2025 年 7 月，去中心化永续合约交易所 Hyperliquid 的月度成交量约 3200 亿美元（对应日均约 100 亿美元）；其 HLP 金库的总锁仓量于 2025 年末越过 5 亿美元（2025 年 7 月约 3 至 4 亿美元；TVL 数据来自 DefiLlama hyperliquid-hlp 面板，访问于 2026 年 6 月）[1]。这一数据不仅标志着链上中央限价订单簿架构在执行效率上已具备与中心化交易所竞争的实力，更重要的是，它验证了一种全新的流动性治理范式：通过协议规则和自动化金库机制，将散户资本直接转化为市场所需的深度流动性。
然而，这种流动性供给的民主化进程并非没有代价。2025 年 3 月 26 日的 JELLY 代币攻击事件中，HLP 金库因算法策略的刚性被动承担了名义约 1530 万美元的空头头寸，最大未实现亏损一度达到约 1350 万美元（前者为承接的空头名义规模，后者为峰值未实现亏损，二者口径不同）[1]。这一极端事件揭示了流动性供给机制在常态效率与危机韧性之间的内在张力，进而引出本章的核心问题：不同的市场架构如何通过制度设计来获取流动性，以及这些设计在应对市场波动时表现出怎样的脆弱性？
在中心化交易所的传统架构中，流动性的获取依赖平台与少数专业做市商签订的私下协议，本质上是一个经典的委托代理问题 [2]：这套契约在常态下能提供极高的流动性质量，却在极端行情中因做市商行使豁免权集体撤退而瞬间枯竭，陷入第 20 章所讨论的公共品困境（其信息不对称、逆向选择与道德风险的完整机制详见§21.2）。
与之相对，以 Hyperliquid 为代表的去中心化交易所（DEX）则将流动性视为一种可被制造的产品，通过资本层、策略层与分配层的工程化架构直接在链上生产流动性，实现流动性供给的民主化，使普通投资者得以被动参与做市（其风险收益特征与传统指数基金的根本差异详见§21.4.1）；这一路径在消除中心化特权、提升透明度的同时，也以算法的可预测性和危机中缺乏人工干预的刚性引入了新的风险维度（三层架构详见§21.3，收益重构与风险转移详见§21.4）。
本章从制度经济学的视角出发，系统分析流动性治理的 两种截然不同的路径。中心化交易所流动性采购模式中的委托代理困境及其结构性缺陷是分析的起点；在此基础上，去中心化交易所流动性工程的 三层架构得到解构，并以 HLP 金库为深度案例，探讨流动性供给民主化带来的收益重构与风险转移；通过量化模拟独立做市商在链上订单簿环境下的生存边界，评估现有激励机制的有效性；有效性、激励相容性、透明度与韧性的 四维框架则为比较 两种范式的优劣与共存格局提供了分析工具。读完本章后，读者将能够理解不同市场架构在风险承担、收益分配和危机责任归属上的底层逻辑差异，并认识到在去中心化金融体系中，代码驱动的流动性基础设施如何在解决传统信任危机的同时，催生出新的系统性脆弱点。
21.1 流动性治理的核心问题
第 20 章的分析表明，流动性供给的反周期性（流动性在市场最需要时反而收缩）导致了系统性的公地悲剧。本节在此基础上提炼流动性治理的核心矛盾，并将第20章的“准公共品”表述进一步细化为公共池塘资源：它在常态下具有近似非排他性，但在压力窗口中会因订单簿深度被快速消耗而呈现竞争性。随后，本节梳理加密资产市场演化出的 两种制度回应路径，并构建用于系统比较的 四维评估框架。
21.1.1 公地悲剧
如第 20 章所述，加密资产市场的微观结构存在一个根本性矛盾：流动性的供给与需求呈现负相关关系。当市场处于常态时，做市商面临的逆向选择风险较低，愿意提供充足的流动性；然而，当极端事件引发价格剧烈波动和交易需求激增时，做市商的风险敞口急剧扩大，其最优理性策略是撤回报价以保护自身资本。这种在最需要流动性时流动性反而消失的现象，不仅是微观主体的理性选择，更是引发系统性危机的根源。
这一现象在去中心化交易所中表现为一种经典的公地悲剧。在经济学分类中，流动性更接近于公共池塘资源而非纯粹的公共品：所有交易者都受益于深度的订单簿或充足的流动性池（非排他性），但限价单一旦被消耗便不再存在（瞬时竞争性）。虽然做市商可以在毫秒级时间尺度上重新挂单，但在极端行情中报价的再生速度远低于消耗速度，使得公地悲剧框架在高频时间尺度和市场压力期具有充分的适用性。提供和维持这种资源的成本与风险由流动性提供者个体承担。Capponi and Jia (2025) [3] 的研究表明，在区块链基础设施上，流动性提供者面临着独特的集体行动困境：套利者从流动性池中提取的价值作为损失被所有流动性提供者集体分摊，但撤回流动性的交易成本和时间延迟却必须由个体独自承担。在面临不利市场条件时，单个流动性提供者有强烈的动机抢在其他人之前撤退，这种个体理性的挤兑行为最终导致整体流动性的崩溃。为了缓解这种逆向选择风险，流动性提供者通常会防御性地采用更凸性的定价曲线，但这又不可避免地降低了常态下的资本效率。
市场自身无法自发解决这一公地悲剧。由于缺乏强制性的协调机制，做市商之间陷入了囚徒困境：如果所有做市商都维持报价，市场可能平稳度过危机；但只要有人开始撤退，留守者的逆向选择风险就会呈指数级上升。Anand 与 Venkataraman (2016) [4] 的实证研究证实，在不利市场条件下，做市商的系统性撤退会显著降低市场质量并加剧价格波动。因此，如何通过外部干预或内部机制设计来克服个体理性的局限性，确保危机时期的流动性底线，构成了流动性治理的核心问题。这一问题不仅关乎单一交易平台的存亡，更直接决定了整个去中心化金融体系的系统性风险水平。
21.1.2 两种制度路径
面对流动性供给的系统性失灵，加密资产市场演化出两种截然不同的制度回应路径。中心化交易所主要采用采购模式，通过与少数专业做市商签订私下协议来获取流动性服务。在这种模式下，交易所扮演委托人的角色，通过返佣、手续费折扣和高级 API 访问特权等经济激励，要求做市商在特定市场条件下履行报价义务。这种制度安排的本质是将流动性视为一种可以向外部供应商购买的专业服务。
然而，采购模式在执行中面临严重的信息不对称和道德风险。交易所难以实时监控做市商的内部风险模型和真实意图，也无法完全验证其在危机中是否尽到了最大努力。Alexander (2025) [5] 的研究指出，做市商激励机制的设计直接影响加密资产的流动性和价格稳定性，但不当的激励结构可能导致做市商在极端行情下利用豁免条款合法撤退。这种基于双边合同的治理结构在常态下能够提供极高的市场深度，但在尾部风险事件中往往暴露出脆弱性。当系统性冲击发生时，做市商的理性选择是触发异常市场条件条款，暂停履行报价义务，这恰好发生在市场最需要流动性的时刻。
与此相对，以 Hyperliquid 为代表的去中心化交易所探索出一条工程模式的制度路径。该模式摒弃了依赖外部供应商的思路，转而通过协议规则和智能合约直接在链上制造流动性。工程模式的核心在于将流动性供给解构为资本聚合、策略执行和收益分配 三个可编程的模块。通过设立公共金库，协议允许任何用户存入资产成为流动性提供者，从而实现了流动性供给的民主化。协议内置的算法引擎则代替了人工做市商，按照预设的逻辑在订单簿上自动进行双边报价。这种范式转换将流动性治理从人与人之间的合同博弈，转变为代码驱动的系统工程。
工程模式通过硬编码的规则消除了代理人的自由裁量权。在常态市场条件下，代码执行不受情绪影响，不会因情绪或利润动机主观撤销报价，从而为市场提供了一定程度的底线流动性（在极端边界条件下，这一执行逻辑仍可能被治理干预覆盖，见§21.4.6）。然而，这种刚性也带来了新的挑战：算法无法像人类做市商那样灵活地处理复杂的跨市场信息，且金库资本在单边行情中可能遭受巨大的方向性损失。因此，工程模式本质上是用资本的硬性损耗来换取流动性供给的规则可验证性。
21.1.3 四维评估框架
为了系统比较上述两种流动性治理范式，需要建立一个多维度的评估框架。该框架不仅要衡量常态下的市场质量，更要考察极端条件下的系统表现。具体而言，可以从有效性、激励相容性、透明度和韧性 四个维度对制度设计进行评判。
有效性衡量的是制度设计在常态市场中提供充足、低成本流动性的能力。采购模式通过引入拥有先进技术和丰富经验的顶级量化团队，通常能够实现极窄的买卖价差和巨大的订单簿深度。相比之下，工程模式受限于链上计算资源和算法的刚性，其资本效率和定价精度在现阶段往往略逊一筹。
激励相容性关注的是个体参与者的利益诉求是否与系统的整体目标保持一致。在公地悲剧的语境下，核心问题是机制能否内化流动性撤退的外部性。采购模式通过合同义务绑定做市商，但利润最大化的本能使得做市商总是在寻找逃避义务的漏洞。工程模式则通过将散户资本与协议收益深度绑定，创造一种共损共荣的利益格局，但在套利者提取价值的环节仍存在激励错位。在中央限价订单簿（Central Limit Order Book, CLOB）环境中，价值提取的机制与自动做市商（Automated Market Maker, AMM）不同但同样显著。Aquilina, Budish and O'Neill (2022) [6] 基于传统限价订单簿市场的实证研究发现，延迟套利约占有效买卖价差的 33%，对每笔交易施加了约 0.5 个基点的隐性成本。Foucault, Kozhan and Tham (2017) [7] 将这种短暂套利机会定义为“有毒套利”，证明了高频套利者的速度优势在提升价格效率的同时系统性地加剧了做市商的逆向选择风险。在加密资产现货市场中，Tiniç et al. (2023) [8] 基于 Bitfinex 数据的价差分解显示，逆向选择成本约占有效价差的 10%，且 BTC 在所有加密资产中呈现出最高的库存成本占比。交易所通过 API 特权和共址服务向特定做市商出售速度优势的同时，也在制度层面固化了这种价值提取结构。Capponi and Jia (2025) [3] 在 AMM 环境下的研究虽然报告了更极端的价值转移比例（中位套利者将 96% 的利润转移给基础设施层），但 AMM 与 CLOB 的价值提取机制在性质上存在根本差异：CLOB 做市商拥有主动撤单能力，其面临的价值侵蚀主要来自延迟套利和信息不对称，而非 AMM 中流动性提供者被动承受的损失与再平衡成本。
透明度反映了市场参与者获取系统运行状态和规则执行情况的能力。采购模式建立在保密协议和不公开的特权之上，普通交易者无法知晓做市商的真实义务和获得的补贴。这种信息黑箱不仅引发了关于市场公平性的质疑，也掩盖了潜在的系统性风险。工程模式则将所有规则、参数和资金流向都部署在区块链上，实现了完全的开源和可审计。任何用户都可以实时监控金库的资产状况和算法的执行逻辑，这种信息对称性是建立无需信任的流动性基础设施的前提。
韧性直接决定系统在遭受严重冲击时的生存能力。韧性要求流动性供给机制不仅要在市场稳定运行时运转良好，更要在危机时刻提供坚实的底线支撑。采购模式的脆弱性在于其依赖于具有自由意志的商业实体，这些实体在面临破产威胁时必然会选择自保。工程模式则通过算法的确定性执行和公共资本的持续锁定，构建一种不受情绪驱动的流动性底座。尽管这种刚性可能导致金库在单边行情中承受较大回撤，但它客观上为市场保留了最后的交易对手方。
表 21-1 将上述 四个维度整合为一个统一的评估矩阵，分别列出了每个维度的核心关注点以及其在常态市场与危机市场中的具体表现要求。这一框架将在后续各节的分析中作为贯穿全章的比较工具，用于系统评判 CEX 采购模式与 DEX 工程模式在不同维度上的相对优劣。
| 评估维度 | 核心关注点 | 常态市场表现要求 | 危机市场表现要求 |
|---|---|---|---|
| 有效性 | 交易成本与深度 | 极窄价差，大额订单滑点低 | 维持基本的双边报价 |
| 激励相容性 | 利益一致性 | 做市收益高于资本机会成本 | 坚守报价的预期收益大于违约成本 |
| 透明度 | 信息对称程度 | 规则公开，资金流向可查 | 风险敞口透明，清算过程可审计 |
| 韧性 | 抗冲击能力 | 适应日常波动，参数自动调整 | 避免基于情绪/利润的主观撤退，危机干预时保持过程透明可审计 |
表 21-1. 流动性治理的 四维评估框架（数据来源：作者构建，分析框架参考 Madhavan (2000) [9]）
这 四个维度并非孤立，而是相互制约：追求极致的有效性往往需牺牲一定透明度以保护做市商策略机密，提高韧性则可能要求常态下积累冗余资本、降低短期资本效率。因此，无论采购模式还是工程模式，本质都是在这 四个维度之间权衡取舍；未来流动性治理创新的核心方向，是在保持工程模式透明度和韧性的同时，通过更先进的算法与机制设计逐步提升其有效性和激励相容性。
为避免后续分析中多个编号框架相互混淆，此处先给出一张框架地图：有效性、激励相容性、透明度与韧性的 四维框架是贯穿全章的评估主轴；资本层、策略层与分配层的 三层架构是对 DEX 工程模式的描述性骨架；后文§21.4 出现的 五类风险与 三个收益引擎，则是对 HLP 金库内部的进一步分解。需要特别区分三组形似的二元对照，它们的比较对象并不相同：“两种范式”指 CEX 采购与 DEX 工程这两条机构层面的制度路径；“两条路线”指 DEX 内部“协议即做市商”与“协议招募做市商”两类子模式；“主动-被动双轨”则指独立做市商与金库参与者两种参与者身份。各编号框架均可回挂到 四维主轴之上。
21.2 CEX 流动性采购的委托-代理模型
在加密货币市场的微观结构中，中心化交易所与做市商之间的关系构成了流动性创造的核心轴心。然而，这种关系并非简单的买卖契约，而是深刻植根于信息不对称环境下的委托-代理问题。交易所作为委托人，其根本目标是为平台用户提供狭窄的买卖价差、深厚的订单簿以及在极端市场条件下的稳定流动性。做市商作为代理人，其行为动机则是利润最大化与风险最小化，这必然导致其在特定市场环境下采取与交易所整体利益相悖的行动。本节剖析中心化交易所的流动性采购模式，分析做市商协议如何在逆向选择与道德风险的约束下设计激励机制。
21.2.1 信息不对称
委托-代理理论为理解中心化交易所的流动性采购机制提供了分析框架。在这一框架下，交易所将流动性提供的任务委托给专业的做市商机构，但面临着一个根本性的障碍：交易所无法完全且实时地观测做市商的真实行为质量与意图。这种信息不对称不仅存在于事前（签约前），更贯穿于事后（签约后）的整个交易过程。
图 21-1 呈现这一委托-代理关系的内部结构：信息不对称在事前表现为逆向选择，在事后表现为道德风险，当极端行情触发豁免条款时两者同时爆发，导致流动性在最需要的时刻迅速蒸发。
图 21-1. CEX 委托-代理关系结构（作者基于委托-代理与微观结构理论构建的概念结构图，节点与箭头为机制关系、非实测；逆向选择分支依据 Glosten & Milgrom 1985 [2]）
在经典的微观结构理论中，做市商面临的主要风险被定义为逆向选择风险。根据 Glosten 和 Milgrom 在1985年提出的经典模型，做市商在提供流动性时无法区分其交易对手是掌握私有信息的知情交易者，还是仅出于流动性需求进行交易的噪声交易者 [2]。为了补偿与知情交易者交易时必然产生的预期亏损，做市商必须设定买卖价差，而这一价差的大小与市场中知情交易者的比例直接相关。Kyle 在1985年进一步发展了这一框架，建立了包含单一知情内部人、随机噪声交易者和竞争性做市商的 3 方动态模型，证明了知情交易者会通过分散交易来隐藏自己的信息优势，而做市商只能通过持续的价格调整来逐步吸收市场中的信息 [10]。
然而，在中心化交易所的委托-代理关系中，信息不对称的维度发生了深刻的倒转。交易所虽然掌握了平台内的全局订单流数据，但由于现代加密货币做市商通常在数十个中心化和去中心化平台上同时进行高频跨市场套利，交易所反而成为了相对“不知情”的一方。做市商能够利用其跨平台的信息优势和订单执行能力，在单一交易所内表现出符合协议要求的表面行为，而实质上却在进行可能损害该交易所长期流动性健康的策略。这种信息劣势在加密货币市场尤为突出，因为市场的极度碎片化使得任何单一平台都无法获得完整的全局价格发现信息，而顶级做市商的跨平台数据聚合能力恰恰构成了其核心竞争壁垒。
这种双向的信息不对称衍生出两个经典的经济学问题。逆向选择问题体现在签约阶段，交易所难以准确识别哪些做市商具备在极端波动中维持报价的真实能力，哪些仅仅是依赖简单的统计套利策略在平稳市场中攫取返佣的投机者。道德风险问题则体现在协议生效后，做市商可能利用其信息优势和技术手段，在表面上履行报价义务的同时，通过幽灵流动性等手段规避实质性的风险承担。幽灵流动性在实践中至少包含三种不同形态 [11]：第一种是闪烁报价，即存活时间极短的限价单在被成交前即被撤销，这可能是合理的风险管理行为，也可能是蓄意的虚假流动性展示；第二种是信号操纵，即多层挂单中仅最优价位有真实交易意图，深层挂单用于制造虚假的订单簿深度；第三种是跨平台重复计算，即同一资本来源在多个平台上同时挂单，导致市场整体流动性被系统性高估。三者在委托-代理分析中的含义完全不同：第一种通过撤单率指标可检测，第二种需要多档深度的动态分析，第三种则超出了单一交易所的监控范围。为了应对这些挑战，交易所不得不设计出复杂的做市商协议，通过精密的激励与约束机制来对齐双方的利益。
21.2.2 协议结构
做市商协议是中心化交易所解决委托-代理问题的核心契约工具。这些协议通常不向公众披露，但通过分析商品期货交易委员会等监管机构公开的合规文件以及行业通行实践，可以清晰地勾勒出其内部的利益交换结构 [12]。做市商协议的每一项条款，本质上都是在为流动性这一无形资产进行定价和风险分配。
如图 21-2 所示，从 CFTC 公开合规文件提炼出的做市商协议由义务、报酬、豁免 三大支柱构成，底部监控与执行机制为保障层；其中豁免条款划定的义务边界，恰是极端行情中系统性脆弱性的来源。
图 21-2. 做市商协议条款结构（义务、报酬、豁免三大支柱与底部监控与执行保障层的结构示意，非实测数据；条款据 CFTC 做市商协议文件 [12] 与正文§21.2.2）
协议的结构通常由 三大支柱构成。义务条款，这是交易所作为委托人设定的最低行为基准。典型的义务包括最大价差约束、最低深度要求以及严格的在线时间保证。例如，协议可能要求做市商在合约存续期内维持连续的双边报价（具体在线时间阈值因交易所而异，属行业通行实践），将买卖价差维持在不超过特定基点的范围内，并在最佳买卖价位上提供最低数量的流动性支持 [12]。这些量化指标旨在确保散户投资者在绝大多数时间里能够以合理的滑点成本执行交易。此外，为了防止做市商利用高频撤单策略制造虚假繁荣，部分协议还会对订单的存活时间或订单撤销率设定严格的上限。在延迟要求方面，协议通常规定做市商的报价更新响应时间必须低于特定阈值，以防止过时报价在市场快速波动时成为其他交易者的套利工具。
作为承担这些义务的对价，报酬条款构成了协议的第二大支柱。中心化交易所主要通过费用结构和技术特权来支付流动性采购成本。在费用层面，Maker 返佣机制是最核心的经济激励。当做市商的限价单被执行时，他们不仅无需支付交易手续费，反而能够从交易所向 Taker 收取的费用中获得一定比例的返还。这种负费率结构直接补贴了做市商的逆向选择成本和库存风险 [5]。在技术层面，交易所通常会向核心做市商提供 API 特权，包括更高的请求速率限制、更低的系统延迟，甚至在某些情况下提供优先撮合通道或专属的订单流数据反馈。这些特权实质上是将系统层面的微观结构优势作为一种隐性补贴转移给了做市商。部分交易所还会向顶级做市商提供库存融资便利，即以极低的利率向做市商借出平台上的数字资产，从而降低做市商的资本占用成本，使其能够在更多交易对上同时维持报价。
然而，协议的第三大支柱即豁免条款，揭示了这种契约关系的脆弱性。根据对公开做市商协议的分析，做市商的报价义务在多种情形下将被自动中止，包括基础市场数据计算暂停、不存在可供定价的直接基础市场、交易所认定存在不可预见的国际金融或政治经济条件使准确定价成为不可能，以及战争、自然灾害或技术故障等不可抗力事件 [12]。这种条款设计在法律和操作层面上具有合理性，但引入了结构性风险：触发“异常条件”的时刻，往往正是市场经历剧烈价格波动、流动性需求达到峰值的时刻。
表 21-2 汇总了上述 三大支柱中的核心条款，并从委托-代理理论的视角标注了每项条款在约束做市商行为中发挥的具体功能。从义务条款到豁免条款的过渡，清晰呈现了风险分担从做市商向交易所和最终用户逐级转移的制度逻辑。
| 条款类型 | 核心内容 | 委托-代理功能 |
|---|---|---|
| 最大价差约束 | 双边报价买卖价差上限（以基点计） | 限制做市商通过扩大价差转嫁逆向选择成本 |
| 最低深度要求 | 每档报价的最小数量 | 防止做市商提供象征性的“纸面流动性” |
| 在线时间要求 | 合约存续期内维持连续报价（具体阈值因交易所而异） | 确保流动性的时间连续性 |
| Maker 返佣 | 负费率机制，按交易量返还手续费 | 补偿做市商的逆向选择成本和库存风险 |
| API 特权 | 优先通道、更高速率限制 | 降低做市商的技术运营成本 |
| 异常市场豁免 | 在极端条件下暂停所有义务 | 将尾部风险转移回交易所和用户 |
表 21-2. 做市商协议核心条款的委托-代理功能分析（数据来源：CFTC 做市商协议文件 [12]）
21.2.3 逆向选择
在签订做市商协议之前，交易所面临着经典的逆向选择困境。由于做市商的真实策略、风险偏好和资本厚度属于高度保密的商业机密，交易所难以在事前准确区分愿意在波动中承担风险的“优质”做市商与仅在平稳期套取返佣的“劣质”做市商。如果交易所提供的激励条件过于宽松，将不可避免地吸引大量旨在剥削系统漏洞的高频投机者；如果条件过于苛刻，则可能导致真正具备实力的机构做市商退出市场，转向激励更为丰厚的竞争平台。这种两难困境在加密货币市场尤为突出，因为与传统金融市场的指定做市商制度不同，加密货币交易所的做市商计划通常不具有排他性，做市商可以同时在多个平台上运营，使得交易所的筛选机制始终面临跨平台套利的威胁。
为了缓解这一逆向选择问题，头部中心化交易所发展出了一套复杂的筛选与动态分级机制。首先是基于历史业绩的准入屏障。例如，某些顶级交易所的做市商计划要求申请者在过去 30 天内的交易量必须达到极高的阈值，以此作为其资本实力和策略执行能力的初步信号 [13]。这种高门槛实质上发挥了斯彭斯信号传递模型中的作用，因为对于缺乏真实做市能力的投机者而言，伪造如此庞大且持续的交易量的成本是极其高昂的。与此同时，部分交易所还会要求申请者提交详细的策略说明和风险管理框架，并通过与交易所技术团队的深度访谈来评估其系统稳定性和应急响应能力。
其次，交易所广泛采用基于绩效的动态层级系统。做市商不再被视为同质化的流动性提供者，而是根据其在过去一个考核周期内的实际表现被划分为不同的等级，通常从普通做市商到白金级或钻石级不等。评估指标不仅包括交易量占比，更深入到流动性质量的微观维度，如在特定深度内的挂单时间比例、在剧烈波动期间的报价连续性、订单撤销率以及价差维持的稳定性等。做市商的等级直接决定了其在下一个周期内能够享受的返佣比例和 API 特权级别。这种动态博弈机制迫使做市商在长期利益与短期套利之间做出权衡。如果做市商在某次市场震荡中选择大面积撤单以规避库存风险，其在系统中的评级将被迅速降级，从而失去未来的高额返佣特权，这一损失往往远超其在单次危机中通过撤单所规避的损失。
尽管这些筛选机制在一定程度上提高了流动性提供者的整体质量，但它们并不能完全消除逆向选择。由于加密货币市场的极度碎片化，做市商完全可以在不同交易所之间进行监管套利，将高风险的库存倾销给防范机制较弱的平台，而在激励最丰厚的平台上仅维持无风险的统计套利策略。这种跨平台的策略隐藏，使得单一交易所的筛选机制始终处于信息劣势之中。更为根本的问题在于，做市商的“真实能力”本身就是一个随市场状态变化的动态概念：一家在2021年牛市中表现卓越的做市商，可能在2022年的系统性去杠杆浪潮中因资本损耗而无力维持报价。历史业绩作为筛选信号的有效性，在结构性市场转变面前往往大打折扣。
21.2.4 道德风险
如果说逆向选择是事前的信息不对称，那么道德风险则是协议生效后做市商利用信息优势损害委托人利益的行为。在日常平稳的市场环境中，这种道德风险通常表现为“幽灵流动性”的泛滥。做市商通过在订单簿中放置大量极易撤销的限价单，在表面上满足了协议规定的最低深度和最大价差要求，从而合法地获取了交易所的返佣与特权。然而，这些订单往往伴随着极高的撤单率，一旦市场价格出现微小异动，或者真实的 Taker 订单试图成交时，这些看似深厚的流动性便会在毫秒级的时间内消失殆尽 [11]。这种行为实质上是做市商在履行纸面义务的同时，拒绝承担实质性的逆向选择风险。
影响更大的道德风险爆发于极端市场危机之中。当市场遭遇剧烈冲击、波动率急剧飙升时，交易所最需要做市商提供稳定的流动性来缓冲价格暴跌。然而，正是在这种关键时刻，做市商协议中的豁免条款往往成为做市商合法撤退的依据。根据对公开做市商协议的分析，当交易所认定存在“异常市场条件”或发生导致准确定价成为不可能的事件时，做市商的报价义务将被暂停 [12]。这种认定权通常由交易所单方面行使，而“异常市场条件”的定义本身就极为模糊，为交易所和做市商双方留下了巨大的解释空间。
这种制度设计导致了一个结构性矛盾：做市商在市场最不需要流动性的时候获得了丰厚的补贴，而在市场最需要流动性的时候却被合法地免除了义务。学术研究表明，即使是受到严格监管的指定做市商，在面对类似“闪崩”的极端行情时，其行为也不一定对市场有益。当高频交易者同步撤出市场时，指定做市商虽然在初期能够提供一定的缓冲，但在面临巨大的库存贬值风险和极度的信息不对称时，他们最终也会选择大幅拓宽价差甚至完全停止报价 [14]。在加密货币市场，由于缺乏传统金融市场中中央银行的最后贷款人支持，这种集体性的流动性撤退往往会引发灾难性的连环清算，将原本局部的价格波动放大为系统性的流动性枯竭。
道德风险的另一个维度体现在做市商对库存风险的主动管理策略上。在正常市场条件下，做市商通过高频的买卖价差收入来覆盖其逆向选择成本，并通过跨平台的对冲操作来控制净库存敞口。然而，当市场进入单边趋势时，做市商的对冲成本急剧上升，其在协议义务范围内的报价行为实际上演变为一种强制性的亏损承担。在这种情况下，做市商有强烈的动机通过各种手段规避这种被动的风险承担，包括故意触发豁免条款的技术条件、向交易所申请临时豁免，或通过极度拓宽价差来变相退出市场。这种行为的根源在于，做市商协议从未真正解决流动性提供的核心悖论：在市场最需要流动性的时候，提供流动性的代价也是最高的。
21.2.5 自营做市
当采购模式在危机中因豁免条款失效时，许多中心化交易所并未止步于契约调整，而是走向另一极端——将做市功能内部化；本节说明这一路径同样无法解决委托-代理困境，反而引入更严重的利益冲突。面对外部做市商在危机中不可靠的表现，这些交易所采取了一种更为激进的解决方案：建立自营的做市团队或与特定做市商建立深度的股权绑定关系。这种模式在表面上似乎彻底消除了委托-代理问题，因为委托人（交易所）和代理人（做市商）成为了同一个利益实体。然而，这种内部化非但没有解决问题，反而引发了更为严重的结构性利益冲突。
当交易所同时扮演交易撮合者、规则制定者和市场参与者的多重角色时，其自营做市部门不可避免地获得了相较于其他市场参与者的绝对信息优势。首先，自营做市商能够零延迟地获取全局订单流数据，包括所有客户的隐藏订单、止损位置和杠杆清算阈值。其次，它们在系统架构上享有物理级别的最低延迟，甚至可能在撮合引擎内部享有优先执行权。这种极度不对称的优势为各种形式的市场操纵创造了结构性条件。传统金融市场的监管框架（如美国的沃尔克规则，即《多德-弗兰克法案》第 619 条）正是基于对这种利益冲突的深刻认识：该规则禁止受监管的银行机构从事短期自营交易，但对真正的做市活动设有明确豁免，其制度精髓在于要求银行在同一交易台上严格区分以客户需求为基础的做市与以自有账户牟利的自营交易，并通过库存上限、薪酬设计等条件防止自营交易借做市之名规避禁令。
历史经验表明，加密货币交易所的自营交易往往伴随着严重的合规风险。一些平台利用自营账户进行洗售交易，通过在自营账户间进行对倒交易人为放大交易量，以制造市场繁荣的假象并吸引散户投资者 [15]。在某些极端行情中，交易所的自营做市部门可能利用对客户清算位置的精确掌握，故意发起定向的价格冲击，迫使客户爆仓，从而在市场的剧烈波动中牟取暴利。这种行为违背了交易所作为中立市场基础设施的根本属性，将委托-代理问题从“做市商欺骗交易所”异化为“交易所联合做市商欺骗最终用户”。
交易所与特定做市商之间的深度股权绑定关系，即使不涉及完全的内部化，也会产生类似的利益冲突。当一家做市商持有交易所的股权，或者交易所向特定做市商提供了其他市场参与者无法获得的独家信息特权时，这种关系实质上已经突破了公平市场的边界，将整个平台转变为特定利益集团的寻租工具。
21.2.6 结构性缺陷
综上所述，中心化交易所现有的流动性采购模式存在着难以克服的结构性缺陷。其核心症结在于，流动性这一高度动态且依赖于市场状态的公共品，难以通过静态的、刚性的双边契约有效约束和定价。
在委托-代理框架下，交易所通过复杂的激励和惩罚机制来规训做市商，但始终无法突破信息不对称的壁垒。做市商凭借其技术优势和跨市场视野，总能找到在满足协议字面要求的同时最小化自身风险的策略。这种合规套利的空间是内生于协议设计本身的，因为任何基于可观测指标的激励机制都必然面临 Goodhart 定律的挑战：一旦某个指标成为控制目标，它就不再是一个好的指标。当交易所将“在线时间”和“价差宽度”作为考核做市商的核心指标时，做市商就会专注于在这些维度上表现优异，而将真正重要的流动性质量，即在压力条件下的韧性，置于次要位置。
豁免条款的存在，更是从根本上承认了这种契约在极端危机面前的无力。每一个豁免条款都是一个隐性的“保险合同”，将尾部风险从做市商转移回交易所和最终用户。而当交易所通过自营做市来内化这一矛盾时，却又陷入了更为严重的利益冲突，损害了市场的公平性与透明度。
这种结构性缺陷表明，仅仅依靠中心化机构的契约设计和微观结构调整，无法从根本上解决加密货币市场的流动性供给难题。只要做市商的利润动机与交易所的公共平台属性存在根本分歧，只要信息不对称和监管套利的空间依然存在，这种基于委托-代理模型的流动性采购机制就将始终处于一种脆弱的动态平衡之中。这种困境也为去中心化金融中自动化做市商等替代性流动性供给机制的崛起提供了深刻的现实背景：在链上协议中，规则被编码为不可篡改的智能合约，流动性提供者的行为受到数学约束而非契约约束，从而从根本上改变了委托-代理关系的信息结构。
21.3 DEX 流动性工程的三层架构
与 CEX 的采购模式不同，去中心化交易所将流动性视为可通过协议机制制造的产品。本节以 Hyperliquid 为原型，解构这一工程化路径的资本层、策略层与分配层，并比较 两条 DEX 流动性路线的差异。
21.3.1 范式转换
CEX 与 DEX 在流动性治理上的根本分歧，源于对流动性本质的不同认知。如§21.2所述，CEX 将流动性视为一种由外部专业机构提供、需通过合同约束与费用返还去“采购”的“服务”，其有效性高度依赖信息不对称下的委托-代理关系 [16]，并在极端冲击中因做市商援引豁免条款撤回流动性而面临系统性风险 [17]。
相比之下，以 Hyperliquid 为代表的新一代 DEX 提出了截然不同的治理范式：将流动性视为一种可以通过协议机制“制造”的产品。在这种工程化视角下，流动性不再是少数专业机构的专利，而是由去中心化协议将原材料（散户资本）转化为成品（订单簿报价）的系统性输出 [3]。这种范式转换的核心在于，将原本依赖于人工信任和私下博弈的做市行为，重构为由智能合约和算法驱动的自动化流程。通过建立透明的规则体系，DEX 降低了传统模式中的道德风险，并实现流动性供给的民主化 [18]。然而，工程化路径并非消除了委托-代理问题，而是改变了其形式和风险分布。在金库模式下，存款人将资本委托给协议代码而非人工做市商，信息不对称的焦点从“做市商的真实意图不可观测”转向“算法策略的有效性和安全性不可完全验证”。这种转换降低了代理人的自由裁量权，但引入了算法刚性、参数治理和智能合约漏洞等新的风险维度。
在这一工程化体系中，参与者被重新定义。一方面，普通投资者可以通过向协议金库注入资金，成为间接的流动性提供者；另一方面，具备技术能力的独立做市商依然可以通过 API 接入，直接参与市场竞争。两者并非相互排斥，而是共同构成了 DEX 流动性生态的基础底座与弹性空间。这种将资本聚合、策略执行与收益分配进行解耦的系统设计，为解决流动性公共品困境提供了一种结构性的替代方案。
21.3.2 资本层
在流动性工程的三层架构中，资本层是整个系统的动力源泉。其核心机制是流动性金库，负责将分散的、小额的散户资金聚合为具有规模效应的做市资本。在传统的 CEX 模式中，做市商必须自带庞大的自有资金或通过机构融资来满足高昂的准入门槛，这使得流动性供给成为高度集中的寡头游戏 [19]。而金库机制则通过智能合约打破了这一壁垒，实现了资本供给的民主化。
投资者只需将稳定币存入指定的金库智能合约，即可获得代表其在资金池中份额的代币凭证。这些资金不再被闲置，而是由协议统一调度，作为底层资产支持后续的做市活动。从投资者的视角来看，这一过程类似于购买了一只专注于做市策略的指数基金（这一类比的局限将在§21.4.1 厘清）；而从协议的视角来看，金库充当了无缝衔接零售资本与专业做市需求的桥梁 [20]。
金库的设计并非一成不变，协议开发者需要在多个维度进行权衡。例如，单一金库模式能够最大化资金的利用效率，但在多资产做市时容易引发风险交叉传染；多金库模式则允许投资者根据不同资产的风险特征进行定向投资，但可能导致流动性碎片化。此外，为了维持做市资本的稳定性，金库通常会引入赎回限制或容量上限。这些设计细节直接决定了资本层在极端市场条件下的韧性，因为如果允许投资者在危机时刻无限制地抽离资金，金库本身就会成为加速市场崩溃的导火索。
21.3.3 策略层
资本层完成了资金的聚合，而策略层则负责将这些静态的资本转化为订单簿上动态的双边报价。在 Hyperliquid 的架构中，这一转换过程由内置的做市策略引擎自动完成。该引擎本质上是一个运行在协议层的自动化算法，它实时读取市场数据，计算最优的买卖价差，并在 CLOB 上挂出相应的订单 [21]。
策略引擎的核心任务是平衡流动性供给的深度与做市商面临的风险。其关键参数包括报价宽度、报价深度、库存管理阈值以及跨币种的资本分配比例。当市场处于常态时，引擎会保持较窄的价差以捕获交易手续费；当市场波动率急剧上升时，引擎会自动拓宽价差或减少挂单量，以降低逆向选择风险 [2]。与传统 AMM 的被动定价曲线不同，策略引擎具备主动管理库存的能力，它可以通过调整报价的不对称性，引导市场交易来消化单边风险敞口。
这种“协议即做市商”的设计，使得策略引擎的行为在功能上等价于一个专业的量化做市商团队，但其运行逻辑完全由公开透明的代码驱动。链上可审计性消除了传统模式中的黑箱操作，确保了执行过程的公平性。然而，这种透明性也带来了一个内生的悖论：公开的策略参数极易被高频交易者或 MEV 搜索者进行逆向工程和博弈 [22]。此外，由于参数调整通常需要经过治理流程，策略引擎在面对突发性黑天鹅事件时，其响应速度往往不及由人工干预的中心化做市商。
这种架构还涉及一个容易被忽视的信任假设。Hyperliquid 当前采用中心化排序器处理交易指令，排序器控制着订单的排序和执行优先级。HLP 策略作为协议原生组件，其订单的提交和执行路径可能享有优先权，这在功能上类似于 CEX 做市商协议中的 API 特权。这一事实意味着§21.3.1 中“委托给代码而非人”的论述需要进一步限定：策略代码虽然是公开可审计的，但它运行在由核心团队控制的排序器基础设施上。信任并未被完全消除，而是从对做市商个体行为的信任转移为对排序器运营者不滥用执行优先权的信任。随着 Hyperliquid 推进排序器的渐进式去中心化，这一信任假设的强度将逐步降低，但在当前阶段，将 HLP 描述为完全无需信任的流动性供给机制并不准确。
在资本层、策略层和分配层之外，实际运行的系统还包含一个横切于三层之间的风控层。策略引擎的执行并非无约束的，协议对其施加了多重风控参数限制，包括单一资产的最大头寸规模、金库整体净敞口上限、单笔交易的最大名义价值以及特定资产类别的杠杆倍数上限。这些约束不属于做市算法的内部逻辑，而是独立于策略之上的安全边界。风控层的设计质量直接决定了金库在边界条件下的生存能力：JELLY 和 POPCAT 事件的核心教训并非做市策略本身存在缺陷，而是风控参数未能在建仓阶段有效约束长尾资产上的极端头寸集中（该失衡放大金库尾部风险的完整机制详见§21.4.3）。
21.3.4 分配层
流动性工程的最后一环是分配层，它负责将做市活动产生的收益公平、透明地回馈给资本层的参与者。在 Hyperliquid 的经济模型中，费率分配模块是维持整个系统长期运转的激励中枢。金库的收入来源主要分为两部分：一是策略引擎在订单簿上促成交易时捕获的买卖价差及交易手续费分成；二是当市场发生大规模强平时，金库接管违约头寸所获得的清算罚金 [10]。
这 两种收入来源在市场周期的不同阶段表现出显著的互补性。在低波动的常态市场中，做市价差和手续费是稳定的基础收益；而在高波动或极端行情下，尽管逆向选择风险导致做市亏损增加，但激增的清算罚金能够形成有力的逆周期对冲。分配模块根据投资者持有的金库份额，按比例将这些净收益折算为份额净值的增长。
这一机制构建了一个自我强化的激励闭环。交易者的活跃带来了手续费收入，吸引更多散户资本注入金库；金库规模的扩大提升了订单簿的流动性深度，进而吸引更多交易者。在这一闭环中，清算罚金的回流使得金库在危机后能够迅速补充资本，增强了其接管下一轮清算头寸的能力 [23]。这种将清算管理与做市收益深度绑定的设计，使得协议在面临系统性冲击时具备了比传统 CEX 更强的自我修复能力。
21.3.5 整体运作
前述 3 节分别分析了资本层、策略层与分配层的内部逻辑，而 三层架构的核心价值在于其协同运作。图 21-3 将 三层架构的系统组件及其交互关系按自上而下的资金流向置于同一视图，可追踪资金在各层之间的流向与状态转换。
图 21-3. Hyperliquid 流动性工程三层架构图（数据来源：Hyperliquid 协议文档 [24]）
流程始于用户 A 向协议的 HLP 金库存入 USDC。这笔资金进入资本层后，与众多其他用户的资金汇合，形成了一个庞大的流动性池。此时，用户 A 获得了代表其出资比例的 HLP 份额代币。随后，策略层接管了这笔聚合资本。做市策略引擎根据预设的算法参数，评估当前市场的波动率和多空力量对比，计算出最优的买卖价格和挂单数量。引擎将这些参数转化为具体的指令，在链上 CLOB 上同时挂出买单和卖单。
当交易者 B 在订单簿上提交市价买单时，系统将其与策略引擎挂出的卖单进行撮合。成交完成后，交易者 B 支付了交易手续费，而策略引擎则实现了买卖价差的捕获。此时，资金流向进入分配层。费率分配模块将这笔交易产生的手续费收入以及价差利润进行汇总。如果在此期间发生了交易者 C 的爆仓事件，清算引擎会介入并收取清算罚金，这笔资金同样流入分配模块。最终，分配模块按照规则，将总收益按比例累加到金库的总资产中，用户 A 持有的 HLP 份额净值随之上升，完成了从资本投入到价值捕获的完整闭环。
图 21-4 将上述交易生命周期以全链路流程呈现，每个环节均由智能合约自动执行，无需人工介入。
图 21-4. 资金流向全链路：用户存入→订单簿报价→收益分配（数据来源：Hyperliquid 协议文档 [24]）
21.3.6 两条路线
在去中心化订单簿 CLOB 的发展路径上，目前演化出两种截然不同的流动性治理模式。以 Hyperliquid 的 HLP 金库为代表的模式可称为“协议即做市商”。在这种模式下，协议不仅提供交易基础设施，还直接运营内置的做市引擎。其核心优势在于流动性的控制权和危机期间的较高韧性。由于策略引擎由代码固化，其执行逻辑不受市场情绪影响，在常态下按规则持续报价、不因情绪或利润动机主观撤单，从而为市场提供了规则可验证的流动性底线（极端边界条件下这一逻辑仍可能被治理干预覆盖，见§21.4.6）[25]。
与之相对的，是以 dYdX v4 为代表的“协议招募做市商”模式。在这种架构中，协议专注于打造高性能的链上撮合引擎，而将流动性供给完全交由外部的独立做市商负责。为了吸引这些专业机构，协议通常会设计复杂的代币激励计划和阶梯式的费率返还结构 [26]。这种模式在常态市场下能够提供极高的流动性质量，因为外部做市商拥有更先进的硬件设施和更灵活的策略调整能力。
两者的根本差异体现在风险分布与治理结构上。“协议即做市商”模式将策略风险（如算法漏洞或参数失误）社会化，由所有金库参与者共同承担；而其准入门槛降至最低，实现了完全的民主化。相反，“协议招募做市商”模式将风险隔离在独立的专业机构内部，但其流动性供给依然面临与 CEX 类似的委托-代理困境：当市场崩溃时，代币激励往往不足以弥补做市商的库存损失，导致流动性瞬间蒸发 [27]。这两种路线并非绝对对立，未来的 DEX 架构更有可能走向融合：利用内置金库提供基础的抗脆弱流动性，同时通过激励机制引入外部做市商以提升市场的整体效率。
21.4 案例分析：HLP 金库
HLP 金库是流动性工程范式的典型产品，它将专业做市活动转化为普通投资者可参与的标准化收益工具。本节从定位、收益、风险、历史表现和治理 五个维度对其进行深度剖析。
21.4.1 指数化投资
金融产品的演进历史是一部将机构特权转化为大众产品的民主化进程。在传统股票市场中，指数基金和交易所交易基金通过聚合散户资本，将被动投资从机构专属的复杂操作转化为普通投资者可随时参与的标准产品 [28]。这一范式转换不仅降低了投资门槛，更重塑了市场的微观结构，使得被动资金成为市场流动性的重要基石。在去中心化衍生品交易所的语境下，Hyperliquid 协议中的 HLP 金库代表了类似的结构性创新。该金库将参与永续合约做市这一高度专业化、资本密集型的活动，转化为任何用户均可无许可参与的收益产品 [29]。这种机制更准确地说是一种流动性风险溢价的结构化获取工具，它在降低做市参与门槛这一维度上与指数基金的民主化逻辑一致，但在风险收益特征上与指数投资存在根本差异，其核心在于通过协议层面的工程化设计，实现做市活动的资金募集、策略执行与收益分配的完全自动化。
从机制设计来看，HLP 金库并非简单的资金池，而是一个具备系统级经济行为能力的自主主体。用户将美元稳定币存入金库后，协议的内置引擎会接管这些资本，在平台上所有的永续合约交易对中同时执行双边报价策略 [30]。这种多合约分散做市的特性，与传统指数基金按权重购买一篮子成分股的逻辑高度一致。流动性提供者不需要具备量化交易的专业知识，也不需要搭建低延迟的基础设施，他们实际上是将策略制定和风险管理的权利委托给了协议代码 [31]。在此过程中，金库份额本质上成为了一种新型的资产类别，代表了对整个交易所做市商利润池的被动风险暴露。
然而，将做市活动与指数投资进行类比，必须厘清两者在风险收益特征上的根本差异。传统的指数投资者是市场风险的承担者，其收益来源于资产价格的长期增长；而金库的流动性提供者则是市场微观结构中流动性保险的卖方。做市商的核心利润来源于买卖价差的捕获以及资金费率的套利，这些收益是对其承担逆向选择风险和库存风险的补偿 [32]。当用户将资金存入金库时，他们并未买入市场趋势，而是系统性地卖出了流动性。这种角色的转换意味着，金库的净值表现并不直接取决于加密资产的牛熊周期，而是与市场的波动率特征、交易量规模以及竞争性做市商的参与程度密切相关。因此，流动性风险溢价的结构化获取虽然在参与形式上实现了民主化，但在风险评估的复杂性上远超传统的被动投资工具。从行为金融学的视角来看，将金库类比为“指数基金”存在框架效应风险：“指数基金”在散户认知中意味着低风险、长期持有和被动分散化，而金库存款人实际承担的是逆向选择风险、库存非线性爆发风险和大户操纵风险，其回报分布呈现出与指数投资截然不同的负偏态和厚尾特征。
21.4.2 收益来源
HLP 金库的收益结构并非单一维度的线性累加，而是由三个具备不同周期性特征的独立引擎共同驱动。这种多引擎设计是金库能够在不同市场状态下维持相对稳定净值的核心原因。
第一个收益引擎是做市价差收入，这也是所有做市活动最基础的利润来源。在常态市场中，金库策略引擎通过在订单簿上持续挂出买入和卖出限价单，赚取买卖价格之间的微小差额 [33]。由于金库的资本规模庞大，且能够同时在所有交易对上提供流动性，这种高频、微利的交易在庞大基数的累积下构成了金库在低波动时期的主要收益基石。然而，价差收入对市场环境高度敏感。当市场波动率急剧上升时，单边行情会导致做市商的挂单被频繁击穿，库存迅速积累在不利方向，此时价差收入不仅会显著下降，甚至可能转为负值 [34]。
第二个收益引擎是协议手续费分成。作为协议原生金库，HLP 金库享有特殊的分成权利，能够捕获平台上一定比例的交易者手续费 [35]。这一收入流的特征在于其与做市策略的实际表现解耦，纯粹由平台的总交易量驱动。在经济学意义上，这可以被视为协议对金库提供基础流动性的一种“参与奖励”。当市场进入高波动状态时，虽然做市价差收入面临压力，但交易量的激增会带动手续费分成显著上升，从而在一定程度上对冲了做市策略的潜在亏损。
第三个收益引擎是清算罚金与违约头寸管理。在杠杆交易市场中，当交易者的保证金率低于维持保证金要求时，其头寸将被强制平仓，并被收取额外的清算罚金 [36]。这一收入流需要区分两种性质截然不同的构成。在常态市场中，大量小额分散清算产生的罚金构成了风险可控的手续费收入，其与金库库存风险的相关性较低。然而，在极端行情中由大户爆仓或连环清算触发的大额罚金，其性质则完全不同：金库在获取这些罚金的同时被迫承接巨量方向性头寸，清算罚金收入与库存风险在同一时刻同步放大。这种“带毒收益”意味着清算罚金作为收益引擎的净效果高度依赖于后续市场走势：如果价格回归，金库既获得罚金又实现库存盈利；如果价格继续偏离，罚金收入将远不足以补偿库存亏损。JELLY 事件即为后者的典型案例。
图 21-5 描绘了这 三个收益引擎在常态市场、高波动市场和极端危机 三种状态下的相对贡献占比。其中清算罚金在极端危机阶段成为支撑净值的核心来源，在特定条件下可部分补偿做市亏损，但这种补偿是事后的、不确定的，且高度依赖市场回归速度，因此不应被理解为天然的逆周期对冲。
图 21-5. HLP 三个收益引擎的周期性特征（概念示意：三引擎的相对贡献占比为机制推演、非实测损益；机制依据 Hyperliquid Protocol vaults [29]，辅以 HLP 安全词条 [35]；金库链上损益数据可通过 DefiLlama 及 Hyperliquid 官方金库面板查询）
这 三个引擎的组合构建了一个精妙的内部对冲机制。在常态市场中，做市价差提供稳定的正向现金流；在高波动市场中，手续费分成的上升弥补了价差捕获率的下降；而在极端危机中，清算罚金的爆发式增长成为吸收库存损失的关键缓冲。这种收益结构的非线性特征，使得金库的净值曲线展现出有别于单一做市策略的韧性。
21.4.3 风险暴露
尽管多引擎的收益结构提供了内在的风险缓冲，但流动性供给的本质决定了金库无法免疫于市场微观结构中的系统性风险。将资本汇聚并交由自动化策略执行，实际上是将流动性提供者暴露于 五类截然不同的风险之中。
首先是逆向选择风险。在订单簿模型中，做市商始终面临与具备信息优势的交易者进行对手方交易的困境。当市场价格发生真实移动时，做市商往往会以过低的价格卖出或以过高的价格买入，这种由信息不对称造成的结构性亏损被称为逆向选择成本 [8]。由于金库策略由公开代码驱动、持仓状态在链上完全透明，其报价逻辑容易被高频套利者与 MEV 搜索者预测和博弈，逆向选择敞口因而被放大（这一透明度悖论的完整分析详见§21.4.6）。
其次是库存风险的非线性爆发。金库在数十个永续合约交易对上同时做市，在常态下，不同资产的独立波动可以实现库存风险的统计学分散 [37]。然而，在加密货币市场中，资产间的相关性在极端行情下往往会急剧收敛至接近于一。当全市场遭遇宏观冲击时，金库可能在所有交易对上同时积累相同方向的单边库存。这种多维库存的同步恶化会导致分散化效应瞬间失效，将金库推入严重的资本消耗状态。如果单边行情持续时间超过了金库策略调整的周期，账面浮亏将转化为不可逆的实质性资本损失。
第三类是极端事件与大户操纵风险。与可以通过人工干预随时主动断开系统连接的中心化交易所做市商不同，协议金库的自动化属性决定了它无法主观拒绝交易。这种“始终在线”的特性在提供流动性底线的同时，也使其成为恶意操纵的潜在目标。如果资金体量庞大的交易者利用金库报价深度的机械性，在流动性较差的长尾资产上蓄意制造极端价格偏离，迫使金库在高位接盘或低位割肉，金库的资本将被迅速消耗 [38]。此类攻击利用了金库策略在应对非理性交易行为时的刚性缺陷，构成了金库尾部风险的最大来源。
第四类是标记价格与预言机偏差风险。HLP 的清算引擎依赖标记价格触发强制平仓，而标记价格由多个外部交易所的现货指数价格与基差的指数移动平均平滑分量计算得到（资金费率是标记价格与指数价格之间基差的函数，而非标记价格的计算输入，详见第 14 章）。在正常市场中，标记价格与平台内的可交易价格高度一致，但在极端行情下两者可能出现显著偏差。JELLY 事件的关键攻击环节正是利用了这一机制：攻击者通过在外部现货交易所操纵 JELLY 代币价格，使 Hyperliquid 平台上的标记价格大幅偏离实际可交易价格，导致金库基于失真的标记价格承接头寸并产生巨额未实现亏损。这种风险在低流动性资产上尤为突出，因为操纵外部现货市场所需的资本量与该资产在永续合约平台上的未平仓合约规模不成比例。
最后是策略与算法风险。金库的运行高度依赖于预设的参数矩阵和代码逻辑。参数的设定（如报价宽度、深度分配、库存倾斜系数）需要适应不断变化的市场微观结构。如果市场状态发生根本性转换，而策略参数未能通过治理流程及时更新，金库的报价行为将偏离最优解，导致持续的资金流失 [39]。在更底层，智能合约的安全性构成了所有链上金融基础设施的基底风险：金库合约、策略合约和预言机喂价合约的任何漏洞都可能导致资金被直接提取或策略引擎执行错误指令。加密行业历史上最大规模的资金损失事件（如跨链桥被攻击）均源于合约层而非策略层的安全缺陷，这一风险在§21.6.4 讨论的跨链流动性层中将进一步放大。
上述 五类风险并非均匀分布于所有市场状态。图 21-6 以矩阵形式展示各类风险在常态、高波动和极端危机 三种市场环境下的严重程度演变；其中策略与合约风险贯穿所有市场状态，且难以通过资本缓冲来对冲。
图 21-6. HLP 五类风险暴露矩阵（概念示意：五类风险×三市场状态的严重度为微观结构理论推演、非量化评分，理论依据 Tiniç et al. 2023 [8]、Fournier & Jacobs 2020 [37]；严重度参考 HLP 金库历史回撤事件，as-of 2026 年 6 月：2025 年 3 月 ETH 大户清算事件损失约 400 万美元、2025 年 3 月 JELLY 代币攻击事件最大未实现亏损约 1350 万美元[1][57]及 2025 年 11 月 POPCAT 操纵事件坏账约 490 万美元[38][58]）
21.4.4 历史表现
对金库历史表现的实证分析，对于检验其机制有效性具有重要意义。自金库上线以来，其净值曲线不仅记录了做市策略在不同市场周期中的盈利能力，也刻画了协议架构在面对极端冲击时的脆弱性边界。
截至 2025 年 10 月，HLP 金库的累计损益约为 1.218 亿美元，对应约 50% 的（区间内）总回报和约 42% 的全周期年化复合增长率（数据来自 DefiLlama hyperliquid-hlp 面板，口径为 all-time 累计损益，访问于 2026 年 6 月；总回报以金库期内平均管理规模为分母，42% 年化受早期低基数效应显著抬升，详见下文限定）。在该口径下的 64 个观察周中仅有 6 周录得负收益，平均周收益率约为 0.84%。这种表现符合高频做市策略的经典特征：通过极高胜率的微利交易累积收益。然而，净值曲线的平滑性在特定时间节点会被剧烈的下行缺口打破。2025 年 3 月 12 日，一名大户通过存入 430 万美元保证金建立 50 倍杠杆的 ETH 多头头寸（名义价值约 2 亿至 2.3 亿美元），随后故意撤回保证金触发清算，迫使 HLP 金库在极端不利价格下吸收约 11.3 万枚 ETH 的平仓流动性，造成约 400 万美元的直接损失 [36]。仅两周后的 3 月 26 日，JELLY 代币攻击事件中，攻击者利用长尾资产的流动性薄弱，通过跨平台操纵现货价格迫使金库的空头头寸出现约 1350 万美元的最大未实现亏损 [1][57]。2025 年 11 月的 POPCAT 操纵事件则进一步暴露了金库面对市场操纵时的脆弱性，攻击者通过虚假买墙和闪电撤单造成约 490 万美元坏账 [38][58]。尽管清算罚金和手续费收入在事后部分弥补了这些损失，净值的深幅回撤真实反映了金库作为最后贷款人所承担的系统性成本。在有利的清算事件中，金库同样能获得显著收益，例如 2026 年 2 月 1 日一笔 7 亿美元 BTC 多头头寸的强制清算为金库带来了约 1500 万美元的单日盈利（该事件数据来自 KuCoin [38] 与 Longbridge [59] 2026 年 2 月报道及 Hyperliquid 金库面板，访问于 2026 年 6 月）。然而，这一盈利事件在风险分析框架中应获得对称的关注：它表明 HLP 在该时点承接了一个巨大的方向性头寸，如果 BTC 价格向相反方向移动同等幅度，金库可能遭受同等规模的亏损。这一事件反映的更多是金库风控参数允许的风险集中度水平，而非策略层面的优越性。
对上述业绩数据的解读需要若干重要限定。42% 的年化复合增长率受到低基数效应的显著抬升：金库早期管理规模远低于后期，早期高回报率对全周期 CAGR 的贡献不成比例。随着管理规模从 2024 年末的约 1.5 亿美元增长至 2025 年 5 月的约 5.12 亿美元峰值（规模曲线为单一来源估计，具体数值待 DefiLlama/官方面板历史数据核校），单位资本的预期收益出现了明显稀释：2024 年全年收益率约为 50%，而 2025 年单位资本年化收益率明显回落（不同来源与口径下的估计区间约为 10%–22%，差异主要源于是否扣费、是否计入代币激励以及统计窗口不同）。此外，观察期覆盖了加密市场的强势周期，做市策略在高交易量和适度波动环境中通常表现良好。清算罚金收入的存在使得金库在功能上做多了市场波动率，前述约 1500 万美元单日盈利事件表明金库承担着显著的方向性风险敞口，这与§21.4.1 中将金库定位为“不直接取决于加密资产牛熊周期”的表述存在张力。
从攻击面分析的视角来看，JELLY 和 POPCAT 两次事件虽然在结果上均表现为金库的财务损失，但其攻击向量存在本质差异。JELLY 事件属于流动性耗尽攻击：攻击者通过建立大额空头头寸并故意触发自我清算，迫使金库以对手方身份承接整个头寸，随后通过跨平台现货操纵放大金库的未实现亏损。JELLY 事件后，协议实施了降低最大杠杆倍数和新增开仓限制等风控措施。然而，8 个月后的 POPCAT 事件采用了不同的攻击向量，即虚假买墙制造价格幻觉后闪电撤单，属于市场操纵而非流动性耗尽，JELLY 时代的修复措施并未覆盖这一攻击类别。两次事件共同暴露的系统性弱点在于，HLP 在长尾资产上的报价深度相对于外部可操纵资本的规模严重不成比例。
图 21-7 标注了金库净值演变过程中的关键市场事件，揭示了外部冲击如何映射到内部资本池的损益波动中。
图 21-7. HLP 净值曲线（示意走势）与关键事件标注（净值曲线为示意走势，初始净值=1.0，曲线形态参考 Hyperliquid 官方金库面板及 DefiLlama [29]，非逐日实测序列；叠加的四个关键事件的时点、方向与金额为实测，as-of 2026 年 6 月：2025 年 3 月 ETH 大户清算损失约 400 万美元[36]、2025 年 3 月 JELLY 攻击最大未实现亏损约 1350 万美元[1][57]、2025 年 11 月 POPCAT 操纵坏账约 490 万美元[38][58]、2026 年 2 月大户清算单日盈利约 1500 万美元，事件来源见正文§21.4.4[59]）
进一步的收益归因分析（基于协议机制推演，缺乏链上分项损益数据的直接验证）显示，不同市场状态下利润构成的动态切换可能是金库维持长期盈利的关键。在波动率适中的常态市场中，机制上预期买卖价差捕获贡献了主要的正向收益，这反映出金库的定价算法在处理常规订单流时应具备相当的竞争力。然而，当市场进入高波动象限时，收益结构发生显著反转。此时，做市价差的贡献大幅萎缩，而由交易量激增带来的手续费分成和大规模平仓引发的清算罚金成为支撑净值的核心支柱。
图 21-8 对金库在两种典型市场环境下的收益归因进行了量化拆解。
图 21-8. HLP 收益归因分解（概念示意：两情景的收益归因占比为机制推演、缺乏链上分项损益数据的直接验证、非实测分解；归因主锚为 Hyperliquid 金库面板与 DefiLlama 收入分项 [29]）
这种动态的收益补偿机制解释了为何金库能够在经历深度回撤后迅速修复净值。它表明，协议层面的分配规则设计，即将手续费和清算罚金内化为金库收入，实质上是对流动性提供者承担尾部风险的系统性交叉补贴。如果剥离了这部分非做市收入，单纯依靠价差捕获的自动化策略在链上环境中的长期生存能力将大打折扣。
21.4.5 与传统产品的比较
将去中心化协议的流动性金库与传统金融市场中的创新产品进行比较，有助于锚定其在更广阔金融谱系中的坐标。在传统金融中，虽然交易所交易基金极大地普及了被动投资，但直接参与做市活动始终被视为机构专属的领域。近年来，一些结构性产品通过衍生品打包，为散户提供类似做市商收益的敞口（如卖出波动率策略或备兑期权基金），这类产品可被宽泛地称为“做市交易所交易基金” [40]。
HLP 金库与这类传统产品在底层逻辑上存在显著差异。传统结构性产品通常通过在场外市场或衍生品交易所执行复杂的期权策略来模拟做市收益，其运作过程对投资者完全黑盒。投资者只能看到最终的净值变化，无法穿透到底层的头寸分布和执行细节。相比之下，协议金库实现了真正的链上透明。金库的每一笔挂单、每一次成交、资金的流入流出以及实时的库存状态，都在区块链浏览器上公开可查 [31]。这种极度透明的信息结构显著降低了传统金融中管理人与投资者之间的信息不对称（但如§21.4.6 所述，透明本身并未完全消除信息不对称，而是将其转移为策略层面的可预测性劣势）。
在准入门槛和中介成本方面，协议金库展现出了去中心化架构的效率优势。传统产品受限于严格的监管框架，往往要求极高的最低认购金额，并收取高昂的管理费和业绩报酬。协议金库则通过智能合约实现了资金募集的零门槛和零管理费 [29]。收益在扣除网络摩擦成本后，完全按比例分配给流动性提供者。这种去中介化的利润分配模型，使得做市收益的捕获效率达到了传统金融难以企及的高度。
然而，创新也伴随着不可忽视的局限性。传统结构性产品虽然成本高昂且不透明，但其背后有严格的监管背书和完善的投资者保护机制。当产品面临极端风险时，存在清晰的法律追责路径。协议金库则运行在无监管的加密原生环境中，代码即法律的原则意味着流动性提供者必须自行承担所有的技术风险和经济损失。此外，传统产品通常会提供标准化的风险度量指标（如在险价值模型计算），而协议金库目前缺乏统一的风险评估框架，使得普通投资者难以准确衡量其真实的风险暴露水平。
21.4.6 治理困境
作为一种由代码驱动、社区注资的金融基础设施，协议金库在治理层面面临着一系列复杂的权衡。这些困境源于金库的公共品属性与其在竞争性市场中生存所需的策略隐蔽性之间的根本矛盾。
首要的冲突是透明度悖论。从流动性提供者的角度出发，极度的透明是建立信任的基础，他们需要确切知道自己的资金被如何使用。然而，在零和博弈的交易市场中，策略的透明往往等同于被剥削的弱点。当金库的报价逻辑、库存阈值和调仓频率对全网公开时，专业的量化团队可以轻易构建针对性的反向策略，在金库调整头寸前抢跑，或者在金库被迫平仓时施加流动性挤压 [8]。这种由透明度带来的逆向选择成本最终由流动性提供者承担。因此，协议必须在“让投资者放心”与“防止被对手方套利”之间寻找脆弱的平衡。
另一个核心困境是参数控制权的归属。金库的策略引擎虽然自动化运行，但其核心参数（如价差乘数、库存容忍度）仍需人为设定。如果将参数控制权完全交给核心团队，金库实质上退化为一个中心化管理的黑盒基金，违背了去中心化的初衷。但如果将参数调整交由去中心化自治组织通过代币投票决定，冗长的治理流程将使得金库无法对瞬息万变的市场微观结构做出及时反应 [39]。在极端行情下，几分钟的参数调整延迟可能意味着数百万美元的损失。这种“控制权去中心化”与“执行效率最大化”的矛盾，是当前所有链上自动化做市协议共同面临的治理难题。
参数控制权的困境在极端事件中表现得尤为尖锐。2025 年 3 月 JELLY 事件的应急处置揭示了一种“危机治理回归”现象：当金库面临约 1350 万美元的未实现亏损并威胁到整个金库约 2.3 亿美元资产（JELLY 事件发生的 2025 年 3 月底金库管理规模）的安全时，Hyperliquid 的验证者通过紧急投票以 0.0095 美元（远低于当时约 0.50 美元的市场价格）强制结算所有 JELLY 头寸，并将该代币从平台下架。这一干预在功能上等价于 CEX 的人工风控介入，与§21.3.1 中“委托给代码而非人”的工程化定位形成了内在张力。从制度分析的视角来看，当前 DEX 流动性工程实际上运行在一种混合模式中：常态下由代码规则治理，危机下回归人工裁量。这种安排在传统金融中有其对应物，例如中央银行在常态下遵循泰勒规则等政策框架，在危机中则行使紧急裁量权。但这一类比也暴露了一个法律不确定性：如果协议主张自身是去中心化的，验证者投票单方面变更交易条件可能在合同法框架下构成违约；如果承认存在中心化决策主体，则这一主体可能面临市场操纵的法律指控。危机治理回归的合法性边界，是当前 DEX 治理架构中尚未解决的制度缺口。
金库机制还面临一个有别于市场微观结构风险的生存性威胁：法律定性风险。HLP 金库聚合散户资本、由算法策略统一管理、按份额比例分配收益，这一结构在美国证券法的 Howey 测试框架下可能满足全部四个构成要件，即金钱投入（存款人注入 USDC）、共同企业（资金汇入统一池）、期待利润（存款人预期通过做市活动获取收益）以及依赖他人努力（收益取决于协议代码和核心团队的策略设定）。在多数司法管辖区，这种结构可能被认定为集合投资计划或基金产品。如果金库份额被归类为证券，协议将面临注册为投资公司或基金管理人的合规要求，这将从根本上改变 DEX 流动性工程模式的可行性，因为§21.3 所描述的无许可参与、零管理费和全球即时准入的特性在现行证券监管框架下均难以维持。
此外，流动性提供者的赎回权与金库的系统韧性之间也存在内生冲突。为了保障资金的自由进出，金库通常允许用户在极短的锁定期后随时赎回资本 [29]。然而，当市场遭遇极端危机、金库面临严重回撤时，投资者的避险行为往往会引发大规模的赎回潮。这种顺周期的资本抽离不仅会削弱金库接管清算头寸的能力，还会迫使策略引擎在流动性最差的时候平仓变现，从而进入“净值下跌—资本赎回—被迫平仓—净值进一步下跌”的负反馈循环。因此，无限的赎回权实际上构成了金库在极端状态下主要的系统性风险来源。如何在保障投资者权益与维护金库资本缓冲能力之间设计合理的退出机制（如动态赎回费率或危机期提现限制），是流动性治理亟待解决的课题。
21.4.7 金库分工
随着去中心化衍生品交易所规模的扩张，单一金库承担所有流动性职责的架构逐渐暴露出内部风险交叉感染的问题。做市策略追求的是高频、低波动的稳定收益，而清算接管则涉及低频、高波动的尾部风险暴露。将这两种风险收益特征截然不同的业务混合在同一个资本池中，使得流动性提供者无法根据自身的风险偏好进行精确配置。针对这一问题，一种自然的架构演进设想是引入专业化分工，将清算职能从做市金库中剥离，形成独立的清算流动性提供者（LLP）金库 [41]。需要强调的是，这一分工属于机制设计与演进设想，而非当前部署：截至 2026 年 6 月，Hyperliquid 官方文档显示其清算（liquidator vault）仍是 HLP 的一个组成策略，而非与 HLP 并列、防火墙隔离的独立金库 [29]；本节以下分析据此应理解为对清算职能专业化分工的概念探讨。
这种分工架构在经济学上实现了风险的隔离与重新定价。HLP 专注于常态市场下的订单簿双边报价，通过捕获买卖价差和交易费分成获取收益。其风险敞口主要集中在常规的逆向选择和短期库存波动上，适合追求相对稳定现金流的风险中性投资者。而清算流动性提供者金库则专门作为协议的最后贷款人，在交易者被强制平仓时接管违约头寸，并通过获取清算罚金来补偿其承担的极端市场风险。这种设计吸引了具备更高风险承受能力、愿意为捕获危机溢价而忍受长期资金闲置的投资者。
图 21-9 示意上述设想中 HLP 做市金库与清算流动性提供者（LLP）金库的分工：HLP 承担常态市场的订单簿双边报价，收入以做市价差和手续费为主；清算流动性提供者金库专注于危机时刻的违约头寸接管，通过清算罚金获取收益；两者间的风险隔离防火墙确保清算流的冲击不会传导至做市策略的库存平衡。
图 21-9. HLP 与 LLP 的分工架构（示意：HLP 与独立清算金库 LLP 的分工与风险隔离为机制设计与演进设想；截至 2026 年 6 月，Hyperliquid 清算 liquidator vault 为 HLP 的组成策略、非独立金库 [29]；理论依据 Chitra 2025 Autodeleveraging [41]）
专业化分工不仅满足了资本端的差异化需求，更在策略执行层面产生了显著的协同效应。在单一金库模式下，当市场发生连环清算时，涌入的巨量违约头寸会瞬间打破做市策略的库存平衡，迫使引擎停止报价甚至反向吃单平仓，这恰恰在市场最需要流动性的时候抽干了订单簿的深度。引入独立的清算金库后，违约头寸被隔离接管，做市金库的库存状态免受清算流的直接冲击。这种隔离机制使得做市策略能够在极端行情下维持更长时间的正常运转，从而提升了整个交易所流动性供给的系统韧性。然而，分工架构的风险隔离效果在极端尾部事件中可能失效。当全市场遭遇单边行情引发级联清算时，清算金库被迫承接大量同方向头寸的同时，HLP 做市金库也因正常做市活动在同方向上积累库存，两类金库的损益在极端行情下呈现高度正相关，分散化效应在最需要时消失。这种系统内部的共振风险与第 20 章讨论的流动性反周期性直接相关，其缓解需要在金库设计层面引入方向性约束（如对清算金库设置对冲要求）或时间延迟机制（如延迟承接清算头寸以避免短期价格冲击）。
通过资本聚合、自动化策略执行以及专业化的风险隔离，协议金库机制完成了一次对传统做市模式的深度解构与重塑。它证明了在去中心化网络中，复杂的金融中介服务可以被转化为透明的协议规则。然而，流动性供给的工程化并非消除风险，而是改变了风险的分布形式。在未来的市场演进中，这种将代码作为代理人的新型委托关系，仍需经受更多极端周期的压力测试。
21.5 独立做市商的生存模拟
流动性工程的核心目标是通过协议规则将分散的资本转化为持续的双边报价。在这一架构中，金库代表了一种被动参与的途径，允许普通用户将资金委托给协议的策略引擎。然而，链上中央限价订单簿同样允许独立做市商通过 API 直接接入并执行自主策略。这两种流动性供给方式在微观结构上形成了互补关系。为了评估协议激励机制在吸引主动做市商方面的有效性，本节通过模拟一个中型独立做市商在 Hyperliquid 平台上的运营过程，量化其风险收益结构，并探究在不同市场情景下的盈利性边界。
21.5.1 模拟设定
评估做市商的生存能力需要建立一套符合链上环境特征的参数体系。以下参数设定基于公开文献中的经验区间进行校准：波动率假设参考 BTC 永续合约年化实现波动率约 60%–75% 的经验区间 [42]；价差与逆向选择比例参考 He et al. (2022) [43] 报告的 BTC 永续合约订单簿微观结构数据（平均买卖价差低于 0.05 个基点，50 万美元订单的价格冲击低于 0.3 个基点；此处基点口径与原文相对价差定义一致，引用时需注意 basis point 与 percent 的换算）以及 Tiniç et al. (2023) [8] 对有效价差的逆向选择分解；资金费率分布参考 Schmeling et al. (2023) [44] 的 BIS 工作论文。模拟旨在提供说明性分析而非精确的定量预测，具体数值在不同市场周期和平台之间存在显著差异。本模拟构建了一个典型的中型独立做市商画像，其初始资本规模设定为75 万美元，主要专注于中等市值加密资产（如 ETH 或 SOL）的永续合约交易对。该做市商采用经典的库存管理策略，其基础设施的订单执行延迟在200 至 500 毫秒之间。这一延迟水平在链上环境中属于中等偏上水平，虽然无法与传统中心化交易所的微秒级共址执行相媲美，但足以在大多数去中心化限价订单簿上维持具有竞争力的报价。
策略参数的设定直接决定了做市商在订单簿上的行为表现。基础双边价差设定为±3 个基点，这一宽度在提供有效流动性的同时，为做市商保留了基本的利润空间。在订单深度方面，该做市商在买卖双侧各维持5 万至 10 万美元的挂单量。库存管理是做市策略的核心环节，当单边库存绝对值超过20 万美元时，策略引擎将触发报价倾斜机制，通过调整买卖价差的非对称性来吸引反向订单，从而促使库存向中性回归。此外，为应对极端尾部风险，当市场短期波动率超过3 个标准差时，策略将自动暂停双边报价，进入风险规避状态。
市场环境假设基于真实历史数据抽象为三种典型情景。常态市场占据约65% 的交易时间，特征为波动率平稳且订单流呈现随机分布。高波动市场占比约25%，通常伴随宏观经济数据发布或行业重大事件，特征为价格呈现明显的单边趋势且有效价差显著收窄。极端危机情景虽然仅占10% 的时间，但往往表现为流动性枯竭和清算级联反应，是考验做市商生存能力的关键时期。这三种情景构成了后续收入与成本测算的基础环境。极端情景的 10% 概率设定基于 2024-2025 年加密永续合约市场的经验频率，即约 10% 的交易周出现日内波动超过 5% 的极端事件。敏感性分析表明，当尾部事件频率上升时，做市商的年化预期收益将迅速向盈亏平衡收敛（具体临界数值仅为说明性，取决于参数设定），这反映了尾部风险定价对盈利性判断的决定性影响。
21.5.2 收入端分析
独立做市商的收入结构由三个主要部分构成，其稳定性和可预测性各不相同。第一项收入来源是协议提供的流动性提供者返佣。为了吸引做市商，许多去中心化交易所采用挂单返佣机制，即对提供流动性并最终被成交的订单给予手续费奖励 [5]。这部分收入相对稳定，其规模直接取决于做市商的日均成交量和协议设定的返佣率。在模拟中，该项收入被视为做市商的无条件基础收益，构成了覆盖固定运营成本的第一道防线。
第二项收入来源是买卖价差捕获，这是传统做市商最核心的盈利方式。做市商通过同时提供买价和卖价，在双边成交中赚取差价。然而，理论价差并不等于实际捕获的收益。以下捕获率与损失率均为本模拟的校准值，非实证观测。在常态市场下，由于订单流的随机性较高，做市商的有效价差捕获率通常可以维持在40% 至 60%之间。这一比率衡量的是双边均成交的订单占比（毛捕获率），扣除逆向选择成本和运营摩擦后的净利润率约为 0-30%。当市场进入高波动状态时，单边趋势增强导致做市商往往只能在不利方向上被动成交，有效捕获率将急剧下降至20% 至 30%。在极端危机中，由于市场呈现单向大规模抛售或买入，做市商几乎无法实现双边匹配，价差捕获率趋近于零。
第三项损益成分是资金费率净收入。资金费率是永续合约市场中用于锚定现货价格的核心机制，多空双方根据价格偏差定期交换费用 [43]。对于做市商而言，这部分收入具有高度的随机性。严格来说，资金费率应归类为与库存方向相关的条件性损益而非纯粹的收入项：中性做市商在多空头寸大致平衡时的资金费率净收入接近于零，仅在持有系统性方向偏移时才构成稳定收入来源，但此时做市商同时承担了方向性风险 [44]。其正负取决于做市商当前的库存方向与资金费率方向的乘积。如果做市商持有与市场主导趋势相反的库存，通常可以获得正向的资金费率补偿；反之则需要支付费用。研究表明，在某些特定市场环境下，资金费率套利本身即可构成一种独立的盈利策略 [45]。但在纯粹的做市策略中，资金费率收入往往是损益表中波动较为剧烈的成分，难以作为稳定的利润预期。
21.5.3 成本端分析
做市商在追求上述收入的同时，必须承担多维度的成本与风险。逆向选择损失是做市商面临的最主要隐性成本。当具备信息优势的交易者进入市场时，做市商往往会以不利的价格与其成交，随后市场价格向不利方向移动，导致做市商产生账面亏损 [46]。在链上环境中，由于所有交易数据和智能合约状态都是公开可见的，做市商的报价意图更容易被高频套利者或最大可提取价值搜索者利用。因此，链上做市的逆向选择损失率通常高于传统中心化交易所。在常态市场下，该损失约占理论价差的 30% 至 40%；在高波动情景下约为 60% 至 80%；在极端情景下可能超过 100%，意味着做市商每成交一笔都在实质性亏损。
库存波动损失构成了第二项核心成本。做市商在提供双边报价的过程中，不可避免地会积累单边头寸。在库存向中性回归之前，这些头寸完全暴露于市场价格波动之中 [47]。模拟显示，库存波动损失与基础资产的波动率以及做市商的平均持库时间呈显著正相关。在单边趋势强烈的市场中，做市商往往会积累大量劣势头寸，此时库存管理机制的有效性将受到严峻考验。如果价格偏离速度超过了库存倾斜策略吸引反向订单的速度，做市商将面临巨大的未实现亏损。
此外，做市商还需承担链上执行的摩擦成本与制度成本。虽然某些应用链或二层网络显著降低了单笔交易费用，但对于需要高频更新报价的做市商而言，累积的执行费用依然是一笔不可忽视的开支。制度成本则包括为维持全天候运营所需的基础设施投入，以及在去中心化协议中可能面临的特殊风险溢价，例如清算引擎异常触发导致的意外损失。这些固定和半固定成本进一步抬高了做市商的盈利门槛。
21.5.4 情景分析
将上述收入与成本要素代入 三种设定的市场情景。如图 21-10 所示，常态市场下净值曲线平滑上升，高波动情景下盈亏在零轴附近交替、波动性显著增大，极端危机情景下净值急剧下降，直观呈现尾部风险的非对称性。
图 21-10. 独立做市商损益模拟：三种情景（数据来源：蒙特卡洛模拟，波动率参数校准参考 BTC 永续合约年化实现波动率 60%–75% 的经验区间 [42]，逆向选择比例校准参考 Tiniç et al. 2023 [8] 报告的有效价差分解，资金费率分布参考 BIS 工作论文 [44]）
在常态市场中，做市商能够有效发挥流动性中介的作用。此时，订单流的随机性使得买卖双边成交相对均衡，价差捕获足以覆盖逆向选择损失和执行成本。模拟结果显示，在此情景下，做市商的综合日均收益率可达资本规模的0.05% 至 0.15%，净值曲线呈现稳步上升的趋势。这表明在平静的市场环境中，协议的激励机制与做市商的盈利诉求能够实现良好的激励相容。
当市场进入高波动情景时，做市商的盈利结构发生显著恶化。单边趋势的形成导致库存迅速失衡，逆向选择损失率攀升至理论价差的60% 至 80%。尽管交易量的增加可能带来更多的返佣收入，但这部分增量往往不足以弥补库存波动造成的账面亏损。在此阶段，做市商的日均收益在盈亏平衡线附近剧烈震荡，净值曲线的波动性显著增加。做市商的核心任务从追求利润转变为控制风险，策略的重点在于如何通过激进的报价倾斜快速出清劣势库存。
在极端危机情景下，市场微观结构发生断裂。大规模单向订单淹没订单簿，做市商的有效价差捕获率降至冰点，而逆向选择损失远超100%。更为严重的是，在流动性枯竭的环境中，库存管理机制彻底失效，做市商无法找到愿意接盘的对手方。模拟显示，在这一情景下，做市商将面临显著的单日亏损，净值曲线出现急剧下降。这种非对称的尾部风险正是促使许多独立做市商在危机爆发初期选择撤销报价、退出市场的根本原因。
21.5.5 盈利性边界
做市商的生存能力对多个微观结构参数高度敏感。如图 21-11 所示，对资本规模、基础价差、市场波动率和竞争强度 四个参数各自进行敏感性分析，可划定独立做市商在链上环境中的盈利性边界——这也从侧面反映了协议激励机制的有效性下界。
图 21-11. 盈利性边界敏感性分析（数据来源：数值测算，模型参数见§21.5.1，成交概率与逆向选择权衡参考 Albers et al. 2025 [48] 基于 Binance BTC 永续合约的实证研究）
资本规模是决定做市商抗风险能力的基础。分析表明，资本规模与年化收益率之间存在非线性的正相关关系。较小的资本规模意味着做市商在面临库存失衡时更容易触及风险限额，从而被迫在不利价格平仓。只有当资本规模超过特定阈值（模拟中约为50 万美元）（此处指总资本，包含保证金和运营储备；在 5%-10% 的初始保证金率下可支撑约 500 万至 1000 万美元的名义做市头寸，模拟仅覆盖单一中等市值交易对）时，做市商才能在覆盖固定成本的同时，具备足够的缓冲垫来吸收高波动市场带来的短期回撤。
基础价差的设定直接决定了做市商的毛利率。在给定逆向选择概率的前提下，过窄的价差将导致做市商每笔交易的预期收益为负，使其陷入结构性亏损。然而，价差也受到市场竞争的严格约束。竞争强度的增加迫使做市商收窄报价以争取成交机会，这压缩了整个行业的利润空间 [49]。当活跃做市商数量增加时，单家做市商的订单流分配减少，盈利性边界随之上移，要求做市商必须具备更优的执行效率或更低的运营成本才能存活。
市场波动率则是影响盈利性边界的最活跃外生变量。适度的波动有助于增加交易量和价差捕获机会，但当波动率超过策略模型的容忍上限时，库存风险将呈指数级放大。敏感性分析清晰地展示了收益率随波动率上升而快速衰减的轨迹。这意味着，协议设计的激励机制必须能够在高波动时期提供额外的风险补偿，否则理性的独立做市商将不可避免地选择退出，导致流动性供给在最需要的时候发生断裂。
21.5.6 主动与被动对比
在评估了独立做市商的生存状态后，有必要将其与普通用户直接将资金存入协议金库（被动参与）的路径进行对比。这 两种流动性供给方式在收益来源、风险控制和参与门槛上存在根本差异。如表 21-3 所示，独立做市商在收益来源和风险控制上拥有完全的自主权，能够根据市场状态动态调整策略甚至选择撤退；而金库参与者将这些决策权完全委托给协议代码，获得的是技术门槛的大幅降低和收益曲线的相对平滑，但代价是在危机中丧失了主动退出的灵活性。
| 维度 | 独立做市商（主动） | 金库参与者（被动） |
|---|---|---|
| 收益来源 | 完全自主控制，依赖自身策略的价差捕获与返佣 | 由协议引擎统一控制，分享全盘手续费与清算罚金 |
| 风险控制 | 动态调整，可随时暂停报价或撤退 | 被动承受，受制于协议参数与提现冷却期约束 |
| 技术门槛 | 极高，需具备低延迟基础设施与量化研发能力 | 极低，仅需执行链上转账操作即可参与 |
| 预期收益 | 离散度大，可能获得超额利润或面临严重亏损 | 相对平滑，呈现市场平均做市收益特征 |
| 危机表现 | 倾向于撤销报价以规避未知尾部风险 | 策略刚性导致资金持续暴露，提供底线流动性 |
表 21-3. 独立做市商与金库流动性提供者风险-收益对比（数据来源：协议文档与微观结构理论推演 [50][51]）。注：本表沿“主动-被动参与者身份”轴展开，其“收益来源/风险控制”对应§21.1.3 四维框架中的有效性与激励相容性，“危机表现”对应韧性维度
从经济学视角来看，这两种模式并非简单的替代关系，而是构成了链上流动性生态的互补层。独立做市商代表了“精英层流动性”，他们通过精细化的算法和极低的延迟，在常态市场中提供最紧密的买卖价差，主导了价格发现过程。然而，由于他们拥有完全的自主权，其流动性供给在极端危机中往往表现出脆弱性。
相比之下，金库参与者汇聚了长尾资本，形成了“基础层流动性”。虽然协议引擎的策略可能不如顶尖独立做市商那般敏锐，但其核心特征在于代码执行的规则可验证性。金库资金在正常市场条件下依然按照既定规则维持报价，为市场提供了不可或缺的流动性底线。这种“主动-被动”双轨制架构，使得去中心化交易所在追求常态效率的同时，获得了一定程度的系统韧性。
21.5.7 有效性评判
基于上述模拟（独立做市商侧的单主体损益模拟）与§21.4 的金库分析，可以对协议层面的流动性激励机制给出综合评判。评估一个激励机制的有效性，需要区分“吸引”与“留住”两个不同层面的目标。
在吸引层面，以返佣和手续费分成为代表的经济激励在常态市场中表现出显著的有效性。只要协议能够提供稳定的交易量预期，明确的财务回报足以克服独立做市商进入链上环境的初始技术门槛和摩擦成本。模拟数据证实，在合理的参数设定下，主动做市策略能够实现超越无风险利率的资本回报，这解释了为何新兴去中心化交易所能够在短时间内汇聚可观的订单簿深度。
然而，在留住层面，特别是面对极端市场危机时，单纯的财务激励往往不足以弥补潜在损失。当逆向选择损失和库存风险的预期值超过了返佣奖励的边际效用时，理性做市商的唯一最优解依然是撤退。这意味着，传统的激励机制无法从根本上解决流动性供给的公共品困境。在此背景下，协议金库机制展现出了其独特的结构性价值。金库的存在并非为了在效率上击败独立做市商，而是通过固化一部分资本的做市义务，强制性地为市场提供危机缓冲。需要强调，本节单主体模拟所能直接支撑的结论是：独立做市商在极端危机中倾向于撤退。而“金库底线流动性吸收集中抛压、降低独立做市商单边库存风险、进而促使其留守”则是一个尚未被本模拟证明的理论推断，其检验需要纳入金库与独立做市商交互的多主体仿真或经验数据。在这一机制假设下，底线流动性的存在有可能改善独立做市商的生存环境，促使部分原本计划撤退的做市商选择留守，从而在宏观层面提升整个市场微观结构的稳定性。
21.6 两种范式的比较与共存
前述各节分别分析了 CEX 采购与 DEX 工程的内部逻辑。本节将 两种范式置于统一的分析框架下进行系统性比较，讨论流动性民主化的实质内涵，并展望 两种范式的共存格局与未来趋势。
21.6.1 系统性对比
流动性治理的核心问题在于如何在不同市场状态下维持做市商的参与意愿。中心化交易所与去中心化交易所在解决这一问题时采取了截然不同的制度路径。中心化交易所通过双边私下协议向专业机构“采购”流动性，而以 Hyperliquid 为代表的去中心化交易所则通过智能合约与金库机制将流动性供给“工程化”。这两种范式在常态流动性质量、危机韧性、透明度与准入门槛等维度上展现出系统性的差异。
常态市场的流动性质量是衡量市场微观结构效率的首要指标。中心化交易所凭借严格的资本门槛与做市义务条款，能筛选出具备高频交易能力的顶级做市商，在主要交易对上维持极窄的买卖价差与深厚的订单簿深度；去中心化交易所受限于链上结算延迟与算法刚性，其常态流动性质量通常只能达到中高水平 [16]。然而这一差异在极端条件下往往逆转：中心化交易所的协议普遍含异常市场条件豁免条款，允许做市商在剧烈波动时撤回报价，在最需要流动性时加剧市场脆弱性；去中心化交易所的协议级做市金库则按预设规则持续报价，不因主观判断而主动撤退，为市场提供流动性底线，尽管极端边界条件下仍可能被治理干预覆盖。
表 21-4 将上述分析汇总为 两种范式在 六个核心维度上的系统性对比。值得注意的是，CEX 与 DEX 在多个维度上呈现出互补性的强弱分布：CEX 在常态流动性质量和危机响应速度上占优，DEX 则在透明度和准入门槛上具备结构性优势，而两者在危机流动性韧性上的差异，即 CEX 的做市商可以合法撤退而 DEX 的金库不会主动撤单，构成了本章分析的核心发现。
| 维度 | CEX 采购 | DEX 工程（Hyperliquid 类） |
|---|---|---|
| 常态流动性质量 | 极高 | 中-高 |
| 危机流动性韧性 | 急降（撤退+豁免） | 有底线但可被治理干预覆盖 |
| 透明度 | 极低 | 极高 |
| 准入门槛 | 极高 | 低 |
| 利益冲突 | 严重 | 较低但存在 |
| 危机响应速度 | 快（人工干预） | 慢（规则刚性） |
表 21-4. CEX 采购 vs. DEX 工程系统性对比（数据来源：Aquilina et al. (2024) [16] 与协议机制分析）。注：本表是§21.1.3 四维框架沿“CEX vs DEX”轴的投影——“常态流动性质量”对应有效性，“危机流动性韧性/危机响应速度”对应韧性，“透明度”与四维同名维度一致，“利益冲突”对应激励相容性；“准入门槛”为本表相对四维框架的增量维度
在透明度与利益冲突方面，中心化交易所的委托代理模型存在固有的信息不对称。交易所作为规则制定者与裁判员，有时甚至通过自营做市商直接参与市场竞争，这种双重身份引发了严重的利益冲突。去中心化交易所则将所有规则编码于智能合约中，策略参数与资金流向完全链上可见，极大降低了信任成本 [3]。然而，这种高透明度也带来了算法被博弈的风险，且在面临未知危机时，规则刚性导致其响应速度远慢于中心化交易所的人工干预。
21.6.2 流动性民主化
去中心化交易所的工程化范式不仅改变了流动性的生产方式，更在结构上推动了“流动性民主化”的进程。这一概念并非简单的营销话术，而是包含了供给侧民主化、信息民主化与风险分担民主化三个相互交织的维度 [52]。
供给侧民主化打破了专业做市商对流动性收益的垄断。在传统架构中，做市业务需要极高的资本门槛与复杂的基础设施，普通投资者只能作为流动性的消费者（吃单方）支付价差。通过流动性金库设计，去中心化交易所允许任何持有资产的用户按比例注入资金，从而将散户资本聚合为机构级的做市资本。这种机制使得普通参与者能够获取市场微观结构层面的收益，实现了从消费者向生产者的身份转换。
信息民主化则致力于削弱市场参与者之间的信息特权。中心化交易所往往通过高级接口向特定做市商提供更优的订单流数据或更低的延迟，这种不透明的特权分配加剧了市场的逆向选择风险。在链上订单簿模型中，所有订单提交、撮合与结算数据均公开可查，策略引擎的参数也通过治理流程公开。这种高度透明化虽然削弱了信息优势带来的超额利润，但显著降低了由于信息不对称引发的系统性信任危机（如§21.3.3 所述，链上排序器的执行优先权等特权并未被完全消除）[53]。
风险分担民主化是流动性金库机制的必然结果。专业做市商通常需要独自承担极端的库存风险与价格波动风险，而金库机制将这些风险按份额分散给所有流动性提供者。这种风险分散效应在常态下提升了资金的承载能力，但也潜藏着深刻的代价。散户流动性提供者往往缺乏对复杂做市风险的定价能力，容易被高收益率吸引而低估极端行情下的尾部风险。同时，由于策略参数的设定需要极高的专业知识，治理权最终仍可能向少数核心开发者集中，从而在决策层面上偏离了完全民主化的初衷。
21.6.3 共存格局
流动性治理的两种范式并非绝对的替代关系，而是在不同资产类别与市场状态下展现出显著的互补性。市场结构的演进表明，中心化采购与去中心化工程正在形成一种基于比较优势的共存格局。
在主流资产（如比特币与以太坊）的交易中，中心化交易所凭借其在常态市场下的极高效率与低延迟优势，依然占据着价格发现的主导地位。专业做市商能够在这些高流动性资产上实现利润最大化，因此有强烈的意愿参与中心化交易所的流动性采购。然而，当市场遭遇极端冲击导致专业做市商集体撤退时，去中心化交易所的协议级金库则承担了底线流动性供给的功能。其不撤退的特性虽然在短期内可能承受账面亏损，但为整个加密市场的价格连续性提供了最后的底线保障。这种常态优质与危机底线的结合，构成了主流资产市场结构的完整韧性。
对于长尾资产而言，两种范式的分化更为明显。由于长尾资产波动率高且交易需求不稳定，专业做市商面临极高的存货风险与逆向选择成本，往往不愿意在中心化交易所为其提供流动性服务。此时，去中心化交易所的工程化优势得以充分体现。通过无需许可的金库创建与社区驱动的资本聚合，长尾资产能够迅速跨越流动性启动的冷启动门槛 [3]。在这种场景下，去中心化机制填补了中心化资本不愿涉足的空白地带，成为创新资产实现价格发现的唯一有效路径。
上述分析基于一个隐含假设：CEX 与 DEX 的流动性体系独立运行，因此其互补性在极端条件下仍然成立。然而，实际市场中两种体系之间存在多条风险传导路径，可能导致互补结构在最需要的时刻同步失效。同一做市商往往同时在 Binance 和 Hyperliquid 上运营，共享资本池和风险限额。当 CEX 端遭受大额损失时，做市商可能被迫同时从 DEX 端撤出流动性以满足整体风控要求，形成跨平台的流动性传染。更关键的是，CEX 做市商触发豁免条款退出与 DEX 金库存款人赎回挤兑可能由同一宏观事件（如系统性去杠杆或监管冲击）同步触发。2022 年 11 月 FTX 崩溃期间，DEX 的交易量短暂激增，但订单簿深度同样急剧萎缩，为这种共振失效提供了经验先例。因此，两种范式的共存格局更准确地说是一种“条件互补”，即在中等程度的市场压力下互补性成立，但在系统性流动性冲击中可能同时失效。
此外，随着监管框架的逐步清晰，合规场景将进一步固化这种分化格局。中心化交易所将越来越倾向于服务机构客户与受监管资产，其流动性采购协议将更加标准化与法律化；而去中心化交易所则继续作为无国界、抗审查资产的流动性基础设施，依靠密码学工程维持其独特的生态位。
21.6.4 未来趋势
流动性微观经济学的演进并未停滞。随着技术的突破与市场深度的增加，三种新兴趋势正在重塑去中心化流动性工程的未来边界。
AI 做市代理正在大幅降低独立做市商的技术门槛。传统的高频做市策略需要庞大的量化团队与昂贵的计算资源，而新一代的自动化算法模型能够通过机器学习自适应调整报价参数与库存管理策略 [54][55]。这种智能化工具的普及将使得更多中小型量化团队甚至个人开发者能够以独立做市商的身份接入去中心化订单簿，从而在协议金库之外补充更具灵活性的“精英层流动性”。在四维框架下，这一趋势主要改善有效性维度，使 DEX 的常态流动性质量向 CEX 标准收敛。
跨链流动性层的构建直接作用于有效性和激励相容性两个维度。当前，流动性被割裂在众多孤立的区块链网络与特定协议中，导致资本利用率低下。新一代跨链聚合架构通过标准化的消息传递与资产锁定机制，实现流动性在不同网络间的无缝调度 [56]。一旦这种底层互操作性完全实现，流动性金库将能够基于各链的实时收益率动态分配资本，从单一市场的做市商进化为全局市场的流动性提供者。
流动性即服务模式的兴起正在打破传统的签约绑定关系。在该模式下，流动性不再是依附于特定交易所的附属品，而是被抽象为一种可通过标准化接口调用的独立资源。项目方或新兴交易平台无需再与做市商进行繁琐的定向谈判，而是直接从去中心化的流动性网络中“租赁”所需的做市深度。这种模块化的流动性供给架构不仅极大地降低了新市场的启动成本，也标志着流动性从一种被动采购的服务转变为可编程、可组合的金融基础设施。在四维框架下，流动性即服务模式同时改善了透明度（标准化接口取代私下协议）和韧性（模块化架构允许流动性来源的快速切换），但其激励相容性取决于定价机制能否准确反映不同市场状态下流动性的真实成本。
21.7 本章小结
第 19 至 21 章共同构建了理解流动性供给问题的完整分析框架。本章考察了 两种截然不同的治理应对：CEX 的流动性采购模式与 DEX 的流动性工程模式。前者通过与做市商签订私下协议形成委托代理关系，在常态下具备高效率与灵活性，但信息不对称导致的逆向选择与道德风险在极端波动时期集中爆发，做市商援引豁免条款合法撤退，恰在系统最需要流动性时免除了供给义务。后者以 Hyperliquid 的 HLP 金库为代表，通过资本层、策略层和分配层的 三层架构将流动性供给转化为协议内置的自动化流程，降低了准入门槛，但并未消除委托-代理问题，而是将其转化为存款人与协议代码之间的新型信任关系，引入了算法刚性、参数治理和智能合约漏洞等新的风险维度。
本章的核心发现在于：DEX 工程模式的独特治理价值并非效率上的超越，而是执行规则的可验证性与事后可审计性。在正常市场条件下，策略引擎按预设规则确定性执行，不会因情绪或利润动机主动撤单；但 JELLY 和 POPCAT 事件表明，在极端边界条件下，协议仍可能通过验证者投票等治理机制覆盖代码执行。这种“平时代码治理、危机人工裁量”的混合模式与 CEX 的人工干预在结果上相似，但过程透明、链上可审计，这一差异而非“执行的确定性”构成了两种模式的真正区分。在有效性、激励相容性、透明度和韧性的 四维框架下，CEX 采购与 DEX 工程构成互补的市场结构：前者在常态下提供高效的精英流动性，后者在危机中提供坚韧的底线流动性。
随着流动性生产与治理范式的演进，市场的核心矛盾逐渐从如何维持订单簿的深度，转向如何应对资产价格的剧烈波动。做市商的存货风险、清算引擎的吞吐能力以及金库资本的保全，最终都取决于系统对波动率的定价与吸收能力。当流动性供给演变为对极端价格变动的承受力测试时，对波动性本身的微观结构分析便成为不可回避的课题，这也为第八篇关于波动性与衍生品定价的探讨奠定了基础。
参考文献
[1] Binance Square（社区投稿，作者 Louis Wang / Biteye Core Contributor；非 Binance Research 机构研报）. (2025). In-depth research on Hyperliquid: The DeFi legend from zero to trillion. 访问于 2026 年 6 月. https://www.binance.com/en/square/post/28571815431049
[2] 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
[3] Capponi, A., & Jia, R. (2025). Liquidity provision on blockchain-based decentralized exchanges. The Review of Financial Studies, 38(10), 3040–3085. https://doi.org/10.1093/rfs/hhaf046
[4] Anand, A., & Venkataraman, K. (2016). Market conditions, fragility, and the economics of market making. Journal of Financial Economics, 121(2), 327–349. https://doi.org/10.1016/j.jfineco.2016.03.006
[5] Alexander, A. (2025). The impact of market-making incentives on crypto liquidity & price stability. SSRN Electronic Journal. https://ssrn.com/abstract=5143194 https://doi.org/10.2139/ssrn.5143194
[6] Aquilina, M., Budish, E., & O'Neill, P. (2022). Quantifying the high-frequency trading "arms race." The Quarterly Journal of Economics, 137(1), 493–564. https://doi.org/10.1093/qje/qjab032
[7] Foucault, T., Kozhan, R., & Tham, W. W. (2017). Toxic arbitrage. The Review of Financial Studies, 30(4), 1053–1094. https://doi.org/10.1093/rfs/hhw103
[8] Tiniç, M., Sensoy, A., Akyildirim, E., & Corbet, S. (2023). Adverse selection in cryptocurrency markets. Journal of Financial Research, 46(2), 497–546.
[9] Madhavan, A. (2000). Market microstructure: A survey. Journal of Financial Markets, 3(3), 205–258. https://doi.org/10.1016/s1386-4181(00)00007-0
[10] Kyle, A. S. (1985). Continuous auctions and insider trading. Econometrica, 53(6), 1315–1336.
[11] Delphi Digital. (n.d.). What is ghost liquidity? https://members.delphidigital.io/learn/ghost-liquidity
[12] Commodity Futures Trading Commission. (2025). Market maker agreement: North American Derivatives Exchange (Nadex) d/b/a Crypto.com Derivatives North America (CFTC org-rules filing, 2025-01；协议正文为 September 2022 version). https://www.cftc.gov/sites/default/files/filings/orgrules/25/01/rules01022513031.pdf
[13] Binance. (2019). Introducing the Binance Market Maker Program. https://www.binance.com/en/support/announcement/detail/360034573691
[14] Bellia, M., Christensen, K., Kolokolov, A., Pelizzon, L., & Renò, R. (2022). Do designated market makers provide liquidity during a flash crash? (SAFE Working Paper No. 270). Leibniz Institute for Financial Research SAFE.
[15] Chainalysis. (2025). Market manipulation: Suspected wash trading. https://www.chainalysis.com/blog/crypto-market-manipulation-wash-trading-pump-and-dump-2025/
[16] Aquilina, M., Foley, S., Gambacorta, L., & Krekel, W. (2024). Decentralised dealers? Examining liquidity provision in decentralized exchanges. Bank for International Settlements Working Papers, No. 1227. https://bis.org/publ/work1227.pdf
[17] Biais, B., Foucault, T., & Moinas, S. (2015). Equilibrium fast trading. Journal of Financial Economics, 116(2), 292–313. https://doi.org/10.1016/j.jfineco.2015.03.004
[18] Hasbrouck, J. (2007). Empirical market microstructure: The institutions, economics, and econometrics of securities trading. Oxford University Press.
[19] O'Hara, M. (2015). Market microstructure theory. John Wiley & Sons.
[20] Malinova, K., & Park, A. (2024). Learning from DeFi: Would automated market makers improve equity trading? SSRN Electronic Journal. https://ssrn.com/abstract=4531670
[21] Sim, J. Y., Chun, H., & Park, J. (2025). Toward unified liquidity in cryptocurrency markets: A comparative survey and architectural perspective. International Journal of Advanced Smart Convergence, 14(2), 33–45.
[22] Daian, P., Goldfeder, S., Kell, T., Li, Y., Zhao, X., Bentov, I., ... & Juels, A. (2020). Flash boys 2.0: Frontrunning in decentralized exchanges, miner extractable value, and consensus instability. IEEE Symposium on Security and Privacy (SP), 910–927. https://doi.org/10.1109/sp40000.2020.00040
[23] Klages-Mundt, A., & Minca, A. (2021). (In)Stability for the blockchain: Deleveraging spirals and stablecoin attacks. Cryptoeconomic Systems, 1(2). https://cryptoeconomicsystems.pubpub.org/pub/klages-mundt-blockchain-instability https://doi.org/10.21428/58320208.e46b7b81
[24] Hyperliquid Foundation. (2025). Hyperliquid documentation. https://hyperliquid.gitbook.io/hyperliquid-docs/
[25] Foucault, T., Kadan, O., & Kandel, E. (2013). Liquidity cycles and make/take fees in electronic markets. The Journal of Finance, 68(1), 299–341.
[26] dYdX Foundation. (2023). v4 deep dive: Rewards and parameters. https://www.dydx.xyz/blog/v4-rewards-and-parameters
[27] Colliard, J. E., & Foucault, T. (2012). Trading fees and efficiency in limit order markets. The Review of Financial Studies, 25(11), 3389–3421. https://doi.org/10.1093/rfs/hhs089
[28] Braun, B. (2016). From performativity to political economy: Index investing, ETFs and asset manager capitalism. New Political Economy, 21(3), 257–273.
[29] Hyperliquid. (2023). Protocol vaults. https://hyperliquid.gitbook.io/hyperliquid-docs/hypercore/vaults/protocol-vaults
[30] Hyperliquid. (2023). Hyperliquidity Provider (HLP): Democratizing market making. https://medium.com/@hyperliquid/hyperliquidity-provider-hlp-democratizing-market-making-bb114b1dff0f
[31] Chitra, T., Diamandis, T., Sheng, N., Sterle, L., & Yusubov, K. (2025). Perpetual demand lending pools. arXiv preprint arXiv:2502.06028. https://arxiv.org/abs/2502.06028 https://doi.org/10.48550/arXiv.2502.06028
[32] Gornall, W., Rinaldi, M., & Xiao, Y. (2025). Perpetual futures and basis risk: Evidence from cryptocurrency. SSRN Electronic Journal. https://ssrn.com/abstract=5036933
[33] Stoikov, S., & Sağlam, M. (2009). Option market making under inventory risk. Review of Derivatives Research, 12(1), 55–79. https://doi.org/10.1007/s11147-009-9036-3
[34] Hendershott, T., & Seasholes, M. S. (2007). Market maker inventories and stock prices. American Economic Review, 97(2), 210–214.
[35] Zealynx. (2026). Hyperliquidity Provider (HLP). Blockchain Security Glossary. https://www.zealynx.io/glossary/hyperliquidity-provider
[36] WisdomTree Prime. (2025). The great whale slap: How a whale offloaded \$4M in losses to Hyperliquid's HLP vault. https://www.wisdomtreeprime.com/blog/the-great-whale-slap-how-a-whale-offloaded-4m-in-losses-to-hyperliquids-hlp-vault/
[37] Fournier, M., & Jacobs, K. (2020). A tractable framework for option pricing with dynamic market maker inventory and wealth. Journal of Financial and Quantitative Analysis, 55(5), 1667–1698. https://doi.org/10.1017/s0022109019000462
[38] KuCoin. (2026). Maximizing the liquidation alpha: How Hyperliquid's HLP vault converts whale losses into liquidity provider yield. https://www.kucoin.com/news/articles/maximizing-the-liquidation-alpha-how-hyperliquid-s-hlp-vault-converts-whale-losses-into-liquidity-provider-yield
[39] Fan, S., Min, T., Wu, X., & Cai, W. (2023). Towards understanding governance tokens in liquidity mining: A case study of decentralized exchanges. World Wide Web, 26(3), 1181–1200.
[40] Chinco, A., & Sammon, M. (2024). The passive-ownership share is double what you think it is. Journal of Financial Economics, 157, 103860. https://doi.org/10.2139/ssrn.4188052
[41] Chitra, T. (2025). Autodeleveraging: Impossibilities and optimization. arXiv preprint arXiv:2512.01112. https://doi.org/10.48550/arXiv.2512.01112
[42] Catania, L., & Grassi, S. (2022). Forecasting cryptocurrency volatility. International Journal of Forecasting, 38(3), 878–894. https://doi.org/10.1016/j.ijforecast.2021.06.005
[43] 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
[44] Schmeling, M., Schrimpf, A., & Todorov, K. (2023). Crypto carry. BIS Working Papers No. 1087. https://www.bis.org/publ/work1087.pdf
[45] Werapun, W., Karode, T., Suaboot, J., Arpornthip, T., & Sangiamkul, E. (2025). Exploring risk and return profiles of funding rate arbitrage on CEX and DEX. Blockchain: Research and Applications. Advance online publication.
[46] 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
[47] Cartea, Á., Drissi, F., & Monga, M. (2025). Decentralised finance and automated market making: Execution and speculation. Journal of Economic Dynamics and Control, 177, 105134.
[48] Albers, M., Cucuringu, M., Howison, S., & Shestopaloff, A. Y. (2025). The market maker's dilemma: Navigating the fill probability vs. post-fill returns trade-off. arXiv preprint arXiv:2502.18625. https://arxiv.org/abs/2502.18625 https://doi.org/10.48550/arXiv.2502.18625
[49] Malamud, S. (2017). Decentralized exchange. American Economic Review, 107(5), 282–287.
[50] Xu, J., Paruch, K., Cousaert, S., & Feng, Y. (2023). SoK: Decentralized exchanges (DEX) with automated market maker (AMM) protocols. ACM Computing Surveys, 55(11), 1–50. https://doi.org/10.1145/3570639
[51] Mohan, V. (2022). Automated market makers and decentralized exchanges: A DeFi primer. Financial Innovation, 8(1), 20. https://doi.org/10.1186/s40854-021-00314-5
[52] Krekel, W. P. (2025). Tokenized, decentralized, democratized? Market microstructure and exchange innovation in digital asset trading [Doctoral thesis, Macquarie University].
[53] Bruegel. (2023). Decentralised finance: Good technology, bad finance. Bruegel Policy Brief.
[54] Addy, W. A., Ajayi-Nifise, A. O., Bello, B. G., Tula, S. T., Odeyemi, O., & Falaiye, T. (2024). Algorithmic trading and AI: A review of strategies and market impact. World Journal of Advanced Engineering Technology and Sciences, 11(1), 258–267.
[55] Dou, W. W., Goldstein, I., & Ji, Y. (2025). AI-powered trading, algorithmic collusion, and price efficiency. NBER Working Paper No. 34054. https://www.nber.org/papers/w34054 https://doi.org/10.3386/w34054
[56] Han, Y., Wang, C., Wang, H., Yang, Y., & Wang, X. (2024). A study of blockchain-based liquidity cross-chain model. PLOS ONE, 19(6), Article e0302145. https://doi.org/10.1371/journal.pone.0302145
[57] CoinDesk. (2025). Hyperliquid delists JELLYJELLY after vault squeezed in $13M tussle. 访问于 2026 年 6 月. https://www.coindesk.com/markets/2025/03/26/hyperliquid-delists-jellyjelly-after-vault-squeezed-in-usd13m-tussle
[58] CoinDesk. (2025). Peak degen warfare: Alleged POPCAT manipulation hits Hyperliquid with $4.9M loss. 访问于 2026 年 6 月. https://www.coindesk.com/markets/2025/11/13/peak-degen-warfare-alleged-popcat-manipulation-hits-hyperliquid-with-usd4-9m-loss
[59] Longbridge. (2026). Hyperliquid vault HLP profited approximately $15 million in the liquidation of the "1011 insider whale". 访问于 2026 年 6 月. https://longbridge.com/en/news/274395379