2024年3月5日，比特币从约6.9万美元的历史高点在数小时内回落超过10%，全网超过11亿美元的衍生品头寸被强制平仓，其中多头约8.7亿美元 [1]。从表面上看，这仅仅是一个单一的资产价格重估过程。然而，在这个总体下跌幅度背后，隐藏着由不同市场机制和参与者行为共同驱动的复杂微观结构。在这10%的下跌中，部分源于宏观经济数据的意外发布导致投资者对风险资产进行重新定价，这部分价格变动反映了市场对新信息的吸收，具有永久性的特征。另一部分则源于做市商在波动率上升时撤回流动性，导致后续卖单在缺乏深度的订单簿上产生了更大的价格冲击，这部分冲击在流动性恢复后往往会出现价格回归。更值得注意的是，初始的价格下跌触发了大量高杠杆多头头寸的保证金清算，清算引擎以市价执行强平订单，在原本已经稀薄的订单簿上产生了额外且不包含任何基本面信息的价格运动 [2]。同时，这种局部市场的剧烈波动还通过跨资产关联传导至以太坊及其他加密资产，进一步加剧了整个市场的抛售压力。
这种现象引出了本章的核心问题：永续合约市场中的价格波动并非一个均质的随机过程，而是由多种性质截然不同的源头混合而成，那么这些源头究竟是什么，它们各自贡献了多少波动，以及哪些波动是反映新信息到来的有效率波动，哪些是由市场结构摩擦和制度机制人为制造的无效率波动？
为了回答这一问题，本章提出波动性的四源头分解框架，将永续合约的价格波动系统性地分解为信息性波动、流动性波动、机制性波动和传导性波动。信息性波动源于宏观事件、链上数据等新信息的到来，代表了价格发现的健康过程。流动性波动则由流动性供给不足或波动引起，表现为不含信息的临时性价格冲击。机制性波动是永续合约市场区别于传统市场的特征，由清算级联、资金费率结算和标记价偏差等制度设计所制造，这类波动在传统金融市场中几乎不存在或量级极小 [3]。传导性波动则反映了波动率在不同资产和市场间的溢出效应。在此基础上，本章引入波动性预算的概念，论证总波动率可以被视为一个在不同来源之间分配的预算，且这种分配比例高度依赖于市场状态。在平静时期，信息性波动占据主导地位；而在市场面临压力或危机时，流动性摩擦和机制性设计产生的噪声则接管了大部分波动性预算。这种状态切换机制解释了为什么在极端市场条件下，价格变动往往会系统性地过度反应，并在随后出现可预测的回归。
从波动性分解的理论基础出发，本章依次剖析信息性波动在永续合约中的杠杆放大效应与全天候连续性特征，探讨流动性波动的时间结构及其在主流资产与长尾资产间的梯度分布。随后，本章深入分析清算级联和资金费率结算如何作为独立的机制性波动源向市场注入周期性或爆发性的价格噪声，并探讨波动率在跨市场与跨资产间的传导路径。通过梳理这四类波动源的交互作用，本章揭示了永续合约市场超额波动的微观基础及其福利含义。读完本章后，读者将能够跳出将波动率视为单一指标的传统视角，掌握识别和度量不同波动来源的量化方法，理解永续合约特定制度设计如何内生地制造价格噪声，并为后续章节中关于波动率聚集现象的解释以及波动率预测与交易策略的构建建立坚实的微观结构分析框架。
22.1 波动性分解的理论基础
波动率通常被视为一个单一的风险指标，但这种总量视角掩盖了价格运动背后截然不同的驱动机制。本节首先论证波动性分解的必要性，随后回顾传统金融学中的分解方法及其在加密衍生品市场中的局限性，在此基础上提出适用于永续合约的四源头分解框架，并引入波动性预算这一分析概念以刻画各源头占比的状态依赖特征。
22.1.1 波动性分解的必要性
在金融市场的量化分析中，未分解的总体波动率是一个信息损失较大的综合指标。当某资产的年化波动率被观测为60%时，这一数字本身并不能揭示价格运动的内在结构，也无法说明其中有多少比例代表了健康的价格发现过程，又有多少比例源于制度摩擦所产生的噪声。将波动率视为单一的随机漫步过程，会掩盖市场微观结构中多种并行的动态机制。在永续合约这一具有独特杠杆和清算特征的市场中，波动率的构成比传统现货市场更为复杂，因此对其进行精确分解具有核心的理论与实践意义。
波动性分解的价值首先体现在学术研究领域，它为区分由信息驱动的有效波动和由摩擦驱动的无效波动提供了量化基础。根据有效市场假说，价格的变动应当仅仅反映新信息的到来，这种信息性波动是市场效率的体现。然而，真实市场中存在大量的非信息性价格冲击，如流动性干涸导致的滑点放大。将这两者剥离开来，是深入理解资产定价效率的前提条件，也是衔接价格发现理论与市场微观结构研究的核心纽带。通过分解，研究者能够准确测量特定交易机制对市场质量的净影响，从而对不同资产类别或不同交易平台的效率进行跨截面比较。
对于交易者与风险管理人员而言，波动性分解具有直接的策略指导意义。不同来源的波动在时间序列上表现出截然不同的可预测性与均值回归特征。由基本面信息引发的价格变动通常是永久性的，它代表了资产内在价值的重估，交易者应当顺应这一趋势进行头寸调整。相反，由短期流动性冲击或大规模杠杆清算引发的波动往往具有过度反应的特征，价格在冲击过后倾向于向初始水平回归。如果风险管理模型无法区分这两种波动，就可能在虚假的流动性危机中触发不必要的止损，或者在真实的价值重估中错误地增加风险敞口。因此，将总体波动率拆解为具有不同动态特征的子成分，是构建稳健交易策略和精确的在险价值模型的必要步骤。
在市场设计者的视角下，波动性分解是优化交易制度和改进协议机制的量化指南。市场设计的一个核心目标是最小化由制度摩擦和结构性缺陷人为制造的非必要波动。通过识别总体波动率中可通过制度改进来消除的特定成分，设计者能够针对性地调整参数。例如，如果分解结果显示某一特定资产的大部分波动源于资金费率结算时的周期性套利行为，协议开发者就可以考虑引入平滑机制或连续结算方案来降低这种机制性噪声。这种基于分解框架的诊断方法，使得去中心化金融治理从直觉驱动转向了数据驱动，为各类参数调整提供了坚实的实证支撑。
22.1.2 传统分解方法回顾
在探讨永续合约的独特波动结构之前，有必要回顾传统金融学中处理波动性问题的经典方法。早期的波动率研究主要依赖于日度或更低频的收益率数据，这种低频采样极大地限制了对日内价格动态的观察。随着高频交易数据的普及，已实现波动率作为一种非参数估计方法被广泛应用 [4]。该方法通过对高频收益率的平方进行求和，提供了一个更为精确的日内波动度量。已实现波动率解决了低频数据的精度问题，能够有效捕捉市场的短期剧烈波动，但其本质上仍然是对总波动的整体度量，无法区分这些波动究竟是源于宏观信息的发布、做市商的撤退，还是市场机制的内生反应。
为了捕捉波动率的时变特征，GARCH 模型及其众多变体在时间序列分析中占据了主导地位 [5]。该族模型成功地描述了金融市场中普遍存在的波动率聚集现象，即大波动倾向于伴随大波动，小波动倾向于伴随小波动。然而，这类模型侧重于对波动率动态过程的统计描述，而非对其经济学根源的解释。它们将所有导致价格变动的因素统称为随机冲击，无法在微观层面上剖析这些冲击的性质。在面对由特定制度设计引发的结构性波动时，纯粹的统计模型难以捕捉其生成机制，因为它们假设冲击在不同市场状态下是同质的。
市场微观结构理论为理解价格变动的内在机制提供了更为精细的分析工具。在信息不对称的框架下，学者们提出了一系列分解模型来隔离不同类型的价格冲击。其中，信息份额方法被广泛用于衡量多市场环境下的价格发现贡献度 [6]（方法综述见 [7]）。该方法基于协整系统中的共同有效价格随机游走成分，将相关资产的长期均衡价格分离出来，从而量化每个市场对新信息融入价格过程的相对贡献。与此同时，微观结构研究还致力于将单笔交易引起的价格变动分解为永久性成分和临时性成分。永久性成分反映了交易中包含的私有信息，而临时性成分则被视为由存货风险和订单处理成本引起的流动性摩擦。此外，基于买卖价差的估计方法也为推断交易成本和非信息性波动提供了简便的途径 [8]。
尽管这些传统方法在股票和外汇市场中取得了显著成功，但将其直接应用于加密资产永续合约市场时却面临着明显的局限性。大多数经典模型仅仅将波动划分为信息与噪声两大类，或者永久与临时两部分。这种二分法对于缺乏复杂衍生品特征的现货市场或许足够，但对于永续合约而言则过于粗糙。永续合约中的临时性波动实际上是一个复杂的混合体，它不仅包含了做市商的流动性摩擦，还深刻地卷入了由资金费率结算和杠杆清算级联所引发的制度性价格运动。如果不能将这些性质截然不同的子类进一步剥离，就无法准确评估永续合约市场的真实运行效率。更重要的是，传统方法通常建立在无摩擦制度的隐含假设之上，未能充分考虑加密市场24小时连续交易、高杠杆普及以及跨资产高度传染等独有特征，这要求我们在现有理论基础上构建一个更为全面和细致的分解框架。
22.1.3 四源头分解框架
为了全面解析永续合约市场中价格运动的内在结构，我们提出了一个四源头波动性分解框架。该框架将总体已实现波动率分解为四个性质迥异、驱动机制各不相同的子成分：信息性波动、流动性波动、机制性波动以及传导性波动。这一概念性等式不仅是一个统计学上的方差分解，更是一个微观经济学意义上的归因模型，它揭示了不同类型的冲击如何通过特定的市场管道最终转化为可观测的价格变动。
信息性波动是由新的基本面信息、宏观经济数据发布或链上特异性事件到来所引起的价格永久性调整。这种波动是市场价格发现功能的直接体现，它代表了资产内在价值的合理重估。信息性波动具有不可逆的特征，即价格在吸收新信息后会稳定在一个新的均衡水平，而不会发生系统性的均值回归。在任何有效的金融市场中，信息性波动都是不可消除的，它不仅不应被视为市场缺陷，反而是市场健康运作的标志。在永续合约市场中，由于杠杆效应的存在，同等量级的信息可能会引发更大规模的头寸调整，从而在短期内放大信息性波动的幅度，但其本质依然是价格在反映新的市场环境。
流动性波动则源于市场深度不足或做市商报价策略调整所产生的临时性价格冲击。当大额订单在缺乏足够流动性支撑的订单簿上执行时，价格会发生显著的滑点，这种偏离并非由于资产基本面的改变，而是纯粹的交易摩擦。流动性波动的核心特征是其临时性：在冲击发生后，随着流动性提供者的重新介入和套利者的套利行为，价格倾向于向冲击前的均衡水平回归。在永续合约市场中，流动性波动往往表现出正反馈特征，即初始的波动率上升会导致做市商扩大价差并撤退，进而使得后续订单产生更大的价格冲击。这种波动是不含信息的噪声，理论上可以通过引入更高效的做市机制或提升市场深度来予以减少。
机制性波动是永续合约市场区别于传统市场的核心波动来源，其对价格稳定性的负面影响尤为显著。它完全由该衍生品特有的制度设计所引发，包括杠杆头寸的强制清算级联、资金费率的周期性结算脉冲以及标记价与最新成交价之间的计算偏差。这类波动不包含任何关于资产真实价值的新信息，但却能制造出极端的价格运动 [2]。例如，当价格触及关键清算线时，清算引擎以市价抛售被强平的头寸，在深度不足的订单簿上造成显著的价格偏离，这种纯粹由制度机制机械执行所引发的下跌，就是典型的机制性波动。与流动性波动类似，机制性波动在事后通常会发生一定程度的回归，但如果清算规模过大，它也可能引发系统性的流动性枯竭，从而导致价格在较长时间内偏离基本面。机制性波动是永续合约制度设计的直接成本，理论上可以通过优化清算算法和费率结构来显著降低。
传导性波动描述了由其他市场或关联资产的剧烈波动通过跨市场套利和交叉保证金机制蔓延而来的溢出效应。在高度互联的加密资产网络中，比特币现货市场的剧烈波动会迅速传导至其永续合约，而主流资产的清算事件也往往会通过资产负债表效应引发山寨币的连锁反应。传导性波动的性质取决于其源头的特征：如果源头是宏观信息的发布，那么传导过来的波动也带有一定的信息含量；如果源头是局部的流动性崩溃，那么传导性波动则纯粹是传染性的噪声。永续合约市场全天候交易和高度碎片化的特征，使得这种跨市场、跨资产的波动率传导变得异常迅速且幅度显著。
这四个波动源头在性质、持续时间、信息含量以及政策含义上存在着根本的差异。信息性波动是高信息含量的永久性调整；流动性波动是无信息的临时性摩擦；机制性波动是制度设计内生、可显著降低但不可完全消除的噪声；传导性波动则是跨市场关联的外部输入。
在形式化层面，四源头分解框架可以表述为对总体已实现方差的归因分解。设在时间窗口 内，资产的对数价格过程 的总已实现方差为 ，其中 为第 个高频收益率观测值。四源头分解将每个微观价格变动 视为四类冲击的叠加：。由此，总方差可分解为：
等式右侧前四项分别对应四个源头的直接贡献，最后一项为交互项。在市场平静期，各源头的冲击在时间上近似不相关，交互项趋近于零，总方差近似可加。然而在危机期，流动性枯竭与清算级联在同一时间窗口内同步发生，交互项显著为正，总方差超过各源头独立贡献之和，这正是波动率在极端市场条件下呈现超线性放大的数学基础。
需要指出的是，上述线性加法分解本质上是一阶近似，其有效性依赖于各源头冲击在时间上近似独立的假设。在平静期，这一假设大体成立，交互项可忽略，总方差近似可加。然而在危机期，四源头高度纠缠：一次清算级联事件同时产生机制性冲击（清算引擎执行）、流动性冲击（订单簿穿透）和传导性冲击（跨资产传染），交互项可能占总方差的相当比例。此时，四源头分解应被视为概念性归因工具而非精确的统计分解，其核心价值在于揭示波动率的多重生成机制，而非提供可精确加总的数值。未来研究可引入 regime-switching 结构模型或非线性已实现协方差方法，对危机期的交互效应进行更精细的处理。
在实证识别层面，四源头的近似分离可借助以下策略：机制性波动可通过事件窗口法识别，因为清算时间戳精确可知、资金费率结算时刻固定；传导性波动可通过 Granger 因果检验或 DY 溢出指数从跨资产维度分离；信息性波动可通过永久性价格冲击或信息份额方法从时序维度估计；流动性波动则作为残差类别，由总波动率减去上述三者的可识别部分近似得到。这种识别策略在各源头时间上分离度较高的常态市场中效果较好，但在危机期各源头同时发作时，边界不可避免地变得模糊。需要强调，将流动性波动作为残差类别有两点代价：其一，四源头加总恒为100%是这一残差定义的产物而非框架被实证检验的结果，是否存在未被识别的第五类源头（如做市商反身性、跨所预言机延迟套利）需通过检视残差的时间尺度结构来旁证，而不会自动暴露为残差；其二，§22.2 提及的叙事驱动波动其回归尺度（数日至数周）显著长于纯流动性冲击（分钟级），在残差法下会被并入流动性桶，因此对中长尺度回归成分宜单列稳健性检查。
该分解框架将 Hasbrouck 提出的永久性/临时性二分法 [9] 进一步细化：传统框架中的“临时性成分”在本框架中被拆解为流动性波动、机制性波动和传导性波动三个具有不同生成机制和政策含义的子类。图 22-1 从信息含量、持续时间、可消除性和政策含义四个维度对比了四个波动源头的核心特征。
图 22-1. 四源头波动性特征对比（作者绘制）
如图 22-1 所示，机制性波动既不含信息又具有高可消除性，因而成为制度优化的首要目标。这一分类法的核心意义在于为评估波动率的经济学含义提供统一框架：并非所有波动率都是“坏”的，关键在于区分哪些源于价格发现、哪些源于制度摩擦。
22.1.4 波动性预算概念
为了更直观地理解总体波动率的内部结构动态，我们引入波动性预算这一分析概念。在上述方差分解的基础上，波动性预算将特定时间窗口内观测到的总方差视为一个100%的预算池，四个源头按照其各自的方差贡献度（含交互项的合理分配）在预算池中占据相应的份额。需说明，此处对交互项采用对称地全额计入相关两端的约定，即每一对交互乘积在其涉及的两个源头中各计入一次全额，其他分配方案会改变各源头的绝对份额，但不改变下文所述波动性预算随市场状态切换的定性结论。形式化地，定义第 类波动源的预算占比为：
此处 为带符号的方差贡献份额（signed share）：它满足加总归一化 ，但单项不必落在 区间内——当某源头与其余源头的交互项为净负值时， 在算术上可能小于零或大于一。
这种相对占比的视角，使分析者超越绝对波动率数值的表象，洞察市场在不同运行状态下的微观健康程度（需注意，当交互项为负时——例如信息性与流动性冲击负相关——个别源头的预算占比 在算术上可能小于零，此时“100%预算池”仅作启发式表述）。波动性预算的分配并非一成不变，而是随市场从平静期向危机期演变发生系统性的结构切换，其详细机制与实证特征将在§22.6展开分析。图 22-2 以堆叠面积图的形式直观呈现了从平静期到危机期的波动性预算结构变迁。
图 22-2. 波动性预算的状态依赖性（波动性预算示意：作者绘制，比例参考 Nguyen (2024) [10] 与 Dimpfl & Peter (2021) [11]，非实测复算）
如图 22-2 所示，信息性波动的预算份额随市场从平静期向危机期演进而被大幅压缩，流动性与机制性波动则急剧膨胀，最终几乎覆盖整个预算池。这一结构性逆转传达了本章核心论点：在极端市场条件下，价格变动的经济学含义发生了根本转变。
22.2 信息性波动
如§22.1.3 的框架所预览，信息性波动是新信息到达并被市场消化所引发的、代表资产基本面价值永久性重估的价格变动，与流动性摩擦引起的暂时性波动形成对比。在四源头框架中，“信息”采取与有效市场假说一致的宽泛口径：任何改变市场参与者价格预期的信号——宏观经济数据、链上异动，乃至社交媒体叙事与意见领袖表态——均归入此类，因而由散户错失恐惧情绪或羊群效应所引发的价格变动也属信息性波动。但需注意，叙事驱动的价格变动其持续性介于基本面信息冲击（高永久性）与纯流动性冲击（分钟级回归）之间，可能在数日至数周内发生显著回归，构成四源头分类法的一个已知模糊地带。在永续合约市场中，由于全天候不间断交易与高杠杆对信息冲击的非线性放大效应，信息性波动往往呈现出更为剧烈且迅速的反应模式。
22.2.1 宏观信息冲击
随着加密资产作为一种另类投资标的逐渐被纳入全球宏观资产配置框架，比特币及其他主要加密资产的定价逻辑日益受到传统宏观经济变量的深刻影响。联邦公开市场委员会的利率决议、消费者物价指数以及非农就业数据等核心宏观经济指标的发布，构成了加密永续合约市场中影响幅度最大、发生频率最高的外部信息冲击源。这些宏观数据通过改变无风险利率预期和美元流动性状况，直接重塑了投资者对高风险资产的风险溢价要求。实证研究表明，在联邦公开市场委员会发布货币政策声明的窗口期，比特币永续合约的已实现波动率会在日内出现显著的脉冲式上升 [13]；而基于日频数据的研究则发现此类宏观公告对比特币价格的总体影响相对有限 [12]，表明该脉冲效应主要集中于日内高频层面。这种波动率的急剧攀升并非随机游走，而是市场对未来资金成本预期进行重新定价的直接体现。
在这些宏观事件的冲击下，永续合约市场的反应机制往往表现出极高的敏感性和瞬时性。由于宏观数据的发布通常具有明确的时间表，市场参与者会在数据公布前进行大量的头寸调整和预期博弈。一旦实际公布的数据偏离市场共识预期，即产生所谓的宏观“意外”或“惊喜”，永续合约市场便会在短时间内产生巨大的交易量。此时，由于杠杆交易者的止损或止盈订单被批量触发，流动性提供者为了规避逆向选择风险往往会迅速撤回限价单，导致订单簿深度瞬间变薄。这种流动性条件的恶化与信息冲击的叠加，共同放大了价格的瞬时波动幅度。研究指出，在消费者物价指数超预期上行的情境下，比特币价格的瞬时波动率可达到平时的数倍，且这种波动在最初的几分钟内幅度最大，随后逐渐衰减 [13]。
除了传统的宏观经济数据，加密市场还面临着一种特有的宏观信息冲击，即监管政策和合规事件的演变。美国证券交易委员会对现货交易所交易基金的审批进展、主要司法管辖区对加密资产的定性监管公告等，往往能引发市场情绪的剧烈转向。与定期发布的经济数据不同，这类监管事件的发生时间往往具有不可预测性，且其对行业基本面的影响更为深远。例如，在现货比特币交易所交易基金获批的预期逐步累积和最终落地期间，加密市场的波动率呈现出复杂的动态特征，既包含了预期驱动的趋势性波动，也包含了事实落地后的“卖出事实”式剧烈震荡 [14]。与定期发布的宏观数据以脉冲式冲击为主不同，监管政策引发的信息性波动往往不是离散事件，而是持续的不确定性状态，即使 ETF 已获批准，SEC 的持续监管权力和对未来产品的审慎态度仍构成长期的悬而未决风险。图 22-3 展示了宏观信息冲击前后 BTC 永续合约日内已实现波动率的典型动态模式。
图 22-3. 宏观信息冲击前后 BTC 永续合约的日内已实现波动率（机制示意：刻画 FOMC 等宏观事件前后 ±2 小时 5 分钟已实现波动率的脉冲-衰减模式，为合成代表性曲线、非 Binance 实测数据）
如图 22-3 所示，已实现波动率在宏观数据公布瞬间脉冲式跳升、数分钟内达峰后逐步衰减。这种“冲击-衰减”轮廓与信息性波动特征一致：波动率的抬升是市场吸收新信息、完成价格重估这一价格发现过程的必然伴随物。
22.2.2 链上信息与特异性事件
与传统金融市场依赖公司财报和审计披露不同，加密资产市场拥有一个独特的公共信息层，即区块链账本。链上数据，如大额代币转账、活跃地址数变化、矿工余额变动以及去中心化金融协议中的总锁仓量变化，构成了加密市场特有的“准公开内幕信息”。这些数据虽然对所有市场参与者公开可见，但由于数据解析的门槛和延迟，能够实时监控并解读这些链上异动的投资者往往能够获得信息优势。当巨鲸地址向中心化交易所转入大量比特币时，这通常被市场解读为潜在的抛售信号，从而引发防御性的做空操作和价格的下行波动 [15]。这种由链上异动触发的波动，本质上是市场在消化这些“准公开信息”所蕴含的供需失衡风险。
尽管本书聚焦于中心化交易所的订单簿市场，去中心化金融领域的协议层面数据变化同样会通过套利渠道传导至 CEX 永续合约市场，对相关治理代币的价格波动具有间接但显著的解释力。总锁仓量作为衡量协议流动性和用户信任度的核心指标，其变动趋势与代币价格之间存在着显著的动态因果关系。研究发现，当一个协议的总锁仓量突破特定阈值或呈现加速增长时，往往预示着市场对该协议信心的增强，进而吸引更多资金流入并推升代币价格 [16]。相反，如果协议遭遇安全漏洞攻击或出现大规模资金撤出，总锁仓量的急剧下跌将引发市场的恐慌性抛售。在这些极端情境下，永续合约市场往往成为风险对冲的主要场所。交易者利用永续合约的做空机制对冲现货敞口，或者进行投机性做空，这使得项目特异性事件引发的波动在衍生品市场中被急剧放大。
对于中低市值的山寨币而言，项目特异性事件如主网升级、代币经济学模型更改或核心团队成员的变动，往往是驱动其价格波动的核心因素。由于这些资产的流动性相对较差，且缺乏成熟的做市商体系，任何实质性的基本面信息都可能导致价格的剧烈重估。在永续合约市场中，这些资产的资金费率往往会在重大事件发生前出现极端的偏离，反映出市场对特定方向的强烈预期。当事件最终落地时，如果结果未能满足市场的高预期，往往会引发所谓的“轧空”或多头集中平仓，导致价格在极短时间内出现巨大振幅。这种由项目特异性事件驱动的波动，深刻体现了加密市场在信息不对称和流动性分层环境下的定价特征。
22.2.3 知情交易与波动分解
信息性波动的微观机制需要从交易行为层面加以解析。正如第13章所讨论的，价格发现是市场微观结构的核心功能，而知情交易者在这一过程中发挥核心作用。在四源头分解框架中，知情交易是信息性波动的主要微观生成机制，知情交易者的策略性交易行为将私有信息融入价格，推动价格向基本面价值收敛，其贡献的价格变动构成了信息性波动的永久性成分。根据经典的 Kyle 模型，知情交易者利用其信息优势进行策略性交易，这一过程不可避免地引发价格变动 [17]。与此互补的是，Easley 等人提出的知情交易概率（PIN）模型 [18]，为量化特定时段内知情交易的活跃程度提供了直接的度量工具。因此，波动率的上升并不总是市场效率低下的表现，在很多情况下，它是价格在反映新信息、实现更准确定价的必经阶段。
在永续合约市场中，知情交易的价格冲击效应由于杠杆的存在而被显著放大。当知情交易者预期某项资产价格将发生变动时，他们倾向于利用永续合约的高杠杆特性来最大化其信息优势的收益。这种杠杆化的知情交易会产生巨大的定向订单流，迅速消耗订单簿上的流动性。做市商在面对这种强烈的单向订单流时，会意识到自己可能正在与拥有信息优势的交易者进行对手盘交易，即面临严重的逆向选择风险。为了保护自身利益，做市商会迅速调整报价，扩大买卖价差，并减少挂单数量 [19]。这种微观结构层面的防御性行为，进一步加剧了价格的波动。因此，永续合约市场中的信息性波动，不仅包含了信息本身带来的价格重估，还叠加了逆向选择导致的流动性溢价。
从波动分解的角度来看，总波动率可以被拆分为由信息驱动的永久性波动和由微观结构噪音驱动的暂时性波动。知情交易主要贡献了永久性波动部分，因为他们的交易反映了资产基本面价值的变化，这种价格变动在信息被市场完全消化后将长期存在。相比之下，由流动性冲击、订单簿失衡或非理性投机引起的波动，通常会在短时间内发生均值回归，属于暂时性波动。在加密永续合约市场中，由于市场情绪的极度敏感和投机力量的活跃，暂时性波动的比例往往较高。然而，在关键信息发布或重大事件发生时，永久性波动的比重会显著上升，表明价格发现过程正在主导市场动态。
22.2.4 杠杆放大与全天候连续性
加密资产永续合约市场的信息性波动具有两个显著的特征：杠杆放大效应和信息到达的绝对连续性。首先，杠杆机制在信息性波动中同时具有加速和放大两种效应。需要明确的是，杠杆本身并不直接创造新的信息，它放大的是信息冲击在市场中转化为价格变动的幅度。但杠杆也间接影响信息生产的激励结构：当信息优势可以通过高杠杆放大收益时，投入于链上数据监控和宏观预测等信息发现活动的资源回报更高，从而吸引更多知情交易者参与市场，间接提高信息性波动的水平。当宏观数据或链上异动等信息到达市场时，高杠杆交易者的存在使得相同规模的资金能够产生数倍甚至数十倍的订单流。这种被放大的订单流在冲击订单簿时，会造成更深远的价格滑点。更重要的是，价格的初始波动极易触及高杠杆仓位的强平线，引发连锁强制平仓。这种由强制平仓机制产生的被动市价单，会与初始的信息驱动订单形成正反馈循环，导致价格出现远超信息本身所蕴含基本面变化的极端波动 [20]。
其次，加密市场全天候不间断交易的特性，从根本上改变了信息到达和被消化的时间分布模式。在传统的股票或期货市场中，由于存在固定的交易时段和休市期，非交易时段积累的信息往往会在开盘时以跳空高开或低开的形式集中释放，导致开盘初期的波动率异常高企。而加密永续合约市场的全天候特性，使得信息可以在任何时刻被即时定价。这种连续性虽然消除了隔夜跳空风险，但也意味着市场流动性在一天中的不同时段存在显著差异。实证观察表明，加密市场的日内波动率呈现出明显的地理时区特征与日内季节性结构，在亚洲、欧洲和北美主要交易时段的交接点，往往是波动率和交易量的高峰期 [21][13]。当重大信息在市场流动性相对薄弱的时段（如北美周末或深夜）到达时，即使是微小的信息冲击，也可能因为缺乏足够的承接盘而引发巨大的价格波动。
此外，永续合约市场的信息不对称程度在很多维度上高于传统金融市场。尽管链上数据提供了前所未有的透明度，但这种透明度是结构性的。机构投资者和量化做市商拥有强大的数据基础设施和算法能力，能够毫秒级地解析链上异动、交易所资金流入流出以及宏观数据的微小变化，并迅速在永续合约市场建立头寸。相比之下，散户投资者往往处于信息接收和处理的末端。这种技术和资源上的不对称，使得知情交易者在永续合约市场中能够更高效地获取信息租金，而散户投资者则更容易成为流动性的被动提供方。这种深度的信息不对称，进一步强化了永续合约市场在信息冲击下的单边波动倾向和价格发现的陡峭性。
22.2.5 信息性波动的度量
为了在定量层面剥离并测量信息性波动，金融计量学提供了一系列严谨的分析工具，其中最核心的概念是永久性价格冲击。永久性价格冲击衡量的是一笔交易发生后，经过足够长的时间，价格相对于交易前的净变化量。这一度量方法基于一个基本假设：如果一笔交易包含了未公开的私有信息，那么这种信息最终会被市场完全吸收，从而导致资产基本面价值的永久性改变；相反，如果交易仅仅是出于流动性需求或噪音交易，其引发的价格变动最终会发生均值回归。在向量自回归（VAR）模型的框架下，研究者可以通过联合建模交易流和报价更新，分离出交易创新对价格的长期累积影响，从而精确量化市场中的信息性波动成分 [9]。
在多市场交易同一资产的环境下，如何评估不同市场在价格发现和信息性波动中的贡献度，是一个关键的微观结构问题。Hasbrouck 信息份额模型为这一问题提供了经典的解决方案。该模型基于协整系统中的共同有效价格随机游走成分，通过计算各个市场创新对该共同随机趋势方差的贡献比例，来定义其信息份额 [6]。在加密资产领域，比特币等主流资产同时在多个现货交易所和衍生品平台上交易。应用信息份额模型的研究一致表明，不受严格监管的离岸永续合约市场在比特币的价格发现中占据了绝对的主导地位。这些平台凭借其高杠杆、低交易摩擦和庞大的流动性，吸引了大量知情交易者，其价格创新往往领先于合规的现货市场和受监管的传统期货市场 [22]。
除了微观结构层面的高频度量，事件研究法也是常用的宏观工具：通过界定特定信息事件（如联邦公开市场委员会决议、协议被黑客攻击）并考察事件窗口内的异常收益率与异常波动率，可评估信息冲击的市场影响。在加密永续合约市场中，宏观货币政策收紧通常引发全市场波动率的系统性抬升，而针对特定去中心化金融协议的负面安全事件则引发该代币的局部极端波动，并可能通过资金池嵌套产生跨资产波动溢价。此外，如§22.2.3所提及的知情交易概率模型 [18]，通过对买卖订单到达率建模，为信息性波动的占比提供了独立的度量视角。综合运用永久性价格冲击、信息份额、PIN 估计与事件研究，可完整描述信息在永续合约市场中转化为价格波动的路径。图 22-4 以实际数据呈现了 BTC 永续合约中价格冲击的永久性与临时性成分分解结果。
图 22-4. BTC 永续合约价格冲击的永久性与临时性成分分解（机制示意：基于 Hasbrouck (1991) [9] 向量自回归（VAR）分解逻辑的代表性形态，非实测数据复算）
如图 22-4 所示，永久性成分（信息性波动）在冲击后长期持续，临时性成分则迅速衰减回归至零附近。两者的分离表明，永续合约的单次价格变动同时包含信息与噪声两种成分，这正是本章四源头框架在微观层面的实证基础。
22.3 流动性波动
与信息性波动的永久性特征形成对比，如§22.1.3 所预览，流动性波动是由市场深度不足或做市商报价调整产生的临时性价格冲击：它不含关于资产真实价值的信息，价格在偏离后倾向于回归，仅仅因为订单规模超出了当时市场所能提供的即时流动性。即使在没有任何新信息到来的平静时刻，订单在一个流动性不足的订单簿上执行也会产生这种冲击。在永续合约市场中，由于流动性的内生性特征，这种由流动性不足制造的波动具有强烈的自我放大效应。
22.3.1 流动性不足与虚假波动
在理想的无摩擦市场中，价格的变动应当完全反映新信息的到来。然而，在真实的加密货币交易环境中，价格经常因为纯粹的供需失衡而发生剧烈跳动。这种并非由信息驱动的价格变动，在市场微观结构理论中被称为流动性诱导的波动，亦即非信息性的临时波动。理解这类波动的核心在于认识到价格冲击与订单簿深度之间的非线性关系。
以一个简化的教学场景为例（实际滑点因资产、时段和订单簿状态而异，其中 BTC 永续合约在流动性高峰期的100万美元市价单滑点通常在个位数基点级别，但在深夜低流动性时段可能达到数十基点）：当一笔100万美元的卖单进入市场时，它所造成的价格冲击完全取决于当时订单簿的厚度。如果这笔订单落在一个拥有1000万美元买盘深度的订单簿上，它可能只会消耗最顶层的几个价格档位，造成约20个基点的价格下滑。但如果同样的卖单在一个仅有100万美元总深度的订单簿上执行，则将击穿大量价格档位，导致80个基点甚至更大幅度的下跌。在这两种情境下，卖出行为本身并没有传递任何不同的基本面信息，仅仅是因为承接能力的差异，就导致了截然不同的价格表现。Kyle 模型的核心参数 （价格冲击系数）正是刻画了这种订单流与价格变动之间的映射关系 [17]。
在加密资产的永续合约市场中，这种虚假波动往往比现货市场更为显著。永续合约的高杠杆特性意味着较小的初始资金可以驱动巨大的名义交易量，这在客观上放大了单笔订单对订单簿的冲击力。同时，永续合约的做市商在提供流动性时面临着更为复杂的风险管理约束。当市场出现单边行情或波动率预期上升时，做市商为了保护自身头寸，往往会迅速撤回挂单或显著拉宽买卖价差，导致订单簿在最需要流动性的时候变得异常稀薄。这种流动性深度的瞬间抽离，使得即使是常规规模的市价单也能轻易引发剧烈的价格滑点，从而在价格序列中产生显著的极端值。
区分这种流动性波动与真正的信息性波动的核心判据，在于价格冲击发生后的轨迹。由真实信息驱动的价格变动往往是永久性的，价格会跃升或跌落到一个新的均衡水平并稳定下来，因为市场参与者已经根据新信息重新评估了资产的价值。相反，由流动性不足引发的虚假波动通常是临时性的。当那笔耗尽流动性的大额订单执行完毕后，如果没有后续的跟风盘，做市商和其他套利者会很快发现价格偏离了公允价值，从而重新提供流动性并推动价格向冲击前的水平回归。这种“冲击-回归”的模式是流动性波动的典型签名。图 22-5 从两个维度直观呈现了这种机制：订单簿深度对价格冲击幅度的决定性影响，以及信息性冲击与流动性冲击在事后轨迹上的根本差异。
图 22-5. 订单簿深度与价格冲击的关系（代表性机制示意：刻画 BTC 永续合约在不同流动性状态下市价单冲击与订单簿深度的关系，非 Kaiko 快照实测数据）
如图 22-5 所示，订单簿深度不足时同等规模订单流的冲击呈非线性放大；信息性冲击呈“L形”永久性路径，流动性冲击则呈“V形”临时性回归路径。这种事后轨迹的差异，为实证中区分两类波动提供了可操作的识别策略。
22.3.2 做市商撤退与波动率正反馈
流动性波动并非总是以孤立的、随机的形式出现。在加密市场的极端行情中，流动性波动往往呈现出一种高度结构化的自我放大机制。这种机制的根源在于市场流动性的内生性，即流动性不仅是价格波动的结果，同时也是引发进一步价格波动的原因。在第20章中，我们曾详细探讨过流动性螺旋的形成过程，现在我们需要转换分析视角，从波动率的维度重新审视这一正反馈循环。
在传统的金融学框架中，波动率通常被视为一个外生的风险参数。但在加密货币市场中，波动率在很大程度上是一个内生变量。当市场因为某个初始的随机冲击而出现轻微的价格波动时，这种波动会被做市商的风险管理模型捕捉到。为了控制库存风险和逆向选择成本，做市商的理性反应是拉宽买卖价差并减少在各个价格档位上的挂单数量。这种做市商的集体撤退行为，直接导致了订单簿的变薄。
一旦订单簿变薄，市场吸收订单冲击的能力就会显著下降。此时，即使是正常规模的交易流，也会在稀薄的订单簿上引发比平时更大的价格滑点。这些由滑点产生的价格跳动，在统计上表现为已实现波动率的进一步上升。这种上升又会作为新的输入信号反馈给做市商的风险模型，促使他们进一步削减流动性供给。这种“波动率上升导致流动性枯竭，流动性枯竭又反过来制造更大波动率”的循环，就是非信息性波动率自我实现的核心机制 [23][24]。
在这种正反馈循环中，永续合约特有的清算机制扮演了关键的加速器角色。当价格在稀薄的订单簿上发生剧烈滑动时，极易触及高杠杆头寸的强平线。清算引擎被迫向市场抛出无条件的市价单，这些带有强制执行性质的订单在已经失去做市商保护的订单簿上持续穿透多个价格档位，引发更大幅度的价格下跌。在2025年10月的市场动荡中，这种由流动性枯竭和连环清算交织而成的波动率螺旋，在约24小时内触发了超过190亿美元（约193.7亿）的可见强平名义规模，构成史上最大的单日去杠杆事件（最剧烈的冲击集中于单一交易日，完整的去杠杆窗口约36小时，详见§22.6.4）[25]。在这一过程中，绝大部分的价格跌幅并非基本面恶化的反映，而是流动性危机在价格变动上的直接反映。
22.3.3 时间结构
加密货币市场具有全天候无休止的交易特征，但各时刻的流动性深度和冲击吸收能力并不均等。事实上，加密资产的流动性波动存在着高度规律化的时间结构。这种时间结构主要受到全球不同时区交易者活跃度的交替、算法交易程序的运行周期以及衍生品市场特定结算机制的影响。
实证研究表明，加密市场的交易活跃度和流动性深度在一天之中呈现出明显的钟形曲线。当 UTC 推进到16时至17时左右，即欧洲交易时段的尾声与美国纽约交易时段的早盘重叠期，市场流动性达到全天峰值。此时，全球主要的机构投资者和高频交易商都在积极参与市场，订单簿深度达到全天最高水平，市场对大额订单的吸收能力最强，由流动性不足引发的虚假波动降至最低点 [26]。
然而，当时间进入协调世界时的午夜至凌晨时段，尤其是亚洲时段的深夜，市场流动性会经历一个显著的低谷期。在这个流动性低谷窗口内，欧美主流做市商的活跃度大幅下降，订单簿的深度可能只有高峰时期的1/3甚至更少。正是这种周期性的流动性枯竭，使得加密市场在特定时段变得异常脆弱。历史数据揭示了一个令人瞩目的现象：历史上多数加密市场闪崩事件发生在这个流动性深度处于全天低点的深夜窗口，尽管随着亚洲市场（特别是韩国和香港）参与度的提升，闪崩的时区分布正在演变，例如2024年8月日元套利平仓引发的加密市场闪崩即发生在亚洲交易时段活跃期。在这些时刻，哪怕是一笔规模并不算极端的抛单，也足以在深度不足的订单簿上形成显著的价格缺口，产生极高的瞬间波动率。
除了这种由时区交替带来的日内模式，衍生品结算机制亦在特定时刻制造出可预测的价格脉冲——资金费率结算前夕或交割合约到期时，套利者与方向性交易者为争取有利结算价格或规避费率支付而集中调仓，引发结算前后的锯齿状波动。需要注意的是，这类脉冲本质上属机制性波动而非流动性波动，其完整生成机理详见§22.4.2。图 22-6 以双面板图的形式呈现了上述日内周期性模式的实证特征。
图 22-6. 加密货币市场日内流动性与波动率模式（日内模式示意：逐小时已实现波动率与订单簿深度的代表性形态，模式参考 Brauneis et al. (2025) [26]，非实测逐小时复算）
如图 22-6 所示，已实现波动率在 UTC 16至17时（欧美时段重叠期）达到全天峰值，而订单簿深度在 UTC 午夜至凌晨降至最低。这一关键的不对称性——波动率峰值与流动性低谷并不重合——意味着深夜单位冲击造成的价格偏离反而更大，使该时段成为闪崩事件的高发窗口。
22.3.4 资产维度梯度
流动性波动的程度不仅在时间轴上呈现出规律性的起伏，在不同资产之间也存在着巨大的结构性差异。如果我们将整个加密货币市场按照市值和流动性进行排序，可以清晰地观察到一个从比特币等绝对主流资产，一直延伸到微小市值山寨币的流动性梯度。这个流动性梯度，对应于一个波动率梯度。
比特币和以太坊作为市场的基石资产，拥有最深厚的流动性池、最活跃的做市商群体和最完善的衍生品生态。在这些资产的订单簿上，千万美元级别的订单往往仅产生微小的价格变动。因此，在主流资产的总体波动率中，由基本面信息、宏观经济预期和整体市场情绪驱动的信息性波动占据了主导地位，而纯粹由流动性不足引发的虚假波动占比相对较小。
然而，当我们沿着市值阶梯向下，进入中等市值甚至微小市值的山寨币领域时，情况发生了根本性的逆转。这些资产的订单簿通常显著单薄，买卖价差宽阔，缺乏专业的做市商提供持续的流动性支持。在这些市场上，流动性不足不再是偶尔发生的极端事件，而是常态化的市场特征。因此，这些小市值代币展现出远高于主流资产的波动率水平。
更为关键的是，在这些高波动率的山寨币中，虚假波动占据了绝对的主导地位。由于流动性极度匮乏，任何一笔稍具规模的买入或卖出行为，无论其背后是否带有真实的信息优势，都会在订单簿上产生显著的价格冲击，引发剧烈的价格跳涨或下跌。这种极端的流动性敏感性，使得小市值代币的价格轨迹充满了噪音和随机游走特征。对于这些资产而言，其高波动率，在很大程度上是对其恶劣流动性状况的一种风险补偿，或者说是市场为承受其非流动性摩擦而索取的溢价 [27]。图 22-7 展示了从高市值到低市值资产的流动性梯度与波动率梯度之间的对应关系。
图 22-7. 资产流动性梯度与波动率梯度（梯度值为代表性示意、非 CoinGecko 实拉：市值与 Amihud 非流动性比率 [28] 参考 CoinGecko 市值排名前 50 加密资产分组；图中信息性/流动性波动的构成拆分为基于四源头框架的示意性估计，非由该数据直接产出）
如图 22-7 所示，资产从主流币向中低市值山寨币过渡时总体波动率陡峭上升；其构成（图中拆分为示意性，仅传达定性梯度而非精确占比）也随之逆转：主流资产以信息性波动为主体，低市值资产的流动性波动占比则急剧膨胀，甚至超过信息性波动。这意味着不同市值层级的波动所承载的经济学含义存在根本差异：高市值资产的波动主要反映信息，低市值资产的波动主要反映摩擦。
22.3.5 度量方法
为了在量化交易和风险管理中有效处理流动性波动，我们需要建立一套严谨的度量体系，将这种虚假波动从总体价格变动中剥离出来。在市场微观结构文献中，学者们发展了多种指标来捕捉和量化这种由流动性摩擦产生的波动特征。
最直接的度量方法是量化临时性价格冲击。这种方法通过追踪一笔大额交易发生后的高频价格轨迹，将初始的价格偏离分解为永久性成分和临时性成分。永久性成分代表了交易中所包含的信息含量，而临时性成分，即价格在冲击后向均值回归的部分，则精确地衡量了由流动性不足造成的虚假波动幅度。通过计算这种临时性冲击在总体价格变动中的比例，以及价格完成均值回归所需的时间（即波动率的回归速率），我们可以清晰地描绘出特定资产在特定时段的流动性弹性。
在更宏观的日度或更长周期上，Amihud 非流动性比率是一个被广泛采用的经典指标。该比率通过计算资产的绝对收益率与其美元交易量的比值，来衡量单位交易量所能引发的价格变动幅度 [28]。在加密货币市场中，一个较高的 Amihud 比率意味着极少的交易量就能引发剧烈的价格波动，这强烈暗示着该资产的波动率主要由流动性匮乏所驱动。实证研究证实，在控制了其他风险因素后，加密资产的预期收益率与其 Amihud 非流动性比率呈现出显著的正相关关系，这表明市场确实在为承受这种流动性诱导的波动率要求风险补偿 [29]。
此外，从做市商的微观视角来看，已实现价差是另一个衡量流动性波动的关键指标。与屏幕上显示的挂单价差不同，已实现价差衡量的是做市商在提供流动性并持有头寸一段时间后，实际能够捕获的利润空间。在流动性波动剧烈的环境中，由于价格的频繁跳动和逆向选择风险的增加，做市商往往会发现他们的已实现价差远低于名义价差，甚至出现亏损。这种已实现价差的压缩，是做市商感知到流动性波动风险的最直接信号，也是触发他们撤回流动性、进而启动波动率正反馈循环的微观触发因素。
通过这些精细的度量工具，我们能够从总体价格变动中剥离纯粹由市场结构摩擦制造的虚假波动。这种识别能力是构建稳健交易策略和风险管理模型的前提条件，有助于区分信息驱动的永久性价格调整与流动性不足导致的临时性价格冲击。值得指出的是，近年来针对加密市场高频环境的流动性度量方法持续演进，如基于逐笔成交数据的 Kyle lambda 高频估计和限价订单簿弹性指标等，能够在更短的时间尺度上捕捉流动性波动的动态特征，为四源头框架的实证应用提供了更精细的工具。
22.4 机制性波动
永续合约市场中的价格波动不仅来源于基本面信息的更新或流动性的临时短缺，更深刻地受到其底层制度设计的驱动。如§22.1.3 所预览，机制性波动即由市场规则本身创造、与新信息无关的价格运动，其独特来源——杠杆清算引擎、资金费率结算周期与标记价格平滑机制——在维持系统偿付能力和锚定现货价格的同时，不可避免地向市场注入额外噪声，成为永续合约“超额波动”的核心来源。需要说明的是，本节聚焦于算法和规则层面的制度设计，不覆盖因交易所宕机、安全攻击或技术故障等操作风险事件引发的波动。这类事件虽然也能制造与基本面无关的极端价格运动，但其突发性和不可预测性使其更适合在风险管理而非波动率分解的框架下讨论。
22.4.1 清算级联
清算级联不仅是放大已有波动的放大器，其本身更是独立产生波动的来源。当市场处于相对平静状态时，一笔大额方向性交易可能仅推动价格发生轻微的初始位移，这部分属于信息性或流动性波动。然而，这一微小的价格变动若触及了高杠杆头寸的强平线，清算引擎将自动接管这些仓位并进入强制平仓流程。主流 CEX 通常采用多层清算机制而非简单的市价抛售：第一层尝试在保险基金支持下以限价单清算，仅当限价单无法成交且保险基金耗尽时才触发自动减仓。这种多层设计在常态市场中有效缓解了清算的市场冲击，但在极端行情下仍会退化为类市价的强制执行。这些清算单在原本已经薄弱的订单簿上产生进一步的下行压力，进而触发更深层级的清算，形成正反馈循环。在此过程中，价格在没有任何新信息到来的情况下发生了剧烈运动，这部分额外的跌幅纯粹由清算机制所制造。
清算驱动的波动在价格序列上呈现出高度特征化的“V形”或尖峰形态，与信息性波动的“L形”永久性调整形成鲜明对比。在清算级联期间，价格通常会发生显著的超调，随后在清算压力耗尽后快速回升至更接近基本面的水平。这种形态反映了清算单的不计成本性质及其对短期流动性的极度消耗。在传统期货市场中，由于杠杆率受到严格限制、存在保证金追缴缓冲期以及涨跌停板机制的保护，清算级联的规模和发生频率被大幅压缩。相比之下，加密货币永续合约市场普遍允许极高的杠杆倍数，且实行即时强制平仓机制，这使得清算级联成为常态化的市场现象。图 22-8 通过对比清算驱动事件和信息驱动事件的标准化价格路径，直观呈现了两类波动在事后轨迹上的根本差异。
图 22-8. 清算驱动的V形价格路径与信息驱动的L形价格路径对比（机制对照示意：清算事件与信息事件前后 ±30 分钟标准化价格路径的代表性形态，非 Coinglass 实测取数）
如图 22-8 所示，清算级联的“V形”路径在冲击下快速下探至远低于均衡的极端位置，随后部分回升至更接近基本面的水平；信息性冲击的“L形”路径则在跳变后长期稳定、不发生系统性均值回归。这一差异的核心在于，清算单不含任何资产真实价值信息，其价格偏离纯属流动性消耗的产物，故流动性恢复后必然修正。
历史上的极端市场事件反复验证了清算级联作为独立波动源的破坏力。在2022年5月的 Terra 生态崩溃事件中，算法稳定币 UST 的脱锚引发了整个加密市场的恐慌。随着 Luna 代币价格的暴跌，大量依赖 Luna 作为抵押品的杠杆头寸遭到清算，这些清算单进一步加速了价格的崩溃，最终导致 Luna 在短短几天内市值几乎归零 [30]。即使在宏观环境相对平稳的时期，加密市场也经常经历由清算引发的剧烈波动。例如2025年10月的去杠杆事件（其规模与窗口详见§22.3.2、§22.6.4）中，大规模可见强平令多项资产价格深度下挫后又迅速反弹 [25]。这些案例表明，当杠杆头寸在特定价格区间高度集中时，即使是微小的初始触发因素，也足以启动规模庞大的清算级联，从而在市场中制造出与基本面完全脱节的极端波动。然而，在评估机制性波动的“可消除性”时，必须认识到清算机制存在的根本目的是维持系统偿付能力。降低清算的市场冲击（如采用渐进式清算或拍卖式清算 [31]）的代价是增加清算延迟，在极端行情下可能导致协议出现坏账。因此，机制性波动无法被完全消除，制度优化的目标是在“市场冲击最小化”与“偿付能力最大化”之间寻找帕累托最优。
22.4.2 资金费率结算脉冲
资金费率机制是永续合约维持与现货价格锚定的核心设计，但其定期的结算过程也为市场注入了可预测的周期性波动。为了促使永续合约价格向现货价格回归，多空双方需要定期交换资金费率。在典型的8小时结算周期下，当资金费率为正且数值较高时，多头持仓者面临在结算时刻支付高额费用的压力。为了规避这一成本，大量多头交易者倾向于在结算前平仓或减仓，从而在结算窗口前形成系统性的卖压。不过，结算脉冲的幅度不仅取决于费率水平，还取决于市场参与者对未来价格方向的共识程度。在强单边市场中，即使费率极端化，支付方可能宁可支付费率也不愿平仓（因预期价格继续向有利方向运动），此时结算脉冲反而较小。这种由规避费率支付而引发的集中交易行为，在市场方向不确定时制造了可预测的价格下行运动。
随着结算时刻的临近，这种方向性压力逐渐累积，导致合约价格相对于现货价格发生偏离。然而，一旦结算完成，规避费率的动机消失，市场卖压随之消散，价格往往会快速回升至结算前的水平。这种由资金费率结算引发的价格波动完全不包含任何基本面信息，纯粹是制度设计所产生的脉冲式噪声。在资金费率处于极端水平的时期，这种周期性脉冲的幅度会被显著放大，成为主导短期市场微观结构的关键力量。图 22-9 以时序图的形式呈现了资金费率结算前后基差和波动率的周期性脉冲模式。
图 22-9. 资金费率8小时结算周期下的波动脉冲（周期性机制示意：刻画每 8 小时结算前后 ±1 小时基差与已实现波动率的代表性脉冲模式，为合成曲线、非 Binance 实测数据）
如图 22-9 所示，每个8小时结算时刻临近时，高费率支付方的集中平仓制造出规律性的下行压力，表现为基差和已实现波动率在结算前系统性抬升、结算后数分钟内回归正常。这种高度可预测的周期性脉冲，证明了资金费率结算机制作为独立波动源的存在——它在没有任何基本面信息变化的情况下周期性地向市场注入噪声。
通过对不同结算频率的交易所进行跨平台比较，可以更清晰地分离出资金费率机制对波动的贡献。在采用传统8小时结算周期的平台上，结算前后的价格波动呈现出明显的聚集特征。而部分新兴的去中心化交易所（DEX）或采用连续结算机制的平台，通过将资金费率的支付分散到每一个区块或更短的时间颗粒度中，有效平滑了交易者的规避行为。理论模型表明，资金费率作为一种算法反馈规则而非被动转移，其反馈规则设计（如结算频率与费率上限）影响基差的均值回归与尾部风险 [32]。连续结算机制从根本上消除了离散结算带来的集中交易动机，从而显著降低了此类机制性波动。但连续结算在链上环境中也可能引入新的问题：每个区块的微小费率交换增加了 MEV 提取的机会，可能产生不同形态的机制性噪声。尽管如此，资金费率结算脉冲仍是所有机制性波动中通过制度优化空间最大的来源。
22.4.3 标记价格机制的滞后效应
为了防范市场操纵和异常交易引发的错误清算，永续合约平台普遍引入了标记价格机制作为计算未实现盈亏和触发强平的基准。标记价格的计算通常包含两个步骤：首先，从多个外部现货交易所的成分价格加权聚合出价格指数，并剔除偏离中位数过大的单一交易所价格；其次，在价格指数基础上施加指数移动平均等时间平滑并叠加合理基差修正项，使标记价格能够在常态市场中平滑跟踪永续合约的理论公允价值（标记价格机制的完整治理含义见第14章）。这种双层设计使得标记价格的波动率低于最新成交价，有效过滤了短期噪声并减少了不必要的清算事件。然而，在市场快速单边运行的极端行情中，标记价格的指数移动平均特性却可能产生滞后风险。
当真实市场价格发生急剧变动时，平滑算法导致标记价格的反应速度明显落后于最新成交价。这种滞后性在短期内暂时保护了部分本应被清算的头寸，但也导致系统性风险在不被察觉的情况下逐步累积。随着时间的推移，当标记价格最终追赶上真实市场价格时，那些在滞后期间累积的处于亏损状态的杠杆头寸将面临集中触发的强平风险。这种累积与释放的动态过程，实际上是将原本应分散发生的清算事件压缩到了一个极短的时间窗口内，从而在滞后结束时制造出一个规模更大、冲击力更强的清算脉冲。
此外，标记价格机制本身也构成了一条跨市场波动的传输管道。由于标记价格综合了多个外部交易所的数据，当其中某一个现货交易所因流动性枯竭或技术故障而出现极端价格偏差时，这种偏差会通过标记价格的计算公式部分传递给永续合约市场。如果这种偏差足以触发永续合约的强平引擎，就会在衍生品市场中制造出与自身基本面和流动性状况无关的虚假清算。值得注意的是，标记价格的滞后效应在去中心化永续合约交易所中表现出不同的形态。当前 DEX 永续合约的设计已经显著分化：预言机型 DEX（如 GMX）的标记价格完全依赖预言机喂价，交易者表现为价格接受者，其滞后风险来自预言机更新频率，标记价格的微小偏差也可能引发显著的连锁反应 [33]；订单簿型 DEX（如 Hyperliquid、dYdX v4）的标记价格机制更接近 CEX，但其滞后风险主要来自排序器延迟而非预言机延迟。相较而言，CEX 的标记价格基于多个现货交易所的加权指数叠加合理基差修正，其滞后程度因平滑参数的设定而异。
22.4.4 波动率差异归因
要准确量化机制性波动的规模，可以通过比较同一底层资产在不同市场结构下的波动率表现来实现。以比特币为例，其现货市场、交割期货市场和永续合约市场共享相同的宏观信息输入和基本面预期，但三者的波动率特征却存在显著差异。现货市场的波动主要由信息性波动和少量的流动性波动构成，可以视为资产内在波动的基准。交割期货市场在此基础上增加了由基差变动带来的波动，以及受限杠杆下少量的清算波动。而永续合约市场不仅包含了现货市场的所有波动成分，还叠加了更为严重的流动性波动以及大量的机制性波动。
文献与市场观察一致显示，永续合约的实现波动率往往高于同期的现货和交割期货。这种波动率的溢价，即§22.7 将系统分析的超额波动，主要由永续合约独特的制度设计所造成，其具体来源归因详见§22.7.2。图 22-10 通过对比同一底层资产在三个不同市场结构下的波动率水平及其构成，直观呈现了这种超额波动的来源。
图 22-10. 同一底层资产在现货、交割期货与永续合约市场中的波动率构成对比（各市场 RV 柱高为代表性示意、非实测复算，参考同期 BTC Coinbase 现货、CME 交割期货与 Binance 永续合约日度已实现波动率，2023-2025 年；各市场内部的四源头构成拆分为基于本章框架的示意性估计）
如图 22-10 所示，波动率由现货（信息性成分为主、最低基准）、交割期货（增有限基差与少量清算波动）到永续合约（叠加清算级联与资金费率结算的机制性波动）依次抬升。三个市场共享相同的底层资产与信息集，故这种系统性差异只能归因于制度设计，为量化机制性波动的净贡献提供了自然实验式证据。
这种跨市场的比较不仅具有理论意义，更提供了一种自然实验的方法来隔离和测量机制性波动。当市场面临相同的信息冲击时，永续合约市场往往表现出更深的跌幅和更高的短期波动率，这种差异无法用基本面信息的差异来解释，而只能归咎于制度摩擦。通过对不同清算机制和结算频率的平台进行横向对比，可以进一步证实制度设计在产生非信息性波动方面的显著作用。例如，采用渐进式清算而非悬崖式清算的平台，其极端行情下的波动率放大效应明显减弱。
22.4.5 机制性波动的度量
机制性波动的核心特征在于其高度的规则依赖性，这使得它在很大程度上是可预测的。为了在实证研究中准确度量这一部分波动，研究者通常采用事件窗口法。在清算事件窗口法中，通过隔离大规模清算发生前后几分钟内的超额波动，可以剥离出纯粹由清算引擎抛售所引起的价格运动。类似地，费率结算事件研究则聚焦于结算时刻前后的短时间窗口，计算该时间段内偏离常态的波动率脉冲，并将其归入机制性波动的范畴。
除了事件窗口法，构建无清算反事实模型也是一种有效的度量手段。通过模拟在没有强制平仓机制情况下的理论价格路径，并将其与实际观测到的价格路径进行对比，两者之间的差异便代表了清算机制对波动率的净贡献。这些度量方法共同揭示了一个事实：在极端市场条件下，机制性波动不仅占据了总波动率的显著比例，甚至可能成为主导价格短期走势的决定性力量。
机制性波动的可预测性催生了专门针对制度摩擦进行套利的交易策略。资金费率结算时间的确定性以及清算级联在订单簿上的可见性，使得部分高频交易者能够提前布局。他们通过在结算前提供流动性以吸收规避费率的卖压，或者在清算级联引发价格超调时逆势买入，从而从制度制造的噪声中获取利润。然而，这种套利在实际执行中面临显著约束：清算级联期间交易所可能触发过载保护或限制新开仓，逆势买入的实际成交价格因滑点可能远差于预期，且如果清算压力未如预期消退而是继续加剧，逆势头寸面临的亏损可能远超初始预算。此外，这种套利行为在平抑部分机制性波动的同时，也可能在极端情况下加速清算的触发。从市场设计的角度来看，明确区分并量化机制性波动，对于优化永续合约的清算逻辑、改进资金费率结算频率以及提升标记价格的稳健性具有重要的指导意义。
22.5 传导性波动
加密货币的永续合约市场并非一个封闭的独立系统，其波动不仅源于内部微观结构或供需失衡，更源于外部冲击的持续涌入。如§22.1.3 所预览，传导性波动是经跨市场套利和交叉保证金机制蔓延而来的溢出效应，本质上是一种二手波动，具有高度的传染性与显著的跨资产相关性，且在市场危机爆发时相关性往往迅速趋近于一。这种波动既包括加密货币市场内部的资产间溢出，也涵盖了传统金融市场宏观基本面变化的宏观传导。
22.5.1 加密市场内部的溢出效应
在加密货币市场内部，波动性的传导呈现出高度结构化和层级化的网络特征。当市场遭遇突发冲击时，波动并非均匀地散布在所有资产上，而是遵循着特定的传导路径。比特币作为市值最大、流动性最深的加密资产，通常是这个波动传导网络的核心枢纽。研究表明，比特币在多数时期是波动性关联的重要净输出者，它将自身的波动冲击通过交易对和套利机制传递给以太坊以及其他市值较小的加密资产 [34]。这种传导过程在永续合约市场中表现得尤为迅速，往往在分钟级别内即可完成跨资产的波动共振。值得注意的是，在统一保证金体系下，传导路径并非单向。当交易者以 BTC 作为抵押品持有山寨币永续合约头寸时，山寨币的清算会触发 BTC 抵押品的强制卖出，从而将山寨币的波动反向传导至 BTC。这种反向传导路径意味着 BTC 在极端危机中也可能成为波动率的净接收者，挑战了其作为单纯“净输出者”的定位。
以太坊在这个网络中扮演着关键的中继节点角色。随着去中心化金融和非同质化代币生态的繁荣，以太坊在波动率传导中的主导地位正在逐渐上升，甚至在某些特定时期超越了比特币的溢出效应 [35]。从比特币到以太坊，再从以太坊传导至众多山寨币，这种层级传导构成了加密市场内部波动溢出的基本骨架。图 22-11 以有向网络图的形式可视化了主要加密资产之间的波动率溢出关系。
图 22-11. 加密市场波动率溢出网络（网络为概念示意、非实算 DY 矩阵：方法参考 Yi et al. (2018) [34] 与 Diebold & Yilmaz (2012) [36] DY 溢出网络框架，刻画 BTC、ETH 及市值前 10 山寨币的代表性溢出结构）
如图 22-11 所示，比特币位于核心枢纽，其向外发射的箭头粗度（溢出强度）最大，印证其波动率重要净输出者的地位（需注意 Yi 等(2018) [34] 指出比特币虽为重要净输出者但并非唯一主导，部分小市值币种在特定时期亦可成为显著净输出者）；以太坊为次级枢纽，边缘的中低市值资产则主要扮演接收者，其波动率变化大部分可追溯至核心资产的溢出。这种星形-层级拓扑说明，波动率传导并非均匀扩散，而具有明确的方向性与层次性。
在市场平稳期，这种传导网络的连接强度相对温和，各资产仍能保持一定程度的独立定价。然而，当危机发生或极端波动事件出现时，传导强度会呈现出非线性的急剧增加。实证分析证实，在高波动率制度下，加密货币之间的溢出效应会显著增强，表现出强烈的状态依赖性 [37]。在抛售恐慌中，永续合约市场的高杠杆特性会加速保证金的连环清算，导致所有加密资产的波动率同步飙升，原本多元化的投资组合瞬间失去保护作用，整个市场呈现高度同步的价格共振。
22.5.2 BTC 主导地位与β波动
在评估加密资产的相对波动时，市场常常借用传统金融中的贝塔系数概念。山寨币对主要资产通常表现出极高的高贝塔特征，这意味着它们对核心资产的价格变动异常敏感。当比特币的波动率温和上升时，山寨币往往会经历更为剧烈的价格震荡，即比特币波动率的微小上升在山寨币中被显著放大。
这种高贝塔特征并非一成不变，而是具有显著的时变性，并深受市场周期的影响。在牛市的高涨阶段，随着流动性的充裕和风险偏好的高涨，山寨币的贝塔系数往往会膨胀，投资者倾向于通过持有高贝塔资产来获取超额收益。相反，在熊市的资本外逃阶段，尽管山寨币的跌幅依然显著，但其贝塔系数的绝对值可能会因流动性枯竭和交易停滞而发生结构性改变。
永续合约的广泛应用极大地放大了这种传导效应。由于山寨币的现货流动性通常较差，永续合约市场成为投机者表达观点的主要场所。当比特币面临宏观冲击或内部结构性抛售时，套利者和做市商会迅速调整整个加密资产矩阵的风险敞口。山寨币永续合约中的高杠杆头寸在面对这种传导性冲击时极为脆弱，轻微的基准资产波动就足以触发山寨币合约的大规模强制平仓，从而产生数倍于初始冲击的二手波动。
22.5.3 现货与永续间的套利传导
永续合约与现货市场之间的价格联动是波动性传导的另一条核心路径。这两大市场通过资金费率机制和套利者的无间断运作被紧密地联系在一起。在理想状态下，现货市场和永续合约市场应当保持价格的一致性，但现实中微观结构的差异和信息流入的不对称常常导致两者之间出现价差，即基差。
套利者在抹平基差的过程中，无意间充当了波动传导的中介渠道。当现货市场因外部消息或大额订单遭遇剧烈波动时，现货价格的快速移动会拉大与永续合约的基差。此时，统计套利者和基差交易者会迅速介入，在低估市场买入并在高估市场卖出。这种跨市场的高频交易行为虽然有助于价格发现，但也同时将现货市场的波动有效地复制并传导至永续合约市场。学术研究指出，现货市场通常是波动溢出效应的主要传导源头，对衍生品市场存在显著的因果驱动关系 [38]。
然而，这种传导并非总是瞬时和无摩擦的。在极端市场条件下，结构性套利限制会导致传导出现延迟。国际清算银行的研究表明，加密市场的基差有时可以达到极高水平，年化收益率甚至超过40%，这反映了在剧烈波动中，套利资本的部署受到了多重执行摩擦的严重限制：区块链确认延迟（BTC 链上确认需10-60分钟）使得跨交易所资金转移无法即时完成，交易所在极端行情下冻结或限制提款进一步阻断了资金再平衡，同时保证金追加导致套利者的可用资本急剧下降 [39]。当套利管道受阻时，基差会异常扩大，现货市场的波动可能需要更长的时间才能完全反映在永续合约中。值得注意的是，在某些特定的信息驱动事件中，如宏观数据发布或监管政策落地，拥有更高杠杆和更低交易成本的永续合约市场有时会转而领先现货市场完成价格发现，成为波动的发源地 [40]。
22.5.4 传统金融的宏观传导
加密货币市场早期曾被视为独立于传统金融体系的避险资产或数字黄金。然而，随着多重因素的叠加（机构投资者直接配置加密资产、美联储量化宽松制造的全球流动性共同因子、以及零利率环境下散户跨资产投机行为的兴起），这种隔离状态已显著减弱。加密市场与传统金融资产之间的相关性经历了深刻的演变，宏观经济的波动现在能够有效地传导至加密永续合约市场。
在2020年之前，比特币与标准普尔500指数等传统股票资产的相关性极低，甚至在某些时期呈现负相关。但新冠疫情的爆发成为了一个历史性的转折点。国际货币基金组织的报告指出，自疫情爆发以来，比特币价格波动率与股票指数波动率之间的相关性显著增加，比特币的溢出效应对全球股票市场波动率变化的解释力度达到了14%至18% [41]。图 22-12 以时间序列图的形式展示了比特币与标准普尔500指数之间动态相关性的长期演变。
图 22-12. BTC 与S&P 500时变相关性（代表性示意：BTC 与 S&P 500 的 90 日滚动相关（2018-2024 年），数值与 Iyer (2022) [41] 实证一致、非实算）
如图 22-12 所示，2020 年前比特币与标普500的滚动相关系数长期接近零甚至偶为负，支持“数字黄金”叙事；2020 年新冠后则结构性跃升，2022 年宏观紧缩中一度攀升至0.5以上。这表明随着机构深度参与，加密资产已被纳入全球宏观风险资产的定价体系，传统市场的波动冲击得以有效传导至永续合约市场。
这种宏观传导的核心驱动力是全球货币政策的周期性转换。当美联储实施极度宽松的货币政策时，过剩的流动性同时推高了传统风险资产和加密货币的价格。而当货币政策转向紧缩时，无风险利率的上升会迅速压缩所有风险资产的估值。研究发现，当影子政策利率转为负值（即货币政策极度宽松）时，货币政策对加密货币市场的溢出效应尤为巨大 [42]。
这种传导形成了一条清晰的链条：美联储的政策决议首先冲击美国国债和股票市场，随后传统金融机构为了平衡整体投资组合的风险，会调整其加密资产敞口，这种调整通过比特币现货市场传导至比特币永续合约，并最终通过内部网络溢出至整个山寨币永续市场。在2022年等典型的宏观紧缩危机期间，加密资产与传统风险资产的相关性急剧上升并趋近于一，传统的投资组合分散化策略在面对这种系统性的传导性波动时显著失效。
22.5.5 传导性波动的度量
为了精确量化和监控这种复杂的传导性波动，金融计量学提供了一系列先进的分析工具。其中最被广泛采用的是 Diebold 和 Yilmaz 提出的溢出指数模型。该模型基于向量自回归系统和广义预测误差方差分解，能够剥离出某一资产的波动中有多少比例是由系统内其他资产的冲击造成的 [36]。
通过构建动态的溢出指数矩阵，研究人员可以清晰地计算出每个市场是波动的净接收者还是净发射者。在加密永续合约市场中，这种矩阵通常表现为高度不对称的结构。对角线元素代表了资产自身的异质性波动，而所有的非对角线元素则量化了跨市场的二手波动强度。图 22-13 以热力图的形式呈现了主要加密资产永续合约之间的方向性溢出矩阵。
图 22-13. DY 溢出指数热力图（概念示意、非实算矩阵：基于 Diebold & Yilmaz (2012) [36] 框架，刻画 BTC、ETH、BNB、SOL、XRP 等主要加密资产与标普500、黄金之间的方向性溢出结构）
如图 22-13 所示，矩阵呈现高度不对称结构：比特币对其他资产的溢出（对应行）显著高于其接收的溢出（对应列），进一步印证其波动率重要净输出者的地位。小市值资产的对角线元素（自身异质性波动解释比例）往往较低，意味着其波动率在很大程度上由外部传染、而非自身基本面变化所驱动。
除了溢出指数，多元 GARCH 模型，特别是其 BEKK 设定形式，也是捕捉波动率传导的核心工具。该模型不仅能够估计资产波动率的均值回归特性，更重要的是，它能够动态追踪不同加密资产之间的条件协方差。通过引入时间变量，研究者证实了加密货币之间的冲击传导和波动溢出效应具有显著的双向特征，并且其条件相关性是随时间动态演化的 [43]。需要指出的是，DY 溢出指数和 BEKK-MGARCH 均为线性框架，在处理极端尾部事件和非线性传染时存在已知局限。近年来基于 Copula-DCC 和分位数回归的非线性传导度量方法已在加密市场文献中得到应用，能够更准确地捕捉危机期间相关性突变和尾部依赖性增强等非线性特征。
进一步地，结合网络拓扑学理论，可以将这些计量经济学结果可视化为复杂的有向加权图。在这些网络拓扑结构中，中心度指标如特征向量中心性或介数中心性，被用来识别哪些永续合约在波动传导中占据系统性重要位置。这种网络视角的分析不仅揭示了波动的传导方向，还为市场监管者和风险管理者提供了预警系统，帮助他们在局部波动演变为全局性危机之前，识别出网络中系统性风险集中度较高的关键节点。
22.6 四源头交互与状态切换
四种波动来源并非相互独立地运作，它们之间存在系统性的非线性交互与反馈放大机制。更关键的是，这些来源在总波动率中所占的比例（即波动性预算）并不是固定不变的，而是随着市场状态的切换发生剧烈的结构性重组。理解这种状态依赖性，是揭示波动率聚集现象微观基础的核心。
22.6.1 四源头的非线性交互
波动性的四个源头在市场平静期表现出近似的独立性，但在高波动环境中，它们之间的交互项会急剧放大，形成复杂的反馈网络。这种交互首先体现在信息性波动对流动性波动的单向触发上。当新的宏观冲击或基本面信息到达时，信息不对称程度上升，做市商面临的逆向选择风险加剧。为了补偿这种风险，做市商会理性地扩大买卖价差并减少订单簿深度。此时，后续的订单流在更薄的流动性上执行，产生了更大的临时性价格冲击。因此，信息性波动通过改变微观结构参数，内生地触发了流动性波动 [23]。
在四源头交互中破坏力最大的环节是流动性波动与机制性波动之间的双向正反馈。当流动性不足导致价格发生较大幅度的临时性下跌时，这种下跌本身可能触及多头头寸的清算阈值。一旦触发强制平仓，清算引擎会向市场提交市价卖单，产生机制性波动。这些清算订单进一步消耗了本已脆弱的流动性，导致价格继续下挫，从而触发更多清算。这种螺旋式的反馈循环使得价格变动远远偏离了初始信息所隐含的均衡水平。
传导性波动在这一过程中起到跨市场放大的作用。在高度互联的加密资产市场中，单一资产的波动往往通过做市商的跨资产风险管理和交叉保证金机制迅速传染。当比特币经历流动性收缩和清算时，做市商为了控制整体投资组合的风险敞口，会同步撤回以太坊和山寨币市场的流动性报价。同时，比特币价格下跌导致多资产投资者的投资组合抵押率下降，进而触发山寨币头寸的连环清算。这种跨资产传染使得传导性波动能够直接激活其他市场的机制性和流动性波动，形成非线性的级联效应。
图 22-14. 四源头交互的非线性反馈循环（作者绘制，参考 Brunnermeier & Pedersen (2009) [23] 流动性螺旋框架）
如图 22-14 所示，反馈环路始于信息冲击：做市商规避逆向选择而撤退，触发流动性波动膨胀；稀薄订单簿上的临时性下跌穿越清算阈值，激活清算引擎引发机制性波动；清算卖单又进一步消耗流动性，形成双向正反馈。最终，极端波动通过跨资产套利与交叉保证金外溢至其他市场，产生传导性波动，而后者又可能在目标市场重新触发上述螺旋，形成全局性级联效应。
22.6.2 波动性预算的状态依赖
如§22.1.4所引入的，总波动率可以被视为一个预算，由信息性、流动性、机制性和传导性四个来源共同构成。这一预算的分配比例高度依赖于市场所处的状态，呈现出从平静期到危机期的系统性结构切换。
在市场处于常态或平静期时，波动性预算主要由信息性波动主导。此时，市场流动性充裕，做市商竞争充分，买卖价差保持在较低水平。新的基本面信息或宏观数据能够平滑地融入价格，大额交易产生的临时性价格冲击较小且能被迅速吸收。Dimpfl 和 Peter 对跨现货交易所价格发现效率的研究显示，加密市场的信噪比约为36%，而 NYSE 和 NASDAQ 约为90% [11]。尽管该指标衡量的是跨交易所价格发现中的噪声（而非本章四源头框架中的波动率构成），但它提供了一个有参考价值的基准，即使在平静期，加密市场中非信息性成分的占比也显著高于传统股票市场。需要指出的是，这种信噪比差异部分反映了加密市场的结构特征（24/7交易、市场碎片化），而非纯粹的“低效率”，传统市场的高信噪比部分源于涨跌停板和做市商义务等制度性噪声抑制机制。在加密永续合约市场中，信息性波动在平静期仍是四个源头中份额最大的。机制性波动在此阶段的贡献有限，仅体现为资金费率结算前后的微小套利脉冲，而传导性波动也保持在正常的跨市场联动范围内。
当市场进入紧张期（例如面临重大宏观事件的不确定性预期或关键技术升级的前夕），波动性预算的结构开始发生偏移。随着不确定性的增加，做市商为了规避逆向选择风险，会主动扩大报价价差并减少订单簿深度。流动性条件的恶化使得同等规模的订单流产生更大的价格滑点，导致流动性波动在总预算中的占比攀升。同时，随着价格波幅的扩大，部分高杠杆头寸开始面临追加保证金的压力，小规模的清算事件零星发生，使得机制性波动的份额也开始扩张。信息性波动的绝对量可能并未减少，但由于其他波动源的上升，其在总预算中的相对比例下降，市场价格中混入了越来越多的摩擦性噪声。
在极端的危机期，波动性预算的结构发生剧烈逆转。当初始的负面冲击突破市场的承受阈值，流动性急剧收缩和大规模清算级联同时发生并相互强化。做市商大规模撤退，流动性波动急剧膨胀；清算引擎无差别地向市场提交市价单，机制性波动占据主导地位；恐慌情绪和跨资产抛售使得传导性波动达到顶峰。Nguyen 的研究表明，加密货币价格总方差中噪声成分的贡献度高达40%，远高于传统股票的21%和外汇市场的18% [10]（需注意该40%为2015-2024全样本的无条件均值，而非危机条件下的占比）。在危机期，非信息性成分的占比相对平静期很可能显著上升并成为主导，但其精确数值有待危机子样本的实证检验。在这种状态下，观测到的总体波动率中相当大的部分已经不再是基本面信息的反映，而是由市场微观结构崩溃和制度性摩擦所制造。这意味着危机中的价格运动存在系统性的过度反应，大量资产被抛售至远低于其基本面价值的水平。
这种状态切换表明，在极端市场条件下，观察到的高波动率主要是市场结构失灵的表征，而非基本面信息的剧烈变化。同时，这种结构性的过度反应也为策略制定者提供了理论依据：既然危机期的大部分波动是不含信息的临时性噪声，那么在流动性恢复和清算压力消退之后，价格将经历系统性的均值回归过程。
综上（波动性预算在平静、紧张、危机三态间的构成变迁参见图 22-2），在极端市场条件下，绝大部分可观测的价格运动已失去价格发现功能，纯粹由制度摩擦与流动性螺旋驱动。
22.6.3 状态切换的触发与预警
市场状态从平静期向危机期的切换并非渐进的线性过程，而是具有明显的临界点效应。当外部冲击或内部摩擦累积突破某一阈值时，市场微观结构会发生突变。这种非线性的相变过程可以通过特定的微观结构指标进行早期预警。
订单簿深度的异常下降通常是状态切换的最早信号。在价格发生实质性波动之前，做市商往往已经通过微观订单流的不平衡感知到逆向选择风险的上升，从而提前撤销限价单。当顶层订单簿的深度萎缩至历史均值的一个标准差以下时，市场吸收冲击的能力显著下降，增加了流动性波动爆发的概率。
资金费率的极端化和跨交易所基差的扩大是机制性波动即将接管市场的明确标志。当永续合约的资金费率持续偏离中性水平，且套利资本无法有效抹平现货与合约之间的基差时，表明套利者的资产负债表约束已经收紧。这种状态下，市场极易受到单边行情的冲击，进而触发大规模的清算。清算量的初始抬升则是危机态全面爆发的直接催化剂，一旦清算引擎的抛压超过了残存的流动性承载力，系统便会不可逆地进入级联清算状态。
22.6.4 危机态的流动性-波动率螺旋
在危机状态下，波动率的指数级放大本质上是流动性公地悲剧在价格维度的映射。如第 20 章所述，流动性在加密市场中具有准公共品（更确切地说是公共池塘资源）的属性。当波动率上升时，单个做市商的最优理性选择是扩大价差或暂停报价以保护自身资本。然而，当所有做市商同时采取这种防御性策略时，整个市场的流动性就会迅速消失。
这种集体的流动性撤退直接触发了§22.3.2 与§22.6.1 所述的流动性-波动率螺旋：订单簿极度稀薄使止损单或清算单产生巨大滑点与极端已实现波动率，这种虚假波动又被风险管理模型捕捉，推升波动率预测、促使做市商更坚决地离场。
在这一螺旋中，机制性波动进一步加剧了这一过程。清算机制的机械执行不具备价格敏感性，它在流动性最差的时刻无差别地提交市价卖单，将临时性的价格冲击转化为更深层次的资产负债表破坏。在2025年10月的清算级联事件中（其去杠杆规模与窗口详见§22.3.2），最剧烈的冲击集中于约40分钟，其间跨资产传染的强度比2018年贸易战的溢出效应强约20% [44]。这充分证明了在危机态下，微观结构的崩溃如何将有限的信息冲击放大为系统性的波动率急剧攀升。
22.6.5 实践含义
波动性预算的状态切换框架为交易者、风险管理者和市场设计者提供了全新的视角。对于交易者而言，识别当前波动的核心来源是制定策略的前提。如果判断当前的高波动主要由流动性和机制性因素驱动，这意味着价格变动中包含了大量的临时性冲击和过度反应，均值回归策略可能具有较高的期望收益。但这一判断需要两个前提条件：第一，冲击确实不包含基本面信息，如果冲击源于协议被攻击或项目方跑路等基本面破坏性事件，价格不会回归（2022年 Luna 即为典型反例）；第二，策略可以被实际执行，而在极端行情下交易所可能限制新开仓、API 限流或冻结提款，使得理论上的均值回归机会无法被捕获。这种前置判断恰恰需要本章所提出的四源头分解来完成。相反，如果波动由信息性因素主导，逆势交易将面临巨大的逆向选择风险。
从风险管理的角度来看，传统的在险价值（VaR）模型通常假设波动率是一个同质的随机过程，这在永续合约市场中存在致命缺陷。状态感知的风险管理要求在平静期不过度自信，在压力期能够动态调整参数以适应机制性波动的非线性爆发。资金费率作为一种内生的反馈规则，其设定的更新频率和上限直接影响基差波动的尾部风险，合理的机制设计能够有效抑制极端基差的产生 [32]。四源头框架为构建状态感知的风险管理提供了概念基础：通过实时监测订单簿深度、资金费率极端度和清算量等微观结构指标，当指标组合触发从平静期向紧张期的切换信号时，动态调整 VaR 模型的尾部参数（如从正态分布切换至厚尾分布），将波动性预算的状态切换逻辑嵌入风险管理流程。
对市场设计者而言，减少危机期超额波动的关键在于阻断四源头之间的恶性交互。引入动态的保证金缓冲机制，在波动率飙升时适度放宽清算条件，可以减缓清算级联的发生。同时，优化跨交易所的断路器机制，防止单一平台的流动性枯竭通过预言机和套利者迅速传染至全网，是提升加密衍生品市场微观结构韧性的必要制度演进方向。此外，传统金融市场通过做市商义务制度解决危机期流动性撤退的集体行动问题，CEX 的做市商激励计划能否在危机中有效维持流动性供给，值得进一步实证检验。在杠杆率管理方面，主要司法管辖区已出台差异化的杠杆上限政策（如日本将散户加密保证金交易杠杆限制在2倍，欧盟在 MiFID II 框架下已将零售加密差价合约杠杆限制在 2:1，加密衍生品不属 MiCA 管辖范围），而离岸交易所仍允许100倍以上杠杆。这种监管碎片化本身也是超额波动的制度性来源之一，交易者向高杠杆平台的集中迁移加剧了这些平台的清算级联风险。
22.7 永续合约的超额波动
综合前六节关于永续合约微观结构、资金费率机制以及清算引擎的分析，本节直接回答一个在加密货币金融学中具有核心地位的问题：永续合约的波动率为什么系统性地高于现货市场。这种现象在传统金融文献中被称为“超额波动”，但在加密货币衍生品市场中，由于杠杆的无摩擦获取和全天候交易特性，超额波动呈现出独特的生成机制与福利分配后果。本节将拆解这种超额波动的来源，并评估其对不同市场参与者的福利影响。
22.7.1 定义与度量
超额波动的理论渊源可追溯至 Shiller (1981) 关于股票市场的经典研究，该研究表明股价波动率系统性地超过了股利基本面所能解释的水平 [45]。在加密货币衍生品市场中，超额波动的定义为资产价格在衍生品市场中的实际波动率与在相同信息集下现货市场应有波动率之间的差值。需要强调，这是一个理论基准定义：减项“相同信息集下现货应有波动率”不可直接观测，也不能简单用观测到的现货波动率代入（现货自身亦含约40%的噪声成分），实证中只能借助下文的自然实验 [46] 与永久/暂时方差分解 [10] 近似识别，故该基准的可信度受限于现货噪声分解的可信度。与 Shiller 所发现的股票超额波动主要源于投资者情绪和折现率波动不同，永续合约的超额波动在很大程度上由本章所分析的机制性设计和流动性摩擦所驱动，这是加密衍生品市场区别于传统资产市场的重要特征（本章不主张永续超额波动可由 Shiller 的折现率渠道解释，仅借用其“实际波动率超过基本面应有波动率”的度量结构）。在完全有效的市场中，衍生品价格的变动应当仅仅反映基础资产未来现金流折现值的变化或宏观基本面信息的更新。然而，在加密货币市场中，价格发现过程往往伴随着显著的微观结构噪声。如§22.6.2所引，加密货币市场的信噪比显著低于纽约证券交易所、纳斯达克等传统股票市场 [11]。这种高比例的噪声交易意味着大部分价格波动并非由基本面信息驱动，而是由市场参与者的交易行为本身产生。
度量永续合约超额波动的核心挑战在于如何控制信息差异。由于永续合约与现货市场共享相同的底层资产，两者的价格发现过程高度交织，简单的波动率相减无法准确剥离由信息流驱动的共同波动。为了隔离出纯粹的超额波动，金融经济学家通常采用自然实验设计。例如，通过观察美国比特币现货交易所交易基金获批前后的市场结构变化，研究者发现现货市场的波动率在引入更具信息效率的投资渠道后出现显著下降，这支持了衍生品市场过度投机导致现货市场承受额外波动的稳定化假说 [46]。
另一种度量框架是通过高频数据中的方差分解来分离永久性成分和暂时性成分。永久性成分代表信息驱动的价格随机游走，而暂时性成分则捕捉了由流动性冲击和市场摩擦引起的均值回归波动。如§22.6.2所引，加密货币价格总方差中的噪声成分占比显著高于传统股票与外汇市场 [10]。这种系统性的高噪声占比，为量化永续合约独有的微观结构摩擦提供了基准。
22.7.2 来源归因
永续合约的超额波动并非单一因素所致，而是由其独特的市场微观结构特征共同作用的结果。需要先厘清一个范畴问题：超额波动按定义已剔除永续与现货共有的信息性成分（二者在相减中相互抵消），因此本节的来源分解聚焦于机制性、流动性与传导性三类永续特有的源头；下文及图 22-15 中出现的“信息性”项，专指永续因高杠杆相对现货产生的信息超调差额（其放大机制归入机制性），而非信息性波动本身。图 22-15 以示意方式展示了这些源头对永续合约超额波动的相对贡献。
图 22-15. 永续合约超额波动的来源归因分解（作者绘制：各源头相对占比为基于事件窗口/方差比分解逻辑与四源头概念框架的示意性估计；四源头分解为一阶近似、流动性为残差类别，详见§22.1.3，非基于单一实证样本的精确测算）
如图 22-15 所示（图中比例为示意性排序、非精确统计分解），机制性波动通常占超额波动较大份额（核心是清算级联与资金费率结算的周期性噪声），流动性波动紧随其后，传导性波动在危机事件中尤为突出；而信息超调差额虽占比相对较小，其存在却表明即便“好”的价格发现过程在高杠杆环境下也会因超调制造部分超额波动。
基于§22.4和§22.3的分析，超额波动的各源头贡献可以概括如下（以下为基于机制分析的概念性归因排序，而非精确的方差占比测算）。机制性波动很可能是超额波动的主要贡献者。如§22.4.1和22.4.2所论证的，清算级联和资金费率结算周期是其核心驱动力。实证证据进一步显示，在永续合约每8小时一次的资金费率结算窗口期间，现货市场的逆向选择风险也显著增加，导致报价价差扩大和市场深度恶化 [20]，这意味着机制性波动的影响已溢出至现货市场的微观结构。
流动性波动是超额波动的另一主要贡献源，其根源在于加密货币市场深度的碎片化和做市商库存管理的约束。在高频时间尺度上，大额订单引发的临时价格偏差及其随后的部分反转，是流动性摩擦的典型表现 [47]。传导性波动在危机事件中贡献突出，大市值资产的极端波动迅速传导至流动性较差的山寨币市场 [48]。信息性波动虽然在理论上属于有效的价格发现过程，但由于永续合约的高杠杆天然吸引知情交易者，信息融入价格的过程往往伴随超调，这种超调本身也构成了超额波动的组成部分。
22.7.3 超额波动的异质性
超额波动在不同类型的加密资产和不同的市场发展阶段展现出显著的异质性。从资产维度来看，比特币的超额波动率系统性地低于以太坊和其他中等市值的山寨币。这种差异主要归因于比特币现货市场拥有最深厚的流动性和最广泛的机构参与度，其永续合约市场的套利效率最高。相比之下，山寨币现货市场的流动性较差，且缺乏有效的做空机制，导致其永续合约经常在单边行情中积累巨大的基差，进而引发更为剧烈的资金费率套利波动和清算冲击。图 22-16 追踪了不同资产类别的超额波动率随时间演变的轨迹。
图 22-16. 不同资产类别永续合约超额波动率的时间演变（代表性示意：BTC、ETH 及市值排名 10-30 山寨币永续合约相对同期现货的年化超额波动率随市场周期的演变趋势，为趋势性示意、非实测月度 RV 差）
如图 22-16 所示，山寨币的超额波动率始终高于比特币与以太坊，并在波动加剧时跃升更大；比特币则相对温和稳定，反映其成熟的做市生态与高效的跨市场套利。三条曲线的长期下降趋势，暗示加密衍生品市场正逐步走向制度成熟化。
从时间维度考察，超额波动呈现出强烈的顺周期特征。在牛市阶段，由于散户投资者的错失恐惧情绪和对杠杆的强烈需求，全市场的未平仓合约量和杠杆率急剧上升。这种高杠杆环境极大地放大了价格对微小冲击的敏感度，使得牛市期间的超额波动显著高于熊市或震荡市。然而，将观察视野拉长至2015年至2025年的10年周期，可以发现加密货币市场的价格形成机制正在发生结构性转变。自2017年以来，市场总体方差中的噪声成分呈现出总体下降趋势，但在投机狂潮期间出现周期性反弹，例如2020年 DeFi 热潮和2024年 memecoin 浪潮期间均可观察到噪声占比的临时性跳升。与此同时，反映市场整体信息的成分在长期视角上稳步上升。
这种长期下降趋势反映了加密货币市场的逐渐成熟。随着市场监管的完善、衍生品基础设施的升级以及机构投资者的深度参与，市场的定价效率得到了实质性提升。例如，对历次比特币减半事件的实证分析表明，随着市场越来越规范化，围绕减半事件的异常收益率和超额波动率都在显著降低 [49]。机构套利资金的充裕使得跨期和跨市场的基差能够被更快地抹平，从而抑制了由局部流动性枯竭引发的极端价格波动。
22.7.4 福利含义
量化超额波动最终需要回答其对市场参与者的福利分配影响。永续合约创造的额外波动并非在所有参与者之间均匀分布，而是深刻地重塑了市场的财富转移格局。对于追求利润最大化的知情交易者和高频套利机构而言，高波动率直接等同于高频率的交易机会和丰厚的套利空间。他们利用先进的算法和低延迟的基础设施，在资金费率的周期性波动和清算事件引发的瞬时错误定价中提取利润。
然而，做市商对超额波动的态度则更为复杂。适度的波动能够带来可观的买卖价差收入，但当波动率突破特定阈值时，做市商面临的库存风险将急剧上升。期权市场的实证数据表明，当做市商的总体伽马库存失衡时，为了对冲风险，他们会显著扩大报价价差，导致市场整体流动性枯竭 [50]。这种流动性撤退往往在市场最需要深度的时候发生，进一步加剧了价格的螺旋式下跌。图 22-17 以分层框架图的形式总结了超额波动对不同市场参与者群体的差异化福利影响。
图 22-17. 超额波动对不同市场参与者的福利影响（数据来源：作者绘制，辅以 Cornelli et al. (2023) [51]关于散户亏损比例的数据）
如图 22-17 所示，超额波动的福利效应呈显著不对称：知情交易者与高频套利机构位于正端，受益于更高波动率与更频繁的错误定价机会；做市商居中，适度波动带来价差收入，但极端波动下面临库存亏损；散户则位于负端，缺乏信息优势与风控工具，更易触发强制清算而成为系统性财富转移的承受方。
在福利分配的正端附近，还存在一类以持仓规模而非分析能力取胜的规模驱动型参与者，即大额持仓者。这类参与者虽不依赖信息或分析优势，但其大额持仓使其有能力通过战略性的抛售或加仓影响清算级联的触发节奏。在超额波动中，大额持仓者扮演双重角色：既可能通过抛售加剧机制性波动从中获利，也可能在流动性枯竭时成为市场稳定的关键力量。这一内部异质性提示，图 22-17 的三分框架在知情交易者一端仍存在进一步的分层。
散户投资者则是超额波动中主要的受损方。由于缺乏复杂的风险管理工具和对市场微观结构的深刻理解，散户投资者极易在超额波动中触发强制清算。国际清算银行的研究报告揭示了这一显著的财富转移现象：在2022年的加密市场危机中（其间全市场市值缩水逾1.8万亿美元），大型投资者在危机爆发前成功减持，而大量散户投资者则在下跌过程中逆势加仓，最终导致多数加密应用用户遭受了实质性亏损 [51]。这种系统性的财富向机构转移，表明永续合约高杠杆机制在缺乏投资者保护的环境下具有显著的负面福利效应。
从监管者的宏观视角来看，持续的超额波动不仅是市场操纵和制度缺陷的信号，更是金融资源错配的体现。如果一个市场的价格变动主要由内生的机制摩擦和投机噪声驱动，而非反映基本面的价值发现，那么该市场就无法有效履行资本配置的核心功能。因此，如何通过优化清算机制设计，例如引入拍卖式清算以减少价格冲击 [31]，以及规范杠杆率上限，将是加密货币衍生品市场走向成熟并最终融入主流金融体系的关键挑战。
22.8 本章小结
永续合约市场中的价格波动并非一个均质的随机漫步过程，而是由四种性质截然不同的机制共同塑造的复杂产物。信息性波动反映了市场对新基本面、宏观事件或链上数据的定价过程，是健康市场不可或缺的价格发现机制。流动性波动源于订单簿深度不足时的临时性价格冲击，属于市场微观结构的摩擦成本。机制性波动则完全由永续合约独有的制度设计所驱动，包括清算级联引发的强制平仓和资金费率结算周期带来的可预测脉冲。传导性波动揭示了跨资产与跨市场间的关联性，使得一个孤立事件能够通过套利渠道和保证金交叉效应扩散至全局。
这四种来源在不同市场状态下的相对占比构成了波动性预算的动态切换机制。在常态市场中，信息性波动占据主导地位，价格运动主要反映真实的信息到达。然而，在市场面临压力或陷入危机时，流动性急剧收缩与机制性清算迅速接管波动性预算。此时，市场观测到的大部分价格运动不再包含新信息，而是纯粹的结构性噪声。这种在极端状态下信息性波动的退场与摩擦性波动的急剧扩张，是理解加密市场脆弱性的核心。
四源头分解框架的一个直接推论是永续合约市场存在显著的超额波动。通过与现货市场和传统金融衍生品的比较可以发现，永续合约的总波动率系统性地高于其信息含量所应有的水平。这一超额部分主要由流动性摩擦和机制性缺陷贡献，是当前制度设计施加于全体市场参与者的隐性成本。超额波动的存在不仅增加了做市商的库存风险，也导致散户交易者更频繁地触发止损，系统性地损害了市场福利。更为关键的是，由于清算级联和资金费率结算等机制性波动主要由规则内生，这部分超额波动理论上可以通过制度优化（如引入渐进式清算或连续资金费率）被显著降低，但由于清算效率与系统偿付能力之间存在根本性权衡，完全消除机制性波动既不现实也不可取。
对波动性来源的分解不仅澄清了单一价格运动背后的多重动因，也为理解波动率在时间序列上的演化规律奠定了基础。四种波动来源在时间维度上并非孤立发生，而是通过系统性的交互效应相互强化。当一次初始的信息冲击触发价格调整时，随之而来的逆向选择风险会导致做市商撤退，从而激活流动性波动。扩大的临时性价格冲击进一步触及杠杆交易者的破产价格，引爆清算级联，使机制性波动急剧攀升。最终，这种极端的局部波动通过跨资产套利和交叉保证金机制向外溢出，形成传导性波动，进而再次加剧全局的流动性收缩。
这种由信息触发、经流动性放大、由机制引爆并最终全市场传导的非线性正反馈环路，解释了为什么高波动往往不是转瞬即逝的孤立事件。一旦波动率突破临界阈值，各源头之间的相互强化使得系统很难在短期内恢复平静。这引出了下一个核心议题：既然我们已经明确了波动性的构成要素及其交互机制，那么这种正反馈过程在时间序列上会呈现出怎样的宏观特征？为什么波动性在市场中总是表现出强烈的时变性和自相关性？第23章将正式探讨这种波动率聚集现象的动力学机制，分析慢变量、反馈回路与状态机如何共同决定市场在低波动与高波动状态之间的切换。
参考文献
[1] Sandor, K. (2024, March 5). Bitcoin tumbles 10% after hitting record high; triggers \$1B crypto liquidations. CoinDesk. https://www.coindesk.com/markets/2024/03/05/bitcoin-tumbles-6-after-hitting-record-high-as-mounting-sell-orders-cap-price-gains
[2] He, S., Manela, A., Ross, O., & von Wachter, V. (2022). Fundamentals of perpetual futures. arXiv. https://arxiv.org/abs/2212.06888
[3] Soska, K., Dong, J.-D., Khodaverdian, A., Zetlin-Jones, A., Routledge, B. R., & Christin, N. (2021). Towards understanding cryptocurrency derivatives: A case study of BitMEX. In Proceedings of the Web Conference 2021 (pp. 45–57). ACM. https://doi.org/10.1145/3442381.3450059
[4] Andersen, T. G., Bollerslev, T., & Meddahi, N. (2005). Correcting the errors: Volatility forecast evaluation using high-frequency data and realized volatilities. Econometrica, 73(1), 279–296.
[5] Palm, F. C. (1996). GARCH models of volatility. In G. S. Maddala & C. R. Rao (Eds.), Handbook of statistics: Vol. 14. Statistical methods in finance (pp. 209–240). Elsevier. https://doi.org/10.1016/s0169-7161(96)14009-8
[6] Hasbrouck, J. (1995). One security, many markets: Determining the contributions to price discovery. The Journal of Finance, 50(4), 1175–1199. https://doi.org/10.1111/j.1540-6261.1995.tb04054.x
[7] Hasbrouck, J. (2002). Stalking the "efficient price" in market microstructure specifications: An overview. Journal of Financial Markets, 5(3), 329–339. https://doi.org/10.1016/s1386-4181(02)00029-0
[8] Roll, R. (1984). A simple implicit measure of the effective bid-ask spread in an efficient market. The Journal of Finance, 39(4), 1127–1139. https://doi.org/10.2307/2327617
[9] Hasbrouck, J. (1991). Measuring the information content of stock trades. The Journal of Finance, 46(1), 179–207. https://doi.org/10.1111/j.1540-6261.1991.tb03749.x
[10] Nguyen, K. Q. (2024). Why are cryptocurrencies so volatile? [Working paper]. Auckland University of Technology.
[11] Dimpfl, T., & Peter, F. J. (2021). Nothing but noise? Price discovery across cryptocurrency exchanges. Journal of Financial Markets, 54, Article 100584. https://doi.org/10.1016/j.finmar.2020.100584
[12] Pyo, S., & Lee, J. (2020). Do FOMC and macroeconomic announcements affect Bitcoin prices? Finance Research Letters, 37, Article 101386. https://doi.org/10.1016/j.frl.2019.101386
[13] Ben Omrane, W., Dabbou, H., Saadi, S., Savaser, T., & Sebai, S. (2025). Exploring volatility reactions in cryptocurrency markets using intraday macroeconomic news analysis. International Review of Economics & Finance, 103, Article 104509. https://doi.org/10.1016/j.iref.2025.104509
[14] Mehdian, S., Gherghina, Ș. C., & Stoica, O. (2025). The reaction of cryptocurrencies to the approval of spot Bitcoin and Ethereum ETFs: An intraday event study. Borsa Istanbul Review. Advance online publication.
[15] Magner, N., & Sanhueza, A. (2025). The Moby Dick effect: Contagious Bitcoin whales in the crypto market. Finance Research Letters, 85, Article 107906. https://doi.org/10.1016/j.frl.2025.107906
[16] Grande, M., & Borondo, J. (2025). Trust as a driver in the DeFi market: Leveraging TVL/MCAP bands as confidence indicators to anticipate price movements. Finance Research Letters, 75, Article 106705. https://doi.org/10.1016/j.frl.2024.106705
[17] Kyle, A. S. (1985). Continuous auctions and insider trading. Econometrica, 53(6), 1315–1336. https://doi.org/10.2307/1913210
[18] Easley, D., Kiefer, N. M., O'Hara, M., & Paperman, J. B. (1996). Liquidity, information, and infrequently traded stocks. The Journal of Finance, 51(4), 1405–1436. https://doi.org/10.1111/j.1540-6261.1996.tb04074.x
[19] Tiniç, M., Sensoy, A., Akyildirim, E., & Corbet, S. (2023). Adverse selection in cryptocurrency markets. The Journal of Financial Research, 46(2), 497–546. https://doi.org/10.1111/jfir.12317
[20] Ruan, Q., & Streltsov, A. (2022). Perpetual futures contracts and cryptocurrency market quality (SSRN Working Paper No. 4218907). https://doi.org/10.2139/ssrn.4218907
[21] Ben Omrane, W., Houidi, F., & Savaser, T. (2024). Macroeconomic news and intraday seasonal volatility in the cryptocurrency markets. Applied Economics, 56(38), 4594–4610. https://doi.org/10.1080/00036846.2023.2212970
[22] Alexander, C., & Heck, D. F. (2020). Price discovery in Bitcoin: The impact of unregulated markets. Journal of Financial Stability, 50, Article 100776. https://doi.org/10.1016/j.jfs.2020.100776
[23] Brunnermeier, M. K., & Pedersen, L. H. (2009). Market liquidity and funding liquidity. The Review of Financial Studies, 22(6), 2201–2238. https://doi.org/10.1093/rfs/hhn098
[24] Forino, A., & Morelli, G. (2024). Liquidity and volatility nexus in cryptocurrency markets (SSRN Working Paper No. 5128381). https://doi.org/10.2139/ssrn.5128381
[25] FTI Consulting. (2025, December 24). The crypto crash of October 2025: When leverage met liquidity. https://www.fticonsulting.com/insights/articles/crypto-crash-october-2025-leverage-met-liquidity
[26] Brauneis, A., Mestel, R., & Theissen, E. (2025). The crypto world trades at tea time: Intraday evidence from centralized exchanges across the globe. Review of Quantitative Finance and Accounting, 64(1), 275–304. https://doi.org/10.1007/s11156-024-01304-1
[27] Al-Yahyaee, K. H., Mensi, W., Ko, H. U., Yoon, S. M., & Kang, S. H. (2020). Why cryptocurrency markets are inefficient: The impact of liquidity and volatility. The North American Journal of Economics and Finance, 52, Article 101168. https://doi.org/10.1016/j.najef.2020.101168
[28] Amihud, Y. (2002). Illiquidity and stock returns: Cross-section and time-series effects. Journal of Financial Markets, 5(1), 31–56. https://doi.org/10.1016/S1386-4181(01)00024-6
[29] Zhang, W., & Li, Y. (2023). Liquidity risk and expected cryptocurrency returns. International Journal of Finance & Economics, 28(1), 472–492. https://doi.org/10.1002/ijfe.2431
[30] Fasanara Digital. (2022, May 21). May 2022 Terraquake. The demise of Luna. Medium. https://fasanaradigital.medium.com/terraquake-3080f4b5e5cf
[31] Tian, P., & Zhu, Y. (2025). Liquidation mechanisms and price impacts in DeFi (Staff Working Paper 2025-12). Bank of Canada. https://www.bankofcanada.ca/2025/03/staff-working-paper-2025-12/
[32] Zhang, T. (2026). Funding rate mechanism in perpetual futures (SSRN Working Paper No. 6185958). https://doi.org/10.2139/ssrn.6185958
[33] Chen, E., Ma, M., & Nie, Z. (2024). Exploring the impact: How decentralized exchange designs shape traders' behavior on perpetual future contracts. arXiv. https://arxiv.org/abs/2402.03953
[34] Yi, S., Xu, Z., & Wang, G.-J. (2018). Volatility connectedness in the cryptocurrency market: Is Bitcoin a dominant cryptocurrency? International Review of Financial Analysis, 60, 98–114. https://doi.org/10.1016/j.irfa.2018.08.012
[35] Korkusuz, B. (2025). Volatility transmission in digital assets: Ethereum's rising influence. Journal of Risk and Financial Management, 18(3), 111. https://doi.org/10.3390/jrfm18030111
[36] Diebold, F. X., & Yilmaz, K. (2012). Better to give than to receive: Predictive directional measurement of volatility spillovers. International Journal of Forecasting, 28(1), 57–66. https://doi.org/10.1016/j.ijforecast.2011.02.006
[37] Shahzad, S. J. H., Bouri, E., Kang, S. H., & Saeed, T. (2021). Regime specific spillover across cryptocurrencies and the role of COVID-19. Financial Innovation, 7, Article 5. https://doi.org/10.1186/s40854-020-00210-4
[38] Apostolakis, G. N. (2024). Bitcoin price volatility transmission between spot and futures markets. International Review of Financial Analysis, 94, Article 103251. https://doi.org/10.1016/j.irfa.2024.103251
[39] Schmeling, M., Schrimpf, A., & Todorov, K. (2023). Crypto carry (BIS Working Papers No. 1087). Bank for International Settlements. https://www.bis.org/publ/work1087.htm
[40] Fassas, A. P., Papadamou, S., & Koulis, A. (2020). Price discovery in bitcoin futures. Research in International Business and Finance, 52, Article 101116. https://doi.org/10.1016/j.ribaf.2019.101116
[41] Iyer, T. (2022). Cryptic connections: Spillovers between crypto and equity markets (Global Financial Stability Notes No. 2022/01). International Monetary Fund.
[42] Elsayed, A. H., & Sousa, R. M. (2024). International monetary policy and cryptocurrency markets: Dynamic and spillover effects. The European Journal of Finance, 30(16), 1855–1875. https://doi.org/10.1080/1351847X.2022.2068375
[43] Katsiampa, P., Corbet, S., & Lucey, B. (2019). Volatility spillover effects in leading cryptocurrencies: A BEKK-MGARCH analysis. Finance Research Letters, 29, 68–74. https://doi.org/10.1016/j.frl.2019.03.009
[44] Ali, Z. (2025). Anatomy of the Oct 10–11, 2025 crypto liquidation cascade: Macroeconomic triggers, market microstructure, and systemic risk lessons (SSRN Working Paper No. 5611392). https://doi.org/10.2139/ssrn.5611392
[45] Shiller, R. J. (1981). Do stock prices move too much to be justified by subsequent changes in dividends? American Economic Review, 71(3), 421–436.
[46] Babalos, V., Bouri, E., & Gupta, R. (2025). Does the introduction of US spot Bitcoin ETFs affect spot returns and volatility of major cryptocurrencies? The Quarterly Review of Economics and Finance, 102, Article 102006. https://doi.org/10.1016/j.qref.2025.102006
[47] Morin, A., & Moore, T. (2024). The impact of cryptocurrency spot price volatility on derivative markets (SSRN Working Paper No. 4729600). https://doi.org/10.2139/ssrn.4729600
[48] Korkusuz, B., & Sahiner, M. (2025). Coin impact on cross-crypto realized volatility and dynamic cryptocurrency volatility connectedness. Financial Innovation, 11. https://doi.org/10.1186/s40854-025-00881-x
[49] Veloso, V., Gatsios, R. C., Magnani, V. M., & Lima, F. G. (2025). Is Bitcoin's market maturing? Cumulative abnormal returns and volatility in the 2024 halving and past cycles. Journal of Risk and Financial Management, 18(5), 242. https://doi.org/10.3390/jrfm18050242
[50] Atanasova, C., Miao, T., Segarra, I., & Willeboordse, F. (2025). Aggregate illiquidity and crypto option returns. Finance Research Letters, 85(C), Article 108003. https://doi.org/10.1016/j.frl.2025.108003
[51] Cornelli, G., Doerr, S., Frost, J., & Gambacorta, L. (2023). Crypto shocks and retail losses (BIS Bulletin No. 69). Bank for International Settlements. https://www.bis.org/publ/bisbull69.htm