流动性供给与博弈

以某全球加密货币做市商的运营实践为例（本章开篇场景基于公开市场数据和行业访谈构建，旨在展示永续合约做市商面临的多维压力结构，并非特指某一家机构；文中具体数值——5,000 万美元净多头库存、年化 150% 资金费率——为说明性设定而非实测统计），其交易系统在单一时段内同时面临三类结构性压力：在 CEX 永续合约订单簿上，卖单深度骤降触发毒性订单流预警，区分清算流与知情流成为维持盈利的关键；在资金费率管理层面，BTC 年化资金费率飙升至150%（参考2024年3月 BTC 突破历史新高期间的极端费率；此处年化口径按“年化 = 单次费率 × 每日结算次数 × 365”换算，150% 年化对应单次约 0.137%），叠加约5,000万美元的净多头库存，使得每次结算周期均产生显著的持仓成本，而这一成本变量不同于传统市场的隔夜利息，具有高度随机性与方向不确定性；在链上市场，流动性池净值在无明显触发事件的情况下持续下滑，揭示了去中心化交易所（DEX）做市商在 MEV（最大可提取价值）攻击下所面临的额外风险维度。这一场景揭示了永续合约做市业务的核心复杂性：其挑战并非来自单一维度，而是逆向选择风险、库存成本风险与制度性风险的同步叠加，且在 CEX 与 DEX 两类截然不同的市场架构中呈现出本质差异。

这是2026年永续合约做市商面对的典型运营环境。加密市场的跨平台套利与碎片化交易结构 ^[1] 与永续合约的定价机制 ^[2] 共同塑造了这一环境：做市商需要在 CEX 的中央限价订单簿与 DEX 的链上订单簿这两类核心市场架构中同时进行72小时持续运营。他们需要面对来自知情交易、套利提取、清算级联和 MEV 攻击这四种不同来源的“毒性”订单流，同时管理一个受资金费率周期性冲击的风险库存，在一个不间断运行的7x24小时市场中维持运营。这与传统金融市场的做市业务相比，其难度差异并非程度上的，而是维度上的。

在本书的第六篇中，我们反复将“流动性”作为一个关键的背景变量，用以解释套利机会的边界和市场异象的成因：无论是第17章中探讨的“流动性黑洞”，还是第18章中分析的山寨币“效率荒原”。但在那些章节里，“流动性”是一个宏观的、给定的存在。本章的分析从流动性的需求侧转向供给侧，探究一个核心问题：流动性从何而来？它是由谁，以怎样的成本和风险，“生产”出来的？做市商为何愿意持续承担逆向选择和库存波动的风险？他们在这一博弈中发展出了怎样的策略框架？

理解这些问题，是理解“流动性为何会在最需要时消失”和“我们该如何设计更稳健的流动性激励机制”的绝对基础。因为，理解流动性的生产机制，是理解其失灵原因并探索修复路径的前提。永续合约的做市涉及风险定价、信息博弈和制度约束的多维交互，其成本结构与传统市场存在结构性差异。

19.1 流动性供给的经济学

在任何一个活跃的金融市场中，交易者都期望能够随时以一个“合理”的价格买入或卖出资产。这种期望的背后，是一种被称为“流动性”的市场品质，它直接决定了交易者能否以合理的成本完成交易。当流动性充裕时，市场运行顺畅，交易者可以轻松地执行他们的意图而不会对价格产生过大的冲击；当流动性枯竭时，市场则变得脆弱而迟滞，即使是小额的交易也可能引发价格的剧烈波动。然而，流动性并非凭空产生，它不是一种自然状态，而是一种被精心“制造”出来的产品。制造这种产品的专业参与者，就是做市商。

做市商的角色常常被误解。在一些市场参与者的叙事中，他们是神秘的、拥有信息优势的“操纵者”，通过普通交易者的亏损来获利。在另一些过于简化的学术模型中，他们又被描绘成被动响应订单流、机械地调整报价的“自动机”。这两种描绘都偏离了现实。做市的本质，既不是一场基于信息不对称的掠夺，也不是一种被动的公共服务。它是一门严谨而高风险的生意，其核心在于风险与回报的权衡。做市商愿意持续充当交易对手方，是因为他们预期可以通过承担特定的、可管理的风险，来赚取统计上为正的价差收益。他们的存在，使得那些不愿等待、希望立即成交的流动性需求者能够将其“等待的成本”和“寻找交易对手的成本”外部化。

本节分析做市商业务的经济学原理，回答一个核心问题：为什么有人愿意承担风险，持续地为市场提供流动性？分析从做市业务的收入与成本结构入手，进而考察两种经典风险：源于信息不对称的逆向选择风险和源于价格波动的库存风险。这两种风险构成了理解所有市场做市业务的通用理论支柱。

然而，永续合约这一独特的金融工具，以其无到期日、高杠杆、资金费率和强制清算等机制，为做市商的传统风险版图增加了新的维度。本章提出并系统阐述的整合性分析框架之一，便是将永续合约做市的“第三支柱”——制度成本——明确归并命名。我们将详细剖析资金费率的随机性、清算机制的惩罚性、标记价的滞后性以及7x24小时不间断交易的运营压力，如何共同构成了一组内生于产品设计的、难以完全对冲的结构性成本。最后，我们会将这三根支柱整合进一个统一的利润方程，从而揭示做市商的“生存条件”。这个方程不仅解释了做市商如何盈利，更重要的是，它预示了在何种压力下，做市商会选择收缩甚至放弃做市，进而导致我们在后续章节将要探讨的“流动性黑洞”现象。理解这个利润方程，是理解流动性供给行为、乃至整个市场微观结构稳定性的关键所在。

19.1.1 做市的本质

做市商的核心商业模式可以被精炼地概括为：通过持续地向市场报出具有竞争力的买价和卖价，并从这两者之间的价差中获取利润。其功能类似于金融市场中的中间商，从更深层的流动性来源获取资产，再以包含价差的价格提供给需要即时成交的交易者。这个看似简单的模式，实则扮演了多重关键的市场功能。

首先，做市商是市场即时性的提供者。在一个没有做市商的纯订单驱动市场中，一个希望立即买入的交易者必须等待一个愿意以其可接受价格卖出的对手方出现。这个等待过程可能很长，且结果不确定。做市商通过承诺随时准备好交易，极大地缩短了这个匹配时间，将一个异步的市场连接成一个看似同步的整体。他们在时间维度上连接了不同时刻到达的买方和卖方。

其次，做市商是交易成本的降低者。他们之间的竞争，主要体现在谁能提供更窄的买卖价差和更大的报价深度上。一个买卖价差更窄的市场，意味着流动性需求者为即时成交所付出的成本更低。一个深度更厚的市场，则意味着大额交易能够以更小的价格冲击被执行。因此，做市商群体的存在和竞争，直接决定了市场的交易效率和容量。

再者，做市商是价格发现的参与者和贡献者。他们报出的价格并非随意设定，而是基于对当前市场信息、订单流压力、自身库存水平以及未来波动预期的综合判断。订单簿上密集的报价队列，本身就蕴含了市场对资产公允价值的集体评估。当新的信息进入市场，做市商会迅速调整他们的报价，从而引导价格向新的均衡水平移动。他们的报价行为，成为价格发现过程中的重要一环。

理解做市商的业务，关键在于区分其利润的来源。与依赖于预测资产长期价格方向的头寸交易者不同，纯粹的做市商旨在从双向交易的周转率中盈利，而非从单边持仓的价格变动中获利。他们的基本利润公式可以表达为：

$$\text{利润} \approx (\text{平均买卖价差} \times \text{总成交量}) - \text{交易成本}$$

这里的“交易成本”并非简单的手续费，而是一个复杂的组合，主要包括两大核心风险：被掌握更多信息的交易者逆向选择的损失，以及因持有库存而暴露于价格波动下的风险。做市商的策略、算法与技术投入，核心都围绕着如何精确地为这两大风险定价，并将其成本内化到买卖价差中。一个成功的做市商，其核心竞争力不在于更准确地预测市场涨跌，而在于比竞争对手更精确地度量和管理风险，从而在给定风险水平下提供更优报价，在大量交易中实现统计上的正期望收益。从经济学角度看，做市商的利润本质上是市场为即时性和价格确定性这两项稀缺服务所支付的风险溢价。

19.1.2 逆向选择与库存管理

做市商的盈利模式，从根本上说，是在与不确定性的博弈中寻找确定性。学术界经过数十年的研究，将做市商面临的核心不确定性归结为两大来源，它们构成了现代做市理论的双支柱：逆向选择和库存管理。理解这两个支柱，是理解做市商如何定价、如何管理风险以及为何在某些时候选择退出市场的基础。

第一根支柱，逆向选择，源于市场中结构性的信息不对称 ^[3]：做市商面对的订单流由两类交易者混合而成——出于配置或对冲需求、行为随机的“噪声交易者”，以及掌握资产未来价格未公开信息的“知情交易者”。每一次与知情者成交，做市商几乎都站在交易的错误一方，承担一笔近乎确定的损失，即逆向选择成本。其应对之道，是将这一预期损失以更宽的买卖价差摊入每笔交易，价差宽度由此反映做市商对市场中知情交易活跃程度的判断。这一风险的完整刻画——Glosten 和 Milgrom（1985）^[4] 与 Kyle（1985）^[5] 的经典模型——将在§19.2 与§19.2.1 中展开。

第二根支柱，库存管理，源于做市商在被动成交中无法避免地积累净库存：买单与卖单在短期内难以完全匹配，库存便偏离中性、形成净多头或净空头，使做市商从纯粹的价差交易者部分地变成暴露于价格波动的头寸持有者。其核心应对工具是“倾斜报价”——依库存方向动态调整买卖两侧报价以引导订单流、加速库存回归中性，本质上是在“尽快平仓降险”与“等待更优价格获利”之间权衡，持有时间越长风险越大，故做市商通常倾向于高周转率。这一机制的经典建模——Ho 和 Stoll（1981）^[6] 与 Amihud 和 Mendelson（1980）^[7] 的库存模型——将在§19.3 与§19.3.1 中展开。

逆向选择和库存管理这两大风险，共同构成了做市商成本结构的核心。做市商的报价决策，本质上就是在这两种风险的约束下，求解一个最优的价差和深度。价差必须宽到足以补偿预期的逆向选择损失和持有库存的风险溢价，但又必须窄到足以在竞争中吸引到足够的订单流。这是一个在风险与回报、安全与增长之间不断寻求动态平衡的动态优化过程。

19.1.3 制度成本

经典的双支柱理论为理解所有市场的做市行为提供了坚实的基础。然而，当我们把目光投向永续合约这一加密世界原生的金融工具时，会发现仅用逆向选择和库存风险来解释做市商的行为已然不够。永续合约独特的制度设计，包括资金费率、杠杆与清算、标记价格机制、无到期日以及24/7不间断交易，共同催生了第三种系统性的成本来源，我们称之为“制度成本”。这是本章在整合性分析框架下提出的归并命名，它揭示了为何永续合约的做市是一项与传统股票或期货做市在性质上有所不同的挑战。

制度成本并非来源于信息不对称或价格波动，而是内嵌于永续合约这一产品的“游戏规则”之中。只要参与这个市场，就必须承担这些成本。它们主要由以下几个部分构成：

首先是资金费率暴露。资金费率是永续合约锚定现货价格的核心机制 ^[8]，其可能为正也可能为负，且波动剧烈。需要区分两个相关但不同的概念：永续合约与现货之间的期现基差（学术文献中称为“加密 carry”）和资金费率本身。Schmeling 等（2023）的研究表明，加密 carry 有时超过年化40%，远超传统市场水平，这在很大程度上源于杠杆化散户需求与套利资本稀缺之间的结构性摩擦 ^[9]。基差可以被套利者通过期现套利策略捕获，而做市商面临的资金费率暴露则性质不同：它是做市商因被动成交积累库存后、在每个结算周期被强制参与的费率支出或收入。资金费率的波动幅度远超传统融资成本：在2024年3月 BTC 价格突破历史新高期间，单次8小时结算费率曾超过0.1%（按“年化 = 单次费率 × 每日结算次数 × 365”换算，单次 0.1%/8h 对应年化约109.5%，若称年化逾400%则对应单次约0.365%），这意味着持有1000万美元净多头库存的做市商在单个结算周期内即需支付超过1万美元的费用。更关键的是，资金费率的方向和幅度具有高度随机性，可能在数小时内从极端正值转为负值。这与传统期货做市中相对稳定、可预测的资金成本（如隔夜利率）形成了鲜明对比。做市商不仅要管理价格波动的风险，还要管理资金费率波动这一永续合约特有的风险维度。

其次是清算风险溢价。由于永续合约的高杠杆特性，强制清算机制在市场剧烈波动时频繁触发。做市商自身的库存也面临被强制平仓的风险。强制平仓与做市商主动的库存管理有本质区别：它发生在市场流动性最差、价格对自身最不利的时刻，是一种惩罚性的、被动的风险出清。为了避免这种情况，做市商必须维持比理论所需更高的保证金水平，或者在接近清算线时被迫以极差的价格主动平仓。这种为规避强制清算而付出的额外成本或放弃的潜在收益，构成了清算风险溢价。

再次是标记价偏差风险。永续合约的保证金和盈亏计算基于平滑处理的标记价格（通常采用多交易所指数价格加上基差的移动平均）。这种平滑机制的首要设计目的是防止短期价格操纵引发的错误清算，从这个意义上说它是保护性的。然而，在价格快速单边运动的持续行情中，标记价会系统性地滞后于真实的最新市场价格，这种滞后产生了两个方向不同但同样有害的风险。第一，清算延迟风险：当价格持续单边运动时，标记价的滞后意味着本应更早触发清算的头寸被“宽容”了更长时间，导致最终清算时的亏损远大于及时清算的情形，这部分额外亏损需要由保险基金或通过社会化分摊机制来承担，间接影响所有市场参与者包括做市商。第二，对冲基差风险：做市商在对冲其永续合约头寸时，对冲工具（如现货）的价格会紧跟最新成交价实时变动，而永续合约的盈亏计算却锚定于滞后的标记价。在快速行情中，这两者之间的偏差可能显著扩大，使得做市商的对冲在名义上看似平衡，实际盈亏却因标记价滞后而出现意料之外的偏差。

此外，无到期日的无限期暴露也加大了库存管理的难度：永续合约缺少传统期货“到期自然了结”这一时间锚，失衡库存理论上可被无限期持有、持续暴露于价格与资金费率风险，迫使做市商更依赖成本更高的主动对冲（其“引力中心”缺失的完整机制见§19.3.2）。

最后，24/7不间断交易带来了巨大的运营成本和风险监控压力。传统市场有休市和闭市时间，这为做市商提供了必要的维护窗口，可以用来进行系统维护、模型校准、风险复盘和策略调整。而在永续合约市场，风险持续存在。做市商必须投入巨资建立能够全天候稳定运行的交易系统、风控系统和监控团队，以应对任何时刻可能出现的市场异动或技术故障。这种持续的运营压力和人力成本，构成了制度成本的另一个重要组成部分。

将上述五个子成分整合在一起，我们得到了一个更完整的永续合约做市商成本结构。需要强调的是，制度成本是一个综合性范畴，它涵盖了从资金费率暴露、清算风险溢价、标记价偏差风险，到无到期日的无限期暴露和24/7不间断运营压力在内的全部由永续合约产品制度本身所引致的成本。其中，24/7运营所带来的系统建设、人力配置和持续监控支出，虽然在形式上具有“运营”特征，但其根源在于永续合约不间断交易的制度设计，而非做市商自身业务规模的扩展，因此在本章的分析框架中将其归入制度成本而非独立的运营成本类别。与现货或交割期货做市相比，永续合约做市商不仅要面对更严峻的逆向选择和库存风险（由杠杆和高波动性放大），还必须承担这一系列由产品制度本身带来的、难以通过传统风险管理手段完全消除的制度成本。这解释了为什么永续合约市场的流动性供给行为，会表现出与传统市场显著不同的特征。

为了使制度成本这一概念具备结构化的分析表达，我们可以将其分解为以下四个子成分：

$$C_{\text{inst}} = \mathbb{E}!\left[\lvert FR_t\rvert \cdot \lvert Q_t\rvert\right] + P(\text{liq}) \cdot L_{\text{penalty}} + f(\Delta_{\text{mark}}) + C_{\text{ops}}$$

其中，第一项为资金费率暴露的期望成本，$FR_t$ 为 t 时刻的资金费率，$Q_t$ 为做市商的净库存规模，两者的交互决定了每个结算周期的费率支出或收入，取绝对值的期望反映了费率方向不确定性下的风险敞口。第二项为清算风险溢价，$P(\text{liq})$ 为给定库存和杠杆水平下触发强制平仓的概率，$L_{\text{penalty}}$ 为强制平仓相对于主动平仓的额外损失。第三项为标记价偏差风险的函数，$\Delta_{\text{mark}}$ 为标记价与最新成交价之间的偏差幅度，该函数在价格快速单边运动时非线性增大。第四项 $C_{\text{ops}}$ 为24/7不间断运营的固定与半固定成本。需要明确的是，这一表达式是概念性的分类框架，而非可直接校准的定量模型：各子项参数（如P(liq)的计算）高度依赖具体交易所的清算引擎规则、保证金体系与市场微观状态，实践中通常以蒙特卡洛模拟而非解析表达式估算。其价值不在于提供精确数值，而在于揭示制度成本的多源性和各子成分之间的结构关系，尤其前三项的随机性和状态依赖性，使制度成本在极端市场条件下可能急剧膨胀。

19.1.4 利润方程与生存条件

综合以上分析，我们可以构建一个更为全面的做市商利润方程，它系统地刻画了做市商的收入来源和成本构成。这个方程不仅是一个会计恒等式，更是指导做市商日常决策和战略选择的分析框架。

$$\text{总利润} = \text{价差收入} - (\text{逆向选择成本} + \text{库存风险成本} + \text{制度成本})$$

其中，“价差收入”在本章框架中是一个广义概念，不仅包含做市价差本身的利润，还涵盖交易所向做市商支付的手续费返佣收入（将在§19.5.4中详述）以及做市商通过策略性管理库存方向所收取的资金费率收入（§19.3.3将分析费率作为成本与收入的双向性）。需要明确区分费率的会计归属：做市商通过报价倾斜在边际上策略性收取的费率收入计入广义“价差收入”，而因被动成交积累库存后被强制承担的费率支出计入“制度成本”；二者实为同一变量（单周期费率损益 $= -FR_t\cdot Q_t$，正值表示做市商净收入）在不同方向上的体现——库存方向与费率方向相反时为正收入，与费率同向时为成本。在主流交易对上，返佣收入可能占到做市商总收入的显著比例。而括号内的三项成本（分别对应信息风险、头寸风险和产品制度风险）构成了做市商必须跨越的成本门槛。这个方程揭示了做市商的“生存条件”：其通过价差捕获的收入，必须在统计上足以覆盖其面临的全部风险成本。当这个不等式无法满足时，理性的做市商只有三种选择：扩大买卖价差以增加单笔交易的收入、收缩报价深度以降低风险暴露、或者在最极端的情况下，完全撤出市场，停止报价。

这个利润方程的动态平衡，解释了市场流动性的动态变化。在市场平稳、信息透明、竞争激烈的环境中，做市商的各项成本较低，他们有能力和意愿提供狭窄的价差和深厚的流动性，市场因此显得高效而稳定。然而，当市场进入剧烈波动，重大消息频出，或者永续合约的制度机制（如资金费率或清算压力）变得极端时，做市商的成本会急剧飙升。逆向选择风险因信息不对称加剧而上升，库存风险因价格波动放大而增加，制度成本因资金费率的极端化和清算风险的临近而凸显。此时，为了维持生存条件，做市商将被迫集体性地、防御性地扩大价差和抽离深度。这正是我们在后续章节将要深入探讨的“流动性急剧收缩”现象的微观根源。

近期的实证研究进一步印证了上述理论分析。Galati（2024）利用 Binance 于2022年7月取消 BTC 交易对 maker-taker 费用这一自然实验，发现零手续费反而导致做市商扩大买卖价差并降低报价深度，市场总交易成本上升 ^[10]。其机制在于取消 maker 返佣后做市商失去了维持窄价差的显性激励，转而以更宽的价差补偿，使隐性的价差成本超过了被取消的显性手续费。Easley 等（2024）则通过机器学习方法分析了某主流加密交易所多种主流加密资产的微观结构数据，证明流动性和价格发现等微观结构指标对加密资产价格动态具有显著预测能力 ^[11]。这些研究表明，做市商的行为对市场质量的影响远比简单的费率激励所暗示的更为复杂。

值得注意的是，做市商的生存条件在不同类型的资产上表现出显著差异。对于像比特币或以太坊这样的高流动性、高市值的资产，其市场深度足以容纳大量交易，信息相对更为分散和透明。虽然知情交易依然存在，但其在总订单流中的占比较低。因此，做市商可以在一个相对较窄的价差下，通过“较低利润率与高成交量结合”的模式实现盈利。相比之下，对于大量的“山寨币”永续合约，其市场通常具有流动性稀薄、信息高度集中（项目方或巨鲸掌握绝对信息优势）、价格波动更剧烈的特点。这意味着做市商在这些市场上将面临高得多的逆向选择成本和库存风险成本。为了生存，他们必须设定非常宽的买卖价差。这反过来又抑制了交易活动，形成了一种流动性不足的负反馈循环。这解释了我们在第18章中观察到的“山寨币效率荒原”现象背后的微观经济学机制。

下图以 Binance 平台十个主流永续合约交易对的订单簿实时快照，展示了市场深度与买卖价差的负相关关系：BTC 深度最高、价差最低，ETH 次之，ADA、DOT 等中小市值资产深度骤降、价差飙升（具体数值见图）。该样本期内流动性在不同资产间高度不均匀，与上述理论分析的方向一致。

图 19-1. 不同永续合约交易对的市场深度与买卖价差对比（数据来源：Binance USDT-M永续合约订单簿实时数据，2025年3月）

最终，我们可以将做市商的利润理解为市场为获取流动性这种“公共品”而支付的费用。流动性之所以不是免费的，正是因为它是由专业的风险承担者，通过投入资本、技术和人力，在承担了逆向选择、库存、制度（含运营）等多重风险之后“生产”出来的。做市商的利润，就是对这一生产过程的合理补偿。理解了这一点，我们才能真正理解流动性的珍贵，以及它在特定条件下何以变得脆弱和稀缺。

19.2 逆向选择

在做市商的利润方程中，库存风险是持续性的系统性风险敞口，而逆向选择则是突发性的、影响显著的风险因素。它在做市商成本结构中占据核心地位。逆向选择的本质，源于市场中永恒存在的信息不对称。在一个所有参与者都拥有完全相同信息的理想世界里，做市商的风险将仅仅局限于库存的价格波动。然而，在真实世界中，总有那么一部分交易者（我们称之为“知情交易者”），他们或早或晚、或多或少地掌握着关于资产未来价格走向的非公开信息。当这些知情交易者进入市场，他们并非为了满足流动性需求，而是为了利用其信息优势获利。而做市商，作为那个永远持续提供报价的流动性供给者，便不可避免地成为了知情交易者实现信息价值变现的主要对手方。

这场博弈从一开始就是不对称的：做市商在成交前无法分辨对手是知情交易者还是噪声交易者，却总在与前者的成交中站上错误的一方，这笔为信息不对称付出的代价即逆向选择成本。因此，一个市场的逆向选择风险有多大，直接决定了其流动性成本的“底线”；买卖价差，在某种意义上，就是市场为“信息”这件昂贵的商品支付的保险费。

在永续合约这个独特的生态系统中，这一经典问题被赋予了新的维度和更高的强度。传统市场中用于分析逆向选择的经典模型，如 Glosten-Milgrom 模型，其核心思想依然适用，但模型的参数和动态却被永续合约的制度特征（尤其是杠杆、24/7不间断交易和独特的链上信息环境）极大地放大了。做市商不仅要面对来自传统渠道的知情交易者，还要应对来自链上世界的新型信息优势来源。其风险监控系统必须具备更高的灵敏度，不仅要能识别风险事件的发生，更要能区分其类型。本节将深入剖析永续合约市场中逆向选择的特殊性，从经典理论的重新演绎开始，识别知情交易的来源，分析其放大器，并最终探讨做市商用以自保的量化工具，揭示这场持续性博弈的全貌。

19.2.1 Glosten-Milgrom 模型的适用

市场微观结构理论的基石之一，是由 Glosten 和 Milgrom（1985）提出的信息不对称模型 ^[4]。这个模型虽然诞生于前数字货币时代，但其深刻的洞察力至今仍然是理解做市商行为的起点。Glosten-Milgrom 模型的核心直觉可以被描绘成一个简单的概率游戏。做市商在设定买卖报价时，面对着两种类型的交易对手：一类是噪声交易者，他们因为各种与资产基本面无关的原因进行交易，例如流动性需求、资产组合再平衡或是非理性的市场情绪；另一类是知情交易者，他们掌握着关于资产未来价值的私有信息。

做市商的困境在于，他无法在交易发生前分辨出对手的真实身份。他只能根据历史经验，对下一笔订单来自知情者的概率（通常用希腊字母μ表示）做出一个估计。当一笔买单到来时，做市商知道，这笔订单有μ的概率来自一个知道资产即将升值的知情者，有(1-μ)的概率来自一个随机的噪声交易者。如果成交，而对手方恰好是知情者，那么做市商卖出的资产价格在未来将会上涨，他将遭受损失。反之，如果对手方是噪声交易者，价格的未来走向是随机的，做市商则稳稳地赚取了买卖价差。为了避免在与知情者的重复博弈中破产，理性的做市商必须设定一个足够宽的买卖价差，使得从噪声交易者身上赚取的利润，能够弥补在知情交易者身上遭受的预期损失。因此，价差的大小直接反映了做市商对市场中信息不对称程度的判断：μ越高，价差越宽。

将这个经典框架应用到永续合约市场，我们发现其基本逻辑依然成立，但模型的关键变量被永续合约的制度设计赋予了新的、更剧烈的动态。首先，杠杆机制成为了逆向选择的强效放大器。在 Glosten-Milgrom 的原始模型中，知情交易者利用信息优势所能造成的冲击，受其自身资本规模的限制。但在永续合约市场，一个拥有100万美元资本的知情者，可以轻松地开立10倍甚至100倍杠杆的头寸，其名义本金瞬间放大到1000万甚至1亿美元。这意味着，同样一条信息，在永续合约市场中可以对订单簿产生数倍于现货市场的冲击力。做市商面对的不再是资本规模有限的对手，而是经杠杆放大后具有数倍于原始资本冲击力的交易者。这迫使做市商必须将杠杆水平作为一个核心变量，纳入其对逆向选择成本的评估中，系统性地在高杠杆市场或高杠杆资产上设定更宽的价差。

其次，24/7不间断交易的特性，彻底改变了信息的到达和释放模式。在传统股票市场，信息通常在盘后积累，在次日开盘时集中释放。做市商（或专家）可以在开盘集合竞价阶段，通过观察订单流，对信息不对称的程度进行初步判断，并相应地调整开盘价差。然而，永续合约市场不间断运行，信息可以在任何时刻从全球任何地区涌入。无论是美国的监管新闻、亚洲的项目进展，还是欧洲的宏观数据，都能在瞬间转化为交易指令，冲击着订单簿。做市商失去了传统市场中重要的评估与调整窗口，他们必须时刻保持警惕，其风险管理系统必须是全天候运行的自动化系统。这种持续的警觉状态，本身就是一种高昂的运营成本和风险溢价。

最后，一些永续合约特有的机制，如资金费率结算，也创造了信息交易的“微型热点”。资金费率每8小时（或更短）结算一次，在结算点前后，市场参与者会基于对未来费率的预期进行交易，这本身就可能吸引套利者和知情者。例如，如果市场普遍预期资金费率将由正转负，拥有多头头寸的交易者有动机在结算前平仓，而预期价格将因此承压的知情交易者则可能抢先建立空头头寸。这些围绕资金费率结算的博弈，使得结算点前后的时段成为信息交易的高发期，做市商在此期间面临的逆向选择风险会周期性地飙升。这一机制使得类似于传统市场“开盘”和“收盘”的信息风险集中期，以每8小时一次的频率周期性地重复出现。

因此，Glosten-Milgrom 模型在永续合约中的重新演绎，不再是一个静态的概率计算，而是一个动态的、多变量的风险评估过程。做市商的报价决策，必须实时地、综合地反映杠杆水平、全球信息流、以及资金费率周期等多种因素，这使得永续合约市场中的不对称博弈在复杂性上显著高于传统市场。

19.2.2 永续合约中知情交易的来源

对于永续合约做市商而言，核心问题在于识别每一笔成交的订单流属性。识别订单流背后的意图，区分“有毒”的知情交易和“无害”的噪声交易，是决定其生死存亡的关键。与相对成熟和规范的传统金融市场相比，永续合约市场中的“知情交易者”光谱更为宽泛和复杂，其信息来源也更加多样化。将这些知情交易者进行分类，有助于我们理解做市商所面临威胁的全貌。

第一类，也是最传统的一类，是宏观或事件驱动型知情者。这类交易者掌握着即将对市场产生重大影响的非公开信息。这些信息可能来自监管层面，例如美国 SEC 即将批准或否决某项加密资产 ETF 的内幕消息；也可能来自项目基本面，例如某个主流公链的核心开发者发现了严重漏洞，或者某个 DeFi 协议即将宣布一项重大的合作伙伴关系。在这些信息公之于众前的短暂窗口期，知情者会利用永续合约的高杠杆特性，迅速建立大规模头寸。他们的交易行为果断而坚决，通常表现为连续的、大额的市价单，旨在以最快速度完成建仓，而非计较微小的滑点。对于做市商来说，这类订单流的毒性最强，因为它们直接源于未来价格的确定性变化。一旦与这类交易者成交，做市商几乎注定要站在错误的一方。

第二类，是跨市场信息搬运型交易者。这类参与者的“信息”优势，并非源于内幕消息，而是源于速度。加密市场是一个全球化、碎片化的市场，同一种资产可能同时在数百个现货交易所、期货交易所和 ETF 市场中交易。由于信息传递的延迟和市场间的微观结构差异，价格变动并非在所有市场同步发生。例如，当 Coinbase 的 BTC 现货价格因为一笔机构大额买单而瞬间跳涨时，一个高频交易公司可以利用其低延迟的服务器和优化的交易算法，在几毫秒内捕捉到这一信号，并立即在 Binance 的 BTC 永续合约市场上建立多头头寸。对于 Binance 上的做市商而言，这笔订单流同样是“知情”的，因为它预示着价格的跟进上涨。这类交易者扮演了市场间的“信息搬运者”，他们赚取的是不同市场间价格发现速度差异的利润，而做市商则为这种速度差异付出了逆向选择成本。

第三类，是加密世界独有的链上信息解析型交易者。区块链的透明性，使得大量有价值的信息被公开记录在案，但这些信息的解读需要专业知识和强大的数据分析能力。这类知情者通过监控链上活动，来预测未来的价格走势。例如，他们可以追踪“鲸鱼”地址的大额转账，当一个长期休眠的巨鲸地址突然向交易所转入大量代币时，这可能预示着即将到来的抛售压力。他们也可以分析 DeFi 协议的清算队列，当抵押不足的头寸数量激增时，这预示着一波清算浪潮可能即将到来，从而导致价格的急剧下跌。此外，对协议总锁仓价值 TVL 的变化、治理代币的投票动向、乃至 MEV 机器人的活动模式进行分析，都能为价格预测提供线索。这些链上信号，一旦被有效解析，就构成了强大的信息优势，使得这类交易者可以在 CEX 的永续合约市场上利用信息优势对链上数据分析能力较弱的做市商实施逆向选择。

第四类，是具有市场操纵意图的鲸鱼或大户。与前三类被动利用信息的交易者不同，这类参与者主动创造信息。他们利用自身雄厚的资金实力，在流动性相对薄弱的交易时段（例如周末的凌晨）或是在山寨币等小市值资产上，通过连续的大额市价单，人为地制造出剧烈的价格波动。这种行为的目的，可能是在拉高价格后向散户倾销手中的现货，也可能是为了触发其他交易者的止损或清算盘，从而在混乱中获利。虽然这种行为在很多司法管辖区内属于市场操纵，但在监管尚不完善的加密市场中仍然屡见不鲜。对于做市商而言，这类订单流极难与真正的基本面驱动的知情交易区分，但其风险同样巨大。做市商的报价深度在此类大额冲击下容易被击穿，导致显著的库存风险积累。

上述四类知情交易来源在市场占比、信息优势类型和对速度的依赖程度上存在显著差异。宏观事件驱动型知情者在数量上最少但单次冲击力最大，其信息优势源于非公开的基本面信息，对速度的要求相对较低，信息窗口可能持续数小时。跨市场信息搬运型交易者则数量较多且高度依赖速度，其利润完全取决于毫秒级的延迟优势，但每次交易的信息含量较低。链上信息解析型交易者的数量正随着链上分析工具的普及而快速增长，其信息优势源于对公开数据的专业化解读，介于前两者之间。市场操纵型大户数量最少但行为最难预测，因为他们不仅利用信息，还主动创造信息。这四类来源共同构成了做市商所面临的多源头威胁网络。

理解这些多样化的知情交易来源，直接影响做市商防御策略的设计。逆向选择并非一个单一的问题，而是一个由多种不同性质的风险构成的复合体。做市商的反制策略，也必须是多层次、差异化的。应对宏观事件驱动者，可能需要更宏观的风险敞口管理；对抗跨市场信息搬运者，则是一场关于技术和速度的持续竞争；而防御链上信息解析者，则要求做市商自身也具备强大的链上数据分析能力。在这场持续的博弈中，做市商的生存策略在于不断优化其风险监控系统，以求比对手更快、更准确地识别市场的真实状态。

19.2.3 逆向选择的放大机制

如果说多样化的知情交易来源为做市商布下了一张复杂的威胁网络，那么永续合约的几项核心制度特征，则作为强效放大器，将这张网络中每一种风险的影响程度都显著提升。杠杆、24/7不间断交易以及结构性的信息不对称，共同将永续合约市场的逆向选择问题推向了比任何传统金融市场都更为尖锐的境地。

杠杆是首当其冲的、也是最直观的放大器。它从根本上改变了知情交易的成本收益结构。一个拥有100万美元信息优势的知情者，在无杠杆的现货市场中，其潜在利润和对市场造成的冲击都以其本金为上限。然而，在提供10倍杠杆的永续合约市场，他可以用同样的100万美元保证金，撬动一个1000万美元名义价值的头寸。这意味着，他利用信息优势攻击做市商报价的能力被放大了10倍。做市商的买卖报价，原本是为了抵御百万美元级别的冲击而设，现在却要面对千万美元级别的冲击。这种不成比例的风险暴露，迫使做市商必须将杠杆水平作为其定价模型中的一个关键参数。其结果是，在其他条件相同的情况下，永续合约的买卖价差（以基点衡量）几乎总是系统性地宽于同一资产的现货市场。这额外的价差，正是市场为杠杆这把“双重效应”所支付的风险溢价。

这种放大效应并非线性的，而是呈现出超线性（凸性）增长的特征。随着市场平均有效杠杆从低倍（1-5倍）升至中倍（5-10倍）再至高倍（10-20倍及以上），做市商为补偿知情交易冲击力放大所需的隐含成本加成的增速超过杠杆倍数本身的线性增长比例。这种凸性源于一个关键的双重机制：更高的杠杆不仅放大了单个知情交易者的名义冲击力（一个10倍杠杆的知情者对订单簿的冲击是其本金的10倍），还同时降低了知情交易者参与市场的资本门槛，从而吸引更多潜在的知情交易者进入市场。做市商面临的不仅是每笔知情订单冲击力的增大，还有知情交易概率μ本身的上升。杠杆的放大效应因此呈现出“量价双升”的特征：单个知情者的冲击力更大，知情者的总数量也更多。这从结构上解释了为什么高杠杆的永续合约市场具有更高的交易成本。

其次，24/7不间断交易的特性，在为用户提供便利的同时，也为做市商创造了结构性的脆弱性窗口，即所谓的“低谷时段”。全球金融市场的活动强度，遵循着一个由亚洲、欧洲和北美交易时段依次主导的日内模式。在不同时区交易活动交接的间隙，例如亚洲时区的深夜和北美时区的清晨，市场的整体交易量会显著下降，参与报价的做市商数量也会减少。这导致订单簿的深度和流动性大幅降低，形成“流动性低谷”。这些低谷时段，成为了知情交易者和市场操纵者的理想操作窗口。同样一笔大额订单，在交易高峰期可能仅仅是影响有限，但在流动性低谷时段却足以消耗一侧的订单簿深度，造成剧烈的价格冲击。做市商在这些时段面临的逆向选择风险被急剧放大。作为应对，理性的做市商会在低谷时段系统性地扩大买卖价差、减少报价深度，甚至完全撤出市场以规避风险。这种行为模式，最终体现为买卖价差呈现出明显的时区日内变化规律，在流动性低谷时段达到峰值。

下图模拟了 BTC 永续合约买卖价差在24小时周期内的典型变化：亚洲凌晨这一全球流动性最稀薄的时段价差最宽，欧洲与北美交易时段重叠、报价竞争最充分时价差最窄，整条曲线呈单峰单谷形态。这与前文“低谷时段流动性下降、价差随之走阔”的机制叙述相互印证，为“24/7交易增加了逆向选择风险”提供了直观示意。

图 19-2. BTC 永续合约买卖价差的日内变化模式（数据来源：Kaiko Research, Binance BTCUSDT 永续合约订单簿统计，2024年12月——2025年3月；本图为示意性日内模式，所绘曲线为代表性形态而非实测逐时抽取）

最后，永续合约市场本身在加密生态系统中的地位，也造成了一种结构性的信息不对称。正如本书第13章（价格发现）所论述的，由于其高流动性、低交易成本和高杠杆的特性，主流加密资产的永续合约市场，往往是整个加密世界价格发现的中心。这意味着，关于这些资产的最新信息，通常最先在永续合约市场上得到反映。因此，那些最先在永续合约市场上进行交易的参与者，相对于其他市场的交易者（包括现货做市商），拥有系统性的信息优势。永续合约做市商，虽然身处价格发现的核心地带，但他们作为被动的流动性供给者，其角色决定了他们总是“第二时间”知道信息的人，而第一个知道信息的是那个发起交易的知情者。这种内生于市场微观结构层面的信息劣势，是永续合约做市商面临的结构性约束，也构成了其逆向选择成本中一个稳定且持续的组成部分。

将上述三重放大机制综合来看，我们可以将做市商的逆向选择总成本分解为三个层次：基础逆向选择成本（即使在无杠杆、有固定交易时段的市场中也会存在的信息不对称成本）、杠杆放大层（由永续合约的高杠杆特性所引致的额外成本）和结构性信息不对称层（由24/7交易、资金费率结算周期以及永续合约作为价格发现中心的地位所共同产生的成本）。在市场平稳运行时，这三个层次的相对权重大致均衡，总逆向选择成本维持在一个做市商可以通过正常价差覆盖的水平。然而，当市场进入高波动状态，尤其是发生清算级联的极端行情时，杠杆放大层和结构性信息不对称层的成本会非线性地急剧膨胀。杠杆放大效应因为清算引发的强制平仓而进一步加剧（清算本身创造了新的单向订单流），而信息不对称也因市场参与者在恐慌中对信息的解读能力分化而扩大。这三个层次的共振，将总逆向选择成本推向了远超正常水平的极端值。

综上所述，杠杆、24/7交易和结构性信息不对称，共同构成了永续合约市场中逆向选择风险的三重放大机制。它们不仅增加了逆向选择的绝对成本，更使其呈现出复杂的动态变化，对做市商的风险管理和定价能力提出了高于传统市场的系统性挑战。

19.2.4 毒性量化与风险监控

面对一个被多重放大器增强的、来源复杂的逆向选择威胁，做市商如果仅仅依赖直觉和手动调整，将无法有效应对这些高频、多源的风险。为了生存，现代做市商，尤其是从事高频做市的机构，必须建立一套复杂的量化风险监控系统，用于实时侦测和评估订单流的“毒性”，并据此自动调整其报价策略。订单流的毒性，本质上就是逆向选择风险的另一种表述，它衡量的是，与当前订单流进行交易，在未来一段时间内导致亏损的可能性有多大。本节将介绍几种核心的毒性量化指标，特别是 VPIN，并探讨它们如何被整合进做市商的决策框架中。

在众多毒性度量指标中，由 Easley、López de Prado 和O'Hara（2012）正式发展的 VPIN（成交量同步的知情交易概率）是被研究和应用最广泛的一个 ^[12]。VPIN 的核心思想，是对传统 PIN（知情交易概率）模型的改造，使其更适用于高频交易的世界。传统的 PIN 模型通过分析买单和卖单到达的速率，来推断知情交易发生的概率。但这种基于“时钟时间”的抽样方法，在高频世界中遇到了问题：交易活动在时间上是极不均匀的，可能在几秒钟内爆发大量交易，也可能在几分钟内平稳运行。基于固定时间间隔的分析，很容易在交易稀疏时段做出错误判断，或是在交易密集时段被信息淹没。

VPIN 的核心方法论创新在于，它用“成交量时间”取代了“时钟时间”。它不再按照固定的时间间隔（如每分钟）来分割数据，而是按照固定的成交量来分割数据，形成所谓的“成交量桶”。在每个成交量桶内部，VPIN 计算买单成交量和卖单成交量之间的差额的绝对值，即“订单流不平衡”。其背后的逻辑是，知情交易者为了迅速建立头寸，通常会持续地、单向地吃掉订单簿上的流动性，从而造成显著的订单流不平衡。相反，噪声交易者的买卖行为则更可能在短期内相互抵消，导致较小的订单流不平衡。通过持续计算一系列成交量桶中的平均订单流不平衡，VPIN 最终给出一个介于0和1之间的数值。一个高的 VPIN 值，意味着近期市场上的订单流不平衡程度很高，知情交易发生的概率很大，订单流的“毒性”很强。反之，一个低的 VPIN 值则表示市场主要由噪声交易主导，环境相对“安全”。

VPIN 的强大之处在于，它被证明是市场短期波动性，尤其是由流动性枯竭引发的“闪电崩盘”的有效先行指标。当 VPIN 值持续攀升并超过某个阈值时，通常预示着市场即将发生剧烈的价格变动。对于做市商而言，VPIN 在功能上充当毒性预警指标。当 VPIN 读数较低时，做市商可以提供较窄的价差和较深的流动性，赚取稳定的价差收入。但当 VPIN 开始飙升时，系统就会发出警报，做市商的算法会立即做出反应：迅速扩大买卖价差，以补偿增加的逆向选择风险；同时削减报价深度，减少风险暴露；甚至在极端情况下，完全撤出报价，等待市场压力缓解。VPIN 指标值与订单流毒性程度之间存在正相关关系，且在 VPIN 进入高位区间时，做市商通常会采取更激进的防御性报价调整。

然而，VPIN 作为一种度量工具也存在显著的局限性。学术界对其预测能力存在争议，认为在控制波动率之后，VPIN 的独立预测价值可能大幅下降。在加密市场的特殊环境中，刷量交易产生的虚假成交量可能进一步削弱 VPIN 买卖分类算法的准确性，因为虚假交易可能人为制造出对称的订单流，掩盖了真实的订单流不平衡信号。这也解释了为什么实践中做市商不会仅依赖 VPIN 这一单一指标。在永续合约这个独特的市场中，做市商的风险监控系统通常会整合更多维度的、针对性的毒性信号。其中一类重要的信号源于永续合约自身的机制。例如，资金费率的快速、大幅度变动，往往暗示着市场多空力量的急剧失衡，这背后很可能隐藏着方向性极强的知情交易。同样，交易所公布的清算队列规模的膨胀，也是一个明确的毒性预警信号，它预示着一场由强制平仓驱动的、具有高度冲击力的“毒性流”即将来临。聪明的做市商会密切监控这些指标，在清算浪潮到达前就提前缩减风险敞口。

另一类信号则来自对订单簿微观结构的更深入分析。例如，大额市价单的频率和规模是一个关键指标。知情交易者为了确保交易的即时性，往往倾向于使用市价单。因此，当单位时间内市价单成交量占总成交量的比例急剧上升时，通常意味着订单流的毒性在增加。此外，还可以通过分析订单簿的“吃单”行为模式，例如，一笔大单是“扫过”了多个价位，还是仅仅吃掉了最优价位的流动性，也能为判断其背后的意图提供线索。

在实践中，一个尖端的做市商风险监控系统，是一个融合了数十甚至上百个指标的复杂决策矩阵。它不仅包括 VPIN、资金费率、清算数据、市价单占比等核心毒性指标，还可能整合跨交易所的价差数据、链上鲸鱼地址的异动、社交媒体的情绪指数、乃至相关资产（如美股指数期货）的波动率指标。所有这些数据流被实时地输入一个机器学习模型中，模型动态地评估当前市场的综合“毒性评分”，并依据预设的风险参数，毫秒级地调整着报价的宽度、深度和倾斜度。这不再是简单的“报价-成交”循环，而是一个持续的信息处理、数据分析和风险控制过程。监控系统的灵敏度、全面性和响应速度，直接决定了做市商在与知情交易者的不对称博弈中的生存概率。

需要指出的是，本节的分析框架始终以经典的“知情交易”为核心对象，即由信息不对称驱动的、导致永久性价格冲击的订单流。然而，永续合约做市商在实际运营中面临的有害订单流远不止这一种。套利者利用跨平台价差的提取行为、清算级联中涌入的强制平仓指令、以及链上环境中的 MEV 攻击，虽然在表象上同样对做市商造成损失，但其信息含量、价格冲击的持续性和最优应对策略与知情交易存在本质区别。将这些性质迥异的风险来源笼统归入“逆向选择”范畴，将导致策略设计的系统性偏差。本章§19.4将对此进行系统扩展，提出“毒性流光谱”分类框架，在逆向选择之外识别并分析另外三种主导成因不同的毒性来源。

19.3 库存风险

逆向选择构成做市商在信息维度上的核心风险，而库存风险则是头寸维度上的持续性风险敞口。做市商作为市场的被动参与者，其本质决定了他们无法选择自己的交易对手和交易方向。当买单多于卖单时，他们被迫积累空头头寸；当卖单多于买单时，他们被迫积累多头头寸。这种在交易过程中被动形成的净持仓，便是做市商的“库存”。每一个单位的库存，都是一个暴露于市场价格波动风险下的敞口。即使做市商对市场的长期方向没有任何观点，这种纯粹由业务活动产生的持仓本身，也构成了其核心风险来源之一。管理库存，使其在风险可控的范围内，并最终通过后续的反向交易流将其“清空”，是做市商日常运营的中心任务。

在任何市场中，库存管理都是一项挑战。然而，永续合约的独特制度设计，将这项挑战的难度提升到了一个全新的量级。传统金融市场中的做市商，虽然同样面临库存风险，但他们通常拥有可以依赖的“安全锚”。例如，股票做市商可以在收盘后通过各种跨市场工具进行对冲，而期货做市商则拥有一个最终的确定性，即到期交割日，届时所有头寸都将被强制平仓，基差收敛为零，库存风险自然解除。永续合约的做市商则处于一个没有确定终点的风险环境中：无到期日带来的无限期风险暴露、资金费率这一随机波动的持有成本，以及厚尾波动率下高度非线性的库存尾部风险，三者共同将库存管理推向全新的难度量级。本节将深入剖析这三大挑战，揭示在永续合约的语境下，库存为何以及如何从一项常规的业务风险，演变为成为做市商的重大风险来源。

19.3.1 经典库存模型在永续合约中的适配

学术界对做市商库存风险的研究由来已久，其中最具代表性的是 Ho 和 Stoll（1981）提出的模型 ^[6]。该模型的核心思想是，做市商为了管理其库存水平，会动态地调整其报价。具体而言，做市商的最优报价并非简单地对称分布在市场中间价的两侧，而是会根据其当前的库存水平进行“倾斜”。当做市商积累了过多的多头库存时，他们会整体下调自己的报价区间：降低卖出价以吸引买方，同时更大幅度地降低买入价以抑制卖方，从而激励反向交易流的到来，帮助其削减库存。反之，当空头库存过多时，则会整体上调报价区间。这种报价的倾斜程度，取决于做市商的库存水平、风险厌恶程度以及对未来价格波动率的判断。

Ho-Stoll 模型为理解库存管理提供了系统性的理论框架，它将做市商的行为描述为一个在“赚取价差”和“控制库存风险”之间寻求平衡的优化过程。在此基础上，Avellaneda 和 Stoikov（2008）将库存厌恶下的最优买卖报价问题形式化，提出了围绕“保留价格”（reservation price）对称设置报价、并以正比于风险厌恶系数、价格方差与库存水平（即 $\delta \propto \gamma\sigma^2 Q$）的幅度进行倾斜的标准框架 ^[13]，这一框架成为后续高频做市报价优化的基准。然而，当我们将这一经典框架直接应用于永续合约市场时，会发现其基础假设与市场的现实存在显著的脱节。这种脱节主要体现在三个方面，迫使我们对模型进行关键的适配与扩展。

首先，传统模型对持有成本的定义过于简单。在经典框架中，库存的持有成本主要由两部分构成：资本的机会成本（即资金利息）和价格波动带来的风险敞口。前者相对稳定且可预测，后者则通常被假设为服从正态分布的随机游走。但在永续合约中，一个全新的、对盈亏影响显著的成本项被引入，那就是资金费率。做市商持有的净库存，必须在每个资金费率结算周期支付或收取费用。与相对稳定的利息不同，资金费率是一个高度不确定的随机变量，其方向和幅度都可能在短时间内剧烈变化。这意味着，永续合约做市商的库存持有成本中，包含了一个额外的、动态的随机过程，这极大地增加了成本估算和风险管理的复杂性。

其次，传统模型隐含了一个“库存可处置”的假设。无论是股票市场的日终清算，还是期货市场的到期交割，都为做市商提供了一个在特定时间点上管理或清空其库存的机制。永续合约“无到期日”的特性彻底打破了这一假设。做市商的库存管理不再有任何“自然终点”，必须完全依赖主动的、持续的对冲行为，例如在本交易所内通过报价倾斜吸引反向流，或是在其他交易所、现货市场建立反向头寸。这些主动对冲行为本身都伴随着额外的成本与风险，如交易手续费、跨市场价差风险以及执行延迟风险。

最后，传统模型对价格波动风险的假设过于温和。模型通常假设价格波动服从正态分布或类似的“良性”分布。然而，正如在本书其他章节中反复强调的，加密市场，特别是高杠杆的永续合约市场，其价格分布呈现出显著的“厚尾”特征。由清算级联等机制引发的价格“跳跃”风险，远非正态分布所能描述。这意味着，做市商库存面临的尾部风险（即发生极端亏损的可能性）被系统性地低估了。库存成本与波动率之间的关系也并非线性，而是在高波动区域呈现出快速增长的凸性关系。

将传统期货做市商与永续合约做市商的库存成本结构进行对比，可以更清晰地理解这些适配需求的紧迫性。对于传统交割期货做市商，其库存持有成本的构成相对简单：价格波动风险占据主导地位（通常占成本总量的较大份额），其次是资金的机会成本，剩余部分为交易手续费和运营成本。由于到期日的存在，这些成本的时间边界是确定的，总量可以被较为准确地估算。而对于永续合约做市商，成本结构发生了根本性的重构：价格波动风险虽然仍然重要，但其在总成本中的相对占比因制度成本的引入而下降；资金费率暴露成为一个与价格波动风险体量相当的独立成本项，在极端市场条件下甚至可能超过后者；清算风险溢价和标记价偏差风险又各自贡献了不可忽略的增量成本。更关键的是，这些制度成本项之间并非相互独立：高波动率会同时推高资金费率的极端值和清算触发的概率，形成成本项之间的正相关，使得总成本在极端环境下呈现出超线性增长的特征。

因此，一个适配永续合约环境的库存管理模型，必须将这三个新变量（资金费率的随机性、无到期日带来的无限期风险暴露、以及厚尾分布下的非线性风险）纳入其核心方程。如果说§19.1.3从成本分类的角度界定了制度成本“是什么”，那么本节的任务则是从建模的角度回答制度成本“如何影响库存管理决策”。在经典 Ho-Stoll 与 Avellaneda-Stoikov 框架中，做市商的最优报价倾斜量 $\delta^$δ∗ 主要由库存水平 $Q$ 和价格波动率 $\sigma$ 决定：$\delta^$ = f(Q, \sigma, \gamma)，其中 $\gamma$ 为风险厌恶系数。而在永续合约环境下，这一决策函数必须扩展为：$\delta^* = f(Q, \sigma, \gamma, FR_t, T_{\text{eff}}, \kappa)$，其中 $FR_t$ 为当前资金费率（影响库存持有的方向性偏好）、$T_{\text{eff}}$ 为等效时间地平线（替代已消失的到期日约束，这本身不是一个外生给定的参数，而是一个需要做市商内生优化的决策变量；实践中，许多做市商以8小时资金费率结算周期作为自然的时间锚点，或采用多时间尺度的嵌套风控框架来同时管理短期和中期的库存风险）、$\kappa$ 为尾部风险调整系数（捕捉清算级联等厚尾事件对库存成本的非线性放大效应）。这一扩展后的决策函数，将在后续各节中逐项展开分析。

19.3.2 无到期日的库存困境

对于在传统交割期货市场中操作的做市商而言，到期日构成了一个关键的风险管理锚点。无论在合约周期内的交易多么波折，库存水平如何失控，到期日的临近都意味着确定性的回归。随着交割日的到来，期货价格与现货价格之间的基差将不可避免地收敛于零。做市商持有的所有多头或空头寸，都将按照最终的结算价进行交割或现金结算，库存被“自然”地清零。这个过程为做市商的风险管理提供了一个确定的时间边界。他们可以在一个确定的时间范围内规划其库存敞口，即使某些时候库存出现较大偏离，他们也知道风险暴露的期限是有限的。到期日为做市商的风险暴露设定了一个确定的上限。

永续合约的做市商则不具备这一制度性保障。永续合约的设计核心之一便是“永续”，即没有到期日。这一特性在为交易者提供便利的同时，却给做市商带来了巨大的困扰：他们的库存风险暴露在理论上是无限期的。如果市场出现持续的单边行情，例如在一个长达数周的上涨趋势中，做市商的卖单会不断被买方吃掉，导致其被动积累的空头库存持续膨胀。由于没有到期日这个“终点站”，这个空头头寸不会自动了结，它将日复一日地暴露在持续上涨的价格风险之下，亏损可能无限扩大。做市商唯一的出路，就是进行主动的、持续的对冲操作。

这种主动对冲的成本是高昂且多样的。最直接的方式是在本交易所内通过“倾斜报价”来吸引反向交易流（其依库存方向调整报价的机制见§19.3.1）。但这种做法的代价是，他们可能因此错失在更有利价格上成交的机会，并且在市场继续上涨时，高价对冲行为本身就会造成亏损。另一种方式是进行跨市场对冲，即在其他交易所的永续合约市场或现货市场上建立一个相反的头寸。例如，如果在A交易所积累了100个 BTC 的空头库存，做市商可以在B交易所或现货市场上买入100个 BTC。这种方式虽然可以中和名义上的风险敞口，但引入了新的风险和成本：首先是双倍的交易手续费；其次是跨交易所或跨市场的基差风险，即两个市场之间的价差可能发生不利于自己的变动；最后是执行延迟风险，在快速变化的市场中，对冲操作的延迟可能导致巨大的滑点损失。

交割期货与永续合约在库存演变路径上存在根本差异。以一个初始持有100个 BTC 空头库存的做市商为例：在交割期货市场中，即使这100个 BTC 的空头头寸在合约周期中一度扩大至200个甚至300个，随着到期日的临近，基差收敛效应会使市场自发产生收敛性交易流，做市商的库存水平必然向零回归。到期日就像一个“引力中心”，无论中途偏离多大，最终都会将库存拉回零点。这是一个内嵌于制度设计中的确定性过程。而在永续合约市场中，同样的100个 BTC 空头库存不存在这样的“引力中心”。如果市场持续上涨一个月，这100个空头不仅不会自动缩小，反而可能因为做市商在上涨过程中持续被动卖出而进一步膨胀至200个、300个。库存水平的演变完全取决于市场的单边程度和做市商的主动对冲效率。在缺乏到期日约束的情况下，做市商的风险敞口不具备自然收敛机制，只能依靠成本更高的主动对冲来管控风险。这种路径差异的实践含义是深刻的：交割期货做市商可以将库存偏离视为“暂时的”，而永续合约做市商必须将每一个库存偏离视为“可能永久的”。

更深层次上，“无到期日”还带来了一个认知上的困境，即库存管理的“时间地平线”问题。传统做市商通常有明确的风险评估周期，如日终或周终，他们需要确保在这些时间节点上，库存水平和风险敞口在一个可接受的范围内。永续合约的24/7不间断交易特性，使得这种周期性的评估变得模糊。风险是连续的，没有休息窗口。做市商面临一个棘手的问题：“在什么时间尺度上，我的库存水平是'健康'的？”是一小时、八小时还是一天？过短的时间尺度可能导致过于频繁和昂贵的对冲（“反应过度”），而过长的时间尺度则可能让风险敞口暴露过久（“反应不足”）。这种时间地平线的模糊性，使得制定最优的库存管理策略变得异常困难，也对做市商的风险控制系统提出了极高的要求。

19.3.3 资金费率与库存持有成本

如果说无到期日特性定义了库存风险的“时间”维度，那么资金费率则定义了其“成本”维度。资金费率通过在多空双方之间定期转移费用来锚定现货价格。然而，对于被动持有库存的做市商而言，这个机制却演变成了一个影响其盈利能力的、高度不确定的关键变量。其因果链条是清晰的：做市商因被动成交而积累净库存→在每个资金费率结算时点被强制参与多空之间的费率转移→该笔库存因而产生一笔由费率方向决定的支出或收入。他们持有的净库存，无论是多是空，都必须在每个结算周期参与资金费率的支付或收取。这使得资金费率成为做市商库存持有成本中一个全新的、动态的、且难以预测的组成部分。

这一机制可以用一个最简形式化来精确刻画：设 $Q_t$ 为做市商在结算时点的带符号净库存（多头为正、空头为负），$FR_t$ 为该时点的资金费率（正值表示多头向空头付费），则做市商在单个结算周期的费率损益为

$$\text{单周期费率损益} = -FR_t \cdot Q_t$$

当 $FR$ 与 $Q$ 同号（如正费率下持有多头库存）时，该项为负，即做市商付费；当 $FR$ 与 $Q$ 异号（如正费率下持有空头库存）时，该项为正，即做市商收费。下表正是这一表达式在四个象限上的自然展开：

表 19-1. 资金费率方向与做市商库存持有成本的对应关系（数据来源：作者基于单周期费率损益 $-FR_t\cdot Q_t$ 推导）

资金费率对做市商库存的影响是双面的，它既可能成为一种“隐性税”，也可能成为一种“隐性补贴”。当资金费率为正时，意味着市场情绪偏向多头，多头方需要向空头方支付费用。此时，如果做市商因被动成交而持有了净多头库存，他们就必须支付这笔资金费用，这直接增加了其库存的持有成本。反之，如果他们持有的是净空头库存，他们则能收取这笔费用，这部分收入可以部分或全部抵消其持仓的风险成本，成为一种补贴。当资金费率为负时，情况则完全相反。表 19-1已总结了这种对应关系。

资金费率的波动性在不同资产之间存在显著差异，这进一步加剧了做市商的库存管理难度。下图对比 BTC、ETH、SOL 和 DOGE 四种资产的8小时资金费率分布，其标准差与正费率占比的跨资产差异十分显著（BTC 最集中、SOL 波动近三倍，详见图中统计框），直接影响做市商在不同交易对上的定价策略与库存管理。

图 19-4. 不同资产8小时资金费率分布对比（数据来源：Binance 永续合约资金费率历史数据，2024年12月——2025年3月；图中统计框的均值、中位数、标准差与正费率占比为权威值，直方图分布形态系按已发布均值与标准差重构的示意，非逐笔实测）

图序说明：本章图编号自图19-1始，依次为图19-1、19-2、19-4……19-13。图19-3在编排过程中系预留并最终合并省略，故本章不出现图19-3；为保持图号稳定，其余图号不作顺延重排，原有编号一律保持不变。两范式与三市场的横向比较改以新增表格（表 19-3、表 19-4）承载，详见§19.5.5与§19.6.3。

资金费率本身是一个随机过程，受市场情绪、杠杆水平、套利活动等多种因素综合影响，呈现出显著的波动性和不可预测性。如下图所示，其典型时间序列在正负值之间频繁切换、间或出现极端的高正值或高负值。对于做市商而言，这意味着库存持有成本中嵌入了一个无法事先确定的随机项，与传统金融中稳定、可预测的融资成本（如隔夜利率）形成鲜明对比。

图 19-5. BTC 永续合约8小时资金费率时间序列（数据来源：CoinGlass Funding Rate History，2024年1月——2024年12月；本图为代表性、示意性的时间序列，用以呈现全年正负切换与极端值的定性模式而非实测逐期抽取，纵轴量级已按约±0.01%至±0.375%的现实8小时资金费率区间缩放）

值得补充的是，资金费率的整体水平不仅受市场内部情绪驱动，还受全球宏观利率环境的结构性影响。在低利率环境中（如2020-2021年），传统金融市场的低融资成本与加密市场的高杠杆需求之间形成了巨大利差，推动永续合约正向资金费率持续走高；而在全球加息周期中（如2022-2023年），传统融资成本的上升部分传导至加密市场，压缩了 carry 空间 ^[9]。这意味着做市商的库存持有成本中，不仅包含了市场微观层面的资金费率随机性，还叠加了宏观利率周期的慢变量影响。

这种随机性给做市商的策略带来了新的复杂性。一方面，做市商有动机去主动管理其库存方向，使其与预期的资金费率方向保持一致。例如，如果市场普遍预期未来一段时间资金费率将维持正值（例如在牛市氛围中），做市商会更倾向于持有一个净空头的库存，因为这样可以稳定地“收租”。他们可能会调整其报价倾斜的策略，使其更容易积累空头头寸。然而，这引入了一个全新的风险维度：对资金费率的“方向性押注”。如果市场情绪突然逆转，资金费率由正转负，那么原本作为补贴来源的空头库存，将立刻变成需要支付高昂费用的负担，造成“价格波动”和“资金费率”的双重损失。

更进一步，做市商的行为与资金费率之间存在一种微妙的“反身性”。需要先厘清这一反身性与前文“做市商被动持有库存、无法选择方向”（见§19.1.2、§19.3开篇）之间的张力：做市商在被动成交所形成库存的基础上，仍可通过报价倾斜在边际上主动偏向某一库存方向，反身性正是作用于这一边际主动部分，而非否定其作为被动流动性供给者的基本属性。正如本书第10章对资金费率博弈的分析，市场的整体多空头寸不平衡是决定资金费率方向和大小的关键因素。而做市商作为市场上最重要的流动性提供者，其在边际上的库存方向选择（即他们倾向于积累多头还是空头库存）会在一定程度上影响市场的净头寸平衡。例如，如果多数做市商都因为预期正费率而在边际上倾向于持有空头库存，他们的集体行为本身就可能加剧市场的空头倾向，从而可能反过来压低资金费率。需要说明的是，这种反身性反馈循环属于援引第10章的理论推断，本章未对其进行独立实证检验。这种个体决策与市场宏观指标之间的反馈循环，使得资金费率的动态变得更加复杂，也让做市商对费率方向的任何误判，都可能导致持有成本从补贴转为惩罚，造成显著的额外损失。下图展示了 BTC 永续合约持仓量、价格与资金费率之间的动态关系：持仓量快速攀升往往伴随价格的单边走势，而资金费率呈现明显的集群效应——正、负资金费率各自形成连续的“簇”而非随机分布。这种集群性与资金费率反身性的理论推断在方向上一致，可视为其观察性佐证。

图 19-6. BTC 永续合约持仓量、价格与资金费率的动态关系（数据来源：Binance BTCUSDT 永续合约持仓量及资金费率数据，2025年2月——2025年3月；本图为代表性、示意性序列，持仓量、价格与资金费率量级沿用公开基线，非实测逐期抽取）

19.3.4 波动率与库存成本的非线性关系

在经典的库存管理模型中，库存的持有成本通常被假设为与市场波动率成正比。这个线性假设在低波动和“正常”的市场环境下，是一个合理且有效的近似。它意味着，如果市场的年化波动率翻倍，做市商为单位库存所要求的风险补偿也大致翻倍。然而，在杠杆、清算级联和信息传导效应共同作用的永续合约市场中，这一线性假设与实际数据存在显著偏离。永续合约做市商的库存成本与波动率之间，存在非线性关系，具体来说，是一种“凸性”关系。

凸性关系意味着，随着波动率的增加，库存成本的增长速度会越来越快。为便于直观理解这种凸性的量级，以下给出一组示意性数字（基于做市商经验特征构建的说明性场景，非实测样本统计）：当 BTC 永续合约的年化波动率处于30%以下的低波动区间时，做市商每持有价值100万美元的净库存，其日均风险成本大致在200-500美元的量级，与线性假设的预测基本一致。但当波动率攀升至50%-70%的中高区间时，同样规模库存的日均风险成本可能增长至1,500-3,000美元，增幅远超波动率本身的增长比例。而在波动率飙升至100%以上的极端环境中（如2024年8月的全球风险资产抛售事件期间），库存成本可能以超线性（凸性）方式增长，达到日均10,000美元以上，是低波动率环境下的20倍量级。需要强调的是，上述三档数字旨在传达“成本随波动率加速上升”的定性结论，而非可校准的精确估计。传统线性假设与永续合约的凸性现实在低波动率区域相差无几，但在高波动率区域则迅速分道扬镳。两者之间不断扩大的差距，正是由永续合约独特的风险放大机制（即清算级联、流动性收缩和制度成本叠加）所造成的。

造成这种凸性关系的核心原因在于，高波动环境在永续合约市场中并非一个孤立的变量，它往往与多种负向反馈机制同时激活。首先，高波动率是触发大规模“清算级联”的重要诱因。当价格剧烈波动时，大量高杠杆头寸的保证金被击穿，引发交易所的强制平仓。这些强制平仓的市价单进一步冲击市场，导致价格进一步朝同一方向运动，从而触发更多账户的清算。在这个正反馈循环中，做市商如果持有反向的库存，其亏损将不成比例地放大。他们面对的不再是平滑的价格随机游走，而是剧烈的、断崖式的价格“跳跃”。

其次，高波动环境总是伴随着流动性的急剧收缩，这一机制与 Brunnermeier 和 Pedersen（2009）^[14] 在传统金融市场中识别的“流动性螺旋”本质相同：波动率上升→保证金要求提高→被迫去杠杆→流动性下降→价格冲击放大→波动率进一步上升。在永续合约的高杠杆清算环境中，这一螺旋被进一步加速，因为强制平仓机制将“被迫去杠杆”从一个渐进过程变成了一个阈值触发的离散事件。正如本章前面所讨论的，当逆向选择风险和库存风险急剧上升时，做市商的理性选择就是扩大买卖价差、减少挂单深度，甚至完全撤出市场以求自保。这种集体性的“避险”行为，使得订单簿在高波动时期变得异常稀薄。对于仍然留在场内、并持有库存的做市商而言，这意味着他们想要主动平仓或对冲其风险头寸时，将面临巨大的滑点成本。原本可以通过小成本操作来管理的库存，在高波动环境下变得“有毒”且难以处置，其在险价值急剧升高。

最后，高波动环境也放大了其他制度成本。例如，标记价与最新成交价之间的偏差会变得更大，增加了无谓强平的风险；资金费率也可能在短时间内变得极端，给持有不利方向库存的做市商带来沉重的惩罚。所有这些因素叠加在一起，共同构成了在线性假设之外的“额外成本”。这部分额外成本在低波动率环境中几乎不可见，但在高波动率环境中急剧膨胀，成为做市商库存持有成本的主要组成部分。

下图以 BTC 永续合约历史数据，将14日滚动波动率划分为低、中、高三个区间：高波动率环境下（年化波动率超过40%），BTC 日内价格波动范围的均值约为低波动率环境的1.6倍，且波动离散度显著增大、极端值频繁出现。这种非线性的波动放大效应，与做市商库存成本呈凸性增长的论断在方向上一致。

图 19-7. BTC 波动率区间与日内价格波动范围（数据来源：Binance BTCUSDT 永续合约日K线数据，2024年3月——2025年3月）

进一步地，下图揭示了波动率与资金费率之间的关系：左图时间序列显示波动率飙升时期（如2024年8月和12月）与资金费率极端化之间存在时间共振，右图散点分析显示两者线性相关性较弱（r=0.076）。需要审慎对待的是，r=0.076这一近零的相关系数仅能否证波动率与资金费率之间存在简单的线性均值关系，它本身并不构成“高波动下资金费率方差放大”的异方差证据。因此，“波动率升高→资金费率方差增大→库存持有成本不确定性飙升”这一传导链条应被理解为一个待检验的假设，而非已由图19-8确证的结论；要严格检验该假设，需进一步对资金费率按波动率分桶后考察其标准差与极值统计，本章未进行此项正式估计。

图 19-8. BTC 波动率与资金费率的动态关系（数据来源：Binance BTCUSDT 永续合约日K线及资金费率数据，2024年3月——2025年3月）

这种非线性关系直接解释了做市商在高波动环境中的行为模式及其对市场流动性的影响。它解释了为什么在市场最需要流动性的极端时刻（例如价格暴跌或暴涨时），流动性反而会急剧收缩。这并非因为做市商缺乏意愿或存在主观恶意，而是因为在那种环境下，他们面临的库存成本已经增长到了一个完全无法通过正常价差来覆盖的水平。继续提供流动性将导致不可承受的亏损。撤出市场，是其利润方程给出的唯一理性答案。这也为我们下一章将要深入探讨的主题，即“流动性为何在最需要时消失”，提供了最直接的微观机制解释。库存风险的非线性，是理解永续合约市场内生脆弱性的关键一环。

19.4 毒性流光谱

在经典的做市理论中，“毒性流”（亦即对做市商造成系统性亏损的毒性订单流的简称，本章后续统一使用“毒性流”这一术语）是一个几乎与“知情交易”可以互换的概念。它描绘了一幅清晰但略显单调的图景：市场上存在一部分掌握着非公开信息的“知情者”，他们与信息相对滞后的做市商进行交易，从而导致做市商产生系统性的亏损，即逆向选择成本。做市商的生存之道，便是在知情交易构成的高风险环境中，通过调整报价价差来补偿潜在损失。然而，将上述分析框架应用于高杠杆、全天候、横跨中心化与去中心化平台的永续合约市场时，毒性流的来源和影响机制呈现出更高的复杂度。将所有对做市商不利的订单流笼统地归为“知情交易”，不仅是对现实的过度简化，更可能导致严重的策略错误。

本节将提出并系统阐述本书的一个整合性分类框架：毒性流光谱。需要首先明确这一框架的性质与边界：它并非声称“发现”了若干全新的风险类型，而是把永续合约做市商已经面对的有害订单流，安置到一个由“信息含量”与“价格冲击永久性”构成的统一坐标系中，以便系统地比较其机制差异并据此设计差异化的应对策略。在这个坐标系下，我们按“主导成因”识别出四类典型的毒性流：由基本面驱动的“知情交易毒性”、由跨平台价差驱动的“套利提取毒性”、由杠杆机制内生决定的“清算级联毒性”，以及在去中心化环境中独有的“MEV 攻击毒性”。必须强调，这四类是按主导成因划分的视角，而非相互穷尽且互斥（MECE）的独立分类：它们的边界在坐标系上是可以交叠的——“知情交易毒性”本质上就是§19.2逆向选择风险在本坐标系中的命名，而“套利提取毒性”在链上 CLOB 上的延迟套利形态，又与§19.2.2第二类“跨市场信息搬运型”知情交易在机制上相交。因此，下文对四类毒性的逐一剖析，应被理解为对同一坐标平面上四个主导区域的刻画，而非对四个互不相交集合的枚举。

这一坐标系建立在两个核心维度之上。第一个维度是“信息含量”：订单流背后是否蕴含关于资产基本面价值的新信息。知情交易具有高信息含量，套利提取和清算级联的信息含量较低（前者利用的是已公开的跨市场价差，后者是杠杆机制的内生产物），MEV 攻击则不含基本面信息。第二个维度是“价格冲击的永久性”：该订单流所引发的价格变动在事后是否持续存在。知情交易导致的价格冲击几乎完全是永久性的，套利提取的冲击具有中等永久性（将价格推向公允价值），清算级联的冲击则包含大量临时性超调成分，MEV 攻击的价格冲击通常在同一区块内即被消化。下表将四类毒性流的主导特征映射到这一二维框架中：

表 19-2. 毒性流光谱的二维分类框架（数据来源：作者构建）

需要说明的是，本表刻画的是常态市场下四类毒性的主导特征，而非互斥的离散归类。在极端市场中，四类毒性可叠加共振，个别类型（如套利提取）在价格恢复阶段方向甚至可能反转，相关动力学详见§19.4.5。这四类毒性流的主导区域虽各有侧重，却又常常在市场的极端时刻交织叠加，形成导致流动性急剧收缩的复合风险事件。将它们混为一谈，将导致应对策略的严重失调：以应对知情交易的撤退策略应对清算流将错失反弹机会，反之则可能在真实的价格冲击中承受重大损失。理解这个光谱，是理解永续合约市场流动性微观动态，乃至系统性风险的关键所在。以下各节将逐一剖析这四类毒性流的机制与特征。

19.4.1 知情交易毒性

知情交易毒性是毒性流光谱中最经典的一类，即§19.2所系统分析的逆向选择风险在本坐标系中的对应命名。如前所述，本节将其纳入光谱并非引入新风险，而是为四类毒性的系统比较提供一个共同基准。本节不再重复其理论机制（Glosten-Milgrom 模型（Glosten and Milgrom, 1985 ^[4]）的适用性、知情交易的四类来源、杠杆和24/7交易的放大效应以及 VPIN 等量化工具已在§19.2中详尽阐述），而是聚焦于将其核心特征置入毒性流光谱的比较框架中，以便与后续三类毒性形成系统对照。

知情交易毒性的核心定义特征有三。第一，其价格冲击具有永久性。知情交易者的买卖行为反映了尚未被市场定价的基本面信息，因此其推动的价格变动不会在交易完成后回归，做市商的亏损是确定性的、不可逆的。第二，其时间特征呈事件驱动的脉冲式分布，集中爆发在重大信息公布前后的短暂窗口期内。第三，其最优应对策略是“检测并回避”：扩大价差以提高知情交易者的成本、降低深度以限制最大损失、倾斜报价以主动管理库存方向。这三个特征（即永久性冲击、脉冲式时间分布、回避型应对）将在与后续三类毒性的对比中反复出现，它们之间的差异正是毒性流分类的核心价值所在。

19.4.2 套利提取毒性

如果说知情交易毒性是做市商与信息优势者之间的博弈，那么套利提取毒性则更多地体现为不同市场机制之间的结构性摩擦。这种毒性在 DEX（去中心化交易所）的自动化做市商或流动性金库模型中表现得尤为突出，它源于 DEX 定价机制相对于 CEX（中心化交易所）的固有滞后性。CEX 拥有高频的订单簿撮合引擎，其撮合内部处理可达微秒级，对外的价格更新则为毫秒级。而 DEX，特别是那些依赖预言机喂价的协议，其价格更新存在着固有的延迟，可能从几秒到几分钟不等。这种时间差创造了无风险的套利机会。

当市场价格发生剧烈波动时，CEX 的价格已经迅速反映了变化，而 DEX 上的预言机价格尚未更新。此时，套利者便会迅速介入。他们会在 CEX 上以最新的低价买入，然后在 DEX 上以尚未更新的、相对较高的“陈旧价格”卖给流动性提供者；或者在 CEX 上以最新的高价卖出，再从 DEX 的 LP 手中以较低的陈旧价格买入。对于 DEX 的 LP 而言，他们被迫在每一轮价格波动中都以后知后觉的错误价格与市场上反应最快的套利者进行交易。这种系统性的亏损，在学术文献中被称为 LVR（损失与再平衡）（Milionis et al., 2022）^[15]，它构成了 DEX LP 面临的一种结构性成本，构成一种持续的价值提取效应。

与知情交易毒性不同，套利提取毒性导致的价格冲击不一定是永久性的。套利者的行为本身是为了消除价差，他们的交易会将 DEX 的价格推向 CEX 的公允价格。但对于 LP 来说，伤害已经造成。他们的损失来自于以不利价格成交的那一刻，这种损失随着市场波动率的增加而放大，因为更高的波动率意味着更频繁、更剧烈的 CEX-DEX 价差。因此，套利提取毒性并非事件驱动的脉冲，而是一种持续存在的、与市场波动率正相关的结构性毒性。只要 CEX 与 DEX 之间的信息与机制延迟存在，这种价值提取就不会停止。

面对这种毒性，链上做市商的应对策略更多地体现在协议设计层面。例如，协议可以努力缩短预言机的更新延迟，采用更抗操纵的喂价机制；可以引入动态手续费，在市场波动加剧时自动提高交易费用，从而增加套利者的成本；或者通过设置交易速度限制、引入批量拍卖等机制来削弱套利者的时间优势。对于链上做市商而言，LVR 是参与 DEX 做市所必须支付的一种结构性成本，其回报（交易手续费收入）必须能够充分补偿这种可预见的损失。

需要明确的是，LVR 这一概念严格意义上适用于基于自动做市商（Automated Market Maker, AMM）或预言机定价的流动性提供者（如 GMX 的 GLP 模式），因为其核心机制是“陈旧价格”与“最新价格”之间的系统性偏差。对于在链上 CLOB（如 Hyperliquid、dYdX）上操作的专业做市商，他们面临的套利提取形式与 LVR 有所不同，更接近于 CEX 间的跨平台延迟套利，本质上与§19.2.2中讨论的第二类“跨市场信息搬运型”知情交易相同，只是链上环境的更高延迟放大了这一风险。这正是前文所述“四类毒性边界可交叠”的一个明证：同一种有害订单流，按其链上/链下载体的不同，可同时落在“套利提取毒性”与“知情交易毒性”两个主导区域的交界处。因此，表 19-2中的“套利提取毒性”应被理解为一个涵盖 AMM 环境中的 LVR 和订单簿环境中的延迟套利这两种具体表现形式的上位概念。

19.4.3 清算级联毒性

相较于其他三类毒性流，清算级联毒性在永续合约市场中具有更高的瞬时冲击强度和更强的正反馈特征。其机制根源在于高杠杆与强制平仓的正反馈循环。当市场价格剧烈运动触发反向高杠杆头寸强制平仓时，这些市价平仓单会对价格造成进一步冲击，从而引发新一轮强制平仓，形成危险的正反馈循环，在极短的时间内产生巨大的单向订单流，即清算级联。OECD（2023）对 Aave、Compound 和 Maker 三大 DeFi 借贷协议的实证分析 ^[16]，为清算与价格波动之间的正反馈循环提供了定量证据，虽然其研究对象为 DeFi 借贷协议而非 CEX 永续合约，但所揭示的清算正反馈机制在本质上具有共通性。

这种毒性与其他三类存在一个根本性的区别。清算订单的发起者（即那些被爆仓的交易者）并非“知情者”。他们交易的动机不是因为掌握了未来的信息，而是因保证金不足被强制平仓。然而，清算流在价格冲击效果上与知情交易流具有相似特征，且由于其价格不敏感的市价单性质，单位时间内的冲击强度往往更高。

但关键的区别在于，知情交易所驱动的价格冲击反映了基本面的永久性变化，而清算级联所驱动的价格冲击中，包含了大量的“临时性”或“超调”成分。清算流是价格不敏感的，它只是为了尽快平掉风险敞口，因此往往会把价格推向一个远超其公允价值的极端水平。当级联结束后，这种过度的价格偏离通常会得到部分甚至完全的修正，价格会出现显著的V型反转。

2024年8月5日的市场事件，可作为毒性流光谱实践价值的一个单案例例证（illustrative case）加以说明，而非作为对该框架的假设检验。需要事先声明：以下对该事件的定量描述综合自公开的交易所历史K线与第三方清算数据（如 CoinGlass Liquidation Data），标注样本时点供读者复核，但单一案例本身不足以证实或证伪“毒性叠加”等一般性主张。这一事件之所以具有教学价值，在于它清晰地展示了多类毒性流按因果顺序依次激活的过程。事件的初始冲击并非源于加密市场内部，而是一个典型的宏观信息驱动事件：日本央行意外加息触发全球日元套利交易的大规模平仓，引发了从日股到美股再到加密市场的风险资产连锁抛售。在事件的第一阶段，加密市场的价格下跌主要由宏观信息驱动的知情交易流所推动，即那些率先解读出全球风险资产重新定价信号的交易者在永续合约市场上建立了空头头寸，这属于本节坐标系中的知情交易毒性。进入第二阶段，价格的持续下跌开始触发大量高杠杆多头头寸的强制平仓，清算级联毒性接管了主导权：据公开历史行情，BTC 永续合约价格在数小时内从约62,000美元急跌至约49,000美元（跌幅约21%），据第三方清算数据，超过10亿美元的多头头寸被强制清算。在清算最密集的约30分钟窗口内，Binance BTCUSDT 永续合约的买方订单簿深度被大量消耗，价格一度触及约49,100美元的低点。对于做市商而言，识别从第一阶段（信息驱动、价格反映基本面的永久性重估）向第二阶段（清算驱动、含大量临时性超调）的转换时点，是信号分类的关键。当清算洪流消退后，价格在随后的约24小时内反弹至约56,000美元，按 $(56{,}000-49{,}000)/(62{,}000-49{,}000)$ 计算约回收了54%的跌幅。这一V型走势与清算级联毒性同知情交易毒性在价格冲击永久性上的核心差异相符。对于在第二阶段准确识别出“清算主导”信号并控制性接盘的做市商而言，这构成了一个条件性的正期望收益机会（其正期望性取决于对级联规模上界的实时估计精度，详见后文）。

图 19-9. 2024年主要清算事件的清算规模分布（数据来源：CoinGlass Liquidation Data，2024年1月——2024年12月）

这为做市商带来了一个关键的信号识别问题。在清算级联爆发的极端环境中，做市商必须在几秒或几分钟内做出判断：当前这股巨大的卖压，究竟是反映了某个重大利空的知情交易流，还是仅仅由杠杆系统内爆引发的临时性清算流？如果判断为前者，做市商应该立刻撤单并远离市场，否则将承受巨大的永久性损失。但如果判断为后者，这反而可能构成一个正期望值的交易机会：主动承接这些价格不敏感的清算单，做市商可以在随后的价格反弹中获利。这一决策的非对称收益结构要求做市商具备高精度的实时信号分类能力。

做市商的应对策略因此变得高度依赖于实时数据的解析能力。他们会密切监控各大交易所公布的清算数据、持仓量变化、资金费率等指标，试图识别出当前订单流的真实来源。如果数据确认卖压主要来自清算引擎，一个成熟的做市商可能会采取一种“控制性接盘”的策略：他们会适度提供流动性，吸收一部分清算单，但同时通过算法严格控制自己的风险敞口，避免在级联的持续扩大中耗尽所有可用资本。需要强调的是，这一策略的正期望值是条件性而非无条件的：它成立的前提是做市商能够对级联的剩余规模做出足够准确的实时估计，一旦该估计失效，接盘行为本身就会转化为重大亏损。换言之，“控制性接盘”既存在成功案例，也存在大量失败案例，将其描述为顶级做市商的能力标志时必须警惕幸存者偏差。该策略在实操中面临多重约束。首先，清算级联的总规模和持续时间事前不可知，过早或过大规模的接盘可能面临价格继续下探数十个百分点的风险。2024年8月5日事件中，从初始下跌到最终低点的时间跨度超过6小时，期间多次出现虚假反弹。其次，交易所的清算引擎享有优先执行权，做市商的买单在撮合队列中通常排在清算卖单之后，这意味着做市商可能无法按预期价格成交。第三，在多交易所同时实施接盘策略可能导致大量资金被冻结在正在经历极端行情的交易所中，丧失了在其他市场进行必要调仓的灵活性。因此，控制性接盘绝非简单的逆势买入，而是要求极高的技术执行力、精准的风险预算管理和对级联规模的实时评估能力，其能否产生正收益高度依赖于上述条件是否同时满足。

19.4.4 MEV 攻击毒性

MEV 攻击毒性是区块链环境，特别是 DEX，所催生的一类独特风险。它的根源在于公有链上交易的透明性。当一个用户或做市商提交一笔交易后，这笔交易并不会立即被执行，而是会进入一个公开的“内存池”，等待矿工或验证者将其打包进下一个区块。这段等待时间，为监控内存池的“MEV 搜索者”提供了攻击窗口，他们对高价值的交易进行精确套利。Daian 等（2020）在其对去中心化交易所前跑行为与矿工可提取价值的系统性研究中，首次给出了 MEV 及优先级 Gas 竞价（PGA）的本体定义与实证刻画 ^[17]，为理解链上交易顺序的可提取价值奠定了基础。

对于在链上订单簿 DEX 上提供流动性的做市商而言，他们面临的 MEV 攻击主要有两种形式：前跑和夹击。在前跑攻击中，MEV 搜索者监听到做市商提交了一笔有利可图的限价单（例如，一个低于当前市场价的买单），搜索者会立刻提交一笔自己的买单，并支付更高的 Gas 费，使其交易在做市商的交易之前被执行，从而截获了本应属于做市商的成交机会。而在破坏性更强的夹击攻击中，当搜索者观察到一笔可能对价格产生显著冲击的大额交易时，他们会立即采取行动：首先，支付高 Gas 费提交一笔自己的买单，抢在这笔大额交易前执行，推高价格（前跑）；然后，等待这笔大额交易以被推高的价格成交后，立刻提交一笔卖单，将自己之前买入的头寸卖出获利（后跑）。做市商在这个过程中被夹在中间，以不利的价格完成了两次交易，其价值被 MEV 搜索者系统性地提取。

这种毒性的时间特征与区块的产出高度同步，是一种高频的、结构性的毒性。在每一个区块中，都可能发生链上套利攻击。做市商的每一个报价、每一次调仓，都暴露在所有 MEV 搜索者的监控之下，其策略意图被公开解读和利用。这使得在 DEX 上进行主动的、高频的做市策略变得异常困难和危险。

应对 MEV 攻击毒性的策略也极具技术性。最直接的方法是绕过公开的内存池，通过私有通道将交易直接发送给区块构建者，避免交易在公开市场中被“看到”。此外，做市商可以与区块构建者建立合作关系，通过付费等方式换取交易的优先处理和免受攻击的保护。从协议设计的角度看，一些新型 DEX 架构，如采用批量拍卖或承诺-揭示方案的交易所，通过在特定时间窗口内聚合订单，然后以统一价格清算，消除了交易顺序的价值，从而在机制上同时削弱了 LVR 提取和夹击攻击。Canidio 和 Fritsch（2023）的研究 ^[18] 提供了理论和模拟证据，表明基于函数最大化的批量拍卖 AMM 可以使 LP 收益略高于 Uniswap v3的经验水平，同时大幅压缩套利者利润和三明治攻击空间。对于 DEX 做市商来说，选择一个具备抗 MEV 设计的交易平台，是其生存的第一道防线。

19.4.5 毒性叠加与协同动力学

需要首先声明：本节并不引入第五类毒性，而是分析前述四类毒性在同一坐标系中的横切叠加动力学。前四节按主导成因刻画了四类毒性的典型区域，本节则关注它们在市场极端时刻如何同时被激活、相互强化，从而形成单凭任一类毒性无法解释的复合风险。市场的崩溃或剧烈波动，从来不是由单一因素引发的线性过程，而是一个多重风险共振、正反馈循环被激活的复杂系统现象。

我们可以设想一个典型的市场危机场景。首先，一个意外的重大利空消息（例如，某个大型稳定币脱锚）出现，引发了知情交易者的大规模抛售，这是“知情交易毒性”的显现。价格的急剧下跌导致 CEX 与 DEX 之间的价差扩大至远超正常水平，吸引了大量套利机器人密集涌入 DEX 提取价值，这是“套利提取毒性”的进一步加剧。紧接着，价格的持续下跌触发了第一批高杠杆多头头寸的强制平仓，触发了“清算级联毒性”，巨大的市价卖单大量涌入市场，进一步压低价格。而在链上，由于恐慌情绪蔓延，交易量激增，Gas 费飙升，内存池成为 MEV 搜索者激烈竞争的场所，“MEV 攻击毒性”达到顶峰，任何试图在链上进行救援或调整仓位的操作都可能被夹击或前跑。

在这一刻，四类毒性流同时达到峰值。做市商发现，他们面临的总毒性水平，可能远非四类毒性强度的简单算术相加，而呈现出一种超线性的放大。我们把这一命题称为“毒性共振假说”。为使该假说可被数据区分而非永远成立，这里给出一条可证伪判据：若在一次多类毒性并发的事件中，市场所承受的总价格冲击不超过（在可比规模下）各类毒性单独作用时所产生冲击之和，则“超线性叠加”在该情形下不成立——也就是说，只有当并发冲击系统性地大于各单独冲击之和时，共振假说才获得支持。这一判据原则上可通过对比“多毒性并发窗口”与“单一毒性主导窗口”在同等订单规模下的价格冲击弹性来检验，本章未做此正式估计，故将其作为待检验假设提出。

这种超线性叠加（在其成立时）的核心传导机制在于“深度消耗→冲击放大”的正反馈路径：第一波毒性流（知情交易）消耗了订单簿的第一层深度，使得后续到来的套利流和清算流面对的是一个更薄的订单簿，同样规模的订单在更薄的订单簿上产生的价格冲击显著更大，这种放大的冲击反过来又触发了更多的清算和更大的 MEV 提取空间。每一波毒性流都在为下一波创造更极端的冲击条件。做市商挂出的每一个买单，都可能同时被知情者、套利者和清算引擎从三个方向攻击，而在链上的 LP 则还要承受 MEV 的第四重打击。在这种极端环境下，做市的预期利润迅速变为深度负值，任何理性的做市算法都会指向同一个结论：立即撤出市场，或者将价差扩大到几乎无法成交的水平。这并非做市商“不负责任”或“缺乏担当”，而是其经济理性驱动下的必然选择。当提供流动性的成本飙升到远超任何可能的回报时，流动性的供给就会停止。

作为与上述共振情形的对照，存在另一类“毒性未共振的温和回调”情形：当价格回调由相对单一的、温和的因素（如一则中性偏空的宏观数据）驱动，订单簿第一层深度被消耗后能够被场外做市商的补充报价及时回填，则后续订单面对的并非持续变薄的订单簿，各类毒性之间不形成深度消耗的正反馈，总价格冲击大致等于各因素冲击的线性叠加。共振假说预测这两类情形在“并发冲击 / 单独冲击之和”这一比值上应有系统性差异——温和回调情形该比值接近或低于1，而真正的共振情形该比值显著大于1。引入这一对照情形的意义在于，使“毒性共振”成为一个有条件成立、可被数据区分的主张，而非一个无论市场如何表现都能自圆其说的事后叙事。

这就是对“流动性为何在市场压力最大时急剧收缩”这一核心问题的微观解释。流动性并非可以无限供给的外生资源，而是由做市商在精确计算成本与收益后内生产出的商品。当供给成本因毒性流的共振而急剧上升时，供给活动便会迅速停止。值得指出的是，四类毒性流之间并非在所有阶段都朝同一方向叠加。在清算级联结束后的价格恢复阶段，套利提取毒性的方向可能反转：套利者此时从被低估的市场向公允价值搬运价格信息，客观上为价格回归提供了助力。这种相位差异意味着毒性流的叠加效应主要集中在危机爆发的初始阶段，而在恢复阶段则可能出现部分对冲。理解毒性流光谱以及它们的叠加与对冲动态，不仅是做市商的生存指南，更是理解整个市场生态系统脆弱性的关键。它预示了下一章将要深入探讨的主题：流动性的内生性及其在危机中的脆弱性根源。

19.5 CEX CLOB 做市

在永续合约市场中，中心化交易所的 CLOB（中央限价订单簿）始终占据核心地位。尽管去中心化金融的浪潮带来了链上订单簿等多种创新范式，但就流动性的绝对规模和深度而言，CEX CLOB 至今仍占据主导地位。据 CoinGlass 的行业年报估计，2025年 CEX 衍生品市场的日均成交量约为2,600亿美元量级（机构数据来源，样本期为2025年）^[19]，其中永续合约占据了绝大部分份额。这一市场的流动性并非自然形成，而是由高度专业化的做市机构系统性地构建和维护的。这些机构凭借其在技术、资本和信息方面的巨大优势，构建了永续合约市场流动性的核心骨架，同时也形成了围绕风险与利润的复杂博弈结构。本节将深入分析 CEX CLOB 做市的生态系统、策略框架、风险管理，以及做市商与交易所之间的共生关系，最终通过对比揭示永续合约做市业务的独特性与极端挑战性。

需要在本节开篇统一作出一项证据等级披露：本节涉及的做市商集中度、订单簿深度占比与手续费返佣等具体数字，主要来源于数据商、做市商及交易所的自家口径（行业研报与官方公告），未经独立的学术或监管验证。读者在解读这些数字时，应将其视为利益相关方提供的量级参考，而非经同行评审确认的精确测量；下文在引用此类数字时会逐处标注其来源性质，并在可能处补充独立的学术/监管交叉来源。

19.5.1 做市商生态

CEX 永续合约的做市领域是一个典型的寡头垄断市场。参与者主要是少数资本雄厚、技术领先的专业机构，它们为整个生态系统提供最基础也最重要的要素，即流动性。这个生态大致可以分为三个层次。

位于金字塔顶端的是全球性的 Tier 1加密做市商，如 Wintermute、Jump Crypto、Amber Group、GSR Markets、B2C2以及 Cumberland/DRW 等。这些机构通常脱胎于传统高频交易公司，拥有深厚的量化交易背景和强大的技术基础设施。他们业务遍及全球各大主流 CEX，同时为数百种加密资产提供流动性。他们的优势是全方位的：雄厚的资本实力使其能够承受巨大的库存风险，尖端的低延迟系统使其在微秒级别捕捉套利机会，庞大的数据团队支撑着复杂的定价模型和毒性流识别算法。这些头部机构是市场流动性的核心提供者。据 Kaiko 与 Wintermute 等机构的行业报告估计，排名前3至5家的做市商合计贡献了比特币和以太坊等主流永续合约市场上达70%量级的订单簿深度。需要审慎对待这一数字的证据等级：相关估计来自机构自家口径、其计算方法未公开，且 Wintermute 本身即头部做市商，以利益相关方身份对自身所属群体的份额作出估计，存在固有的利益相关性，故此处不以单点精确数承载系统性论断，而仅将其作为量级参考。作为交叉印证，Aramonte 等（2021）在国际清算银行（BIS）的研究中亦指出，去中心化与中心化加密市场的流动性供给均呈现出显著向少数参与者集中的“去中心化幻觉”特征 ^[20]，这一来自权威机构的独立观察在方向上支持了“做市商高度集中”的判断，尽管其并未给出与上述“70%量级”完全可比的口径。无论具体数字如何，这种高度的集中度，一方面带来了规模经济效应，使得市场能够享受到更窄的买卖价差和更深的市场深度；另一方面，也埋下了系统性风险的隐患：一旦这些头部机构因极端市场事件、技术故障或监管压力而同时撤出，市场的流动性将面临急剧崩溃。

值得注意的是，头部加密做市商的业务模式远比“纯粹的做市”更为多元。它们通常同时扮演流动性提供者、跨市场套利者和 OTC 交易对手方等多重角色，做市收入仅是其综合利润矩阵的一部分。这种业务融合具有重要的分析含义：它可能解释了为什么某些做市商在特定交易对上的价差收入为负时仍愿意持续报价——部分头部机构或许通过与做市库存关联的跨市场套利机会获得了补偿性收入。需要说明的是，这一补偿规模在公开数据中难以分离，因此上述解释应被视为一个有助于理解做市商报价与撤退行为的解释性假设，而非已被证实的事实。

在 Tier 1之下，是众多区域性或专注于特定资产类别的 Tier 2做市商。他们可能只在1到2个交易所拥有竞争优势，或者专注于某个特定的“生态系统”的代币做市。他们的策略更为灵活，可能在某些细分市场提供比 Tier 1机构更有竞争力的报价。然而，在资本规模和技术覆盖面上，他们与头部机构存在明显差距。

最后一个层次，则是一些交易所自身的自营做市部门。部分 CEX 会内部运营做市团队，为其平台上的某些交易对（尤其是新上线的或流动性较差的交易对）提供基础流动性。这种做法虽然能在一定程度上保证市场的基本运转，但也引发了关于利益冲突的严重关切。交易所作为市场规则的制定者和监管者，同时又直接参与市场交易，这使其在信息获取（如看到所有用户的订单流）和规则执行（如清算机制）方面拥有了相对于外部做市商的不公平优势。从监管视角看，这一问题的严重性正在上升：在传统金融中，交易所自营做市受到严格的信息隔离墙要求和独立审计监督，而加密市场中这些制度性保护的普遍缺失不仅构成治理难题，更可能随着全球加密监管框架的收紧而转化为直接的法律风险。这一治理难题，我们将在第21章中做更深入的探讨。

综合来看，CEX 永续合约的做市生态呈现出一个清晰的金字塔结构：顶端的3至5家 Tier 1机构控制着主流交易对达70%量级的订单簿深度（机构估计，证据等级如前所述），中间层的数十家 Tier 2做市商在细分市场和新兴资产中寻找差异化的生存空间，底层则是交易所自身的自营做市部门在流动性最薄弱的角落填补空白。这种高度集中化的格局是技术竞赛和资本壁垒共同作用的产物：在一个利润空间被持续压缩的行业中，只有具备规模经济优势的头部参与者才能维持正的利润方程。然而，这种集中化也意味着整个市场的流动性供给高度依赖于少数机构的健康状态和运营连续性，这一结构性脆弱性将在§19.7.2中进一步讨论。

19.5.2 报价策略框架

专业做市商在 CEX CLOB 上的操作，并非简单的报价操作，而是一套精密的、动态调整的策略框架。这个框架的核心，可以被归结为三个关键参数的实时优化：报价的宽度、深度与倾斜。这三个参数共同决定了做市商的风险暴露和盈利潜力，并在快速变化的市场环境中持续进行动态调整。其数学骨架，正是前文§19.3.1所引 Avellaneda 和 Stoikov（2008）的最优做市框架 ^[13]：做市商围绕保留价格对称地设置买卖报价，并依据库存水平、价格方差与风险厌恶程度（$\delta \propto \gamma\sigma^2 Q$）实时调整报价的宽度与倾斜，本节讨论的三参数优化可视为该框架在永续合约语境下的工程化实现。

宽度（即买卖价差）是做市商的核心利润来源，同时也是其风险补偿的首要工具。价差的设定本质上是做市商对当前市场“毒性”水平的判断和定价。当市场平稳时，做市商面临的逆向选择风险较低，倾向于收窄价差以竞争订单流。反之，当市场剧烈波动或毒性流增加时，做市商会迅速扩大价差，提高交易者获取流动性的成本，以此补偿自身可能因信息不对称而遭受的损失。因此，观察一个交易对买卖价差的动态变化，是判断其当前流动性质量和市场风险水平的有效指标。

深度反映了做市商在特定时刻愿意承担的库存风险总量。提供更深的市场深度，意味着做市商愿意在价格小幅变动时吸收更大规模的订单，这通常会吸引大额交易者；但更大的深度也意味着一旦价格发生不利变动，做市商将积累更多的风险敞口。因此，深度的设定是风险与收益的权衡。下图展示了 BTC 永续合约订单簿的实时深度剖面，即买卖两侧累计深度随与中间价距离的变化：累计深度随价位向外延伸迅速攀升，且买卖两侧分布并不完全对称（具体数值见图）。这种不对称性反映了做市商对市场方向的隐含判断以及当前的库存状态。

图 19-10. BTC 永续合约订单簿深度剖面：买卖两侧累计深度分布（数据来源：Binance BTCUSDT 永续合约订单簿实时数据，2025年3月；本图为内盘瞬时快照剖面，覆盖中间价附近约±9bps）

在高波动或高不确定性的环境中，做市商会“抽离深度”，即减少每个价格档位的挂单量，以控制潜在亏损。这种深度的急剧抽离，意味着同样规模的市价单将造成数倍于正常时期的价格冲击，进一步加剧市场的波动性。深度抽离是做市商利润方程在极端条件下的理性产物，但其集体效应（即流动性在最需要时消失）构成了市场微观结构的核心脆弱性。

倾斜，描述的是做市商在买卖两侧报价的非对称性。一个完全中性的做市商，其报价会围绕市场中间价对称分布。但现实中，做市商的报价几乎总是在倾斜的。倾斜主要服务于两个目的：库存管理和方向性押注。当做市商因连续成交而积累了净多头（或净空头）库存时，它会通过倾斜报价来激励市场向相反方向交易，从而使库存回归中性。例如，如果持有多头库存，做市商会降低买价（抑制买单流入、少买进）并降低卖价（使其更容易成交、多卖出），吸引买方来“拿走”它的库存。此外，一些更激进的“统计做市”策略会基于对短期价格走势的预测来主动倾斜报价，试图在提供流动性的同时，捕捉微小的方向性收益。例如，如果模型预测短期价格上涨概率高，做市商会更积极地在买方报价，而在卖方则相对保守。

这三个核心参数的动态调整，由一系列复杂的触发器驱动。这些触发器包括但不限于：市场波动率的急剧变化、通过 VPIN 等指标监测到的毒性流跳升、自身库存水平超过预设阈值、资金费率结算窗口的临近、与其他交易所的价差出现异常，以及链上数据监测到的大额清算即将触发等。永续合约的特有机制，如资金费率，为这个调整框架增加了额外的维度。例如，在预期资金费率为正且高昂时，做市商有动机在结算前减少净多头头寸，甚至建立净空头头寸，以收取资金费率作为额外收入。这种基于制度规则的策略调整，是传统做市领域所不存在的复杂博弈。

19.5.3 跨交易所做市与头寸管理

对于顶级的专业做市商而言，他们的业务范围绝非局限于单一的交易所。为了最大化资本效率和捕捉更广泛的订单流，跨交易所做市是其必然选择。然而，这一操作在放大机遇的同时，也带来了更高维度的复杂性和挑战，尤其是在头寸管理方面。做市商必须在多个平台上同时精确管理风险与收益。

首先，多交易所做市面临着严峻的“保证金碎片化”问题，这一概念与我们在第17章中讨论的资本效率约束一脉相承。做市商需要在其活跃的每一个交易所都存入足够的保证金，以支持其做市活动和潜在的风险敞口。这意味着，一个在N个交易所做市的机构，其总资本需求远大于在单一交易所做市的N倍，因为各交易所的保证金池是相互隔离的，无法实时共享。这种资本的分割极大地考验着做市商的资金管理能力。

更核心的挑战在于库存的跨所对冲。理论上，如果做市商在A交易所因成交而积累了100个 BTC 的净多头，同时在B交易所积累了100个 BTC 的净空头，其总头寸看似是中性的。但实际上，这是一种危险的“伪中性”。因为这两个头寸分别暴露于两个不同交易所的对手方风险、平台风险和清算风险之下。一旦A交易所出现极端行情导致其多头头寸被强平，而B交易所的价格波动并未同步，做市商就会瞬间从一个看似平衡的状态变为承担巨大的单边风险。因此，做市商必须建立一个全局性的风险管理系统，实时监控和汇总在所有交易所的净头寸，并主动进行对冲操作，而非仅仅依赖于不同交易所头寸的“自然”抵消。

跨交易所做市还面临一个常被理论分析忽视但在实践中至关重要的风险维度：对手方风险。做市商在每一个 CEX 存放的保证金，本质上构成对该交易所的无担保信用敞口。2022年11月 FTX 的崩溃已经以最残酷的方式证明，即使是全球排名前三的交易所也可能在数日内破产，导致做市商的全部存入资金无法取回。对于在5至10个交易所同时运营的做市商而言，对手方风险管理（包括单一交易所的敞口上限、基于交易所财务健康指标的动态资金分配策略、以及异常提现延迟触发的预警撤资机制）构成了其风险管理体系中不可或缺的一环。做市商必须在“将更多资本集中在流动性最好的交易所以最大化资本效率”和“将资本分散在多个交易所以降低单一对手方风险”之间持续寻求平衡。

主动对冲的过程本身也充满了风险。当做市商在一个交易所的库存超过阈值时，它需要在另一个流动性好的交易所（或现货市场）执行一笔反向交易来平衡风险。这个过程存在一个关键的“对冲延迟窗口”。在正常市场条件下，跨交易所、跨地域的往返对冲延迟（即便顶级做市商已采用就近部署的服务器）通常在10至50毫秒量级，这一延迟本身是可管理的。需要说明的是，这里的10至50毫秒指的是跨所、跨地域的端到端往返延迟，而非交易所同机房共置（co-location）的内部延迟——后者通常处于微秒至亚毫秒级别。然而，在极端行情中，跨所对冲延迟可能因目标交易所的 API 限流和系统拥塞而急剧扩大至秒级。更关键的是，极端行情中对冲失败的真正瓶颈往往不是网络延迟本身，而是目标交易所的流动性同步枯竭：即使对冲订单瞬间到达，也可能因为对手市场的订单簿同样变薄而产生远超预期的滑点成本。因此，低延迟技术的价值不仅体现在压缩正常条件下的对冲窗口，更在于在极端行情的最初几秒内先于竞争对手完成对冲，此时对手市场的深度尚未被其他做市商的对冲需求消耗殆尽。

在实践中，跨交易所做市与第16章分析的跨交易所套利之间的边界并不清晰。许多顶级机构实际上同时扮演着做市商和套利者的双重角色。他们的策略可以被描述为“在一个交易所被动做市产生的库存，通过在另一个价格更有利的交易所主动交易来对冲”。这笔对冲交易，从库存管理角度看是“做市”的一部分，但从其利用跨所价差的本质来看，又构成一次典型的跨所套利行为。这种做市与套利的融合策略，使得大型机构能够构建一个更复杂的盈利矩阵，其综合收益和风险管理能力也远超那些只能执行单一策略的参与者。

19.5.4 做市商与交易所的共生关系

做市商与中心化交易所之间，存在着一种深刻而复杂的共生关系。交易所需要做市商来提供流动性，这是吸引和留存交易者的核心要素；而做市商则需要交易所这个平台来实现其策略并获取利润。这种相互依赖的关系，催生了一套围绕激励和博弈的复杂机制，其中影响最大的是交易所为做市商提供的一系列制度性安排，包括手续费返佣、API 优先级、信息优势和保证金优惠等。

在各类激励中，做市商手续费返佣的适用范围最广且对盈利模型的影响最为直接。在大多数交易所的费率结构中，主动吃单的交易者需要支付手续费，而提供流动性的挂单者则支付较低的手续费，甚至获得负费率，即返佣。这意味着做市商每成功提供一笔流动性，不仅不需付费，还能从交易所获得一笔收入。这笔返佣是做市商利润的重要组成部分，尤其是在价差极窄的主流交易对上，返佣收入甚至可能超过价差本身。交易所通过设计分层级的返佣结构来激励做市商提供更多流动性。例如，Binance 的U本位合约做市商计划会根据做市商的周度做市成交量份额和报价质量等指标进行评级，等级越高的做市商能享受到越高的返佣比例。根据 Binance 官方的做市商计划费率安排，最优级别的 Maker 返佣通常在-0.5bps 至-2.5bps（即-0.005%至-0.025%）的区间内，且在特定的限时促销活动期间，顶级做市商所适用的 Maker 费率可进一步下探（部分促销期内 Maker 费率甚至降至0.0000%或提供更高返佣）^[21]。即便以常规级别的返佣水平计，对于日均成交量达数十亿美元量级的头部做市商而言，这仍然构成了极为可观的收入来源。需要说明的是，上述返佣数字来自交易所自家公告，且促销与常规级别的具体数值会随交易所政策调整而变化，读者应将其视为量级参考。

图 19-11. Binance U本位合约 Maker/Taker 费率结构（数据来源：Binance 官方做市商计划公告，2025年3月；图示为常规最优级别，限时促销期 Maker 返佣可更深，至-2.5bps 量级，未在图中展示）

上图展示了 Binance 做市商计划的分层费率结构：从基础的 VIP0级别到最高的 MM 顶级（特邀）级别，Maker 费率逐级递减至负值（即返佣），Taker 费率也随级别提升而下降。这种分层设计的经济学含义在于，交易所将最优惠的返佣保留给成交量和报价质量最高的做市商，形成正向激励的“飞轮效应”：更高的返佣吸引更深的流动性，更深的流动性吸引更多交易者，更多的交易量又进一步巩固做市商的评级和返佣水平。然而，这也加剧了大型做市商与小型参与者之间的竞争不对称性。

将视野扩展到全行业，下图对比了六家主要永续合约交易平台（含 CEX 与两家链上 DEX）的费率结构。在基础级别（VIP0）上，各平台费率差异相对较小，Maker 费率普遍在0.02%（即2bps）左右；但在做市商计划的最优级别，差异显著拉大：多数主流平台向顶级做市商提供负费率（返佣）激励，最优惠的 Maker 返佣可达-2.5bps 量级（各平台基础与最优级别费率见图）。这种费率竞争直接影响着做市商的平台选择和资本分配策略。

图 19-12. 主要永续合约交易平台（含 CEX 与链上 DEX）费率结构对比：基础级别 vs. 做市商最优级别（数据来源：各交易所官网费率页面及做市商计划公告，2025年3月；图中六个对象包含 dYdX、Hyperliquid 两家链上 DEX；做市商最优 Maker 图示止于-0.55bps，正文所述-2.5bps 量级为限时促销端、未在图中展示）

除了直接的费率激励，技术层面的优先接入同样构成竞争优势的重要来源。交易所会为顶级的做市商提供 API（应用程序编程接口）上的优先级服务。这可能包括更快的网络连接，更高的 API 请求频率限制，以及更低的数据推送延迟。在分秒必争的高频交易世界里，哪怕是几毫秒的领先优势，都可能决定一个策略的生死。获得 API 优先级，意味着做市商能够比普通交易者更快地接收市场行情、更快地提交和撤销订单，从而更有效地管理风险和捕捉机会。

信息优势则是更隐蔽但可能更具价值的“特权”。一些交易所可能会向其核心做市商提供更细颗粒度的订单流数据，例如匿名的、关于大额订单或特定类型交易者行为的统计信息。这些信息能帮助做市商更准确地判断市场情绪，识别潜在的毒性订单流，从而优化其定价和风险模型。然而，这种信息优势也恰恰是交易所与做市商共生关系中最具争议的一点，因为它不仅触及了市场公平性的底线，还可能构成法律风险。在多个司法管辖区，向特定市场参与者提供非公开的订单流数据可能被认定为市场滥用行为。随着欧盟 MiCA 法规和其他主要经济体加密资产监管框架的逐步落地，此类信息共享安排面临的合规审查风险正在系统性上升。

最后，保证金优惠也是常见的激励手段。交易所可能会为信誉良好、资本雄厚的做市商提供更低的保证金要求或更高的杠杆上限。这使得做市商能够以更高的资本效率运作，用同样的资金规模支持更大规模的做市活动。

然而，这种共生关系并非总是和谐的，其内部充满了持续的博弈和张力。交易所的目标是最大化平台的交易量和流动性，因此它总是希望做市商能提供尽可能窄的价差和尽可能深的市场深度。而做市商的目标是最大化自身利润，因此它需要在提供流动性的同时，确保风险可控且有利可图。这两者之间存在内在的矛盾。交易所的返佣和激励政策，本质上就是在这种博弈中寻找一个均衡点：既能吸引做市商提供足够的流动性，又不至于让自身的运营成本过高。当市场环境恶化，做市商的风险急剧增加时，他们会倾向于扩大价差和撤离深度以自保，而这恰恰是交易所最不愿看到的。这种根本性的利益冲突，是理解流动性为何在危机时刻急剧收缩的关键所在。

19.5.5 永续合约与传统做市的差异

要真正理解 CEX CLOB 上永续合约做市的艰巨性，最好的方法是将其与更传统的现货做市和交割期货做市进行横向比较。虽然三者都遵循“通过承担风险来赚取价差”的基本逻辑，但永续合约独特的制度设计，使其在风险维度和运营复杂度上，与前两者存在着根本性的差异。我们可以从六个核心维度来剖析这一业务的特殊之处。下表先将三类做市业务在这六个维度上的差异汇总，随后逐一展开。

表 19-3. 现货、交割期货与永续合约三类做市业务的六维差异对比（数据来源：作者整理）

第一，库存时间地平线。现货做市商持有的库存理论上可以无限期持有，但由于没有杠杆，其风险暴露是线性的。交割期货做市商则拥有一个重要的制度性保障：到期日。无论中途库存如何偏离，到期日基差必然收敛为零，所有头寸会被强制交割或结算，风险被限定在有限的时间窗口内。而永续合约做市商则面临着最严峻的组合：既要像现货做市商一样面对无限期的库存持有风险，又要像期货做市商一样承受高杠杆带来的风险放大效应。缺少到期日这一自然结算机制，意味着库存风险只能通过主动对冲来持续管理。

第二，持有成本的确定性。现货做市的持有成本主要是法币的资金利息，其变动缓慢且可预测。交割期货做市的持有成本则表现为基差的逐日衰减，其路径在很大程度上也是确定的。然而，永续合约做市商的库存持有成本，却被一个高度随机且波动的变量，即资金费率，所主导（其随机性与量级已在§19.3详析）。这个随机的“隐性税”或“隐性补贴”，为做市商的风险定价和库存管理带来了巨大的不确定性。

第三，清算风险。现货交易由于没有杠杆，不存在强平风险。交割期货虽然有杠杆，但到期日的约束和相对更成熟的机构参与者，使得大规模的清算风险相对可控。永续合约市场由于高杠杆、无到期日、以及大量风险管理能力较弱的散户参与者，共同构成了一个极易触发连锁反应的强制清算环境，将清算风险推向了极致。

第四，极端毒性流的来源。现货和交割期货市场面临的毒性流主要来自传统意义上的知情交易。而永续合约市场在此基础上，增加了一种独有的、破坏力惊人的“极端毒性流”，即清算级联。这种由市场下跌自身所触发的正反馈循环，能在短时间内制造出数倍于正常水平的、压倒性的单向订单流，对做市商的头寸安全构成显著威胁。

第五，运营连续性。传统金融市场大多有休市和闭市时间，这为做市商提供了必要的调整窗口，可以用来重新校准模型、管理风险、维护系统。而加密市场7x24小时不间断交易的特性，要求永续合约做市商的系统和团队也必须全天候运转，这在运营成本、技术可靠性和人力资源配置上都构成了显著的额外约束。

第六，信息环境的复杂度。现货和期货市场，尤其是在成熟的司法管辖区，受到相对严格的信息披露监管，信息环境相对透明。而加密市场，尤其是永续合约领域，信息披露标准不一，市场操纵和内幕交易的风险更高，这加剧了做市商面临的逆向选择问题。

综上所述，如果将这三类做市业务进行难度评级，现货做市属于较高难度级别，交割期货做市属于专家级别，而永续合约做市则属于极限难度级别。它几乎将做市这项业务在所有维度上的风险都推到了极限。理论上，由于叠加了制度成本这一额外维度，永续合约的买卖价差（以基点计）倾向于在同等流动性条件下宽于现货和交割期货；这额外的价差，正是市场为做市商承担这三重（逆向选择、库存、制度）超高成本所支付的风险溢价。需要说明的是，对“永续价差系统性宽于现货/交割”这一判断进行严格验证，需要同一资产在三个市场上配对的典型价差数据，本章未提供此项配对实证，故将其作为理论上的倾向性预测而非已证结论提出。

19.6 DEX 流动性供给

从中心化交易所到去中心化交易所，永续合约的流动性供给范式发生了深刻变革。本书以订单簿型永续合约为核心研究对象，DEX 领域中与之对应的是链上中央限价订单簿范式及其衍生的混合做市 Vault 范式。去中心化交易所采纳本身的市场动力学已有专门研究（Capponi & Jia, 2021 ^[22]），本节则聚焦于这两种永续做市范式对“谁来承担风险”、“如何为流动性定价”以及“如何处理毒性订单流”这三个核心问题给出的不同答案，并构建统一的比较框架。

19.6.1 链上 CLOB 范式

链上 CLOB 范式选择了一条直接的道路：将 CEX 中成熟的中央限价订单簿模型复制到区块链上。以 dYdX v4和 Hyperliquid 为代表的协议，通过构建专用的应用链，实现了高性能的链上订单匹配和结算，为专业做市商在链上运营提供了可能。

在 dYdX v4的 Cosmos 应用链或 Hyperliquid 自研的 HyperBFT 高性能链上，做市商可以像在 Binance 或 Bybit 上一样，通过 API 连接，部署复杂的做市策略，实时提交和取消限价单，并主动管理自己的库存风险。这种模式将流动性供给的责任重新交还给了专业人士，他们凭借自身的资本、技术和策略优势，在订单簿的两侧提供密集流动性，赚取买卖价差。这从根本上改变了风险承担者：风险不再由被动的 LP 群体共同承担，而是由追求超额回报的专业做市商个体承担。

然而，将 CLOB 部署到链上并非简单的技术迁移，区块链的固有属性为其带来了独特的挑战与机遇。首先，透明性具有双重效应。链上订单簿的全部状态对所有人公开可见，这虽然显著提升了市场的信息对称性，但也让做市商的策略更容易被“逆向工程”，增加了被 MEV（最大可提取价值）攻击的风险。例如，MEV 机器人可以监控做市商的撤单行为，利用信息优势进行前跑交易，从而提取价值。其次，延迟问题依然存在。尽管 Hyperliquid 的区块时间已压缩至200毫秒级别（且其乐观确认机制使用户体验延迟可能低于区块最终确认时间），但这与 CEX 撮合引擎的内部处理延迟（微秒级）和对外/端到端价格更新延迟（毫秒级）相比，仍存在显著差距。更长的延迟意味着做市商的报价暴露在逆向选择风险中的时间更长，对做市商的风险管理能力提出了更高要求。

尽管存在上述挑战，链上 CLOB 范式依然凭借对专业做市商的友好性展现出强大竞争力。以 Hyperliquid 为例，其凭借高效的应用链与做市商激励，在2024年迅速崛起。这里需要厘清几个常被混淆的份额口径。第一，单协议口径：在2024年第四季度的峰值期间，Hyperliquid 单一协议一度占据 DEX 永续合约市场约55%的份额，同期其日交易量和持仓量分别达到了 Binance 永续合约市场的约10%和15-20%的量级。需要特别指出的是，这一时期 Hyperliquid 的积分激励活动可能对其交易量数据产生了一定程度的正向扭曲，剔除积分激励后的有机交易量占比可能低于上述55%的峰值数字。第二，范式合计口径：截至2025年3月，采用 CLOB 范式的全部协议（含 Hyperliquid、dYdX 等）合计占据 DEX 永续合约市场约93%的交易量。第三，绝对量口径：同期 Hyperliquid 以约530亿美元的周交易量在 DEX 永续协议中遥遥领先。必须明确，上述“55%”与“93%”并非同一对象的同一时点测量——前者是单一协议在2024Q4峰值、且含积分扭曲的份额，后者是 CLOB 这一范式在2025年3月的合计份额，二者口径与时点均不相同，不可直接比较或相互替代。综合这三个口径，可以得到一个稳健的判断：在永续合约这一特定领域，专业做市商主导的 CLOB 范式已在效率竞争中占据主导地位；但这一判断主要适用于高流动性的主流资产场景，在新兴市场或低准入门槛场景中，做市 Vault 等其他范式仍保有其生态位（详见§19.6.3）。

图 19-13. DEX 永续合约协议交易量对比与范式份额（数据来源：DeFiLlama Derivatives Protocol Data，2025年3月）

19.6.2 做市 Vault 范式

作为链上 CLOB 的对比参照，做市 Vault 范式代表了一条不同的流动性供给路径。以 Hyperliquid 的 HLP 金库为代表，这一范式的核心特征是“协议即做市商”：普通用户将资金存入由协议管理的金库，资金不再被动充当交易对手方（如 GMX 的 GLP 模式），而是由协议算法在 CLOB 上执行主动做市策略，包括动态调整报价、管理头寸、在波动加剧时扩大价差。这赋予了 LP 群体以往仅专业做市商才具备的风险管理主动权。

这一模式的核心权衡在于：它以较低的准入门槛和对算法及治理的信任依赖，换取了有限的 LP 主动权。LP 的收益高度依赖于协议做市算法的质量：一旦算法存在缺陷或被大户利用，金库可能遭受重大损失。例如，2025年3月 HLP 金库即因一笔单一大额头寸的逼仓式操作（即所谓 JELLY 事件）而录得显著回撤，凸显了算法做市在面对针对性操纵时的脆弱性。此外，做市策略关键参数（价差、深度、风控阈值）的决策权归属也构成了新的治理难题。

19.6.3 两种范式的比较

将上述两种 DEX 流动性供给范式置于统一框架下，我们可以清晰地看到它们在核心维度上的不同权衡。这并非一场孰优孰劣的简单评判，而是关于去中心化市场如何构建其流动性基石的设计选择。下表先将两种范式在五个核心维度上的取舍汇总，随后展开讨论。

表 19-4. 链上 CLOB 范式与做市 Vault 范式的核心维度对比（数据来源：作者整理）

从核心的权衡维度，即“准入门槛”、“LP 主动权”和“毒性暴露”，来看，两种范式占据了不同的生态位。链上 CLOB 范式为拥有技术、资本和策略的专业做市商提供了完全的主动权和最高的资本效率，但其准入门槛也最高。做市 Vault 范式则是一个折衷方案，它通过协议管理的算法为 LP 提供了一定程度的风险管理能力，准入门槛较低，但 LP 的主动权有限，并引入了对算法和治理的信任依赖。

这种权衡也直接体现在不同范式的成本结构上。对于链上 CLOB 上的专业做市商，其成本结构与 CEX 做市商高度相似：逆向选择成本和库存风险成本占据主导地位，MEV 攻击毒性构成额外的链上特有成本项，同时还需承担高昂的技术基础设施（低延迟节点、策略引擎）和持续运营成本。这种成本结构意味着只有具备充足资本和技术能力的专业机构才能持续盈利。而对于做市 Vault 范式，LP 面临的成本结构更为均衡：逆向选择成本和库存风险通过协议算法进行集中管理，单个 LP 无需直接应对；但 LP 承担的核心风险转变为算法风险（策略设计缺陷或参数设置不当导致的系统性亏损）和治理风险（策略调整决策权的不透明性）。LP 的收益因此高度依赖于一个他们无法直接控制的变量，即算法的质量。

最终，DEX 永续合约市场的流动性供给格局，将呈现出链上 CLOB 与做市 Vault 两种范式共存、动态演进的生态系统。高流动性的主流资产市场将由资本效率最高的链上 CLOB 专业做市商主导，而新兴市场则可能更多地依赖做市 Vault 来启动初始流动性。这场仍在进行中的范式之争，不仅将决定未来 DEX 的交易体验和成本，并将对链上金融基础设施的形态产生持续影响。

19.7 竞争格局与演化

永续合约市场的流动性供给并非静态的景观，而是一个动态演化、充满竞争与迭代的生态系统。前述章节分析了做市商在 CEX 与 DEX 上面临的成本结构、风险来源与核心策略，但这仅涉及单一市场参与者的行为逻辑。本节将分析维度扩展至市场参与者之间以及参与者与制度环境之间的互动，考察这些互动如何共同塑造流动性供给的宏观格局及其演化方向。这场演化围绕着技术、资本、信息、激励与风险的复杂博弈展开，呈现出集中化、智能化与协议化的三大趋势，它们在提升市场效率的同时，也孕育了新的系统性风险。

19.7.1 技术、资本与信息的三维竞争

永续合约做市商之间的竞争，是一种持续升级的技术竞争。这场竞争的核心驱动力，源于做市利润的根本来源：在信息不对称和库存风险的夹缝中捕捉微小的价差。任何能够降低延迟、优化模型或扩大资本规模的优势，都能直接转化为更高的利润率和更强的生存能力。这种竞争主要在三个维度上展开：技术、资本和信息。

技术竞赛，最直观地体现在对“速度”的极致追求上。在微观市场结构中，速度优势意味着能够更早地对市场信号做出反应，无论是先于竞争对手更新报价，还是在跨市场价差出现时率先完成套利。这催生了高频交易领域经典的“延迟竞赛”。做市商投入巨资用于服务器托管，将自己的交易服务器物理上部署在交易所匹配引擎所在的同一数据中心，以将网络延迟降低到微秒级别。然而，随着顶尖做市商的技术趋同，单纯依靠速度优势获得的超额利润被迅速压缩。竞争的焦点随之转向更复杂的领域：算法与模型。更优越的风险模型能够更精确地量化逆向选择，更智能的库存管理算法能够在最大化成交量的同时最小化风险暴露，而更复杂的交易信号生成系统则试图从海量数据中挖掘出微弱的预测性信息。

资本竞赛，则体现为规模经济的强大壁垒。拥有更雄厚资本的做市商，能够承受更大的库存风险，从而在订单簿上提供更深的流动性，捕捉更多的交易流。同时，他们有能力在数十个甚至上百个交易对和多个交易所之间同时做市，通过分散化来平滑整体损益。更重要的是，充足的资本为做市商在极端行情中维持运营提供了必要的风险缓冲。当市场剧烈波动、清算级联爆发时，资本不足的做市商将被迫清算自己的头寸，从而退出市场；而资本雄厚的做市商则可能在这种“流动性真空”中寻找到高额回报的机会。这种累积优势效应，使得做市行业在结构上倾向于集中。

信息竞赛相较于前两个维度更难被直接观测，但对长期竞争优势的影响同样显著。除了公开的市场数据，做市商还寻求独特的“信息优势”。这可以来自于对链上数据的深度解析，例如通过监控巨鲸地址的异动或 DeFi 协议的资金流向来预判市场情绪。也可以来自于与交易所建立的共生关系，通过做市商计划获得更优惠的交易费率、更高的 API 速率限制，甚至在某些情况下，更细颗粒度的订单流数据。这种信息优势的积累，进一步巩固了头部机构的竞争壁垒。

这三个维度的技术竞争共同导向了一个必然的结果：利润压缩与市场集中化。随着竞争的加剧，主流交易对的买卖价差被不断压至极限，做市的利润空间变得越来越薄。技术、资本或信息上稍有落后的做市商，其利润会被迅速侵蚀，最终被迫退出市场。这导致流动性供给的份额越来越集中于少数几家全球性的头部做市机构。与此同时，一个新兴的竞争维度正在显现：随着加密 ETF 在多个主要市场获批以及监管框架的逐步明确，Citadel Securities、Jane Street 等传统金融做市巨头正在逐步加大对加密做市领域的布局。这些机构带来的资本规模、跨市场经验和合规能力远超加密原生做市商。需要说明的是，传统巨头进入加密做市的规模与节奏会随监管环境而波动（例如部分机构的加密敞口曾因监管不确定性而阶段性收缩），但总体方向上，其进入可能从根本上改变竞争格局：未来的竞争不再仅仅是加密原生机构之间的较量，而是加密原生做市商与传统金融巨头之间的新维度博弈。

头部做市商凭借其技术和资本优势，能够持续提供比其他竞争者更窄的买卖价差，且这一差距随着时间推移不断扩大。与此同时，随着利润空间的压缩，大量中小型做市商被挤出市场，活跃做市商的总数逐年下降，而头部机构所占据的市场份额则相应地稳步攀升。这种集中化趋势，构成了下一节将要探讨的系统性风险的根源。

19.7.2 集中化与系统性风险

做市行业的集中化具有双重效应。从积极的方面看，它带来了显著的效率提升。头部做市商利用其规模经济，能够为市场提供更稳定、更深厚、成本更低的流动性。对于普通交易者而言，这意味着更小的交易滑点和更优的执行价格。从这个角度看，集中化是市场竞争和自然选择下的优化结果，它将流动性供给这项专业化的工作交给了最高效的生产者。

然而，这种效率的提升伴随着一个巨大的代价：系统性风险的累积。当市场的绝大部分流动性依赖于少数几个高度同质化的参与者时，整个市场的稳健性就变得异常脆弱。这一忧虑并非加密市场独有，传统市场微观结构研究早已为其提供了实证基础：Comerton-Forde 等（2010）利用纽约证券交易所专家做市商的库存与盈亏数据，证明做市商的库存水平与累积收益能够显著解释市场流动性的时间变化——当做市商库存承压或遭受亏损时，买卖价差会非线性地扩大、流动性随之收缩 ^[23]。这一“做市商财务状况→流动性供给”的传导机制，为本节关于集中化市场脆弱性的分析提供了直接的理论与实证锚点。具体到加密永续合约市场，这种风险主要体现在两个层面：单点故障风险和行为相关性风险。

单点故障风险指的是，任何一家头部做市商的突然“离线”，都可能对市场造成不成比例的巨大冲击。这种离线可能源于多种因素：技术故障、操作失误（如风险参数设置错误）、财务危机（如自身资产出现巨额亏损），甚至是监管突袭。如果一家占据相当份额流动性的做市商（例如前述前3–5家头部机构中的一家）突然撤出所有报价，订单簿将瞬间变薄，买卖价差急剧扩大，市场的价格发现能力将严重受损。在极端情况下，这可能触发连锁反应，导致更大范围的流动性枯竭和价格闪崩。更为极端的情形是，做市商自身也可能在剧烈行情中被强制清算：在统一保证金体系下，一个交易对上的巨额亏损可能消耗做市商在其他交易对上的可用保证金，触发跨交易对的连锁强制平仓。这种被动的、非自愿的“离线”比主动撤退更具破坏性，因为它不仅移除了流动性供给，还直接向市场注入了额外的卖压。

行为相关性风险则更为隐蔽和危险。头部做市商虽然在日常竞争中互为对手，但它们的技术栈、风险模型和决策逻辑在很大程度上是趋同的。它们都依赖相似的数据源，遵循相似的微观结构理论，并受到相同的市场制度（如资金费率、清算机制）的约束。这意味着，当市场遭遇极端压力时，它们的反应很可能是高度相关的。例如，在一次剧烈的价格下跌中，多家做市商的风险模型可能同时触及最大库存限制或最大亏损阈值，从而集体决定收缩报价或撤出市场。这种“集体撤退”的行为，正是下一章将要深入探讨的“流动性急剧收缩”现象的核心微观机制。个体层面的理性决策在集体层面产生了系统性负外部效应：在市场对流动性需求最高的时段，流动性的供给却同步收缩。

然而，上述“集体撤退”的叙述需要一个重要的补充：做市商并非完全同质化的行为体，不同类型参与者在危机中的行为存在差异。这里需要为“集体撤退主导”与“竞争性填补主导”两种情形给出一个可观测的分界判据，以避免事后自圆其说式的解释。我们提出以异质性参与者的数量与资本缓冲作为分界变量：当市场中“愿意且有能力提供流动性”的异质性参与者数量充足、且其风控模型与数据源相互独立时，填补效应主导，危机中流动性能得到部分回补；反之，当这类异质性参与者稀少、或其风控模型因高度同质而同步触发时，撤退效应主导，流动性同步枯竭。这一判据所对应的具体阈值有待实证标定，故本节将其作为理论推断提出。在此判据下，可以观察到若干结构性规律：Tier 1机构因其更厚的资本缓冲和更成熟的风控体系，通常比 Tier 2做市商更晚触发撤退阈值，但一旦撤退，其对市场深度的冲击也更大。策略异质性同样重要：纯做市策略的机构在极端行情中倾向于全面收缩，而采用做市与套利混合策略的机构可能在撤出做市活动的同时加大跨市场套利操作，后者的行为客观上为市场提供了部分恢复力。在温和波动中，异质性参与者数量通常充足，填补效应能有效缓解集中化风险；但在极端尾部事件中，当所有机构的风控模型因使用相似的风险度量和相同的数据源而同步触发时，异质性骤降，填补效应将急剧失效，行为相关性的破坏力便充分显现。因此，系统性风险的真正临界点不在于日常运营中的做市商数量，而在于极端环境下“愿意且有能力提供流动性”的异质性参与者是否依然存在。

这种集中化带来的系统性风险，在传统金融市场已有前车之鉴，并受到了监管机构的高度关注。但在加密货币市场，这一问题尤为突出，因为这里的监管框架尚不成熟，缺乏类似“最后做市商”或中央银行流动性支持这样的危机应对机制。因此，理解并监控流动性供给的集中度，评估头部做市商的健康状况，以及设计能够激励做市商在危机中留存的机制，成为了维护市场稳定的核心挑战之一。

19.7.3 激励设计与做市商行为

在做市商与交易所之间，存在着持续的博弈。交易所希望做市商提供尽可能窄的价差和尽可能深的流动性，以吸引更多交易者、提升市场质量。而做市商则希望在承担最低风险的同时，获得尽可能高的回报。这种博弈的均衡点，由交易所提供的激励机制所决定。这些激励设计直接影响做市商的行为，并最终传导至整个市场的流动性状况。

在中心化交易所中，激励机制主要围绕着“做市商计划”展开。该计划的费率返佣、API 优先级、保证金优惠等基础构成已在§19.5.4中详细分析，此处不再重复其结构，而是聚焦于这些激励如何塑造做市商的行为模式。一个核心的行为效应是：更高的返佣会激励做市商报出更窄的价差，因为即使价差本身不赚钱，他们依然能从返佣中获利。然而，这种激励也可能导致“伪流动性”的出现，即做市商为了获得返佣而挂出大量订单，但在市场真正需要流动性时却迅速撤单。这种“伪流动性”问题揭示了静态返佣机制的内在局限：它在常态下激励了深度供给，却无法约束极端行情下的集体撤退。

在去中心化交易所中，激励设计变得更加多样化和复杂。对于采用链上 CLOB 或做市 Vault 模式的协议，对流动性提供者的激励主要来自交易手续费的分成及协议代币激励，其设计目标是吸引专业做市商持续提供深度流动性。

对于采用链上订单簿的 DEX，激励设计则更接近 CEX，同样包含交易费返还和基于交易量的奖励。但由于链上环境的透明性，激励设计面临新的挑战。例如，协议需要设计精巧的算法来识别“有效”的做市行为，防止做市商通过虚假成交来骗取激励。Hyperliquid 的积分奖励系统就是一个例子，它试图通过综合评估挂单时间、与中间价的距离、成交量等多个维度，来更公平地奖励真正贡献了流动性的做市商。

更进一步，一些协议开始探索“协议控制流动性”或通过债券等方式将流动性的所有权掌握在自己手中。这种模式试图从根本上解决做市商在危机时撤出的问题。然而，这也将风险和激励设计的复杂性完全转移到了协议自身。协议需要扮演一个“超级做市商”的角色，其表现完全取决于其内部团队的算法设计和风险管理能力。

从博弈论的角度看，最优的激励设计应该实现“激励相容”，即让做市商追求自身利益最大化的行为，与协议提升市场流动性和稳健性的目标相一致。这要求协议设计者深刻理解做市商的成本结构（三重成本）和他们面临的风险（四类毒性流）。一个好的激励机制，应该能够在市场平稳时鼓励竞争、压缩价差，同时在市场动荡时，为那些选择留下来、继续提供流动性的做市商提供足够的风险补偿。例如，可以设计动态的返佣机制，在市场波动率急剧升高时，自动提高对 Maker 的返佣比例，从而部分抵消做市商增加的库存风险和逆向选择成本。实现这样的动态激励机制，是 DeFi 协议相较于 CEX 的一个潜在优势，也是未来流动性治理探索的关键方向。

19.7.4 未来演化方向

永续合约流动性供给的演化并未止步于当前的竞争格局。从本章构建的分析框架出发，即三支柱成本结构、毒性流光谱以及做市竞争格局，我们可以识别出两个与核心论证直接相关的演化方向。这里仅作展望性的提纲式讨论，旨在点明这些方向与本章框架的关联，而非展开为独立的新框架。

第一，人工智能正在重塑做市的风险管理与毒性检测能力。传统的做市算法基于参数化规则集合，例如“当库存超过X时，将报价倾斜Y个基点”，其对市场状态变化的适应能力有限。而基于强化学习的做市代理，能够在多维度的市场状态空间（波动率、订单流不平衡、资金费率等）中探索最优策略。这一技术进展与本章框架有两个直接交叉点：其一，在毒性流识别层面，AI 系统有潜力更精准地实时区分§19.4所定义的四类毒性流（传统 VPIN 等指标主要捕捉知情交易毒性，而 AI 模型有潜力同时识别清算级联信号、套利提取模式和 MEV 攻击特征）；其二，在库存管理层面，AI 可动态优化§19.3.1所讨论的扩展决策函数 $\delta^* = f(Q, \sigma, \gamma, FR_t, T_{\text{eff}}, \kappa)$ 中的参数。值得警惕的是，当多家做市商采用相似的 AI 架构和训练数据时，它们的策略可能产生高度相关的响应模式，在极端行情中同步撤出流动性，从而加剧§19.7.2所分析的行为相关性风险。此外，AI 做市还引入了传统算法做市所不具备的操作风险维度：模型在训练数据未覆盖的市场状态下可能产生不可预测的异常行为（2012年 Knight Capital 因算法失控在45分钟内亏损约4.6亿美元的案例是传统金融中的前车之鉴），而 AI 的黑盒特性使得事后诊断和实时干预都更加困难。

第二，动态激励机制可能改变做市商在危机中的行为模式。本章反复论证的核心矛盾，即流动性供给在需求最大时最稀缺，其根源在于做市商的利润方程在极端环境下指向撤出。动态激励机制试图修改这一方程的参数。例如，可以设计波动率响应型返佣机制：在市场波动率超过特定阈值时，自动提高对 Maker 的返佣比例，直接增加做市商利润方程中的“价差收入”项，部分抵消飙升的制度成本和逆向选择成本。这类机制本质上是将危机中的流动性供给从纯粹的市场行为转变为有制度激励支撑的行为，改变了做市商在极端条件下的最优策略选择。链上可编程合约使得此类动态机制的实现成为可能，这也是链上 CLOB 范式相较于传统 CEX 的一个潜在制度优势。

此外，意图架构和跨链流动性整合也在逐步改变流动性供给的基础设施形态：前者将执行复杂性从用户端转移至专业做市商端，后者则致力于解决保证金碎片化问题。这两个方向与本章核心分析框架的交叉较为间接，更多地属于市场基础设施层面的演进，在此不做展开。

总体而言，AI 驱动的智能化和激励设计的动态化，是与本章三支柱成本框架和毒性流光谱最直接相关的两个演化方向。它们有潜力从技术层面和制度层面分别缓解流动性供给的内在脆弱性，但同时也引入了策略共振和激励套利等新的风险维度，需要市场参与者和协议设计者持续关注。

19.8 本章小结

本章围绕一个核心问题展开分析：在永续合约市场中，流动性从何而来？分析表明，流动性并非自然存在的资源，而是由不同角色的参与者以承担特定风险和成本为代价生产出来的商品。本章为理解这一生产过程提供了三个相互关联的整合性分析框架。

在成本结构层面，本章论证了经典做市理论的逆向选择成本和库存风险成本双支柱不足以解释永续合约市场的做市行为，永续合约的制度设计（资金费率、清算机制、无到期日和24/7交易）引入了“第三支柱”：制度成本。需要重申，这一“第三支柱”是对永续合约语境下若干已知成本来源的整合性归并与统一命名，而非全新发现的成本类型。它使做市商的利润方程扩展为：$\text{总利润} = \text{价差收入} - (\text{逆向选择成本} + \text{库存风险成本} + \text{制度成本})$。制度成本结构性地抬高了永续合约的做市门槛，解释了其流动性成本在同等条件下通常高于现货或传统期货市场的现象。从 BTC 到山寨币，逆向选择成本占比的急剧上升进一步揭示了小市值代币流动性低效的微观根源。在此基础上，本章构建了“毒性流光谱”分类框架，把做市商面临的毒性风险安置到一个由“信息含量”与“价格冲击永久性”构成的统一坐标系中，并据此识别出四类主导机制不同、但边界可交叠（而非相互穷尽且互斥）的毒性区域：知情交易毒性、套利提取毒性、清算级联毒性和 MEV 攻击毒性。这四类毒性在信息含量、价格冲击的永久性、时间特征和应对策略上存在系统差异，混淆它们会导致策略失配：以应对知情交易的撤退策略应对清算流将错失反弹机会，反之则可能在真实的价格冲击中承受重大损失。在市场结构层面，本章提出了比较 CEX 与 DEX 流动性供给范式的统一框架。链上 CLOB 范式与做市 Vault 范式在风险承担主体、定价机制、LP 主动权、资本效率和准入门槛等维度上做出了不同的取舍，两者不存在全方位占优的解，而是代表了去中心化、效率与风险控制之间的不同权衡立场。

上述三个框架共同回答了本章的核心问题：永续合约的流动性由 CEX 上的专业做市商以及 DEX 链上 CLOB 与做市 Vault 中的流动性提供者，在应对三重成本和四类毒性流的博弈中动态生产出来。这一生产过程的成本结构和风险特征，直接决定了市场上可观察到的流动性的数量、质量和稳定性。然而，这一生产体系存在一个结构性矛盾：流动性供给量与市场需求呈负相关。在市场平稳时，做市风险较低，流动性供给充裕，表现为窄价差和深订单簿；在市场剧烈动荡时，四类毒性流同步爆发，库存风险和清算风险急剧上升，做市商的利润方程指向唯一理性选择：拓宽价差、削减深度乃至撤出市场。流动性供给在需求最小时最充裕，在需求最大时最稀缺。这一悖论并非源于做市商的行为缺陷，而是利润方程在极端条件下的必然结果，是一种内生于市场微观结构的脆弱性。下一章将聚焦于这一核心悖论的动态展开，即流动性的内生性与反身性，以及它如何导致流动性在最需要时急剧收缩这一反复出现的市场现象。

参考文献

[1] 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

[2] Ackerer, D., Hugonnier, J., & Jermann, U. (2025). Perpetual futures pricing. Mathematical Finance, 35(1), 3–31. https://doi.org/10.1111/mafi.70018

[3] Akerlof, G. A. (1970). The market for "lemons": Quality uncertainty and the market mechanism. The Quarterly Journal of Economics, 84(3), 488–500. https://doi.org/10.2307/1879431

[4] 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

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

[6] Ho, T., & Stoll, H. R. (1981). Optimal dealer pricing under transactions and return uncertainty. Journal of Financial Economics, 9(1), 47–73. https://doi.org/10.1016/0304-405X(81)90020-9

[7] Amihud, Y., & Mendelson, H. (1980). Dealership market: Market-making with inventory. Journal of Financial Economics, 8(1), 31–53. https://doi.org/10.1016/0304-405X(80)90020-3

[8] He, S., Manela, A., Ross, O., & von Wachter, V. (2022). Fundamentals of perpetual futures. arXiv preprint arXiv:2212.06888. https://doi.org/10.48550/arXiv.2212.06888

[9] Schmeling, M., Schrimpf, A., & Todorov, K. (2023). Crypto carry. BIS Working Papers, No. 1087. https://doi.org/10.2139/ssrn.4268371

[10] Galati, L. (2024). Exchange market share, market makers, and murky behavior: The impact of no-fee trading on cryptocurrency market quality. Journal of Banking & Finance, 165, 107222. https://doi.org/10.1016/j.jbankfin.2024.107222

[11] Easley, D., O'Hara, M., Yang, S., & Zhang, Z. (2024). Microstructure and market dynamics in crypto markets. SSRN Working Paper. https://doi.org/10.2139/ssrn.4814346

[12] 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

[13] Avellaneda, M., & Stoikov, S. (2008). High-frequency trading in a limit order book. Quantitative Finance, 8(3), 217–224. https://doi.org/10.1080/14697680701381228

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

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

[16] OECD. (2023). DeFi liquidations: Volatility and liquidity. OECD Working Papers on Finance, Insurance and Private Pensions, No. 48. https://doi.org/10.1787/0524faaf-en

[17] Daian, P., Goldfeder, S., Kell, T., Li, Y., Zhao, X., Bentov, I., Breidenbach, L., & Juels, A. (2020). Flash Boys 2.0: Frontrunning in decentralized exchanges, miner extractable value, and consensus instability. In 2020 IEEE Symposium on Security and Privacy (SP) (pp. 910–927). IEEE. https://doi.org/10.1109/SP40000.2020.00040

[18] Canidio, A., & Fritsch, R. (2023). Arbitrageurs' profits, LVR, and sandwich attacks: Batch trading as an AMM design response. In Proceedings of the 5th Conference on Advances in Financial Technologies (AFT 2023), LIPIcs Vol. 282, pp. 24:1–24:17. https://doi.org/10.4230/LIPIcs.AFT.2023.24

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

[20] Aramonte, S., Huang, W., & Schrimpf, A. (2021). DeFi risks and the decentralisation illusion. BIS Quarterly Review, December 2021, 21–36. https://www.bis.org/publ/qtrpdf/r_qt2112b.htm

[21] Binance. (2025). USDⓈ-margined futures market maker program: Fee schedule and program rules. https://www.binance.com/en/support/faq/futures-market-maker-program

[22] Capponi, A., & Jia, R. (2021). The adoption of blockchain-based decentralized exchanges. arXiv preprint arXiv:2103.08842. https://doi.org/10.48550/arXiv.2103.08842

[23] Comerton-Forde, C., Hendershott, T., Jones, C. M., Moulton, P. C., & Seasholes, M. S. (2010). Time variation in liquidity: The role of market-maker inventories and revenues. The Journal of Finance, 65(1), 295–331. https://doi.org/10.1111/j.1540-6261.2009.01530.x