波动率聚集的微观机制

比特币永续合约的波动率时间序列中存在一个任何统计学者都无法忽略的模式：高波动总是伴随着高波动，而低波动总是跟随着低波动。在加密货币市场中，这种波动率聚集现象比传统金融资产更为显著且持续时间更长。实证研究表明，加密资产出现波动率聚集（高波动持续跟随高波动）的概率显著高于传统金融资产 ^[1]。这种特征意味着波动率并非纯粹的白噪声，而是具有深刻的长期记忆性。GARCH 模型及其变体（详见§23.1.1）能够在统计层面捕捉这种聚集现象 ^[2]。然而，统计模型的成功拟合仅仅是对现象的数学描述，它并没有回答一个更为根本的经济学问题：为什么当前的条件方差会依赖于过去的冲击？驱动这种波动率记忆和聚集的微观机制究竟是什么？

这一核心问题构成了对波动性动力学深入探索的起点。统计描述告诉我们高波动之后更可能出现高波动，但要真正理解并预测市场行为，必须揭示隐藏在数据背后的因果链条。在永续合约市场中，波动率不是由单一的随机事件独立决定的，而是由一系列相互交织的市场摩擦、制度设计和参与者行为共同塑造的。当一次外生信息冲击打破市场的平静时，它改变的不只是当期价格，还包括市场的流动性深度、系统杠杆水平以及做市商的风险偏好。这些变量的改变为下一期的价格运动设定了新的初始条件，使得同等规模的新冲击在新的市场状态下能够产生远超常态的波动响应。因此，波动率聚集的微观机制，根源于市场状态在不同时间尺度上的自我演化对外部冲击的放大。

为了系统性地解释这一过程，本章构建了一个由慢变量、反馈回路与状态机组成的三层解释框架。在最底层，宏观环境、系统杠杆水平和流动性深度作为慢变量，在较长的时间尺度上缓慢演化，为市场的脆弱性设定基调。这些慢变量本身并不直接制造剧烈的价格波动，但它们决定了系统对外部冲击的吸收能力。在中间层，波动率与流动性、波动率与杠杆以及波动率与参与者行为之间形成了强烈的正反馈回路。一旦慢变量积累到临界点，微小的触发事件便能激活这些反馈回路，使冲击在系统内被不断放大而非衰减。在最顶层，上述机制的交互作用表现为市场在平静、紧张与危机三种离散状态之间的非线性跳转。这三层机制在任何杠杆化市场中都可能存在，但永续合约特有的制度设计，包括清算级联的无缓冲传导、资金费率的脉冲叠加效应以及全天候无休市的交易环境，对三层机制施加了系统性放大，解释了为何加密市场的波动率聚集效应远超传统资产。本章同时揭示了低波动期内系统性风险的积累速度往往达到峰值，并通过一个完整的波动率生命周期案例将所有理论组件串联起来。

通过对这三层微观机制的逐一解剖，读者将能够从根本上跨越对波动率的纯统计学认知，建立起基于市场微观结构和动力学的系统性理解。掌握慢变量如何逐步积累脆弱性、反馈回路如何放大冲击以及状态机如何驱动体制转换，不仅能够解释为何高波动事件在时间序列上呈簇状分布，同时，它将为下一章中构建具有前瞻性的波动率预测模型和动态风险管理策略提供坚实的理论基础与结构化框架。

23.1 波动率聚集的经验事实

金融资产的时间序列中普遍存在一种被称为“波动率聚集”的统计特征，即大幅度的价格波动往往紧随着大幅度的价格波动，而小幅度的价格波动则紧随着小幅度的价格波动。在加密资产尤其是永续合约市场中，这种聚集效应表现得尤为剧烈。本节旨在通过实证数据和计量经济学模型，确立永续合约市场中波动率聚集的经验事实，并将其与传统金融市场进行定量比较。这不仅是为了提供一个精确的统计描述，更是为了引出后续关于其底层微观机制的探讨。

23.1.1 定义与度量

波动率聚集的本质是资产收益率方差在时间上的持续性。在操作性定义上，这种持续性最常通过广义自回归条件异方差（GARCH）模型来衡量。自 Engle (1982) 提出自回归条件异方差（ARCH）模型、Bollerslev (1986) 将其推广为广义形式（GARCH）以来，这一框架已成为刻画金融时间序列波动率聚集的标准工具 ^[3][4]。该模型假设当前的条件方差不仅依赖于过去的平方收益率（即外部冲击），还依赖于过去的条件方差。GARCH(1,1) 方差方程的标准形式为：

$$\sigma_t^2 = \omega + \alpha \epsilon_{t-1}^2 + \beta \sigma_{t-1}^2$$

其中 $\sigma_t^2$ 为第 $t$ 期的条件方差，$\omega > 0$ 为常数项（决定长期方差水平），$\epsilon_{t-1}$ 为前一期的收益率残差（即外部冲击），$\alpha \geq 0$ 衡量新信息冲击对波动率的即时影响，$\beta \geq 0$ 衡量历史波动率对当前波动率的记忆效应。两者之和 $\alpha + \beta$ 被称为波动率的持续性参数，其值越接近 1，表明波动率的聚集效应越强，即高波动状态或低波动状态的维持时间越长 ^[5]（当 $\alpha + \beta < 1$ 时该过程为协方差平稳，冲击的半衰期为 $\ln 0.5 / \ln(\alpha + \beta)$）。

在大多数传统金融资产中，这一持续性参数通常位于 0.95 至 0.99 的区间内。这意味着一次重大的市场冲击不仅会引发当天的剧烈波动，其影响还会以递减的方式在随后的数周甚至数月内持续存在。这种缓慢衰减的过程构成了波动率的“半衰期”，即冲击影响减半所需的时间。对于具有高持续性参数的资产，其波动率半衰期可达数周之久。除了参数估计，波动率聚集还可以通过已实现波动率的自相关函数来直接观察。在缺乏聚集效应的理想随机游走市场中，已实现波动率的自相关系数应迅速衰减至零；而在实际市场中，这一系数往往在多个滞后阶数上保持显著的正值，证实了波动率状态的自我延续特征。

图 23-1 基于 GARCH(1,1) 模型，模拟了 BTC 永续合约在典型市场周期中的条件波动率。

图 23-1. BTC 永续合约波动率的聚集模式（作者基于 GARCH(1,1) 模型模拟绘制，参数设定：ω=0.00001, α=0.08, β=0.90, 样本长度 2000 日；模拟示意，非实测数据）

图 23-1 中波动率并非均匀分布，而是呈现明显的簇状结构：每个高波动簇内部包含多个连续的极端波动日，当市场从平静期进入紧张期或危机期时，波动率基线显著抬升并在相当长时间内自我维持，直到市场机制的内在约束使其逐渐耗竭。这种“簇状分布”正是 GARCH 模型中 $\alpha + \beta$ 接近 1 时的直观表现：过去的冲击通过条件方差的路径依赖，将能量在时间序列上持续传递。

23.1.2 跨市场定量比较

将加密资产永续合约与传统金融市场进行对比，可以更清晰地界定其波动率聚集的独特性。实证研究表明，BTC 和 ETH 等主要加密资产的收益率不仅表现出与传统市场相似的尖峰厚尾特征，其波动率聚集的强度在多个维度上均显著高于传统资产 ^[6]。这种差异并非单纯源于加密资产天然的“高波动性”，而是深植于其特定的市场微观结构和衍生品设计之中。

为了量化这种差异的具体幅度，表 23-1 从持续性参数、自相关系数、半衰期、聚集簇持续时间和平均波动率五个维度，对 BTC 永续合约、BTC 现货以及标普 500 指数期货进行了系统性对比。

表 23-1. 波动率聚集强度的跨市场定量比较（数据来源：作者综合多源文献的方向性估计，具体区间非单一来源逐格报告 ^[6][1]）

定量比较揭示了几个关键事实。表中最具诊断价值的对比并非 BTC 永续与S&P 500之间的差异（两者在标的资产的风险溢价和波动率水平上存在根本不同），而是 BTC 永续合约与 CME BTC 期货之间的差异，因为两者共享同一标的资产，但在制度设计上存在显著区别（CME 采用传统追缴保证金机制、设有交易时段限制、杠杆上限较低）。BTC 永续合约在持续性参数和半衰期上系统性高于 CME BTC 期货，这一差异更干净地指向了永续合约的制度放大效应，而非标的资产本身的波动特征。需要注意的是，BTC 永续与 BTC 现货的α+β区间存在重叠（0.97-0.99 vs 0.95-0.98），这一差异可能在统计上不显著，提示制度放大效应的量级需要更大样本的严格检验。此外，BTC 永续的高持久性可能部分由宏观因子（如 VIX、美元指数的波动周期）的共同驱动所致，而非完全内生于永续合约机制，这为§23.2中慢变量分析提供了额外动机。永续合约中极端波动聚集簇的持续时间显著长于传统市场和 CME BTC 期货，这种长时间的高压状态对做市商的库存管理和风险控制提出了极高的要求。

23.1.3 非线性聚集特征

传统的自回归模型倾向于将波动率聚集描绘为一种平滑的、对称的慢衰减过程。然而，在永续合约市场中，聚集现象展现出更为复杂的非线性特征。Cont (2007) ^[7] 通过基于异质代理人的模拟模型表明，当市场中存在趋势跟随者与基本面交易者的动态交互时，波动率聚集可以作为一种涌现属性自发产生，无需外生的 GARCH 结构。本章的分析与 Cont 的代理人模型形成互补：Cont 的模型侧重于信息传播与策略模仿如何在横截面上生成聚集，而本章的三层框架则着重于杠杆、流动性与清算机制如何在时间序列上维持和放大聚集，两者共同指向波动率聚集的多源性起源。以下非线性特征构成了对简单统计描述的挑战，并要求引入更精细的机制分析。

尾部聚集是加密资产市场一种突出的非线性特征。极端波动事件（即收益率分布尾部的观测值）极少孤立出现，而是倾向于在短时间内成串爆发。这种现象在资金费率的极端值分布中已有体现，而在波动率维度上则表现为一次 五个标准差的冲击往往会迅速诱发后续多个 3 至 四个标准差的冲击 ^[8]。这种成串的极端事件表明，市场的风险吸收能力在首次冲击后遭到了结构性破坏，导致后续的微小扰动也能引发剧烈的价格响应。

跳跃聚集则描述了波动率状态的非连续转换。在永续合约中，波动率的上升往往不是渐进的，而是伴随着价格的跳跃式断层。当市场发生一次由杠杆出清引发的清算级联后，在短期内发生第二次甚至第三次级联的概率会非线性地急剧上升。这种跳跃的聚集反映了市场流动性在危机状态下的突然蒸发与缓慢恢复的非对称动态。

方向聚集揭示了波动率聚集的非对称性。实证数据表明，由价格下跌引发的波动率聚集在强度和持续时间上均显著超过由价格上涨引发的聚集。这种非对称性的根源在于清算机制的正反馈回路在下跌行情中更为强烈：价格下跌侵蚀多头保证金，触发强制平仓，清算订单作为市价卖单进一步压低价格，从而形成自我强化的下行螺旋。相比之下，上涨行情中的空头清算虽然同样存在，但其系统性正反馈通常较弱，这种非对称性源于三个结构性因素：其一，永续合约市场中多头未平仓量的占比通常高于空头，导致下跌方向上可供清算的头寸存量更大；其二，多头清算在系统层面摧毁了买方的购买力（保证金被没收），而空头清算释放的购买力分散于不同账户且不一定被重新投入市场；其三，做市商对下行波动的流动性撤退反应比对上行波动更为迅速，因为下行风险对做市商存货的威胁通常更为直接。

上述经验事实（尾部聚集、跳跃聚集与方向聚集）表明，统计模型虽然能精确拟合波动率的持续性，却无法回答条件方差为何依赖于过去冲击这一机制问题。要从“描述”跨越到“解释”，需要引入市场微观结构和参与者行为的因果链条。下一节将从最外层的慢变量入手，逐步构建这一因果链条。

23.2 慢变量与脆弱性基线

波动率聚集的表象之下隐藏着复杂的微观结构动力学。在展开分析之前，有必要指出该框架面临的一个内生性问题：波动率既是被解释变量，又参与界定慢变量的状态（例如，低波动率环境本身驱动杠杆积累）。这种循环性是金融系统分析中的常见挑战，可通过引入外生于波动率的指标（如未平仓合约/市值比、链上活跃地址数等）来部分缓解。为了理解为什么高波动率时期倾向于持续存在，必须将驱动市场波动的因素分解为不同的时间尺度。在这一分析框架中，最基础的层次是由变化相对缓慢的宏观与系统性因素构成的。这些被称为“慢变量”的因素本身并不直接制造瞬时的价格跳跃，但它们构成了市场运行的底层环境，决定了市场对外部冲击的敏感程度。慢变量的作用机制在于设定反馈回路的激活阈值：在安全的区间内，即便是较大的信息冲击也能被市场平稳吸收；而在危险的区间内，微小的扰动就可能触发剧烈的清算级联与流动性枯竭。

23.2.1 宏观环境

宏观经济环境是决定加密资产市场整体基调的最外层慢变量。作为一种典型的高贝塔资产，比特币及其他加密货币的波动率对全球流动性条件和投资者风险偏好的变化表现出极高的敏感度 ^[9]。利率周期在这一传导机制中扮演着核心角色。当中央银行处于加息周期或维持高利率环境时，无风险收益率的上升不可避免地压低了全球投资者的整体风险偏好。在这种宏观背景下，资本倾向于从高风险、高波动的加密市场中撤出，导致市场整体流动性变薄。流动性的系统性下降意味着，在同等规模的订单流冲击下，资产价格会产生更大幅度的偏离，从而在宏观层面上推高了基础波动率水平 ^[10]。需要指出的是，利率通道对加密市场的传导强度是时变的，且可能弱于通常假设：2023至2024年间，BTC 在美联储维持二十年来最高利率水平的环境下仍大幅上涨，这一反例表明 ETF 资金流入和减半叙事等加密原生因素可以在特定时期压过利率传导。更直接影响加密市场流动性的宏观变量可能是 USD 流动性总量（包括美联储资产负债表规模和全球M2供给），而非政策利率水平本身。

除了传统的宏观经济指标，加密市场独有的叙事周期构成了另一维度的慢变量。在牛市叙事主导的阶段，乐观的市场情绪促使交易者广泛使用杠杆工具，这种由情绪驱动的杠杆积累虽然在初期表现为价格的平稳上涨和正面波动，但实际上在系统内部积累了结构性脆弱性。相反，在熊市叙事中，持续的负面预期导致做市商和套利资本收缩业务规模，市场的深度和弹性显著下降。此时，任何负面消息都更容易在缺乏买盘支撑的环境中引发不成比例的价格下跌，表现为强烈的负面波动聚集 ^[11]。

宏观不确定性，如地缘政治冲突或通胀预期的突变，进一步强化了这种慢变量效应。当宏观不确定性上升时，跨市场套利者和宏观对冲基金通常会降低其在加密市场的风险敞口。这种资本的预防性撤退不仅减少了市场的有效流动性，还提高了所有参与者的风险厌恶水平。因此，宏观环境的变化虽然以月或季度为单位缓慢展开，但它为波动率的低频成分设定了基线，决定了市场在面对突发事件时的初始抵抗力。

23.2.2 系统杠杆水平

在加密衍生品市场中，系统杠杆水平是决定波动率聚集强度的关键内部慢变量。正如前文对杠杆内生性的分析所述，杠杆在市场周期中的演变并非随机，而是遵循一种自我强化的逻辑。在价格持续上涨的平稳期，现有持仓的保证金价值随之增加，导致有效杠杆率自然降低。这种表面的安全感促使交易者建立新的杠杆头寸或提高现有头寸的杠杆倍数，从而在系统层面缓慢积累起庞大的未平仓合约规模。

图 23-2 展示了系统杠杆水平与波动率放大的非线性关系。杠杆本身并不直接制造波动，其核心作用在于定义了清算级联的触发距离。

图 23-2. 慢变量如何设定反馈回路的激活阈值（作者基于本章分析框架绘制；概念示意，非实测数据）

在高杠杆环境中，一个仅仅 2% 的初始价格下跌，就可能触及大量高杠杆多头头寸的强平线。一旦清算引擎被激活，强制卖出的市价单将无差别地冲击订单簿，导致价格进一步下挫，进而触发更多原本处于安全区域的头寸被清算 ^[12]。这种由杠杆积累设定的低触发阈值，解释了为什么在特定的市场状态下，一个微不足道的外部消息能够引发高达 10% 甚至更极端的波动。杠杆水平在牛市中的持续攀升缩短了清算触发距离，使得微小的价格扰动即可启动波动率聚集的正反馈循环。

23.2.3 流动性深度

如果说杠杆水平决定了潜在的抛压规模，那么流动性深度则决定了市场吸收这些抛压的能力。在加密市场中，流动性的基线水平并非恒定不变，而是受制于专业做市商的资本部署周期，构成了一个核心慢变量。做市商的资本配置决策通常基于长期的风险收益评估，包括资金成本、技术基础设施的投入以及对市场整体交易活跃度的预期。这种资本部署的调整是一个缓慢的过程，使得市场的“表观深度”在数周甚至数月内保持相对稳定。

流动性深度的变化直接改变了价格冲击函数。在年末、节假日或长期的市场低迷期，做市商往往会系统性地降低在各交易所的资本部署，导致订单簿变薄。在这种流动性匮乏的慢变量背景下，即使是常规规模的机构调仓或中等程度的信息冲击，也会因为缺乏足够的对手盘而产生远超平常的价格滑点，从而在统计上表现为波动率的上升 ^[13]。

同时，流动性深度与系统杠杆水平之间存在致命的交互作用。图 23-3 揭示了这种交互如何塑造市场最脆弱的状态：当高杠杆（潜在的巨大清算抛压）与薄流动性（极弱的承接能力）同时出现时，市场进入高度不稳定的危险区间，清算订单更易被触发，且在执行中遭遇极大滑点、加速清算级联的蔓延 ^[14]。

图 23-3. 杠杆水平与流动性深度交互的二维脆弱性曲面：左下（低杠杆、流动性充裕）波动响应近似线性，右上（高杠杆、流动性稀薄）凸性急增（作者基于市场微观结构理论绘制；概念示意，非实测数据）

图 23-3 的核心信息在于，系统脆弱性并非由单一慢变量线性决定，而是由杠杆水平与流动性深度的交互项非线性驱动。这种交互更接近阈值交互而非简单乘法：当系统杠杆率低于某一临界水平时，流动性深度对脆弱性的影响近似线性且温和；一旦杠杆率越过该阈值，脆弱性对流动性的敏感度呈凸性急增，因为高杠杆缩短了清算触发距离，使同等程度的流动性缺口导致不成比例的价格位移和清算量。这一特征解释了为何仅监控单一维度的风险指标往往不足以捕捉系统真实的脆弱性水平。

23.2.4 脆弱性的预编程

将宏观环境、杠杆水平和流动性深度综合考量，可以得出一个关于波动率聚集的核心洞见：慢变量并不直接制造短期的剧烈波动，它们的作用机制是“预编程”了市场的脆弱性，从而决定了反馈回路被激活的阈值有多低。这种机制可以描述为一种状态依赖的非线性响应。

在慢变量处于安全区间的时期，即宏观环境宽松、系统杠杆率适中且做市商流动性充裕时，市场具备强大的减震能力。此时，即使发生重大的负面新闻或遭遇大规模的抛售冲击，充裕的流动性也能平稳吸收这些订单，而较低的杠杆率确保了价格的短期下跌不会引发连锁的强制平仓。在这种状态下，冲击带来的波动是孤立的，能量迅速衰减，波动率不会呈现出明显的聚集特征。

然而，当慢变量逐步偏移至危险区间时，市场微观结构发生质变。图 23-4 以系统杠杆水平与条件波动率的联合时间序列，描绘了“脆弱性缺口”在平静期不断扩大、并在触发后暴力释放的完整周期。

图 23-4. 系统杠杆水平与波动率的时间序列关系（作者基于杠杆周期理论模拟绘制，核心参数：α=0.08, β=0.90，图中系统杠杆区间约 8–19×；模拟示意，非实测数据）

在这种高度脆弱的状态下，触发危机的往往不是大规模的黑天鹅事件，而仅仅是一个常规的信息冲击或一笔略大于平常的市价订单。这个微小的扰动足以击穿已被慢变量降至极低的反馈激活阈值，启动清算引擎并惊吓做市商。一旦流动性撤退与清算抛售的自我强化循环开始运转，波动就不再依赖于外部信息的输入，而是由市场内部的微观机制自我延续和放大。因此，波动率的聚集并非纯粹的随机现象，而是慢变量在时间维度上逐步积累脆弱性，最终在微小触发下通过反馈回路剧烈释放的必然结果。低波动率时期慢变量向危险区间演化的具体路径，将在§23.6中详细分析。

23.3 正反馈回路与冲击放大

在慢变量为市场设定了脆弱性基线之后，决定波动率聚集实际发生与否的关键在于正反馈回路的激活。本节分析波动率与流动性、杠杆和市场行为之间的三条正反馈通道，解释初始冲击如何通过微观结构传导在时间序列上产生持续的波动率聚集。

23.3.1 冲击的跨期传导

第 22 章的分析揭示了波动率的四种主要来源，即信息冲击、流动性摩擦、微观结构机制和行为偏差。这种横截面视角的分析解释了在任意给定时刻，哪些因素共同作用推高了市场的价格波动。然而，要理解波动率为何在时间序列上呈现出显著的聚集特征，必须将分析视角从静态的来源分解转向动态的时间序列演化。波动率聚集的核心在于，初始的外部冲击不仅在当期产生影响，更通过市场内部的传导机制改变了下一期的市场状态，使得同等规模的后续冲击能够引发更大的价格波动。

这种时间序列上的自我放大机制构成了波动率记忆的微观基础。当第 t 期发生信息冲击导致价格剧烈波动时，做市商因存货风险和逆向选择风险的上升而收缩流动性供给（机制详见§23.3.2），使第 t+1 期的市场流动性低于正常水平。在流动性匮乏的环境下，即便第 t+1 期仅出现常规规模的订单流，也会因为市场深度的不足而产生远超平常的价格冲击，进而实现更高的波动率 ^[15]。这一传导链条清晰地解释了 GARCH 模型中 β 系数的微观经济学含义：条件方差之所以依赖于过去的冲击，是因为过去的冲击通过改变市场参与者的行为和系统状态，实质性地降低了市场吸收新冲击的能力。

23.3.2 流动性回路

在所有放大波动的机制中，波动率与流动性之间的反馈回路是传导路径最短的。这一回路本质上是第 20 章讨论的反身性三角在波动率维度的具体表现。Kyle (1985) ^[16] 的经典模型将价格冲击系数 $\lambda$ 定义为订单流对价格的边际影响，而 Amihud (2002) ^[17] 提出的非流动性指标（日收益率绝对值与成交金额之比）为跨市场流动性比较提供了标准化度量。需要注意的是，这两个经典指标在加密永续合约市场中的适用性需要修正理解：Kyle lambda 源于单一风险中性做市商面对知情交易者的均衡模型，与多做市商竞争、可随时撤单的加密环境存在结构差异；Amihud 比率在24/7连续交易市场中对聚合窗口的选择（小时、日、周）高度敏感。在实操中，订单簿加权深度衰减率（如±0.5%与±2%价格区间的深度比值随波动率的变化）可能是更原生于永续合约的流动性度量。尽管如此，Kyle lambda 所刻画的核心机制，即订单流对价格的边际冲击随流动性下降而非线性上升，在加密市场中依然成立。当市场波动率上升时，$\lambda$ 非线性上升，做市商面临的成本结构发生非线性变化。根据存货模型和信息不对称理论，做市商的成本函数在波动率上升时呈现出显著的凸性特征 ^[18]。做市商的流动性撤退沿两条因果路径展开：其一，做市商因存货风险和逆向选择风险的上升而主动扩大报价并撤回挂单深度，这是基于风险收益权衡的理性响应；其二，做市商因自身保证金约束收紧而被迫缩减敞口，甚至在极端情况下触发做市商自身头寸的清算。在加密永续市场中，由于做市商不承担强制驻留义务，路径一的响应速度极快（毫秒级撤单），通常是流动性蒸发的首要驱动力。两条路径的共同结果是，做市商大幅减少订单簿各个层级的挂单深度。

流动性的撤退对市场微观结构产生了直接且显著的影响。随着订单簿变薄，同等规模的市场订单所面临的价格冲击系数成倍增加。在极端波动期间，买卖价差可能从常态下的 3 个基点迅速扩大至 30 个基点以上，市场冲击系数甚至可能放大 10 倍 ^[19][20]。这种由流动性枯竭导致的价格大幅跳跃，在统计上被记录为已实现波动率的进一步上升。需要强调的是，这种次生波动率的上升并不包含任何新的基本面信息，它纯粹是市场微观结构恶化、流动性承载力下降的机械性结果。由于做市商重新评估风险并恢复流动性供给的过程通常是缓慢且谨慎的，这种流动性匮乏状态会持续存在，从而使得波动率的放大效应在时间序列上得以延续，最终表现为我们在数据中观察到的波动率聚集现象。

上述流动性回路的分析隐含了单一交易所和单一资产的假设，但实际的传导网络远为复杂。BTC 永续合约在十余家交易所同时交易，各交易所使用包含其他平台价格的综合指数作为标记价格。当某一交易所发生清算级联导致价格急跌时，其价格偏移会通过指数价格传导至其他平台，触发后者的清算，即使后者的订单簿本身未遭直接冲击。在统一保证金账户下，BTC 永续头寸的亏损还可直接导致同账户内 ETH、SOL 等品种头寸的保证金不足，迫使交易者平仓非 BTC 品种以筹集流动性。Brunnermeier & Pedersen (2009) ^[21] 描述的跨市场流动性螺旋在加密衍生品市场中因此尤为突出：2021年5月事件中，BTC 与 ETH 的日频相关性显著上升（危机期可升至0.9以上），正是这种跨品种传染的直接表现。

上述流动性回路并非孤立运行，而是与杠杆回路和行为回路相互嵌套。图 23-5 将这三条反馈通道整合为一个统一的概念网络，展示了初始冲击如何同时沿多条路径传导并在各节点上相互强化。

图 23-5. 波动率反馈回路概念图（作者基于本章分析框架绘制；概念机制示意，非实测数据）

图 23-5 的关键特征在于三条回路之间存在多个交叉耦合点。流动性的撤退同时降低了清算订单的执行质量（与杠杆回路耦合）并加剧了价格跳跃的视觉冲击力（与行为回路耦合），而行为回路中散户的恐慌性抛售又进一步消耗了本已稀薄的流动性。这种多通道并行、交叉耦合的网络结构，使得波动率的放大效应远大于任何单一回路所能解释的幅度。以下两节将分别深入分析杠杆回路和行为回路的独立传导机制。

23.3.3 杠杆回路

流动性反馈回路解释了波动率的缓慢衰减，而杠杆反馈回路则解释了波动率在短期内的剧烈爆发。在永续合约市场中，高杠杆不仅是资金效率的工具，更是系统脆弱性的核心来源。当初始波动率上升导致资产价格出现较大偏离时，持有高杠杆头寸的交易者其保证金余额会迅速被侵蚀。随着净值的下降，这些头寸的有效杠杆率被动上升，使得它们距离触发强制平仓的阈值越来越近 ^[22]。

这种有效杠杆的被动上升显著增加了整个系统发生清算的概率。一旦价格触及关键的平仓线，交易所的清算引擎将自动接管头寸，并向市场抛出大量的市价单。这种非理性的、对价格极度不敏感的清算订单流涌入原本就已脆弱的订单簿，会瞬间击穿多层流动性，引发价格的进一步暴跌或暴涨。这种由清算驱动的价格剧烈变动产生了额外的波动率，进而触发更深层次的清算，形成典型的清算级联效应 ^[14]。这是一种正反馈机制，其运转不需要任何外部信息的输入，完全由系统内部的杠杆出清需求驱动。交易所已为遏制这一级联设计了多层中断机制，包括阶梯保证金制度（大户面临更高的保证金率以抑制集中度）、自动减仓机制（优先对冲盈利对手方而非一律市价抛售）、以及保险基金（吸收穿仓损失以避免社会化分摊）。然而在极端行情中，这些机制往往因保险基金在数分钟内耗竭、自动减仓引发对手方恐慌性撤出、以及阶梯保证金在连续跳空中的滞后调整而未能有效遏制级联，正反馈最终仍能主导市场动态。在这些中断机制全部失效之前，或在杠杆被彻底释放、脆弱头寸被完全清洗之前，这种反馈回路不会自然终止。由于大规模的去杠杆过程往往需要连续数天的清算活动才能完成，每天的清算都会在市场上制造新的波动，因此去杠杆的持续期间在时间序列上高度重合于波动率的极端聚集期间。

23.3.4 行为回路

在加密资产市场中，散户投资者的占比较高，这使得行为金融学中的情绪传染和群体行为在波动率传导中扮演了更为显著的角色。当市场波动率急剧上升时，往往伴随着媒体报道的激增和社交网络上恐慌情绪的迅速蔓延。这种信息环境的恶化会触发投资者的损失厌恶和从众心理，导致大量缺乏基本面支撑的噪声交易者涌入市场进行恐慌性抛售或追涨杀跌 ^[23]。这种非理性的交易行为不仅无法提供流动性，反而消耗了宝贵的市场深度，进一步推高了市场的已实现波动率。与此同时，并非所有散户在下跌中都选择抛售。“逢跌加仓”是加密社区中根深蒂固的行为模式，部分交易者在价格下跌时反而加杠杆抄底。研究表明，比特币衍生品交易者在清算风险下的损失厌恶与激进交易行为，会系统性地放大对冲组合在极端行情中的尾部损失 ^[24]。这种行为短期内可延缓波动率上升的速度，但最终会将这些新建的高杠杆头寸转化为下一波清算的燃料，使延迟后的级联规模更大。

在机构投资者层面，行为反馈则以一种更为制度化和机械化的方式呈现，即在险价值（Value at Risk, VaR）螺旋。大多数机构投资者和做市商都受到严格的 VaR 风控模型约束。当市场波动率上升时，基于历史数据计算的 VaR 值会随之飙升，导致机构的风险敞口迅速逼近或突破内部设定的风险限额。为了满足合规要求和内部风控标准，这些机构被迫在市场流动性最差的时候同步削减风险敞口，即卖出风险资产。这种顺周期的去风险行为产生了巨大的卖出压力，直接导致价格进一步下跌和波动率的持续攀升，进而引发新一轮的 VaR 突破和被迫平仓 ^[21]。需要指出的是，加密市场中真正受严格 VaR 模型约束的机构仅为少数头部做市商和对冲基金；更大比例的交易量来自使用简单止损或固定仓位限额的散户和半专业交易者，后者的去风险行为更多受“痛苦阈值”而非模型驱动。尽管如此，无论是散户的恐慌性抛售还是机构的机械性去风险，都在不同维度上强化了波动率的自我繁衍。

23.3.5 启动与终止条件

反馈回路并非在任何市场状态下都会被激活，其启动阈值由第一层解释中的慢变量动态决定（§23.2.4）：慢变量处于安全区间时阈值较高，市场能吸收较大的信息冲击而不引发系统性正反馈；一旦杠杆率高企或流动性集中度过高使脆弱性充分积累，阈值便显著降低，常规规模的冲击即足以触发反馈回路。

一旦反馈回路启动，其终止则表现出明显的滞后性和不对称性：波动率聚集的结束依赖于反馈机制内部动能的耗竭，而这一耗竭远慢于启动（进入与退出高波动体制的双向微观机制详见§23.4.3）。杠杆回路需等待大规模清算完成、系统杠杆率大幅下降，流动性回路需等待做市商以更高风险溢价谨慎回归；行为回路的终止尤其滞后，它并非源于同一群参与者逐渐心理钝化，而是因为价格敏感的卖方群体在前期清算和恐慌中已被系统性清空，剩余持有者要么已接受浮亏（处置效应下拒绝实现损失），要么是以更低价格建仓的新进入者，市场的群体组成发生了结构性变化。由于资本重建、信心恢复和风控参数重置都需要时间，反馈回路的终止过程远比启动过程漫长，这解释了实际数据中波动率聚集簇尖锐上升、缓慢衰减的非对称形状。这一不对称性同时揭示了标准 GARCH 模型的结构性盲区：其β系数对上行和下行冲击施加对称的衰减结构，会系统性地低估从平静到危机的转换速度，同时高估从危机到平静的恢复速度。非对称 GARCH 变体（如 Glosten, Jagannathan & Runkle (1993) 提出的 GJR-GARCH 或 EGARCH）能够更好地捕捉这一动态 ^[25]，这将在第24章波动率预测模型的选择中进一步讨论。

23.4 状态机与波动率体制转换

慢变量与反馈回路的交互作用使得波动率的变化并非连续平滑的，而是呈现出离散的状态跳转特征。连续的 GARCH 类模型虽然能够拟合波动率的持续性，但无法捕捉市场在平静与危机之间的突变。本节引入马尔可夫状态转换模型，将永续合约市场的波动率动态抽象为平静、紧张与危机三种离散状态之间的非线性跃迁，并分析状态转换的非对称性及其与慢变量的交互机制。

23.4.1 模型框架

在传统的金融计量经济学中，波动率聚集通常被建模为一个连续演化的过程。广义自回归条件异方差模型及其变体构成了这一分析范式的基础，其核心假设是当前时刻的条件方差是过去收益率冲击和过去方差的连续函数。在这一框架下，波动率在“高”与“低”之间平滑滑动，对新信息的响应表现为方差的渐进式调整。然而，加密货币永续合约市场的实证数据揭示了一种截然不同的动态特征：波动率的变化往往不是连续的，而是呈现出明显的跳跃性和状态性。市场可能在数周内维持年化30%的低波动水平，却在几小时内因某次清算事件突然跃迁至120%以上，并在这一高位水平“停留”数天，随后再次发生状态切换。这种频率分布上的多峰特征暗示了单一的连续过程不足以捕捉市场微观结构的突变，波动率实际上是在几个离散的体制之间进行切换 ^[7]。

为了精确描述这种非线性的体制转换，马尔可夫状态转换模型提供了一个严谨的统计框架。Hamilton (1989) ^[26] 首次将马尔可夫链引入宏观经济时间序列分析，提出观测变量的生成过程取决于一个不可见的离散状态变量。当这一思想被扩展到波动率建模时，即形成了马尔可夫状态转换条件异方差模型 ^[27][28]。在该模型中，市场被假定处于有限个离散状态之一，每个状态具有独立的均值、方差特征以及对冲击的响应机制。令不可观测的状态变量 $S_t \in {1, 2, 3}$ 分别对应平静、紧张与危机三种状态，状态之间的跳转由一个 $3 \times 3$ 转换概率矩阵 $\mathbf{P}$ 控制：

$$\mathbf{P} = \begin{pmatrix} p_{11} & p_{12} & p_{13} \ p_{21} & p_{22} & p_{23} \ p_{31} & p_{32} & p_{33} \end{pmatrix}$$

其中 $p_{ij} = \operatorname{Pr}(S_t = j \mid S_{t-1} = i)$，且每行元素之和为 1。每种状态下的条件收益率分布服从不同参数的正态分布：

$$r_t \mid S_t = k \sim \mathcal{N}(\mu_k, \sigma_k^2), \quad k = 1, 2, 3$$

其中 $\sigma_1^2 < \sigma_2^2 < \sigma_3^2$，对应平静、紧张与危机状态下递增的条件方差。本章的波动率指标统一采用已实现波动率（基于5分钟频率收益率的日内加总），年化方式遵循加密市场全年365天连续交易的惯例（即日度波动率乘以 $\sqrt{365}$），而非传统市场的 $\sqrt{252}$ 惯例。当前状态仅依赖于前一个状态，这正是马尔可夫性的核心体现。通过引入离散状态，模型能够解释为什么在某些时期市场对冲击具有极高的吸收能力，而在另一些时期同等规模的冲击却会引发剧烈的波动率飙升。

将马尔可夫状态转换模型应用于永续合约市场，其直觉基础在于慢变量连续变化与反馈回路阈值激活之间的非线性映射。宏观流动性深度、系统杠杆率等慢变量在日常交易中经历着缓慢且连续的演化，这些变化本身并不直接表现为波动率的上升。然而，微观结构中的反馈回路（特别是清算级联与做市商撤单机制）具有明显的阈值触发特性。当慢变量的积累使得系统脆弱性越过某一临界点时，原本能够被平稳吸收的普通信息冲击就会瞬间激活正反馈回路。一旦反馈回路启动，市场微观结构发生质变，系统便从一个状态“跳入”另一个全新的状态。在新状态中，高频的清算事件和扩大的买卖价差相互强化，使得市场在这一高波动体制内实现自我维持，直至内部失衡被完全消化。这种由连续慢变量驱动、经由阈值机制触发的离散跃迁，构成了理解永续合约波动率聚集现象的第三层解释。

23.4.2 转换矩阵

基于隐马尔可夫模型的实证估计，永续合约市场的波动率动态可以被抽象为一个3状态马尔可夫机：平静状态、紧张状态与危机状态。三状态划分是对实际市场连续体的有意简化。主流交易所的内部风控系统通常使用5至6级更细粒度的市场状态分类（包含预警、价格保护触发等中间态），本章采用三状态是为了在分析简洁性与现象捕捉能力之间取得平衡。这三种状态不仅在统计分布上存在显著差异，其背后的微观驱动力占比也截然不同。平静状态是市场的常态，占据了大约65%至75%的交易时间。在这一状态下，年化波动率通常维持在20%至40%的区间，收益率分布近似正态且尾部较薄。微观结构表现为买卖价差极窄、清算量处于低谷，跨交易所套利机制运转顺畅。此时，波动率主要由外生的信息冲击驱动，信息源头在总波动性中的占比可达60%以上，传统的连续波动率模型在这一体制下具有良好的预测能力。

当市场脆弱性积累并受到特定冲击时，系统会跃迁至紧张状态，该状态的时间占比约为20%至30%。紧张状态的典型特征是年化波动率上升至50%至80%，收益率分布开始显现出明显的厚尾和偏峰特征。在微观层面，做市商感知到风险增加，开始被动扩大价差并减少订单簿深度；同时，部分高杠杆头寸逼近强平线，导致清算量初步上升。在这一体制下，流动性源头与机制性源头（如资金费率脉冲）对波动的贡献显著增加，合计占比达到40%至60%。如果冲击未能得到缓解，清算量突破临界阈值，市场将进一步进入危机状态。危机状态虽然仅占总时间的3%至8%，但其年化波动率往往飙升至100%至200%以上，伴随着极端厚尾和频繁的价格跳跃。此时，清算级联全面爆发，流动性几近枯竭，机制性源头完全主导了市场动态，而信息冲击的相对重要性则降至最低水平。

图 23-6 将上述三种状态及其转换逻辑整合为一个完整的状态机示意图。

图 23-6. 永续合约波动率状态转换机示意图（作者基于马尔可夫状态转换模型绘制 ^[26]；转换概率与时间占比为作者对 2019–2024 年 Binance BTC-USDT 永续合约日频数据的 HMM 估计、置信区间较宽，非实测）

从图 23-6 中可以直观地识别出两个关键的结构特征。其一，平静状态的自环概率（即停留在当前状态的概率）最高，表明低波动体制具有最强的自我维持能力。其二，从紧张状态出发的两条路径（向平静回归与向危机恶化）的概率差距并不悬殊，这意味着紧张状态是一个高度不确定的分叉点，其最终走向取决于慢变量在该时刻的具体配置。

状态之间的转换并非随机游走，而是遵循一组特定的经验概率矩阵。根据对历史高频数据的隐马尔可夫模型参数估计（以下数值范围基于前述图注所列的同一 HMM 参数估计），市场从平静状态向紧张状态跃迁的日转换概率通常在2%至5%之间；而一旦进入紧张状态，继续恶化至危机状态的概率则显著升高，达到5%至15%。这意味着紧张状态是一个极不稳定的过渡期，它要么迅速演变为全面危机，要么在震荡后回归平静。从危机状态向紧张状态的回归概率相对较高，约为15%至30%，反映了极端清算事件通常在几日内耗尽其动能；然而，从紧张状态彻底回归平静状态的概率仅为10%至20%。这种转换矩阵的参数结构表明，平静状态具有最强的体制粘性，其预期停留时间可达20至50天；而危机状态的预期停留时间最短，通常仅为3至7天，但其引发的微观结构破坏会通过较长的紧张状态得以延续。

上述状态机参数基于单一交易对（Binance BTC-USDT 永续）的日频数据估计，存在三方面局限。其一，单交易对模型无法捕捉由其他交易所或其他资产传导而来的状态转换，例如2022年 FTX 崩盘首先冲击 FTT 和 SOL，随后才传导至 BTC 永续。其二，日频数据可能掩盖盘中微观结构层面的状态转换：一个被日频模型归类为“平静”的交易日，可能包含15分钟级别的局部危机（如闪崩后快速恢复）。其三，部分状态-条件组合（如紧张状态下的低流动性区间）的有效观测数量有限，转换概率估计的置信区间可能较宽。多交易所联合 HMM 或小时频数据的扩展估计可在一定程度上缓解这些局限，但超出本章讨论范围。

23.4.3 转换非对称性

在3状态波动率模型中，一个突出的动力学特征是状态转换的显著的非对称性：市场进入高波动体制的速度远远快于退出高波动体制的速度。经验数据显示，从平静状态经由紧张状态彻底陷入危机状态，往往只需要1至3天的时间，在极端情况下甚至能在数小时内完成跃迁；而从危机状态逐步降温，经由紧张状态最终回归到真正的平静状态，则通常需要5至20天甚至更长的修复期。这种时间尺度上的巨大差异，直接导致了波动率聚集簇在时间序列图上呈现出“尖锐上升、缓慢衰减”的锯齿状形态。

图 23-7 通过对比进入与退出高波动状态的典型时间路径，直观地展示了这种非对称性。

图 23-7. 波动率状态转换的时间非对称性比较（作者基于本章分析框架绘制；概念示意，非实测数据）

这种宏观统计上的非对称性，根源于微观市场参与者行为模式和机制设计的非对称性。进入高波动状态通常是由单一的触发事件启动的。当一个超出预期的信息冲击击中已经积累了高杠杆和薄流动性的脆弱市场时，会立即触发自动化的清算引擎。永续合约的高杠杆特性使得强平指令不计成本地以市价单形式冲击订单簿，瞬间抽干买方或卖方流动性。这种由算法强制执行的抛售不受人类情绪中犹豫或侥幸心理的制约，其传导速度仅受限于交易所的撮合引擎处理能力。同时，做市商的风控模型在监测到波动率跳升和存货风险失控后，会以毫秒级的速度自动撤销挂单或大幅拓宽价差。自动化清算的正反馈与机器做市商的瞬间撤退相互叠加，使得市场在极短时间内完成向危机状态的跃迁。

相反，退出高波动状态是一个涉及多方主体心理重建和资本重新部署的漫长过程。首先，危机状态中的清算级联虽然猛烈，但必须等待过高杠杆的头寸被彻底“自然消化”，这一去杠杆过程需要时间来寻找新的价格均衡点。其次，做市商在经历极端波动后，其在险价值模型会显著上调对未来波动率的预期，导致他们在重新提供流动性时表现出极大的审慎。资本的重新部署需要经过风控部门的重新评估与审批，做市商通常会以更宽的价差和更小的规模逐步试探性回归，而非一次性恢复至危机前的流动性深度。最后，市场参与者的情绪修复同样存在滞后效应，极端波动带来的恐慌记忆会导致交易者在相当长一段时期内降低杠杆率并减少交易频率。这些微观层面的缓慢修复机制共同决定了，从高波动体制向低波动体制的回归必然是一个渐进的、充满反复的衰减过程。

23.4.4 慢变量的调节

马尔可夫状态转换模型虽然提供了描述波动率离散跃迁的优美框架，但如果将转换概率矩阵视为固定不变的常数，则忽略了更深层次的市场动力学。事实上，状态机并非在一个真空中孤立运行，其内部的转换概率是随时间时变的，而决定这些概率动态变化的正是第一层解释中所述的“慢变量”。宏观环境、系统杠杆水平以及流动性深度这三大慢变量，构成了状态机运行的底层物理环境，它们通过调节微观反馈回路的敏感度，直接决定了转换矩阵中各项元素的具体数值。

系统杠杆水平是决定从平静状态向紧张状态转换概率的最关键慢变量。在长期的平静期内，低波动率环境会诱使交易者不断提高杠杆倍数以追求资本效率，导致系统整体的有效杠杆率逐步攀升。当高杠杆环境形成时，市场对价格反向运动的容忍度大幅降低。此时，一个原本不足以引起波澜的微小信息冲击，就可能触及大量高杠杆头寸的强平线。因此，随着系统杠杆率的上升，平静状态向紧张状态的转换概率会呈现非线性的急剧增加。高杠杆使得市场对价格扰动的容忍度降至极低水平，常规规模的信息冲击即可触发清算级联。

流动性深度和宏观不确定性则主要决定了从紧张状态向危机状态恶化的概率。当做市商资本部署不足或市场处于特定的节假日低流动性时期，订单簿的吸收能力极为脆弱。在这样的薄流动性环境下，一旦市场进入紧张状态并出现初步的清算流，由于缺乏足够的反向流动性承接，价格将发生不成比例的剧烈位移，从而迅速触发更大规模的清算级联。实证研究表明，在流动性深度处于历史后四分之一分位数的时期，市场从紧张状态滑入危机状态的概率是流动性充裕时期的3倍以上（该倍数基于对前述 Binance BTC-USDT 永续日频数据的条件 HMM 估计：将订单簿深度按历史四分位数分组后，分别拟合各组的状态转换矩阵，比较紧张→危机转换概率的组间差异；由于紧张状态且流动性处于Q1的联合观测数量有限，该倍数估计的95%置信区间较宽，约为2.1至4.8倍，应视为量级指示而非精确参数）。同时，如果宏观环境处于高利率或高不确定性周期，风险资产的整体风险偏好受到压制，所有向高波动状态跃迁的概率都会被系统性地放大 ^[29]。正是这种慢变量与状态转换概率之间的深度交互，解释了为什么在不同的宏观和微观市场周期中，永续合约波动率聚集的强度和频率会表现出显著的差异。

23.5 永续合约的制度放大器

前三节分别建立了慢变量设定脆弱性基线、反馈回路放大冲击、状态机驱动体制跃迁的三层解释。然而，这些机制在任何杠杆化衍生品市场中都可能存在；永续合约市场之所以表现出远超传统市场的聚集强度，根源在于其特有的制度设计对上述三层机制施加了系统性放大。制度特征本身不是独立的波动率来源，其每一个核心组件都通过降低反馈激活阈值或加速反馈传导速度来增强聚集效应，这直接解释了§23.1中观察到的永续合约聚集强度何以远高于传统金融市场。清算引擎、资金费率和全天候交易这三个制度特征共同构建了一个几乎没有摩擦的传导环境，其协同放大逻辑将在§23.5.4 综合收束。

23.5.1 资金费率

资金费率是永续合约为维持合约价格与现货价格锚定而设计的周期性支付机制（如第 10 章所述）。在设计上，资金费率首先是一种收敛机制，通过向偏离方收费、向回归方支付来激励套利者入场纠偏，在多数市场状态下有效地抑制了合约价格与现货价格的过度偏离。然而，当市场处于强单边趋势且波动率急剧上升时，套利者因面临极高的清算风险而无法维持反向头寸，费率的收敛功能失效，机制从稳定器翻转为放大器。这种翻转的临界条件大致对应于资金费率连续多个结算周期保持同向极端值（如连续3个8小时周期超过0.1%）。在波动率聚集的语境下，一旦翻转发生，资金费率在趋势中放大趋势，在转折点放大波动，成为一个内生的正反馈引擎。在平静状态下，资金费率脉冲极小，对波动率的影响可忽略不计；但在紧张或危机状态下，费率的极端化会显著延长高波动的持续时间。加密期现基差（carry）中已被证实嵌入了与崩盘风险相关的放大动力学 ^[30]。

在强劲的单边行情中，资金费率的正反馈回路表现得尤为明显。当多头力量主导市场时，合约价格产生溢价，资金费率转为正值。理论上，正费率应激励空头入场套利从而压低价格；但在牛市的高波动状态下，做空面临极高的清算风险，空头难以维持头寸。结果是多头继续积累，价格进一步上涨，导致资金费率被推至更高水平，反而吸引了更多追逐动量的投机者。当市场最终发生转向时，反馈回路的破坏力被瞬间释放。资金费率从极端正值急剧转负，原本享受趋势红利的多头开始受到惩罚，被迫平仓。多头平仓导致价格下跌，进一步加深了资金费率的负向偏移，促使更多多头被迫平仓，最终引发清算级联。

图 23-8 展示了资金费率脉冲与波动率聚集的同步性：在市场从平静向危机过渡的过程中，极端费率引发的套利平仓行为直接转化为额外的方向性波动，使波动率呈现更强的持续性。

图 23-8. 资金费率脉冲与已实现波动率的联动关系（代表性示意，合成序列，非实测数据；图中资金费率轴为合成放大序列，仅示意其与波动率的同步性，非真实费率量级，真实永续费率约 0.1–0.3%/8h，见正文；波动率×杠杆×流动性框架机制依据：加密市场衍生品分析报告 ^[31]）

资金费率的这种脉冲叠加效应在量化模型中表现为 GARCH 模型中更高的持续性参数。Naimy et al. (2021) 的研究表明，在捕捉加密货币波动率聚集特性时，包含非对称效应的 GARCH 模型能够更好地反映这种由机制驱动的波动率跳跃，其持续性参数显著高于传统法币市场 ^[9]。

23.5.2 自动化清算

传统期货市场与永续合约在保证金机制上的核心差异在于清算的执行速度。在传统交割期货中，当账户保证金不足时，交易所会发出追加保证金通知，交易者通常拥有 T+1 的时间窗口来补充资金或自行平仓。这种设计为市场提供了缓冲，清算行为是分散的，不同交易者在不同时间点做出响应。相反，永续合约采用自动化清算引擎，当标记价格触及破产价格时，引擎立即接管头寸并向市场市价抛出，全程无人工干预，标记价格的检测频率在毫秒级别。从触发检测到清算订单生成，这一过程确实在毫秒量级完成；然而，清算订单的实际执行（即在订单簿上逐层成交直至头寸完全平仓）在极端行情下可能持续数秒甚至更长，因为订单簿深度的迅速蒸发迫使清算订单在越来越远的价格层级上寻找对手方。当大量清算同时触发时，撮合引擎可能出现拥堵甚至降级（如2021年5月 Binance 撮合引擎延迟飙升至秒级），形成“清算悬崖”效应：引擎恢复后积压的清算订单集中释放，造成的价格冲击远大于连续处理的情形。

这种速度差异从根本上改变了波动率的传导动力学。在永续合约中，清算是同步且集中的。引擎同时处理所有被触发的杠杆头寸，集中的清算流直接冲击订单簿。由于高波动期间做市商通常会扩大价差并撤回流动性，订单簿的承接能力处于最弱状态。清算流在薄弱的订单簿上造成更深的价格凹陷，这个新的价格低点又会立即触发下一批原本安全的头寸，形成典型的清算级联。

图 23-9 用24小时累计清算量与同期已实现波动率的散点图，反映两者间的正反馈关系：散点分布呈现明显的非线性，当清算量突破某一临界水平后，波动率的响应急剧陡峭化。

图 23-9. 24小时清算量与已实现波动率的正反馈效应（代表性散点示意，合成序列，非实测数据；机制依据：加密市场衍生品分析报告 ^[31]）

永续合约中动辄上百倍的杠杆叠加即时强平机制，使得正反馈的增益极高。一次 3% 的价格下跌在永续合约中触发的清算量，可能是传统期货市场的数倍。这种由清算引擎制造的额外波动累积在时间序列上，直接导致了波动率的深度聚集。清算级联不仅创造了当期的极端波动，还通过彻底破坏流动性结构，为后续时段的高波动奠定了基础。清算引擎的运营风险本身亦构成一个独立的放大通道：当引擎过载导致清算延迟时，未被及时清算的头寸继续亏损并积累穿仓损失，最终触发保险基金耗竭和自动减仓，其中后者强行关闭盈利对手方的头寸，使即使正确预判方向的交易者也被迫退出市场，进一步收缩流动性。围绕清算机制的监管演进正在加速：例如欧盟 MiCA 框架对加密资产服务提供者提出了有序运营与风险管理要求，部分司法管辖区（如香港）对零售客户的虚拟资产杠杆敞口设定了上限，多个普通法管辖区也开始审查在被操纵标记价格下的自动清算是否构成不公平交易行为。这些监管干预若全面落地，将从根本上重塑清算级联的传导动力学。

23.5.3 全天候交易

传统金融市场拥有固定的收盘时间和周末休市期。这种设计在客观上起到了系统减震器的作用。休市期间，做市商有时间重新评估风险模型并部署资本，交易者得以冷静消化信息，算法逻辑可以被人工审查。隔夜的信息冲击在次日开盘时通常以一次性跳空的形式体现，而不会在盘中引发持续的反馈传导。

永续合约市场实行全天候连续交易，这意味着反馈回路永远处于可激活状态。信息冲击可以在任何时间点进行传导，尤其是在深夜或周末等流动性天然较薄的时段。在这些低流动性窗口期，同等规模的订单流冲击会产生比正常时段大得多的价格波动。一旦波动触发了清算引擎或资金费率的极值，反馈回路就会在缺乏足够流动性缓冲的环境中持续运转。

这种连续交易机制促成了波动率的跨时区接力传导。发端于亚洲交易时段的波动，可能在欧洲时段因流动性不足而继续放大，随后在美洲时段触发更大规模的杠杆出清。波动率聚集因此可以跨越传统市场的收盘边界，形成持续数天甚至数周的高波动簇。全天候交易对市场微观结构的深远影响已引起广泛关注，相关分析指出周末与深夜等低流动性时段已成为波动爆发的高发窗口 ^[32]；CME 等传统交易所亦已着手推出全天候加密衍生品交易。24/7交易在放大波动率的同时也有缓解面：连续交易消除了传统市场的隔夜缺口，允许信息在时间轴上更平滑地融入价格；主流交易所也已部署价格保护带和极端行情交易限制等类熔断机制，以部分补偿无休市的系统脆弱性，但这些机制在极端行情中的有效性仍有待验证。此外，低流动性窗口存在策略性利用的维度，即“清算猎杀”行为（即在流动性最薄的时段放置大额方向性订单以触发级联并从错位中获利）使得这些窗口的脆弱性不仅是被动的结构特征，也是主动的对抗性放大机制。

23.5.4 综合效应

资金费率的方向性放大、自动清算引擎的速度放大与全天候交易的时间放大，这三个制度特征共同作用，使永续合约的波动率聚集强度系统性地高于传统市场。图 23-10 梳理了三者如何协同增强波动率聚集。

图 23-10. 永续合约波动率放大器的概念传导路径（作者基于本章分析框架绘制；概念机制示意，非实测数据）

图 23-10 的传导路径揭示了三个放大器之间的层次关系：资金费率在方向维度上放大趋势并积累单边头寸，自动清算引擎在速度维度上将头寸的脆弱性即时转化为市价冲击，而全天候交易则在时间维度上消除了系统自然冷却的窗口。三者的叠加效应并非简单的线性加总，而是呈现出乘数关系：资金费率积累的单边头寸越大，清算引擎触发时释放的冲击越猛烈，而全天候交易确保了这种冲击可以在最脆弱的时段（如流动性最薄的亚洲深夜时段）引爆。这一“方向×速度×时间”的乘法效应是一种启发式描述而非严格的独立因子模型，三个放大器之间存在强耦合（24/7交易使资金费率不间断累积，极端费率又触发更多清算），实际放大倍数可能高于三者简单相乘的结果。此外，以上分析聚焦于中心化交易所的制度设计；链上订单簿去中心化交易所（DEX）（如 Hyperliquid、dYdX v4）面临不同但同样显著的放大机制：区块时间约束限制了单位时间内的清算处理容量，排序器的中心化单点依赖在高负载下可能成为瓶颈，而价格预言机的更新延迟可能导致清算触发与真实市场价格之间的系统性偏差。

回顾表 23-1 的跨市场比较数据，永续合约的持续性参数系统性高于传统期货和现货市场，冲击衰减速度最慢，波动率半衰期最长。传统法币对的 GARCH 持续性参数通常明显低于加密永续合约，其波动率半衰期更短、极端聚集簇持续时间也更短（作者综合多源估计：法币持续性约 0.90–0.95、半衰期约 5–15 天、聚集簇约 1–4 天），这一方向性差异与 ^[9] 的实证结论一致。

永续合约市场中观察到的极端波动率的波动率，并非源于标的资产的内在属性，而是制度设计的必然结果。如果移除自动清算引擎或引入交易熔断机制，波动率的聚集强度将出现结构性下降。这一结论具有重要的政策与设计含义：在评估和管理加密市场的系统性风险时，风控模型不能仅停留在对历史波动率的统计外推上，而必须将这些制度放大器的非线性传导逻辑纳入核心考量。

23.6 低波动率期的脆弱性积累

在加密货币永续合约市场中，长期的低波动率环境往往被市场参与者误解为风险降低的信号。然而，从系统动力学的视角来看，这种平静并非真正的安全，而是脆弱性在系统内部隐蔽积累的过程。当市场长期处于低波动状态时，交易者的行为响应、流动性提供者的做市策略以及风险管理模型的参数更新，共同构成了一个自我强化的脆弱性生产机制。这一机制解释了为何加密货币市场中强度显著的波动率聚集簇往往紧随在最漫长的平静期之后爆发。本节将深入剖析低波动率期内杠杆与流动性的内生演化规律，揭示“稳定如何产生不稳定”的微观传导链条，并探讨这一现象在经验数据中的表现形式。

23.6.1 杠杆的内生积累

在金融不稳定假说中，Minsky 指出资本主义经济的稳定时期本身就会内生地孕育不稳定因素，因为长期的稳定会诱导市场主体承担更高的风险 ^[33]。Minsky 的理论框架将金融周期分为三个阶段：对冲融资阶段（参与者能够通过现金流偿还债务）、投机融资阶段（参与者只能偿还利息但需要借新债偿还本金）以及庞氏融资阶段（参与者甚至无法偿还利息，完全依赖资产价格上升）。加密货币市场中的永续合约交易正是这一演化过程的加速版本，而低波动率期正是从对冲融资向投机融资过渡的关键时期。不过，Minsky 框架中从对冲融资到庞氏融资的渐进恶化依赖于债务偿付现金流与收入之间的关系，而永续合约交易并不产生传统意义上的“收入”，参与者的偿付能力完全取决于资产价格的变动方向。在这一意义上，高杠杆的方向性永续合约头寸从建仓之初即具有投机或庞氏融资的特征，Minsky 的渐进恶化叙事在加密语境下更适合理解为系统杠杆总量的积累过程而非融资性质的阶段性演变。Geanakoplos (2010) ^[34] 的杠杆周期理论，其核心论点是抵押品价值变动内生地改变信贷可得性并产生杠杆的顺周期波动，可能提供一个更直接适用于加密衍生品市场的理论锚点。这一理论在加密货币永续合约市场中表现得尤为显著，且其演化速度远快于传统宏观经济周期。加密货币市场的参与者结构中，散户比例远高于传统金融市场，而散户的风险认知往往基于最近的市场表现而非长期统计规律。当资产价格的波动率持续处于低位时，市场参与者的行为模式会发生系统性改变，这种改变直接导致了系统整体杠杆水平的隐性攀升。

行为响应的起点是风险感知与风险管理模型的互动。在低波动率环境下，基于历史数据估算的在险价值模型会输出极低的风险评估结果 ^[35]。对于机构投资者而言，这意味着在相同的风险预算下，他们可以且必须配置更大的名义头寸以维持目标收益率。对于个人交易者而言，长期的横盘或缓慢上涨会显著降低其对尾部风险的警惕性，促使其在永续合约中采用更高的杠杆倍数。随着时间推移，整个市场的未平仓合约价值相对于现货市值的比率会不断攀升。这种现象在加密货币市场中尤其明显，因为永续合约的杠杆上限往往远高于传统期货市场（某些交易所的 BTC 永续合约杠杆可达100倍或更高），而散户投资者的风险意识相对较弱，更容易在低波动率的虚假安全感驱使下采用极端杠杆。

这种杠杆的积累过程在永续合约特有的资金费率机制下被进一步放大。当市场处于平静期且呈现微弱的多头倾向时，资金费率往往保持稳定且为正值。这种稳定的收益流会吸引大量套利者进入市场，建立基差套利或资金费率套利头寸。虽然这些套利头寸在设计上是市场中性的，但它们极大地增加了永续合约市场的总未平仓量。同时，这些看似低风险的头寸在市场状态发生突变时，同样受制于维持保证金要求。需要区分的是，资金费率套利头寸在设计上是 delta-neutral 的（同时持有现货多头和永续空头），其风险并非来自方向性亏损，而来自基差跳变导致的追加保证金和极端行情中现货腿无法及时平仓的流动性风险。因此，套利性未平仓合约（Open Interest, OI）与投机性 OI 对系统脆弱性的贡献方式不同。在评估系统性风险时，投机性 OI 占比是比 OI 总量更有信息含量的指标。尽管如此，当平静期被打破、波动率急剧上升时，无论是投机性还是套利性的庞大头寸都将面临保证金压力，瞬间转化为潜在的清算动能，为后续的波动率聚集提供充足的燃料。

从微观层面看，低波动率期的杠杆积累还体现在交易所保证金系统的动态调整中。交易所的保证金调整实际上是多层机制的叠加：波动率挂钩的动态保证金（顺周期，即低波动率时降低要求，鼓励加杠杆）、头寸规模阶梯保证金（逆周期，即大户面临更高的保证金率，抑制集中度）、以及部分交易所的预告式调整（缓冲性，即给予24至48小时准备期）。在受监管交易所（如 CME）中，保证金调整受通知期要求约束，其顺周期效应被缓冲；而在离岸交易所中，零预告的保证金调整本身即可成为波动率的触发器。三者的净效应仍然以顺周期为主导，因为波动率挂钩的动态保证金覆盖面最广且调整幅度最大。在低波动率时期，动态保证金要求被逐步降低，这进一步激励了交易者采用更高杠杆。从整体效果看，这种以顺周期为主导的保证金调整制度本身就是一个脆弱性放大机制：当波动率突然上升时，交易所往往会被迫快速提高保证金要求，这种突然的要求变化会触发大量头寸的强制平仓，进而加剧波动率的上升。

在极端情况下，交易所甚至可能在市场波动率极端上升时暂停清算功能，以防止系统崩溃。这种“电路断路器”机制虽然在短期内保护了交易所的系统稳定性，但它同时也冻结了市场的价格发现机制，使得被困的头寸无法以任何价格平仓，进一步加剧了市场参与者的恐慌。这一现象在2020年3月的黑色星期四事件中得到了充分演示，当时多家交易所的清算系统因为流量过大而暂时瘫痪，导致大量头寸无法及时平仓，最终造成了更大的损失。链上清算系统在同一事件中暴露了不同但同样严重的脆弱性：MakerDAO 的链上清算拍卖因以太坊网络严重拥堵而几乎瘫痪，清算人因 gas 费飙升无法提交竞价交易，导致大量抵押品以零出价成交。链上清算的脆弱性源于底层网络的吞吐量瓶颈而非清算引擎本身的设计缺陷，构成了与 CEX 清算引擎过载在物理层面完全不同的放大机制。

23.6.2 流动性集中化

与杠杆的隐性上升相伴随的，是流动性结构的深刻异化。在低波动率时期，做市商面临着截然不同的竞争环境和风险收益权衡。由于价格在窄幅区间内波动，远离当前市场价格的挂单被执行的概率极低，这导致提供宽泛价格区间流动性的资本效率大幅下降。为了在激烈的竞争中捕获有限的交易量并最大化资金利用率，做市商会理性地调整其报价策略。

这一调整的核心表现是流动性的极端集中化。做市商会将绝大部分资金部署在紧贴当前最优买卖价的极窄区间内，导致买卖价差被压缩至极致，订单簿在价格附近的表观深度显得异常充裕 ^[36]。然而，这种“表面繁荣”掩盖了订单簿深处的结构性空虚。由于资本被集中抽调至盘口附近，远离当前价格的深度急剧减少。在自动做市商机制中，集中流动性设计的广泛采用同样加剧了这一现象，流动性提供者倾向于将资金集中在当前价格附近以获取最高的手续费收益。

这种流动性分布的异化极大地增加了系统的脆弱性。在平静期，极窄的价差和盘口充裕的深度给交易者制造了市场流动性极佳的错觉。然而，一旦出现超出常规预期的信息冲击或大额抛单，盘口附近集中的流动性会被瞬间击穿。由于远端深度空虚，价格在寻找下一个流动性支撑点的过程中会发生巨大的跳跃。这种由流动性断层引发的价格瞬移，其产生的价格冲击远大于正常流动性分布下的水平，从而在极短时间内将系统从低波动状态直接推入极端高波动状态。

从数据微观结构的角度看，这种现象可以通过订单簿的形状参数来量化。在低波动率时期，订单簿通常呈现出“尖峰”形状，即在当前价格附近有极高的深度密度，但随着价格距离增加，深度急剧下降。相比之下，正常市场条件下的订单簿形状更为均匀和平缓。这种“尖峰化”不仅降低了静态的冲击吸收能力，更削弱了订单簿的恢复弹性，即价格冲击后订单簿恢复到冲击前状态的速度。Bouchaud et al. (2009) ^[37] 的研究表明，订单簿中的流动性缺口（gap）会放大单笔订单的价格冲击，且冲击后的价差与深度恢复遵循缓慢的幂律衰减，这种“慢回复”特征与§23.3中描述的流动性回路的“慢终止”特征直接对应。当市场从平静转向波动时，这种尖峰形状的订单簿无法有效吸收大额订单流，导致价格必须跳跃至更远的价格水平才能找到足够的流动性。这一过程中，每一次价格跳跃都会触发更多的清算，进而导致更多的抛单涌入，形成自我强化的恶性循环。

23.6.3 实证关系

“平静的陷阱”并非纯粹的理论推演，而是深刻印刻在加密货币市场历史数据中的实证规律。慢变量（如杠杆水平和流动性结构）的演化需要时间，平静期持续的时间越长，这些慢变量向危险区间滑落的程度就越深，系统积累的脆弱性也就越大。因此，平静期的长度与随后爆发的波动率聚集簇的强度之间存在着显著的正相关关系。

通过对比特币历史行情的观察可以清晰地发现这一模式。例如，在2018年11月中旬比特币价格发生剧烈崩盘之前，市场经历了长达数月的极低波动率时期，期间布林带收窄至历史极值，未平仓合约持续攀升。同样，2020年3月“黑色星期四”极端行情爆发前，市场也经历了一段相对平稳的乐观期。2021年5月的崩盘事件同样遵循了这一模式：在此之前的数周内，比特币在45000至65000美元区间内反复震荡，波动率维持在较低水平，但未平仓合约却在持续增加。这些历史事件表明，极端波动率聚集的爆发往往不是孤立的随机事件，而是漫长平静期内脆弱性不断累积的必然结果。

图 23-11 展示了基于比特币历史数据的平静期长度与随后波动率聚集强度的散点关系：持续时间超过50天的低波动率平静期，往往伴随随后年化波动率峰值突破100%的极端聚集簇，证实时间是脆弱性积累的关键维度。为量化这一关系，以“30日已实现波动率低于年化35%的连续期”定义平静期、以“随后30日已实现波动率的峰值”定义聚集强度，作者在2018至2024年的 BTC 历史数据中识别出约15个独立的平静期-爆发期配对。Spearman 秩相关系数约为0.72（N=15, p<0.01），但需注意小样本下该估计的置信区间较宽（95%置信区间约0.35至0.90），且移除最极端的单一事件（2020年3月）后秩相关降至约0.60。尽管点估计的精确值对样本构成敏感，正相关的方向性在各种平静期定义阈值（25%至45%）和波动率度量下均保持稳健，表明平静期长度对随后聚集强度的解释力具有统计学意义上的支撑。

图 23-11. 比特币历史数据中平静期长度与随后波动率聚集强度的正相关关系（示意：正相关方向；作者私有样本 2018–2024 年 BTC，未独立核证，非精确估计）

这一实证关系的机制在于慢变量的时间累积特性。杠杆的积累、流动性的集中化、风险模型的参数漂移，这些都不是瞬间发生的，而是在平静期内逐日逐周地缓慢演进的。一个为期30天的平静期可能只能积累足以支撑50%波动率聚集的脆弱性，而一个为期70天的平静期则可能积累足以支撑150%波动率聚集的脆弱性。这种非线性的关系解释了为什么某些相对较小的触发事件能够在长期平静期后引发极端的市场反应。

23.6.4 预警信号

理解了低波动率期脆弱性积累的机制后，风险管理的核心便从“预测冲击何时发生”转向了“评估当前系统有多脆弱”。传统金融市场中的 VIX 悖论指出，当波动率指数处于最低位时，往往是对冲需求最弱、系统最缺乏保护的时刻，此时市场的内生脆弱性反而最高 ^[38]。在加密货币永续合约市场中，虽然缺乏同样深度的波动率衍生品市场，但我们可以通过一组可观测的微观结构指标来识别“平静的陷阱”。

在脆弱性评估中，杠杆指标处于因果链的最上游。未平仓合约名义价值与标的资产市值的比率是衡量系统性杠杆的最直观指标。在低波动率环境下，如果该比率呈现持续上升趋势，且伴随着资金费率长期偏离中性水平，这强烈暗示市场中正在积累大量对价格单向变动极其敏感的高杠杆头寸。图 23-12 模拟了未平仓合约在平静期逐步攀升、转折后转化为清算动力推升波动率、并在清算级联中迅速下降的全过程，这一过程通常在数小时至数天内完成。

图 23-12. 永续合约未平仓合约与波动率的时序演化动力学（作者基于杠杆周期理论模拟绘制；模拟示意，非实测数据）

杠杆积累决定了潜在的清算动能，但这些动能能否被市场吸收，取决于流动性的分布结构。单纯观察盘口价差往往具有欺骗性，因为低波动率期的极窄价差恰恰是流动性过度集中的结果。更可靠的预警信号是订单簿深度的集中度指标，即盘口附近（如0.5%范围内）的挂单量与较宽区间（如2%或5%范围内）挂单量的比值。如果该比值在低波动率期显著上升，说明流动性正在极端集中化，远端深度正在被掏空，市场吸收意外冲击的能力正在急剧下降。当这个比值超过历史中位数的150%时，系统已经进入高脆弱性状态。不过，基于订单簿快照的深度集中比存在固有局限：可见挂单中包含大量在行情变动时会被迅速撤除的非承诺性报价（如第20章所述的幽灵流动性），导致指标可能高估真实深度。基于实际成交数据的替代指标，如时间加权平均价格冲击或 VPIN（成交量同步知情交易概率）指标，对幻觉流动性具有更强的免疫性，可作为交叉验证工具。更根本的是，上述预警指标目前仅经过样本内验证，其样本外预测能力（特别是灵敏度和特异度）仍需通过更长时间序列的检验才能建立可操作的预警阈值。

在杠杆与流动性构成系统的客观脆弱性之上，行为与情绪指标则反映了市场参与者对这种脆弱性的主观认知偏差。散户多空比率的极端化、社交媒体情绪指标的持续亢奋，以及做市商提供的隐含波动率报价与历史已实现波动率之间利差的收窄，均表明市场参与者对尾部风险的定价严重不足。在低波动率时期，如果隐含波动率与已实现波动率的利差（通常称为“波动率溢价”）持续为负且绝对值不断扩大，这表明市场在集体低估风险。这种认知偏差反过来又强化了杠杆积累，因为低估风险的参与者更倾向于提高杠杆倍数。订单流的方向性、大额订单的到达频率以及做市商的库存水平等微观结构指标，能够进一步验证上述趋势：当大额买单的到达频率在低波动率期持续高于大额卖单时，这暗示市场参与者正在积极建立杠杆多头头寸。

图 23-13 总结低波动率期脆弱性积累的完整传导机制。这些预警信号无法预测触发事件的时间和性质，但能够评估系统当前的脆弱性水平，从而将风险管理的焦点从“何时会发生”转向“如果发生会有多严重”。

图 23-13. 低波动率环境下的脆弱性积累与状态突变机制（作者基于本章分析框架绘制；概念机制示意，非实测数据）

图 23-13 的传导路径清晰地展示了“平静的陷阱”的完整逻辑闭环。从顶部的低波动率环境出发，杠杆积累、流动性集中化和风险低估三条路径并行推进，共同将系统推向高脆弱性临界状态。当外部触发事件突破由慢变量设定的激活阈值时，系统从图的上半部分（缓慢积累阶段）急剧跃迁至下半部分（快速释放阶段），清算级联与流动性枯竭的正反馈回路使波动率在短时间内飙升至极端水平。这一路径图的实践意义在于，风险管理者应将注意力集中在图中段的三条积累路径上，因为它们是可观测、可度量的预警维度。

23.7 案例：2021年5月崩盘的生命周期

为了验证前文提出的“慢变量→反馈回路→状态机”三层解释框架，我们需要一个具有完整生命周期的真实市场案例。2021年5月的比特币市场崩盘提供了一个典型的自然实验。这一事件并非单一的随机冲击，而是展示了波动率如何从低位逐步积累脆弱性，如何在触发事件后被正反馈回路急剧放大，以及市场状态如何从平静迅速跃迁至危机的完整动力学过程。通过对这一历史案例的解剖，我们可以清晰地看到微观机制如何塑造了宏观的波动率聚集现象。

23.7.1 慢变量状态

2021年第一季度的加密货币市场处于典型的“平静”状态，但这种表面的稳定掩盖了底层系统脆弱性的急剧上升。慢变量的演化为随后的剧烈波动设定了基调。

系统杠杆水平作为首要慢变量，在这一时期经历了前所未有的扩张。比特币价格从2021年初的29,000美元一路攀升至4月中旬的64,000美元，涨幅超过120%。在这一强劲的上升趋势中，杠杆的内生性特征表现充分：随着价格上涨，多头头寸的有效杠杆率被动下降，这促使交易者为了维持目标风险敞口而不断增加新的杠杆。据 Coinglass 汇总的全市场 BTC 永续合约数据（含币本位和 USDT 本位合约），未平仓合约名义价值从2021年初的约100亿美元激增至4月中旬的约270亿美元，并进一步攀升至5月崩盘前约280亿美元的峰值 ^[39]。同时，这种杠杆扩张伴随着极端倾斜的市场情绪，资金费率长期维持在8小时结算周期0.1%至0.3%的水平（简单年化约110%至330%，但由于套利者通常在低费率时已建仓，持仓期间实际承担成本低于简单年化值），表明多头不仅占据绝对主导，而且愿意为维持杠杆支付高昂的成本。

流动性深度这一慢变量同样在逐步发生不利变化。尽管在价格高位时订单簿表面的报价数量看似充裕，但做市商的资本部署呈现出高度集中的特征。大量流动性聚集在当前价格附近极其狭窄的区间内，而远离当前价格的深层订单簿却异常空虚。这种流动性结构意味着，一旦价格突破了狭窄的高流动性区间，市场将面临几乎没有缓冲的流动性断层区间 ^[20]。

与此同时，市场参与者结构的变化进一步加剧了系统的脆弱性。区块链数据分析表明，这一时期绝大多数比特币地址处于浮盈状态，且大量新进入的散户投资者在价格高位建立了高杠杆多头头寸 ^[40]。这些缺乏经验的投资者对价格波动的容忍度极低，其止损订单密集分布在当前价格下方不远处。从行为金融的视角看，处置效应（Shefrin & Statman 1985 ^[41]）意味着大量浮盈持有者构成了一个庞大的潜在卖方池——盈利持有者倾向于在获利区间了结头寸；一旦出现负面催化剂，这一卖方池可能被迅速激活，触发大规模的利润实现抛售。

至此，慢变量已经完成了一次危险的组合配置：高企的系统杠杆、薄弱的深层流动性以及高度集中的止损订单。这种“高杠杆+薄深度+高情绪”的状态构成了极度脆弱的市场环境。在这种环境下，系统无需承受大规模的外部冲击，一个常规规模的负面消息即可突破已被慢变量降至极低的反馈激活阈值。

23.7.2 触发与初始冲击

2021年5月中旬，积累已久的脆弱性终于迎来了触发事件。这一触发并非单一的灾难性消息，而是一系列负面事件的叠加，它们共同突破了系统维持平衡的临界点。

5月12日，特斯拉首席执行官 Elon Musk 在社交媒体上宣布，由于对比特币挖矿带来的环境影响感到担忧，特斯拉将停止接受比特币作为支付方式 ^[42]。这一声明直接打击了支撑第一季度牛市的核心叙事之一，即机构采用。紧接着，5月13日，中国监管部门重申禁止金融机构和支付公司提供与加密货币相关的服务，进一步加剧了市场的恐慌情绪。此类监管冲击会通过加密资产与传统证券市场之间的传染渠道放大并扩散风险 ^[43]。与 Musk 推文这类一次性信息冲击不同，中国监管收紧本质上是一次结构性的制度变迁，它不仅在短期内引发恐慌，更在中长期内触发了矿业迁移、交易所用户向离岸平台转移以及法币入金通道关闭等一系列结构性调整，这些持续数月的供给侧变化延长了波动率聚集的尾部。

这些消息构成了初始的信息冲击。比特币价格在5月中旬一度从约57,000美元回落至52,000美元附近，单日跌幅约9%。在传统的现货市场中，9%的跌幅虽然显著，但通常会被视为一次正常的回调。然而，在永续合约高度杠杆化的环境中，这一初始冲击产生了质的变化。

价格的初步下跌首先导致资金费率发生了急剧反转。长期维持在高位的正资金费率迅速转负，这标志着市场情绪的突然逆转，部分高杠杆多头开始被迫平仓。同时，9%的跌幅足以触及大量在55,000美元上方建立的高杠杆多头头寸的维持保证金线。初始的清算开始发生，清算引擎自动生成的市价卖单开始冲击订单簿。

在这个阶段，市场状态机发生了第一次离散跳转：从“平静”状态跃迁至“紧张”状态。波动率指标对这一跃迁做出了即时反应，比特币的已实现波动率从平静期的年化30%至45%区间，迅速跳升至年化75%至85%的水平。做市商开始察觉到风险，价差从正常的3个基点扩大，部分幽灵流动性（如第 20 章所述，指在正常市场条件下显示但在压力下被迅速撤销的非承诺性做市报价）开始撤退。然而，此时系统仍处于勉力支撑的状态，全面的级联尚未爆发。

23.7.3 级联与危机

当初始冲击将价格推低并引发第一波清算后，第二层机制（即反馈回路）被全面激活。5月13日至19日期间，市场见证了加密货币历史上最猛烈的清算级联之一，这正是波动率-杠杆反馈回路和波动率-流动性反馈回路相互强化的结果。

随着价格进一步下跌，波动率-杠杆反馈回路开始持续运转。价格下跌导致更多多头头寸的保证金被侵蚀，有效杠杆率被动上升，清算触发距离缩短。当价格跌破50,000美元的关键心理关口时，触发了密集分布的止损单和强平单。这些强制卖出的订单毫无选择地冲击市场，导致价格进一步下挫，进而触发更深层次的清算 ^[12]。

与此同时，波动率-流动性反馈回路加剧了这一过程。面对急剧上升的波动率和单向的清算抛压，做市商面临着极高的逆向选择风险和库存风险。为了保护自身资本，做市商大幅扩大了买卖价差，甚至完全撤销了买单。在最极端的时刻，市场深度蒸发，订单簿变得极其稀薄 ^[20]。流动性的枯竭意味着同样数量的清算卖单会造成比平时大得多的价格冲击。

这两个反馈回路形成了一个自我强化的下行螺旋：清算触发→价格下跌→流动性撤退→价格冲击放大→更多头寸被清算。这一过程在5月19日达到了顶峰。当天，比特币价格在不到12小时内一度暴跌约32%（日内峰值口径，按日收盘计约为−30%），最低触及30,000美元以下；以太坊跌幅更深，日内最大跌幅约46% ^[44]。

数据清晰地记录了这一危机的严重程度。据多家数据聚合平台（Coinglass、The Block）统计，5月19日全加密市场被强制平仓的头寸名义价值逾80亿美元（多源汇总约86亿美元；该数字为被清算头寸的名义规模而非实际亏损金额，后者因滑点和穿仓而难以精确估算），其中 Deribit 交易所就有296个以太坊头寸和609个比特币头寸遭遇破产清算 ^[44]。全市场 BTC 永续未平仓合约量在短短几天内从约280亿美元骤降至100亿美元附近，表明系统内的杠杆被暴力出清 ^[39]。

在这一阶段，市场状态机完成了第二次跃迁：从“紧张”状态彻底跌入“危机”状态。波动率不再是连续变化的，而是呈现出跳跃式的特征，从年化80%左右直接飙升至年化150%至200%的极端水平。跨交易所的价差急剧扩大，套利机制在极端拥堵的网络和耗尽的资本面前暂时失效。该危机的跨品种传染效应同样显著：以太坊永续合约在同日暴跌46%，跌幅远超 BTC 的32%，这种差异可能源于 ETH 市场更高的起始杠杆率和更薄的深层流动性，以及统一保证金账户下交易者优先清算流动性更好的 ETH 头寸以释放 BTC 保证金。在清算高峰期，多家交易所的保险基金遭遇大额消耗，部分平台触发了自动减仓机制（即§23.5.2 所述的反向级联，强行关闭盈利对手方头寸），进一步压缩了流动性供给。

图 23-14 将这一生命周期中的价格走势、24小时清算量、未平仓合约规模与已实现波动率四条时间序列叠加呈现，使读者能在同一时间轴上追踪各层机制的先后激活与传导。

图 23-14. 2021年5月 BTC 崩盘的波动率聚集生命周期（实证图；价格与清算量数据来源：Chainalysis ^[40]、Deribit Insights ^[44]；未平仓合约序列来源：Coinglass ^[39]；已实现波动率为作者基于日频收益的计算口径；ETH 日内最大跌幅约 46% 为日内峰值口径，按日收盘计约 −40%）

图 23-14 中可清晰辨识出与§23.7.1–23.7.3 对应的酝酿、紧张、危机三阶段：未平仓合约先在平静期攀升至峰值，再于危机期断崖式下降，而清算量与已实现波动率在5月19日同步飙升至极值。四条曲线的剧烈变动在时间轴上高度同步，精确映射了清算级联→流动性枯竭→波动率飙升的正反馈传导路径。

23.7.4 理论验证

2021年5月的崩盘案例为本章提出的三层解释框架提供了一致性阐释，展示了该框架在解释极端市场行为时的结构化优势。需要指出的是，单一案例的事后回溯分析存在固有的方法论局限：事后选择性解读可能放大框架的解释力，而框架对其他历史事件（如 2022 年 LUNA/UST 崩盘）的适用性仍需独立验证。以下讨论应在这一方法论约束下理解。

首先，慢变量层面的分析成功解释了系统为何在冲击前处于极度脆弱的状态。传统的统计模型（如 GARCH）只能在波动率已经上升后进行滞后调整，而无法预警平静期内脆弱性的积累。通过观察未平仓合约的膨胀和资金费率的持续高企，慢变量框架准确捕捉到了“如果发生冲击，反应将有多严重”的潜能。这证明了危机并非仅仅由 Musk 的推文或监管消息单方面引起，而是由极度脆弱的环境与普通信息冲击共同作用的结果。

其次，反馈回路层面的分析解释了为什么波动率会呈现出聚集和持续性。在5月19日的闪崩中，价格的暴跌远超出了任何基本面信息所能解释的范畴。清算引擎机械抛售与做市商流动性撤退形成的闭环，清晰地展示了冲击是如何被系统内部机制自我放大的。正是这些微观结构的反馈回路，构成了波动率时间序列中“长记忆性”的物理基础，使得高波动状态在触发后能够自我维持数天之久。

最后，状态机模型准确描述了市场动力学的非线性特征。案例显示，从“平静”到“紧张”的转换相对渐进，但从“紧张”到“危机”的跃迁却是在几个小时内爆发的。在危机状态下，主导波动的源头从基本面信息完全切换为机制性清算和流动性缺失。这种状态转换的不对称性（进入危机极快，退出危机缓慢）正是永续合约市场波动率聚集簇呈现锯齿状分布的根本原因 ^[45]。

然而，这一案例也揭示了理论框架的固有局限性。虽然三层框架能够准确评估系统的脆弱性并解释反馈回路的放大机制，但它无法预测触发事件的具体时间、性质和确切规模。这种局限性并不削弱框架的价值，反而指明了风险管理的正道：与其试图预测不可预测的触发事件，不如专注于监测和管理可观测的慢变量和反馈状态。

将上述案例提炼的因果链条进一步抽象，可构建一个适用于更一般情形的系统性危机形成路径模型。图 23-15 将这一路径分解为前置条件、触发层、传导层和放大层四个递进阶段。

图 23-15. 系统性金融危机的形成路径（作者基于本章分析框架绘制；概念机制示意，非实测数据）

图 23-15 将本章“慢变量→反馈回路→状态机”框架表达为一条结构化路径，并精确映射了 2021 年 5 月加密货币市场崩盘案例中观察到的非线性动力学：危机并非由单一外部冲击引发，而是系统内部脆弱性长期积累与特定触发条件相互作用的必然结果。

沿这条路径：前置条件阶段，慢变量的演化抬高系统脆弱性基线，永续合约高达 20 至 100 倍的杠杆率在此充当显著放大器，使系统对价格微小变动的敏感度呈指数级上升；触发层，外生冲击打破低波动假象并触及大量多头头寸的维持保证金线，引发初始清算；传导层对应状态机的状态切换，市场从平静迅速跃迁至危机，跨市场传染与流动性枯竭相继显现；放大层则是反馈回路的宏观网络共振，波动率与杠杆、波动率与流动性的正反馈相互交织、自我强化，最终将局部波动演化为全面的系统性危机。这一形成路径的政策含义在于，系统性危机虽具突发性，但其底层脆弱性的积累与传导机制的演化是有迹可循的结构化过程：通过对慢变量和反馈状态的持续监测，监管机构与市场参与者有可能在危机全面爆发前识别系统的临界状态，从而采取更为前瞻性的风险管理措施。

23.8 本章小结

波动率聚集在经验数据中表现为条件方差对过去冲击的依赖，这一现象在时间序列分析中已被广泛记录。然而，纯粹的统计模型无法解释这种记忆效应的微观来源。本章提出的三层解释框架填补了这一理论空白，将波动率的聚集现象还原为可辨识的市场微观结构演变过程。第一层是慢变量，包括宏观环境、系统杠杆水平与流动性深度，这些变量在较长的时间尺度上演化，其核心作用并非直接制造波动，而是为整个系统设定基础脆弱性，决定反馈回路被激活的阈值高低。第二层是反馈回路，构成了冲击自我放大的微观动力学基础：波动率与流动性、杠杆以及市场行为之间存在显著的正反馈机制，当初始冲击跨越由慢变量设定的激活阈值时，做市商的撤退导致流动性变薄，保证金的侵蚀引发被动加杠杆与清算，这些微观主体的理性反应在宏观层面汇聚为波动的自我延续。第三层则是状态机模型，将市场的演变离散化为平静、紧张与危机三种状态，不同状态之间的转换表现出强烈的非对称性：进入危机的过程往往由正反馈驱动而在极短时间内完成，而退出危机则需要等待反馈回路的动能耗竭与流动性的缓慢修复。图 23-16 展示了该框架的整体结构。

图 23-16. 波动率聚集的机制解释框架（作者基于本章分析框架绘制；概念框架示意，非实测数据）

图 23-16 将本章的核心论证结构凝练为一个自底向上的三层架构图。这一框架的实用价值在于，它为波动率预测和风险管理提供了一个分层的诊断工具：首先评估慢变量所处的区间以判断系统脆弱性，其次监测反馈回路的激活信号以识别状态转换的前兆，最后根据当前所处的状态选择相应的预测模型和对冲策略。

与传统金融市场相比，加密资产永续合约市场表现出更为剧烈的波动率聚集效应，这种差异并非源于基础资产内在价值的更高不确定性，而是由该市场特有的制度设计所放大的。清算级联机制在极高杠杆与缺乏追缴保证金缓冲的条件下，将价格的不利变动即时转化为市价平仓订单，产生极高的正反馈增益。资金费率的脉冲叠加效应在紧张或危机状态下延长了高波动的持续期。全天候无休市的交易规则消除了传统市场休市期所提供的做市商资本重置与情绪冷却窗口。如果要降低该市场的系统性风险，政策制定与协议设计必须针对这些制度特征进行干预，例如引入更为平滑的清算执行算法或设定动态的资金费率上限。上述建议更适合理解为协议设计层面的优化方向而非自上而下的监管要求，因为永续合约市场的交易量主要集中在监管管辖权有限的离岸交易所，强制性的全球统一规则在短期内难以实现。此外，资金费率上限如果设定不当，可能引入新的扭曲：持续的费率压制会导致合约价格与现货价格的系统性偏离，或驱使交易活动迁移至无上限限制的平台，产生监管套利。

低波动率时期在直觉上通常被视为市场的安全期，但本章的分析揭示了其本质上是系统脆弱性积累最快的阶段。在长期的平静状态下，交易者因信心增强而逐步提升杠杆，做市商在竞争中收窄价差并导致流动性集中度上升，系统的整体风险暴露不断增加，尽管所有可观测的波动率指标均处于低位。这种机制对传统的风险管理范式提出了根本性挑战：基于历史波动率的在险价值模型在平静期会系统性地低估尾部风险。例如，在2021年5月事件前的平静期，基于过去30日已实现波动率估计的99% VaR 约为单日8%至10%的跌幅，而实际的5月19日单日跌幅达到32%，超出 VaR 预测的3倍以上；即使将风险度量切换为预期缺口亦难以弥合这一差距，因为清算级联的非线性放大效应超出了任何基于历史分布外推的静态风险模型的捕捉范围。因此，风险管理的重心必须从单纯监控当前波动率水平，转向持续评估系统的底层脆弱性，整合对杠杆分布、流动性深度以及订单簿集中度的实时监测。

本章通过解构波动率聚集的微观机制，回答了高波动状态为何会自我延续的核心问题。在明确了驱动机制之后，分析的重点将转向如何利用这些规律。三层框架直接导向了一个分层的预测与决策体系：首先通过可观测的慢变量与微观结构指标识别当前市场所处的状态；其次根据不同状态下主导的波动率动力学特征选择相应的预测模型；最后基于状态特定的风险演变路径制定动态的交易与对冲策略。这种从机制理解到定量预测再到策略执行的逻辑递进，构成了下一阶段分析的核心脉络。

参考文献

[1] Nikolova, V., Segovia, J. T., Fernández-Martínez, M., & Sánchez-Granero, M. A. (2020). A novel methodology to calculate the probability of volatility clusters in financial series: An application to cryptocurrency markets. Mathematics, 8(8), Article 1216. https://doi.org/10.3390/math8081216

[2] Silva, L. G. D., & Maciel, L. (2025). Cryptocurrency price returns volatility modeling and forecasting with GARCH models. RAUSP Management Journal, 60(1), 225–239. https://doi.org/10.1108/RAUSP-04-2023-0056

[3] Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007. https://doi.org/10.2307/1912773

[4] Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. https://doi.org/10.1016/0304-4076(86)90063-1

[5] Kim, J. M., Jun, C., & Lee, J. (2021). Forecasting the volatility of the cryptocurrency market by GARCH and stochastic volatility. Mathematics, 9(14), Article 1614. https://doi.org/10.3390/math9141614

[6] Brini, A., & Lenz, J. (2024). A comparison of cryptocurrency volatility-benchmarking new and mature asset classes. Financial Innovation, 10(1), 1–38. https://doi.org/10.1186/s40854-024-00646-y

[7] Cont, R. (2007). Volatility clustering in financial markets: Empirical facts and agent-based models. In Long memory in economics (pp. 289–309). Springer. https://doi.org/10.1007/978-3-540-34625-8_10

[8] Scaillet, O., Treccani, A., & Trevisan, C. (2020). High-frequency jump analysis of the Bitcoin market. Journal of Financial Econometrics, 18(2), 209–232. https://doi.org/10.1093/jjfinec/nby013

[9] Naimy, V., Haddad, O., Fernández-Avilés, G., & El Khoury, R. (2021). The predictive capacity of GARCH-type models in measuring the volatility of crypto and world currencies. PLoS ONE, 16(1), Article e0245904. https://doi.org/10.1371/journal.pone.0245904

[10] Wang, J., Ma, F., Bouri, E., & Guo, Y. (2023). Which factors drive Bitcoin volatility: Macroeconomic, technical, or both? Journal of Forecasting, 42(4), 970–988. https://doi.org/10.1002/for.2930

[11] BlackRock. (2025). Four factors behind bitcoin's recent volatility. BlackRock. Retrieved June 24, 2026, from https://www.blackrock.com/us/financial-professionals/insights/exploring-crypto-volatility

[12] Easley, D., O'Hara, M., Yang, S., & Zhang, Z. (2024). Microstructure and market dynamics in crypto markets (SSRN Working Paper No. 4814346). https://doi.org/10.2139/ssrn.4814346

[13] Locke, P. R., & Sarkar, A. (2001). Liquidity supply and volatility: Futures market evidence. Journal of Futures Markets, 21(1), 1–17. https://doi.org/10.1002/1096-9934(200101)21:1<1::AID-FUT1>3.0.CO;2-Q

[14] Krishnamurthy, A. (2010). Amplification mechanisms in liquidity crises. American Economic Journal: Macroeconomics, 2(3), 1–30. https://doi.org/10.1257/mac.2.3.1

[15] Dobrev, D., Liu, E., Kim, J., & Rodriguez, M. (2025). Order flow imbalances and amplification of price movements: Evidence from U.S. Treasury markets. FEDS Notes. Board of Governors of the Federal Reserve System. https://doi.org/10.17016/2380-7172.3954

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

[17] 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

[18] Jacobs, K., Mai, A. T., & Pederzoli, P. (2025). Market makers and the dynamics of volatility demand (SSRN Working Paper No. 5052438). https://doi.org/10.2139/ssrn.5052438

[19] Wyart, M., Bouchaud, J.-P., Kockelkoren, J., Potters, M., & Vettorazzo, M. (2008). Relation between bid–ask spread, impact and volatility in order-driven markets. Quantitative Finance, 8(1), 41–57. https://doi.org/10.1080/14697680701344515

[20] Baumgartner, T., & Guettler, A. (2022). Bitcoin flash crash on May 19, 2021: What did really happen on Binance? [Conference paper]. Paris December Finance Meeting. https://www.paris-december.eu/sites/default/files/papers/2022/Baumgartner_2022_2.pdf

[21] 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

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

[23] Mandaci, P. E., & Cagli, E. C. (2022). Herding intensity and volatility in cryptocurrency markets during the COVID-19. Finance Research Letters, 46(PB), 102382. https://doi.org/10.1016/j.frl.2021.102382

[24] Alexander, C., Deng, J., & Zou, B. (2021). Hedging with bitcoin futures: The effect of liquidation loss aversion and aggressive trading. arXiv. https://doi.org/10.48550/arXiv.2101.01261

[25] Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5), 1779–1801. https://doi.org/10.1111/j.1540-6261.1993.tb05128.x

[26] Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57(2), 357–384. https://doi.org/10.2307/1912559

[27] Chourdakis, K. (2002). Continuous time regime switching models and applications in estimating processes with stochastic volatility and jumps (Working Paper No. 464). Queen Mary University of London, Department of Economics.

[28] Hamilton, J. D., & Susmel, R. (1994). Autoregressive conditional heteroskedasticity and changes in regime. Journal of Econometrics, 64(1–2), 307–333. https://doi.org/10.1016/0304-4076(94)90067-1

[29] Trabelsi, N. (2018). Are there any volatility spill-over effects among cryptocurrencies and widely traded asset classes? Journal of Risk and Financial Management, 11(4), Article 66. https://doi.org/10.3390/jrfm11040066

[30] Schmeling, M., Schrimpf, A., & Todorov, K. (2023). Crypto carry (BIS Working Paper No. 1087). Bank for International Settlements. https://doi.org/10.2139/ssrn.4268371

[31] Amberdata. (2026). The volatility framework: How to read crypto's stress signals. Amberdata. Retrieved June 24, 2026, from https://blog.amberdata.io/the-volatility-framework-how-to-read-cryptos-stress-signals

[32] Bloomberg. (2026, February 11). Bitcoin's 24/7 trading risk spikes while Wall Street sleeps. Bloomberg. Retrieved June 24, 2026, from https://www.bloomberg.com/news/articles/2026-02-11/bitcoin-s-24-7-trading-risk-spikes-while-wall-street-sleeps

[33] Minsky, H. P. (1992). The financial instability hypothesis. The Jerome Levy Economics Institute Working Paper No. 74. https://www.levyinstitute.org/pubs/wp74.pdf

[34] Geanakoplos, J. (2010). The leverage cycle. NBER Macroeconomics Annual, 24(1), 1–66. https://doi.org/10.1086/648285

[35] Adrian, T., & Shin, H. S. (2014). Procyclical leverage and value-at-risk. The Review of Financial Studies, 27(2), 373–403. https://doi.org/10.1093/rfs/hht068

[36] Hasbrouck, J. (2007). Empirical market microstructure: The institutions, economics, and econometrics of securities trading. Oxford University Press. https://doi.org/10.1093/oso/9780195301649.001.0001

[37] Bouchaud, J.-P., Farmer, J. D., & Lillo, F. (2009). How markets slowly digest changes in supply and demand. In Handbook of Financial Markets: Dynamics and Evolution (pp. 57–160). Elsevier. https://doi.org/10.1016/B978-012374258-2.50006-3

[38] Whaley, R. E. (2009). Understanding the VIX. The Journal of Portfolio Management, 35(3), 98–105. https://doi.org/10.3905/JPM.2009.35.3.098

[39] Coinglass. (2026). Bitcoin futures open interest [Data set]. Coinglass. Retrieved June 24, 2026, from https://www.coinglass.com/BitcoinOpenInterest

[40] Chainalysis. (2021, May 19). The May 2021 cryptocurrency crash explained: Selling by retail and not institutions is driving crypto price plunge. Chainalysis Blog. Retrieved June 24, 2026, from https://www.chainalysis.com/blog/cryptocurrency-price-crash-may-2021/

[41] Shefrin, H., & Statman, M. (1985). The disposition to sell winners too early and ride losers too long: Theory and evidence. The Journal of Finance, 40(3), 777–790. https://doi.org/10.1111/j.1540-6261.1985.tb05002.x

[42] Ante, L. (2023). How Elon Musk's Twitter activity moves cryptocurrency markets. Technological Forecasting and Social Change, 186(Part A), 122112. https://doi.org/10.1016/j.techfore.2022.122112

[43] Sajeev, K. C., & Afjal, M. (2022). Contagion effect of cryptocurrency on the securities market. SN Business & Economics, 2(7), Article 57. https://doi.org/10.1007/s43546-022-00219-0

[44] Deribit Insights. (2021, May 22). The (flash) crash of May 19, 2021. Deribit. Retrieved June 24, 2026, from https://insights.deribit.com/exchange-updates/the-flash-crash-of-may-19-2021/

[45] Fan, H., Xu, Y., Bouri, E., & Zeng, P. (2023). Clustering effect in higher-order moments across various timescales in the cryptocurrency market (SSRN Working Paper No. 4503527). https://doi.org/10.2139/ssrn.4503527