露间接传播的信息相比，加密市场的信息传播更加即时、直觉化且具有强烈的社交强化特征。

从理论层面看，Lo（2004）提出的适应性市场假说（Adaptive Markets Hypothesis, AMH）为理解上述现象提供了一个比传统有效市场假说更为贴切的框架 ^[33]。AMH 认为，市场效率并非一个恒定的状态，而是随参与者构成、竞争强度和制度环境的变化而动态波动的过程。在加密市场中，参与者的构成经历着剧烈的周期性变动：牛市期间大量缺乏经验的散户涌入，其行为模式以叙事追逐和动量交易为主；熊市期间散户退出后，市场由经验更丰富的参与者主导，信息效率相应提升。这种参与者构成的周期性变化意味着加密市场的价格发现效率本身是一个时变量，在不同的市场阶段可能处于效率光谱的不同位置。这一理论洞见与§13.6的天花板-地板模型形成了直接的呼应：天花板和地板之间的效率区间并非静态的，而是随着市场参与者生态的演化而动态扩张或收缩。

此外，叙事驱动的交易逻辑在加密市场尤为显著。无论是“DeFi 之夏”、“NFT 崛起”还是“AI+Crypto”，强大的叙事能够迅速吸引巨量资金流入，即使相关项目缺乏实际应用或可持续的现金流。在这种模式下，价格发现的驱动力从“对基本面信息的评估”异化为“对叙事传播广度的猜测”，这与凯恩斯的“选美比赛”理论具有相似性：投资者不是在评估资产的真实价值，而是在猜测其他投资者会认为什么有价值。

叙事驱动的反身性在加密市场中被显著放大。看涨叙事推高价格，价格上涨反过来“印证”并强化了叙事，吸引更多追随者，进一步推高价格，这是一个典型的正反馈循环。然而，当叙事破灭时，负反馈循环同样剧烈：价格下跌“证伪”了叙事，追随者恐慌离场，价格进一步暴跌。加密资产缺乏传统的“锚定价值”（如净资产价值或稳定的现金流），使得这种反身性循环的振幅远大于传统资产市场，进一步加剧了价格的超调。

13.7.4 四类障碍的叠加

上述四类障碍，即清算级联（机制）、市场操纵（污染）、行为偏差（情绪）与信息摩擦（基础设施延迟），并非孤立存在。在极端行情下，它们往往相互交织、层层叠加，导致价格发现机制的系统性失效。

图 13-32 将清算级联、市场操纵、行为偏差与信息摩擦四类障碍分别映射至表达、聚合与传导三阶段，标注每类障碍最直接的破坏环节及其跨阶段的叠加放大。

图 13-32. 四类价格发现障碍在三阶段模型中的映射

图 13-32 揭示了四类障碍在三阶段模型中的分布并非均匀的：行为偏差和叙事驱动主要作用于表达阶段，大量非信息性的情绪订单在此涌入市场，稀释了知情交易者信号的浓度；清算级联和市场操纵（洗盘交易、虚假订单）集中破坏聚合阶段，前者以机制性卖压淹没做市商的信号提取能力，后者以虚假的订单流直接污染做市商的贝叶斯推断过程；信息摩擦（网络拥堵、提现冻结、基础设施降级）则切断传导阶段的套利通道，使各场所的价格无法收敛。更重要的是，图中用虚线标注了障碍之间的跨阶段反馈链路：例如，聚合阶段的清算级联产生的价格超调会通过社交媒体传播，在表达阶段触发更多恐慌性订单，形成闭环的正反馈。

以2025年的10.10事件为例，可以清晰地追溯多重障碍如何在每个阶段相互强化。危机始于外部宏观冲击（100%关税威胁）带来的巨大信息解读不确定性，市场参与者对这一信息的含义存在严重分歧，在加密市场24/7交易且缺乏熔断机制的环境下，这种不确定性被即时定价为剧烈的价格波动。初始下跌迅速触发了高杠杆仓位的强制清算，统一保证金的双重侵蚀效应加速了保证金的消耗，清算引擎的机械性抛售压垮了做市商的报价能力，流动性急剧蒸发；与此同时，交易所界面因流量激增而冻结，交易者无法追加保证金或管理风险，基础设施摩擦与清算级联形成了严重的叠加。

恐慌情绪通过社交媒体迅速蔓延，散户的恐慌性抛售与机械性清算汇聚成大规模的集中抛售。在这种极端压力下，跨市场的传导机制宣告断裂：套利者因网络拥堵和资本受限无法抹平价差，导致 USDe 在 Binance 上出现了高达35%的折价，而在其他交易所和 DeFi 池中仍接近1美元 ^[26]。这种极端的定价偏差与基本面毫无关系，完全是场所微观结构的产物，但它反过来又通过 Binance 的保证金系统触发了更多本不应发生的清算，形成了噪声在传导中被放大而非衰减的恶性循环。

USDe 的这一极端折价事件暴露了统一保证金体系中一个更为深层的系统性风险：保证金资产信用风险的传染效应。当 USDe 在 Binance 上出现 35% 折价时，所有以 USDe 作为保证金的仓位突然面临保证金不足的困境，即便这些仓位的标的资产价格变动本身尚未触及清算线，保证金资产自身价值的缩水已经从另一个维度侵蚀了保证金充足率。这一机制与前文讨论的双重侵蚀效应在本质上同构，但其传染范围更广：双重侵蚀效应影响的是以标的资产本身作为抵押品的仓位，而保证金资产信用风险影响的是所有使用该资产作为保证金的异质性仓位组合。在统一保证金系统的架构下，保证金资产的“价格稳定性”是一个隐含的核心假设：保证金的估值通常以面值或接近面值的固定折扣率计入，而非实时按市场价格重新估值。一旦这一假设被打破，整个保证金计算体系的可靠性便遭到根本性质疑。更为严峻的是，如果在某一极端事件中多个稳定币同时出现显著折价，例如当系统性信用恐慌蔓延至整个稳定币生态时，那么以不同稳定币作为保证金的仓位可能同时面临保证金不足，保证金体系将面临级联崩塌的风险。这一分析与第 12 章关于保险基金的讨论形成了直接的关联：保险基金的储备资产如果本身包含稳定币，则在稳定币系统性折价的场景下，保险基金的实际可用价值也将同步缩水，恰恰在最需要发挥缓冲作用的时刻丧失了缓冲能力。

在这个多重障碍相互强化的级联过程中，价格发现已经不再是“低效”的问题，而是彻底失去了功能。永续合约市场的价格不再反映任何关于资产未来价值的信息，而仅仅反映了该交易所在那一刻的流动性枯竭程度和机制脆弱性。用天花板-地板模型的语言来说，此时效率已经触及地板，甚至可能短暂地突破地板，因为多重障碍的叠加效应超出了任何单一机制噪声路径的预期破坏力。这正是§13.6模型中永续合约“最宽区间”的极端体现：当四类障碍同时激活时，效率从天花板到地板的坠落可以在数分钟内完成。

13.8 链上订单簿 DEX 的价格发现

以 Hyperliquid 和 dYdX v4为代表的高性能链上中央限价订单簿去中心化交易所，正从结构层面重塑数字资产市场的价格发现环境。这种演进不仅是交易场所的简单迁移，更是信息处理机制的根本性变革。链上透明性带来了信息对称化与最大可提取价值问题的双重效应，而加密市场独有的三类原生信息通道则为价格发现提供了传统金融中不存在的全新维度。去中心化排序器与 MEV 保护机制的成熟度，将最终决定价格发现功能能否在更大规模上向链上环境迁移。

13.8.1 价格发现环境的变迁

中心化交易所在过去很长一段时间内主导了加密市场的价格发现过程。然而，CEX 架构存在固有的封闭性问题。在 CEX 中，价格发现的全过程在中心化服务器内完成，外部观察者只能被动接收 API 推送的最终价格与订单簿快照，无法观察从订单提交、撮合到成交的完整生命周期。这种黑箱状态要求用户必须承担资产托管的对手方风险，并且无法在密码学层面上验证交易所是否利用其信息优势进行前置交易或内部操纵。FTX 的崩溃事件（2022年11月）充分暴露了这种信任模型的脆弱性：用户资产被挪用、内部交易台享有不对称的信息优势，而这一切在事后才被揭露。

链上 CLOB-DEX 的崛起正是对这一封闭性问题的结构性回应。通过将订单簿匹配和结算逻辑完全置于区块链或定制化应用链上，交易的生命周期变得完全可验证。从订单提交、排序、撮合到最终结算，每一步操作都被记录在不可篡改的分布式账本上。用户的资产始终保管在自身控制的智能合约中（自托管），从根本上消除了中心化托管人挪用资产的风险。然而，自托管在消除一类风险的同时也引入了另一类风险：智能合约本身可能存在代码漏洞、升级机制被恶意利用或治理攻击等安全隐患，其造成的资产损失在技术上往往不可逆转。更值得关注的是，DEX 在极端事件中并非真正免于类似 CEX 的中心化干预。2025年3月的 Hyperliquid JELLY 事件提供了一个鲜明的案例：一名鲸鱼交易者通过恶意操纵 JELLY 代币的永续合约仓位，将协议的 HLP 金库置于巨额亏损风险之下。面对这一紧急状况，Hyperliquid 团队协调验证者以紧急投票的方式关闭了该特定市场，并以指定价格强制结算所有未平仓头寸，由 HLP 金库承担社会化损失。这一处置方式在本质上与中心化交易所的风控干预并无根本区别。类似地，dYdX 也曾在极端市场事件中通过治理投票调整特定市场的风险参数。这些案例表明，DEX 所标榜的“去中心化”和“抗审查”属性，在系统性风险威胁协议存亡时，可能被治理层面的中心化决策所覆盖。因此，更为审慎的表述是：链上 DEX 改变了风险的性质与分布，而非单方面地消除了风险。这一转变意味着，市场参与者从依赖中心化机构的自律约束，转向了在透明但并非无风险的规则下与所有参与者进行公开博弈。

图 13-33 对比了 CEX 与链上 CLOB-DEX 在订单处理、资产托管和可验证性等维度上的结构差异。

图 13-33. CEX 与链上 CLOB-DEX 价格发现机制对比

图 13-33 以并列的结构图形式，对比了 CEX 和链上 CLOB-DEX 在订单提交、排序、撮合、结算和资产托管五个环节的流程差异。在 CEX 架构中，所有环节均在中心化服务器的黑箱中完成，外部观察者仅能看到最终输出的成交价和订单簿快照；而在链上 CLOB-DEX 架构中，每一个环节的执行记录都被写入不可篡改的区块链账本，使得从订单到成交的完整生命周期具备密码学可验证性。两种架构在资产托管维度上的差异尤为醒目：CEX 要求用户将资产转入交易所控制的地址（托管模式），而 DEX 中用户资产始终保管在自身控制的智能合约中（自托管模式）。

这种范式转移在交易数据上得到了清晰的印证。根据 CoinGecko 发布的报告，2025年去中心化永续合约交易量呈现爆发式增长。2025年全年，排名前十的永续合约交易所（含 CEX 与 DEX）累计处理了92.9万亿美元的交易量，同比增长64.6%。其中，DEX 永续合约交易量飙升346%，达到6.7万亿美元 ^[34]。更为显著的是，DEX 永续合约交易量占 CEX 永续合约交易量的比例，从2023年1月的2.1%一路攀升，至2025年11月达到了11.7%的历史新高，实现了连续14个月的增长 ^[34]。到2025年底，DEX 永续合约市场已经稳定占据了超过10%的市场份额，标志着链上 DEX 已从边缘的“另类选择”，演变为不可忽视的核心价格发现场所。

图 13-34 以月度折线图追踪了2025年全年 DEX 永续合约交易量占 CEX 永续合约交易量比例的变化轨迹，呈现该比例在下半年加速攀升的趋势。

图 13-34. 链上 DEX 永续合约交易量占 CEX 比例的演变（2025年；占比为各月 DEX 永续/CEX 永续月度交易量之比，11 月月度峰值约 13.9%；正文§13.8.3 所述 11.7% 为同月在不同口径下的取值，差异源于月度比值与累计口径、分母是否含 DEX 之别；月度交易量与占比据 CoinGecko ^[34]，市场格局另见 ^[35]）

这种增长并非均匀分布。2025年下半年的 DEX 永续合约交易量占全年总量的约65%，呈现出明显的加速态势，其中第四季度的单月交易量多次突破1万亿美元。这一趋势表明，随着链上基础设施性能的持续提升和用户体验的不断优化，知情交易者正在以越来越快的速度将其价格发现活动从 CEX 迁移至 DEX。推动这一迁移的深层动力不仅是技术性能的改善，更是 FTX 事件后市场对自托管和透明结算的结构性偏好转变。

13.8.2 透明性的双重效应：信息对称化与 MEV 问题

链上订单簿带来的绝对透明性，对价格发现过程产生了深远而复杂的双重效应。一方面，透明性实现了前所未有的信息对称化。在链上环境中，所有操作均可审计，从根本上消除了交易所自身进行前置交易或暗中操纵的可能。这种透明性迫使做市商提供更优的报价，因为任何显著偏离公允价值的报价都会被链上套利者迅速捕捉并利用。此外，链上可观察的大额仓位和清算阈值改变了市场参与者之间的博弈结构。例如，在 Hyperliquid 等平台上，所有用户都可以通过链上数据推算出巨鲸账户的清算价格，这种在 CEX 中被严格保密的信息，在 DEX 中成为了公开的博弈变量。这种信息的对称化，在理论上有助于降低逆向选择成本，从而收窄买卖价差，提升市场的整体流动性质量。

另一方面，透明性也催生了严峻的最大可提取价值问题。由于交易意图在被打包进区块前是公开可见的，MEV 搜索者可以通过监控内存池或排序器队列，识别出大额交易，并通过支付更高的优先费或与区块构建者合谋来抢先执行。最典型的形式是三明治攻击：搜索者在目标大额买单前插入自己的买单推高价格，待目标订单以更高价格成交后，再立即卖出获利。根据 EigenPhi 的数据，尽管以太坊上的三明治攻击提取金额从2024年底的月均约1,000万美元下降至2025年10月的约250万美元，但攻击频率仍维持在每月6万至9万次的高位 ^[36]。这种机制直接损害了原始交易者的利益，增加了交易的隐性摩擦成本。

然而，从价格发现的纯粹效率角度来看，MEV 的影响并非完全负面。Capponi, Jia 和 Yu (2025) 的研究揭示了一个反直觉的结论：支付高额优先费用的 DEX 交易实际上包含了更多的私有信息，对价格发现的贡献更大 ^[37]。知情交易者为了确保其携带信息的时间敏感型订单能够被迅速执行，往往采用“跳跃出价”策略，通过设置极高的初始费用来阻止竞争者。在这个意义上，MEV 机制实际上加速了信息融入价格的速度，因为它为信息的时间价值提供了一种市场化的定价机制。但这种效率的提升是以牺牲市场公平性为代价的，它将执行成本外部化给了普通用户。因此，MEV 对市场整体质量的净效应，仍然是当前微观结构研究中一个充满争议的前沿课题。

13.8.3 加密市场的三类原生信息通道

在传统金融市场中，价格发现主要依赖于宏观经济数据、公司财报等公共信息以及机构投资者的私有研究。而在加密市场中，链上环境孕育了三类独有的原生信息通道，它们以不同的方式介入三阶段价格发现模型（表达、聚合、传导），为资产定价提供了全新的信息维度。

这三类原生信息通道各自具有独特的信息属性和时间特征，在三阶段模型中的介入节点也不尽相同。图 13-35 概括了链上数据、Mempool 数据与衍生品数据三类通道各自的信息来源、典型信号类型与主要作用阶段。

图 13-35. 加密市场的三类原生信息通道及其在价格发现中的作用（概念性分类示意，无定量数据）

第一类是链上数据通道，它直接作用于价格发现的“表达阶段”作为基础信息源。这类数据包括稳定币在交易所与链上钱包之间的流动监控、长期休眠巨鲸钱包的突然激活以及大额资产转移。例如，当数亿美元的 USDT 从交易所热钱包转出至冷存储时，往往预示着大户正在积累现货头寸，这一信号在实际买入行为发生之前就已经向具备链上分析能力的交易者释放了方向性信息。此外，代币的持仓分布与集中度分析也能提供关于市场结构的深层洞察。所有这些链上行为，在转化为实际的订单流之前，就已经构成了一种“预表达”的信息信号。

第二类是 Mempool（内存池）数据通道，它主要作用于“表达阶段”与“聚合阶段”之间的过渡地带。Mempool 中等待确认的交易提供了关于未来市场状态的短暂预见性。知情 MEV 搜索者利用这种预见性设计前置交易策略。从信息论的视角来看，这种行为虽然具有掠夺性，但客观上加速了 Mempool 中蕴含的供需信息向最终成交价格的传导。需要注意的是，不同 DEX 架构中 Mempool 的角色存在显著差异。采用中心化排序器的设计（如 Hyperliquid）通常不暴露公开的 Mempool，从而降低了三明治攻击的风险，但随之而来的是排序权力的集中化问题。而在完全去中心化的架构中（如 dYdX v4），验证者可以观察到待处理的交易，这为验证者层面的 MEV 提取创造了条件。

第三类是衍生品数据通道，它作为“表达阶段”的关键信息输入，反馈并影响着交易者的决策。这其中包括资金费率、持仓量的变化以及清算水平的分布。如前文各节所述，资金费率不仅是维持永续合约价格与现货锚定的机制，本身也是反映市场情绪与杠杆拥挤度的二阶信息指标。在链上 DEX 中，大额仓位的清算阈值是完全透明的，这使得“狙击清算”成为一种基于确定性信息的交易策略，而在 CEX 中这种策略只能依赖于模糊的概率推测。持仓量的突然飙升或骤降，则直接揭示了市场参与者正在建立或解除方向性敞口。

这三类原生信息通道的共同特征在于，它们在技术原则上对所有参与者开放，极大地降低了信息获取的绝对门槛。然而，由于信息处理的复杂性和竞争的激烈程度，信息优势的窗口期被极度压缩，从传统金融的数天或数周，缩短至加密市场的数秒甚至数个区块。竞争的焦点已从“谁能获取信息”彻底转变为“谁能更快、更准确地处理和执行信息”，这正是我们在第一章中探讨过的“透明性悖论”在价格发现领域的具体体现。

13.8.4 两种架构的比较

当前链上衍生品赛道呈现出多种技术架构并存的局面。其中，Hyperliquid 和 dYdX v4代表了两种截然不同的设计哲学，它们在共识机制、排序器设计以及可验证性上的差异，直接塑造了各自市场中价格发现的微观特征。表 13-9 对两者的关键架构参数进行了系统比较。

表 13-9. Hyperliquid 与 dYdX v4架构特征对比（数据来源：作者整理自各平台公开文档）

Hyperliquid 选择了一条“性能优先”的基础设施路线。它构建了专用的 Layer 1区块链，并采用了定制的 HyperBFT 共识算法，该算法专门针对端到端延迟进行了极致优化。这种架构使得 Hyperliquid 能够实现中位数约0.2秒的交易终局性以及高达200,000 TPS 的吞吐量 ^[38]。在排序器设计上，Hyperliquid 目前采用中心化排序器以确保极低的延迟和零 Gas 费体验，但所有的撮合与结算结果都在链上完全可验证。然而，这种混合模式需要对“可验证性”的边界做出精确区分。链上可验证的是撮合正确性（matching correctness），即给定一组已排序的订单，撮合引擎是否按照价格优先、时间优先的规则正确执行。但排序公正性（ordering fairness），即订单到达排序器后是否被公平地按先到先得原则排入队列，在当前架构下并不具备密码学层面的可验证性。一个中心化排序器完全可以在不违反任何撮合规则的前提下，通过选择性地延迟或优先处理特定订单来提取价值，而这种行为在链上记录中无法被事后识别。前述 JELLY 事件（2025年3月）从另一个维度暴露了中心化排序器架构的决策权集中风险：当鲸鱼账户的恶意操纵威胁到协议的系统性安全时，Hyperliquid 仅需少数（约5个由基金会控制的）验证者构成法定多数，即可在数分钟内单方面关闭特定市场并强制结算所有仓位。这一事实表明，尽管 Hyperliquid 的验证者网络在理论上提供了去中心化验证，其实际的紧急决策权高度集中于少数节点。从系统性风险的角度来看，截至2025年底约43%的 DEX 永续合约交易量流经这一单一协议及其中心化排序器，这种集中度本身构成了不可忽视的系统性风险敞口。

尽管存在上述结构性隐忧，这种“中心化排序+去中心化验证”的混合模式在流动性指标上取得了显著成效。在 BTC 永续合约中，Hyperliquid 能够维持约1美元的买卖价差，其订单簿卖方累计深度约140 BTC，甚至超越了部分顶级 CEX 同期约80 BTC 的深度水平。不过，对这一流动性比较需要附加若干重要限定。首先，HLP（Hyperliquid Liquidity Provider）金库是 Hyperliquid 平台自身运营的做市资金池，而非独立的第三方做市商，其提供的流动性在性质上不同于 CEX 上多元化、竞争性做市商网络所提供的流动性。上述140 BTC 深度中 HLP 金库的贡献占比是评估该流动性可持续性和抗压韧性的关键参数，但目前缺乏透明的公开披露。其次，上述比较基于单一时间点的订单簿快照，未能反映时间加权平均深度，也无法衡量在高波动率时段的深度韧性，而恰恰是在这些关键时刻，流动性的真实质量才最为重要。再者，DEX 上的显示深度（displayed depth）与实际可执行深度（executable depth）之间可能存在显著差异：在链上环境中，挂单可在单个区块内被迅速撤回，因此某一时刻显示的深度未必真正可执行。最后，HYPE 代币的激励机制通过做市奖励吸引了大量激励流动性（incentivized liquidity），这类流动性的提供者主要受代币激励驱动，当激励减少或取消时可能迅速撤出，因此不宜将其等同于由内生做市利润驱动的可持续有机流动性。

图 13-36 对比了 Hyperliquid 与 Binance 在 BTC 永续合约上的订单簿流动性深度。

图 13-36. Hyperliquid 与 Binance BTC 永续合约流动性深度对比示意（2026年1月快照；HLP 金库做市策略使显示深度偏离可执行深度，深度数据未公开复核）

图 13-36 以订单簿深度累积曲线的形式，对比了 Hyperliquid 和 Binance 在 BTC 永续合约上同一时间点的买卖双侧挂单分布。图中横轴为偏离中间价的百分比，纵轴为累积的 BTC 挂单量。值得关注的是，在±0.1%的极窄价差范围内，Binance 凭借多家高频做市商的激烈竞争维持着更高的顶层流动性；但在±0.5%至±1%的更宽范围内，Hyperliquid 的卖方累积深度（约140 BTC）反而超过了 Binance 同期的水平（约80 BTC）。这一看似反直觉的现象与 HLP 金库的做市策略有关——其挂单策略倾向于在离中间价稍远的位置布局更大的深度，以降低逆向选择风险。

相比之下，dYdX v4则选择了基于 Cosmos SDK 和 CometBFT 共识的完全去中心化应用链路线。其核心特征在于由去中心化的验证者网络轮流负责交易的排序与出块。这种设计最大程度地保证了抗审查性和去中心化属性，消除了单一排序器可能带来的系统性风险。然而，去中心化共识不可避免地带来了性能上的妥协，其交易终局性通常在1至2秒之间，吞吐量也相对受限。此外，验证者层面的 MEV 提取成为 dYdX v4架构中需要重点防范的问题，因为当前出块的验证者可以观察到待处理的交易并对其进行重新排序。

从价格发现的微观结构角度来看，这两种架构的差异产生了截然不同的市场特征。Hyperliquid 的超低延迟使其更接近传统高频交易的运行环境，做市商可以更频繁地更新报价，从而提供更紧的买卖价差和更深的流动性。这种环境天然有利于知情交易者快速表达信息，使得价格对新信息的响应速度更快。然而，中心化排序器的存在意味着排序公正性依赖于运营方的信誉而非密码学保证，这在理论上构成了一个信任前提。dYdX v4的去中心化排序虽然在延迟上有所牺牲，但其完全去中心化的架构消除了单点信任依赖，在长期的制度稳健性上具有优势。

这两种架构在市场份额上的博弈，生动地展示了知情交易者对价格发现场所的动态选择。在2025年上半年，Hyperliquid 凭借其媲美 CEX 的性能体验和创新的 HIP-3无许可上币机制，其在 Perp DEX 领域的市场份额一度高达75%至80% ^[39]。然而，随着 Lighter（采用零知识证明 zkRollup 技术，零手续费）和 Aster（获 Binance Labs 支持）等竞争者在下半年入场，Hyperliquid 的市场份额经历了剧烈波动。2025年9月，其份额一度下滑至约38%，同期 Lighter 和 Aster 分别占据了16.8%和14.9%的份额 ^[40]。到年底，随着市场格局的重新整合，Hyperliquid 的份额回升至约43%。这种激烈的场所竞争表明，链上 DEX 领域的流动性极具弹性，价格发现领导权的转移比 CEX 领域更加迅速和动态。

图 13-37 以双轴图展示2025年各主要 Perp DEX（Hyperliquid、dYdX、Lighter、Aster、Jupiter 等）的月度交易量构成（左轴堆叠柱）与 Hyperliquid 市场份额轨迹（右轴折线），呈现从“一家独大”到“群雄逐鹿”的演变。

图 13-37. Perp DEX 月度交易量与 Hyperliquid 市场份额演变（2025年；作者整理，部分为估算，逐月构成待数据快照核实）

图 13-37 的数据呈现出两个显著特征。其一，Perp DEX 的月度总交易量从2025年1月的约2,000亿美元增长至12月的逾1.2万亿美元，全年增幅约5倍，增长曲线在下半年明显陡峭。其二，Hyperliquid 的市场份额经历了从上半年约75%-80%的近乎垄断地位，到9月因 Lighter 和 Aster 入场而骤降至约38%，再到年底回升至约43%的剧烈波动。这种份额的快速再分配在 CEX 市场中极为罕见——Binance 在 CEX 永续合约领域的主导地位在过去数年中保持了高度稳定。链上 DEX 领域流动性迁移的低摩擦（无需跨交易所转账、无提现延迟）使得知情交易者能够以极低的切换成本在不同平台之间重新分配其交易活动，这一特性赋予了 DEX 生态更强的竞争活力，但也意味着任何单一平台的价格发现领导地位都更加脆弱。

13.8.5 排序器与 MEV 保护

链上 DEX 要在更大规模上承担加密市场的价格发现功能，必须在保持高性能的同时，解决排序器中心化和恶性 MEV 提取这两个核心痛点。当前的技术演进主要集中在三个方向，这些创新将深刻改变信息融入价格的微观机制。

第一个方向是去中心化排序器的普及。将交易排序的权力从单一实体分散到多个参与者节点，是消除单点故障和内部前置交易风险的关键路径。目前业界正在探索多条技术路线。例如，Chainlink 提出的公平排序服务利用去中心化预言机网络来确定交易的公平顺序，其核心思想是通过多个独立节点对交易到达时间进行共识，从而防止任何单一节点操纵排序 ^[41]。而基于门限加密的方案则要求交易在被排序前保持加密状态，直到被包含进区块后才由分布式密钥持有者协作解密，从而从根本上剥夺排序器利用交易内容进行抢跑的能力。这种“先排序、后解密”的范式，为构建密码学层面的排序公正性提供了理论上的最优解，但其实际部署面临着严峻的工程挑战。当前的门限加密方案在解密环节需要多个密钥持有者进行协作计算，这一过程通常增加数百毫秒的端到端延迟。对于追求约0.2秒交易终局性的 Hyperliquid 而言，这一额外延迟几乎意味着终局性时间的翻倍，对高频做市策略和知情交易者的信息表达效率将产生实质性影响。截至2025年底，尚无任何主流永续合约 DEX 在生产环境中实际部署了门限加密方案。因此，有必要明确区分：门限加密目前仍是一个具有理论吸引力的研究方向，而非一项生产就绪的解决方案，从理论论证到大规模工程部署之间仍存在相当距离。

第二个方向是系统级的 MEV 保护机制。为了在不完全牺牲 MEV 带来的价格发现加速效应的前提下保护普通用户，各种私有交易池和 MEV 保护网络应运而生。这些机制允许用户的订单绕过公开的 Mempool，直接发送给受信任的区块构建者，从而避免被三明治攻击捕获。更进一步的探索包括“MEV 再分配”机制，旨在将搜索者提取的部分 MEV 利润返还给受影响的交易者或流动性提供者，从而在效率与公平之间寻找新的平衡点。从价格发现的角度来看，这类机制的理想效果是保留 MEV 中有益于信息传递的部分（即加速知情订单的执行），同时消除其纯粹掠夺性的部分（即三明治攻击对无信息交易者的剥削）。

第三个方向是零知识证明约束在撮合引擎中的应用。以 Lighter.xyz 为代表的架构，将复杂的订单簿撮合与清算逻辑移至链下执行，仅将生成的零知识证明提交至以太坊主网进行验证 ^[42]。在这种模式下，排序器和撮合引擎的行为受到密码学的严格约束，任何偏离预定规则（如价格优先、时间优先）的排序都无法生成有效的证明，从而在数学层面保障了撮合过程的公正性。这种方案的深远意义在于，它将价格发现过程中最核心的“聚合阶段”置于密码学保护之下，使得链上 DEX 能够同时实现高性能（链下执行）和强信任（链上验证）。Lighter 在2025年以1.3万亿美元的交易量跻身全球永续合约交易所前十名 ^[34]，初步验证了这一架构在实际市场竞争中的可行性。

综合来看，这三个方向并非相互排斥，而是可以协同作用。一个理想的未来架构可能同时采用去中心化排序器来分散排序权力、门限加密来保护交易隐私、以及零知识证明来约束撮合行为。当这些技术成熟并大规模部署时，链上 DEX 将有可能在透明性、公平性和性能三个维度上同时超越 CEX，从而真正成为加密市场价格发现的主导场所。

13.9 本章小结

纵观全章，永续合约市场在数字资产价格发现中同时承担着信息加速与噪声注入的双重角色。这种内在的张力，构成了我们理解加密市场信息效率的核心线索。

永续合约在正常市场条件下是高效的价格发现工具。基于场所引力模型（§13.3），它在杠杆率、流动性深度、匿名性与交易成本四个维度上的系统性优势，使其成为知情交易者表达私有信息的首选场所，在三阶段模型的“表达阶段”展现出极高效率。实证数据也反复证明（§13.4），正常市场状态下永续合约在 Hasbrouck 信息份额和 Gonzalo-Granger 成分份额上均占据主导。资金费率机制（§13.3.4与§13.5.2）则通过持续的套利激励确保永续价格与现货的长期锚定，使永续中发现的价格信息有效传导至全市场。

然而，永续合约的市场机制同时产生显著的价格信号干扰，通过三条路径注入非信息性的机械噪声（§13.5）：清算引擎强制平仓的微观结构冲击（$\sigma_{\text{mech}}$）、资金费率极端化对持仓的扭曲，以及标记价格 EMA 平滑造成的延迟。在极端行情下（§13.6），三条路径同时活跃、相互叠加，产生巨大的机械性买卖压，使价格系统性偏离基本面，并通过预言机喂价和跨市场套利迅速传染至现货与其他衍生品市场。在危机状态下（§13.7），信息流拓扑图的重构方向取决于危机的信息结构（§13.3.5与§13.4.6）：纯机制性危机（清算级联而无重大新信息）中永续合约被机制性噪声淹没，现货市场可能被动接管领导权；信息-机制复合型危机（重大新闻叠加清算级联）中，知情交易者的表达需求使头部衍生品市场维持信息中心地位。无论哪种情形，盲目信任单一市场的永续价格都将带来巨大风控风险。

通过天花板-地板模型，我们可以对这种双面性进行综合评价。与现货市场和传统期货市场相比，永续合约市场呈现出“最高的天花板、最高的地板以及最宽的效率区间”的独特特征。永续合约的天花板最高，意味着它在正常时期是最高效的价格发现场所；但其地板也最高（即最差情况下的效率损失最为严重），且天花板与地板之间的区间最宽，意味着其价格发现效率的波动性远大于现货和传统期货市场。

图 13-38 将本章核心成果浓缩为综合对比图，以三种市场类型为横轴、价格发现效率为纵轴，标注各自的天花板、地板、典型运行区间及历史危机中效率骤降的标志性事件。

图 13-38. 三种市场价格发现效率的天花板-地板模型综合评价（概念示意，非实测数据；数值口径与图 13-26、图 13-27 统一）

图 13-38 以直观的视觉语言凝练了全章的核心结论。传统期货呈现出“窄带稳态”的效率特征——天花板中等、地板低，两者之间的区间窄而稳定，如同一条波幅不大的河流。加密现货呈现出“低天花板、低地板”的特征——因缺乏杠杆而信息表达受限，但也因此几乎不受机制性噪声的侵扰，如同一池平静但水量有限的湖泊。永续合约则截然不同：其效率区间如同峡谷中的激流，最高水位（天花板）远超其他两者，但最低水位（地板）也高于其他市场的地板，且水位的涨落幅度惊人。这三种截然不同的效率轮廓，共同构成了当前加密市场价格发现生态的完整画像。

因此，永续合约的价格发现效率并非简单地“优于”或“劣于”其他市场，而是一种高度状态依赖的动态特征。在评估永续合约的价格发现贡献时，必须同时考虑当前的市场状态（波动率水平、杠杆拥挤度、流动性深度）以及具体的时间尺度。

永续合约的优势与劣势源自同一根源——杠杆。正是高杠杆机制在加速信息表达的同时，也为清算级联埋下了隐患。杠杆放大了知情交易者的信息表达能力，使得少量资本即可产生显著的价格影响，这是永续合约成为价格发现领导者的核心原因。但同样是杠杆，当市场方向逆转时，它触发了强制平仓的连锁反应，产生了与基本面信息无关的机械性价格冲击。正是24/7的不间断交易让信息得以连续定价，但也移除了传统金融市场中熔断停牌等缓冲减震器，使得噪声的传播没有时间上的阻断。市场参与者无法在享受其极高表达效率的同时，完全豁免其机制性噪声的干扰。这种不可分割性，是永续合约市场微观结构的本质特征。

在明确了价格发现这一自然过程的内在规律与缺陷之后，下一章（第14章）将视角转向制度干预层面。既然永续合约的价格信号中不可避免地混杂着机制性噪声，那么市场架构者如何通过构建指数价格、标记价格和预言机等基础设施，来过滤这些噪声、防范市场操纵，并为整个加密衍生品生态提供可靠的价格基准？这正是从“价格发现”到“价格基准”的逻辑递进：前者描述信息如何自发地融入价格，后者则探讨制度如何主动地净化和锚定价格。

参考文献

[1] Chainalysis. (2025). Bybit hack: Leveraging transparency for collaboration in the wake of record-breaking theft. https://www.chainalysis.com/blog/bybit-exchange-hack-february-2025-crypto-security-dprk/

[2] Liu, A. (2025, February 21). Bybit's \$1.4 billion ETH hack: Market impact and future implications. Forbes. https://www.forbes.com/sites/aliceliu/2025/02/21/bybits-14-billion-eth-hack-market-impact-and-future-implications/

[3] Kaiko Research. (2025). Bybit hack by the numbers. https://research.kaiko.com/insights/bybit-hack-by-the-numbers

[4] Hasbrouck, J. (1995). One security, many markets: Determining the contributions to price discovery. The Journal of Finance, 50(4), 1175–1199. https://doi.org/10.1111/j.1540-6261.1995.tb04054.x

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

[6] 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

[7] Silantyev, E. (2019). Order flow analysis of cryptocurrency markets. Digital Finance, 1, 191–218. https://doi.org/10.1007/s42521-019-00007-w

[8] Easley, D., López de Prado, M. M., & O'Hara, M. (2012). Flow toxicity and liquidity in a high-frequency world. The Review of Financial Studies, 25(5), 1457–1493. https://doi.org/10.1093/rfs/hhs053

[9] Alexander, C., Choi, J., Park, H., & Sohn, S. (2020). Price discovery in Bitcoin: The impact of unregulated markets. Journal of Financial Stability, 50, 100776. https://doi.org/10.1016/j.jfs.2020.100776

[10] Makarov, I., & Schoar, A. (2020). Trading and arbitrage in cryptocurrency markets. Journal of Financial Economics, 135(2), 293–319. https://doi.org/10.1016/j.jfineco.2019.07.001

[11] Shleifer, A., & Vishny, R. W. (1997). The limits of arbitrage. The Journal of Finance, 52(1), 35–55.

[12] CoinGlass. (2025). CoinGlass 2025 crypto derivatives market annual report. https://www.coinglass.com/learn/2025-annual-report-en

[13] Ruan, Q., & Streltsov, A. (2024). Perpetual futures contracts and cryptocurrency market quality. Cornell SC Johnson College of Business.

[14] CryptoQuant. (2026, March). Binance futures/spot ratio hits 1.5-year high. https://cryptoquant.com/insights/quicktake/69b158571d8c7d419887fc10-Binance-FuturesSpot-Ratio-Hits-15-Year-High

[15] Jung, J. H. (2024). Can funding rate predict price change? Presto Research. https://www.prestolabs.io/research/can-funding-rate-predict-price-change

[16] Gonzalo, J., & Granger, C. W. J. (1995). Estimation of common long-memory components in cointegrated systems. Journal of Business & Economic Statistics, 13(1), 27–35. https://doi.org/10.1080/07350015.1995.10524576

[17] Putniņš, T. J. (2013). What do price discovery metrics really measure? Journal of Empirical Finance, 23, 68–83.

[18] Cosenza, R., & Stalder, S. (2024). Where is the price of Bitcoin determined? Price discovery in a fragmented market (SSRN Working Paper). https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5070964 https://doi.org/10.2139/ssrn.5070964

[19] Entrop, O., Frijns, B., & Seruset, M. (2020). The determinants of price discovery on Bitcoin markets. Journal of Futures Markets, 40(5), 816–837. https://doi.org/10.1002/fut.22101

[20] Dimpfl, T., & Peter, F. J. (2021). Nothing but noise? Price discovery across cryptocurrency exchanges. Journal of Financial Markets, 54, 100584. https://doi.org/10.1016/j.finmar.2020.100584

[21] Greco, A. (2025, October). October 10–11, 2025: Anatomy of the largest crypto flash crash. Medium. https://medium.com/@Alessandro_Greco/october-10-11-2025-anatomy-of-the-largest-crypto-flash-crash-and-what-it-teaches-engineers-risk-49ea96b6d1c2

[22] 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

[23] Gornall, W., Rinaldi, M., & Xiao, Y. (2024). Perpetual futures and basis risk: Evidence from cryptocurrency (AEA Conference Paper). https://www.aeaweb.org/conference/2026/program/paper/ByyFEfr4

[24] CryptoNews. (2026). Bitcoin funding rates just flashed one of the bleakest signals. https://cryptonews.net/news/bitcoin/32527016/

[25] Bybit Help Center. (2025). Mark price calculation. https://www.bybit.com/en/help-center/article/Mark-Price-Calculation-Perpetual-Contracts

[26] FTI Consulting. (2025). The crypto crash of October 2025: When leverage met liquidity. https://www.fticonsulting.com/insights/articles/crypto-crash-october-2025-leverage-met-liquidity

[27] Multicoin Capital. (2020, March 17). March 12: The day crypto market structure broke (Part 1). https://multicoin.capital/2020/03/17/march-12-the-day-crypto-market-structure-broke/

[28] Bitwise Asset Management. (2019). Presentation to the U.S. Securities and Exchange Commission: Analysis of Bitcoin spot trading volume.

[29] Cong, L. W., Li, X., Tang, K., & Yang, Y. (2023). Crypto wash trading. Management Science, 69(11), 6427–6454. https://doi.org/10.1287/mnsc.2021.02709

[30] Le Pennec, G., Fiedler, I., & Ante, L. (2021). Wash trading at cryptocurrency exchanges. Finance Research Letters, 43, 101982.

[31] Chainalysis. (2025). Market manipulation: Suspected wash trading in cryptocurrency markets.

[32] Kraken. (2024). Crypto FOMO survey: 84% of crypto investors report making decisions driven by fear of missing out.

[33] Lo, A. W. (2004). The adaptive markets hypothesis. The Journal of Portfolio Management, 30(5), 15–29. https://doi.org/10.3905/jpm.2004.442611

[34] CoinGecko. (2026). Is the future of crypto perpetual? The meteoric rise of perp DEXs. https://www.coingecko.com/learn/rise-of-perpetuals-and-perp-dexs

[35] PinkBrains [@PinkBrains_io]. (2025, December). The big picture of perp DEXs in 2025 [Post]. X. https://x.com/PinkBrains_io/status/2030880808257667244

[36] Cointelegraph. (2025, December 4). Exclusive data from EigenPhi reveals that sandwich attacks on Ethereum have waned. https://www.tradingview.com/news/cointelegraph:fa12ba092094b

[37] Capponi, A., Jia, W., & Yu, S. (2025). Price discovery on decentralized exchanges (SSRN Working Paper). https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4236993 https://doi.org/10.2139/ssrn.4236993

[38] Dropstab. (2025). How does Hyperliquid's L1 redefine on-chain trading? https://dropstab.com/research/crypto/what-is-hyperliquid

[39] Binance Square. (2025, September 20). In-depth analysis of perp DEX. https://www.binance.com/en/square/post/29943921066041

[40] Bitget. (2025, September 28). Aster, Hyperliquid, Lighter, EdgeX, and Jupiter Perpetuals. https://www.bitget.com/news/detail/12560604991584

[41] Chainlink. (2024). Threshold encryption: Security and privacy for Web3. https://chain.link/article/threshold-encryption-security-privacy-web3

[42] Lighter. (2026). Order book matching and liquidations with transparent and verifiable zero-knowledge proofs [White paper]. https://assets.lighter.xyz/whitepaper.pdf