Hyperliquid 是做微观结构 / OFI 的“天花板级交易所”

非常好,Hyperliquid 是做微观结构 / OFI 的“天花板级交易所”,选它说明你已经在实战正确方向上了。
下面我会完全贴着 Hyperliquid 的真实机制,把之前那套 Pipeline 落地成「Hyperliquid 专用版本」,不是泛泛而谈。


一、为什么 Hyperliquid 特别适合 OFI / 微观结构

先给你一个定位结论

Hyperliquid = CEX 级撮合 + DEX 级透明度

这对微观结构意味着什么?

Hyperliquid 的关键特性

特性对 OFI 的意义
单一中央 LOBOFI 不用跨 venue 聚合
极低延迟tick-level OFI 有价值
深度真实spoof 比 Binance 少
永续为主执行反馈极快
WebSocket 增量 L2OFI 可精确构建

👉 这正是 OFI 发挥作用的理想环境


二、Hyperliquid 专用 Microstructure Alpha Pipeline(总图)

┌────────────────────────────────────────────┐
│ ① 数据层 (Hyperliquid WS Feeds)            │
│ L2 Book / Trades / User Fills / Mark       │
└────────────────────────────────────────────┘
                      ↓
┌────────────────────────────────────────────┐
│ ② Regime 层(Hyperliquid 特有)             │
│ Vol / Depth / Spread / Liquidation Risk    │
└────────────────────────────────────────────┘
                      ↓
┌────────────────────────────────────────────┐
│ ③ Alpha 层                                 │
│ Lead-Lag / OFI / Aggressive Volume / MP    │
└────────────────────────────────────────────┘
                      ↓
┌────────────────────────────────────────────┐
│ ④ 决策融合(State-aware Alpha)            │
│ 权重动态 / Kill rules                      │
└────────────────────────────────────────────┘
                      ↓
┌────────────────────────────────────────────┐
│ ⑤ Execution(Hyperliquid 原生)             │
│ Limit / IOC / Reduce-only / Cancel logic   │
└────────────────────────────────────────────┘
                      ↓
┌────────────────────────────────────────────┐
│ ⑥ 风险与反馈(Hyperliquid 生死线)          │
│ Slippage / Queue decay / Trust score       │
└────────────────────────────────────────────┘

三、① 数据层(Hyperliquid 真实可用)

1️⃣ Order Book(核心)

Hyperliquid WS 提供的是:

  • L2 diff 更新
  • 价格 + size
  • 非 snapshot-bar,而是 event-based

你必须维护:

local_order_book[symbol]

📌 OFI 必须基于 diff,而不是重建 snapshot


2️⃣ Trades(判断真假 OFI)

Hyperliquid 的 trade feed 非常干净:

  • taker side
  • size
  • price

用于:

  • aggressive volume imbalance
  • spoof 过滤

3️⃣ Mark / Index Price

Hyperliquid 的清算与风控基于:

  • mark price
  • index price

👉 方向 alpha 用 mid
👉 风险判断用 mark


四、② Regime 层(Hyperliquid 特化)

这是 Hyperliquid 策略能不能活的关键。


1️⃣ 流动性 Regime(最重要)

Hyperliquid 深度 随时间波动极大

depth = sum(bid_L1-L5) + sum(ask_L1-L5)
spread = ask1 - bid1

规则建议:

if depth < Q25 or spread > Q90:
    disable trading

📌 不要贪,Hyperliquid 薄的时候会吃人


2️⃣ 波动率 Regime

Hyperliquid 经常出现:

  • 低波动 → 突然爆炸
if vol_1s > Q95:
    no_new_positions

3️⃣ 清算 Regime(Hyperliquid 特有)

Hyperliquid 的清算非常“可见”:

  • 大单扫盘
  • 成交量瞬间放大
  • order book 被抽空
if liquidation_cluster:
    kill alpha for N seconds

📌 这是 OFI 最容易失效的状态


五、③ Alpha 层(Hyperliquid 版本)

1️⃣ Lead-Lag(方向核心)

最有效的组合

  • BTC-PERP → ETH-PERP
  • 高市值 → 低市值
LeadLag = sign(Δ mid_price_BTC over 50–200ms)

📌 Hyperliquid 内部 lead-lag 非常干净。


2️⃣ OFI(Hyperliquid 定制)

推荐定义(稳定版)

OFI =
    Δ bid_size @ best_bid
  - Δ ask_size @ best_ask

然后三重归一化:

OFI_scaled =
    OFI
    / depth_L1-L5
    / σ_mid_price

📌 Hyperliquid 上不建议用太深 LOB(L10+)


3️⃣ Aggressive Volume(真假过滤)

AV =
    taker_buy_volume
  - taker_sell_volume

逻辑:

OFIAV解释
真买盘
spoof
成交驱动

4️⃣ Micro-price(抢先一步)

MP =
 (ask1 * bid_size + bid1 * ask_size) /
 (bid_size + ask_size)

在 Hyperliquid:

  • MP 偏移对短 tick 很灵

六、④ 决策融合(Hyperliquid 实战)

alpha_raw =
    0.5 * LeadLag +
    0.3 * OFI_scaled +
    0.2 * AV

状态条件化

if depth_low:
    weight_OFI ↓
if vol_high:
    weight_LeadLag ↓

非线性压缩(必须)

alpha = tanh(alpha_raw)

七、⑤ Execution(Hyperliquid 原生打法)

OFI → 下单方式

if OFI_z > 3:
    IOC (吃单)
elif OFI_z > 1:
    post-only limit
else:
    wait

实战建议

  • 90% 时间用 post-only
  • 只有在:
    • Lead-Lag 强
    • OFI 极端
      才用 IOC

📌 Hyperliquid 吃单成本不低,慎用。


八、⑥ 风险与反馈(Hyperliquid 专用)

仓位限制

position ≤ equity × leverage × risk_factor

但更重要的是:

信号可信度反馈

if OFI strong
and slippage ↑
and fills ↓:
    reduce trust_of_ofi

👉 系统会“降低对盘口的信任”


九、最小但专业的 Hyperliquid Pipeline(伪代码)

if not regime_ok():
    return

leadlag = leadlag("BTC", "ETH")
ofi = ofi_scaled("ETH")
av = aggressive_volume("ETH")

alpha = tanh(0.5*leadlag + 0.3*ofi + 0.2*av)

size = base_size * abs(alpha)

if alpha > 0:
    side = BUY
else:
    side = SELL

execute(
    symbol="ETH-PERP",
    side=side,
    size=size,
    aggressiveness=ofi
)

十、一句给你(Hyperliquid 实战真理)

在 Hyperliquid,OFI 不是用来“预测价格”
而是用来决定:
👉 现在该不该动手、该动多快

Read more

跑步的技巧(滚动落地)

“滚动落地(rolling contact / rolling foot strike)”不是一种教条式的“脚法”,而是一种 让冲击沿着整只脚、整条后链逐级传递的落地机制。 它的核心不是“你先用哪儿着地”,而是: 你的脚落地之后,冲击是不是像轮子一样滚过去,而不是像锤子一样砸下去。 这就是滚动落地的本质。 一、什么叫“滚动落地”? 你可以把它理解成两种完全不同的落地方式: 1. 砸地(撞击式) 脚像锤子一样拍到地上: * 要么后跟先砸 * 要么前掌先戳 * 冲击集中在一个点 * 一个结构瞬间吃掉大部分载荷 结果就是: * 后跟砸 → 膝盖难受 * 前掌戳 → 前脚掌磨烂 * 都不是长跑友好模式 这叫 撞击式着地(impact strike)。 2. 滚地(滚动式) 脚像轮胎一样“滚”过地面: * 不是某一点硬砸 * 而是外侧中足先轻触 * 再向前滚到前掌 * 最后从大脚趾蹬离

By SHI XIAOLONG

AMI的优越性

世界模型(World Models)的具体例子 如下,我按类型分类,便于理解。每类都附带实际实现、演示效果和应用场景。 1. Yann LeCun / Meta 的 JEPA 系列(最直接对应“世界模型”概念) 这些是 LeCun 主张的非生成式抽象预测世界模型代表。 * I-JEPA(Image JEPA,2023) 输入一张图像,模型把不同区域(context 和 target)编码成抽象表示,然后预测 target 的表示(不在像素级别重建)。 例子:给定一张遮挡了部分物体的图片,模型能预测“被遮挡物体的大致位置和属性”,构建对物体持久性和空间关系的理解。 这是一个“原始世界模型”,能学习物理常识(如物体不会凭空消失)。 * V-JEPA / V-JEPA 2(Video JEPA,

By SHI XIAOLONG

什么是:“世界模型(World Models)”

世界模型(World Models) 是人工智能领域的一个核心概念,尤其在 Yann LeCun 等研究者推动的下一代 AI 架构中占据中心位置。它指的是 AI 系统在内部构建的对现实世界的抽象模拟或内部表示,让机器能够像人类或动物一样“理解”物理世界、预测未来、规划行动。 简单比喻 想象你闭上眼睛也能“看到”房间里的物体会如何移动、碰撞或掉落——这就是你大脑里的世界模型。AI 的世界模型就是类似的“数字孪生”(digital twin)或“内部模拟器”:它不是简单记住数据,而是学习世界的动态、因果关系和物理直觉(如重力、物体持久性、遮挡、因果等)。 为什么需要世界模型? 当前主流的大型语言模型(LLM) 擅长处理文本(统计模式预测),但存在根本局限: * 缺乏对物理世界的真正理解 → 容易“幻觉”、无法可靠规划。 * 样本效率低 → 人类/

By SHI XIAOLONG

K线周期可配置化设计方案

K线周期可配置化设计方案 1. 背景与目标 当前 Beta 套利策略的 K 线周期硬编码为 "1h",分散在多个文件中。需要: 1. 将 K 线周期从 1h 改为 2h 2. 提取为环境变量 BETA_ARB_KLINE_INTERVAL,使其可在 .env 中配置 2. 影响范围分析 2.1 需要修改的文件(共 6 个) 文件 硬编码位置 修改内容 src/trading/config.py BetaArbConfig dataclass 新增 kline_interval 字段,

By SHI XIAOLONG