Sidik Jari Digital Trader: Cara Mengidentifikasi Market Maker dari Perilaku Order Book

Sidik jari perilaku algoritma trading: pola unik dari waktu, ukuran, dan penempatan

Setiap algoritma meninggalkan sidik jari yang unik. Pelajari cara membacanya — dan Anda akan tahu siapa yang ada di sisi lain perdagangan Anda.

Pendahuluan: Order Book sebagai Tempat Kejadian Perkara

Ketika seorang penyelidik forensik tiba di tempat kejadian perkara, mereka mencari sidik jari, jejak sepatu, DNA — apa pun yang menghubungkan suatu peristiwa dengan individu tertentu. Order book adalah tempat di mana setiap detiknya ratusan peserta meninggalkan "sidik jari" mereka: order dengan ukuran tertentu, pada frekuensi tertentu, pada jarak tertentu dari harga, dengan waktu hidup tertentu.

Di bursa terpusat (CEX), sidik jari ini bersifat anonim — Anda hanya melihat volume agregat di setiap level harga. Namun bahkan dari data agregat pun, Anda dapat mempelajari banyak hal. Dan di bursa DEX dengan order book on-chain — seperti Hyperliquid — setiap order terikat pada alamat dompet tertentu, sehingga "sidik jari" menjadi bersifat personal.

Dalam artikel ini, kita akan mengeksplorasi cara membangun sistem "sidik jari perilaku" untuk mengidentifikasi jenis peserta dan algoritma market maker tertentu.

Bagian 1: Apa Itu Sidik Jari Perilaku

Grafik radar: lima dimensi utama sidik jari perilaku trader

Setiap Algoritma Adalah Sekumpulan Aturan

Bot market-making adalah program yang membuat keputusan berdasarkan aturan yang kaku (atau yang telah dipelajari):

• Seberapa jauh order harus ditempatkan dari mid-price? Setiap MM memiliki "profil spread" tersendiri.
• Ukuran berapa? Round lot (100, 500, 1000)? Angka acak? Ukuran tetap dengan noise ±5%?
• Seberapa sering quote harus diperbarui? Setiap 50ms? Hanya saat mid-price berubah? Berdasarkan timer?
• Bagaimana bereaksi terhadap eksekusi order? Requoting instan? Jeda? Menggeser sisi yang tersisa?
• Bagaimana bereaksi terhadap volatilitas? Melebarkan spread? Menarik quote? Mengurangi ukuran?
• Bagaimana mengelola inventaris? Skewing quote saat mengakumulasi posisi?

Setiap kumpulan jawaban atas pertanyaan-pertanyaan ini adalah "tanda tangan" unik dari algoritma tersebut.

Lima Dimensi Sidik Jari

┌─────────────────────────────────────────────────────────────────┐
│              SIDIK JARI DIGITAL TRADER                          │
│                                                                 │
│  1. TIMING       │  Interval antar-order, reaksi               │
│                  │  terhadap peristiwa, pola sirkadian          │
│──────────────────┼─────────────────────────────────────────────  │
│  2. SIZING       │  Distribusi ukuran order,                   │
│                  │  rasio round-lot, dispersi                   │
│──────────────────┼─────────────────────────────────────────────  │
│  3. PLACEMENT    │  Jarak dari mid-price,                      │
│                  │  simetri bid/ask, penahan level              │
│──────────────────┼─────────────────────────────────────────────  │
│  4. REACTION     │  Respons terhadap eksekusi, pembatalan,     │
│                  │  lompatan harga, perubahan volatilitas        │
│──────────────────┼─────────────────────────────────────────────  │
│  5. LIFECYCLE    │  Rata-rata umur order,                      │
│                  │  kondisi pembatalan, modify vs cancel+new    │
│──────────────────┴─────────────────────────────────────────────  │
└─────────────────────────────────────────────────────────────────┘

Bagian 2: Ekstraksi Fitur

Proses Hawkes self-exciting: klaster peristiwa dengan peluruhan eksponensial

Timing: Kapan dan Seberapa Sering

Pola timing adalah elemen sidik jari yang paling sulit dipalsukan. Pola ini ditentukan oleh arsitektur algoritma, latensi jaringan, perangkat keras, dan bahkan zona waktu para pengembangnya.

Metrik utama:

• Inter-order interval (IOI) — waktu antara order berturut-turut dari peserta yang sama. Untuk bot HFT, IOI = 50–500 mikrodetik. Untuk trader manual — detik hingga menit.

• Waktu reaksi terhadap eksekusi — penundaan antara eksekusi order dan tindakan berikutnya. Mencerminkan arsitektur internal bot.

• Pola sirkadian — profil aktivitas harian. MM institusional beroperasi selama sesi perdagangan. Bot kripto berjalan 24/7.

• Self-excitation (intensitas Hawkes) — seberapa kuat order saat ini "memicu" order berikutnya. Market maker menunjukkan self-excitation yang kuat.

Untuk pemodelan pola timing, proses Hawkes — proses titik self-exciting — adalah yang paling ideal. Parameter proses Hawkes (intensitas dasar μ, koefisien eksitasi α, laju peluruhan β) membentuk "sidik jari kronologis" yang ringkas dari seorang peserta.

Sizing: Berapa Banyak dan Bagaimana

• Distribusi ukuran — distribusi ukuran order. MM profesional sering menggunakan round lot dengan noise: 100 ± 5, 500 ± 10.
• Korelasi ukuran-kedalaman — apakah ukuran order bergantung pada kedalaman buku saat ini?
• Asimetri ukuran bid-ask — rasio ukuran di bid dan ask. Pola skew adalah "tulisan tangan" manajemen inventaris.
• Autokorelasi ukuran — pengulangan ukuran dari waktu ke waktu.

Placement: Di Mana dalam Buku

• Spread offset — jarak dari mid-price dalam tick atau bps
• Preferensi level — penahan ke level tertentu (angka bulat?)
• Simetri quoting — seberapa simetris order bid dan ask
• Jejak multi-level — berapa banyak level yang dikutip secara bersamaan

Reaction: Bagaimana Merespons Peristiwa

• Perilaku pasca-eksekusi — apa yang terjadi setelah order dieksekusi
• Respons volatilitas — bagaimana perilaku berubah ketika volatilitas meningkat
• Quote-to-trade ratio (QTR) — rasio pembaruan order terhadap eksekusi
• Respons adverse selection — reaksi terhadap pergerakan harga yang berlawanan dengan posisi

Lifecycle: Siklus Hidup Order

• Distribusi umur order — rata-rata waktu hidup order
• Modify vs Cancel+New — apakah diperbarui melalui modify atau cancel+new?
• Klaster pembatalan — apakah dibatalkan satu per satu atau secara batch?

Bagian 3: Klasifikasi Peserta

Taksonomi peserta pasar: market maker, HFT, oportunistik, fundamental, dan noise trader

Taksonomi Peserta Pasar

Berdasarkan fitur perilaku, peserta dapat diklasifikasikan ke dalam kategori yang stabil. Penelitian oleh CFTC (Kirilenko et al., 2011):

1. Market Maker

• Quote dua sisi (bid + ask) selama >80% waktu
• Posisi bersih nol atau mendekati nol di akhir hari
• QTR tinggi (>100:1)
• Bereaksi terhadap volatilitas dengan melebarkan spread

2. High-Frequency Trader (HFT)

• Tingkat pesan yang sangat tinggi (>1000 peristiwa/menit)
• Periode holding yang sangat singkat (detik)
• Waktu reaksi sub-milidetik

3. Trader Oportunistik

• Frekuensi sedang
• Bereaksi terhadap kondisi pasar tertentu
• Timing tidak beraturan, terklaster di sekitar peristiwa

4. Trader Fundamental

• Mengakumulasi posisi jangka panjang
• Frekuensi rendah, ukuran order besar
• Algoritma TWAP/VWAP untuk eksekusi

5. Noise Trader (Retail)

• Ukuran kecil, timing tidak beraturan
• Reaktif: berdagang setelah pergerakan harga, bukan sebelumnya
• Order market pada puncak volatilitas

Metode Klasifikasi

Pembelajaran Terawasi (Supervised Learning): Untuk data DEX (Hyperliquid), kumpulan data pelatihan dapat disusun dari alamat market maker yang dikenal. Model RNN mencapai akurasi >85%.

Pembelajaran Tanpa Pengawasan (Unsupervised Learning):

• Spectral Clustering (Cont et al., 2023) — klasterisasi berdasarkan matriks kemiripan pola aliran order
• FIDR-SCAN (2024) — interpolasi fitur + reduksi dimensi + klasterisasi berbasis kepadatan
• Inverse Reinforcement Learning (CFTC, 2014) — memulihkan fungsi reward setiap trader

Bagian 4: Mengidentifikasi Market Maker Tertentu

Dari Klasifikasi ke Identifikasi

Klasifikasi menjawab pertanyaan "Apakah ini market maker?" Identifikasi menjawab pertanyaan "Apakah ini market maker tertentu itu?"

Membangun Vektor Sidik Jari

Dari lima dimensi, kita mengekstrak vektor numerik — embedding peserta:

Vektor Sidik Jari (contoh):
┌──────────────────────────────────────────────────────────┐
│  Timing:                                                 │
│    hawkes_mu:           0.3       (intensitas dasar)     │
│    hawkes_alpha:        0.7       (self-excitation)      │
│    hawkes_beta:         1.2       (laju peluruhan)       │
│    median_IOI_ms:       240       (ms antar order)       │
│    circadian_peak_utc:  14.5      (puncak aktivitas)     │
│                                                          │
│  Sizing:                                                 │
│    median_size:         500                              │
│    size_cv:             0.08      (koef. variasi)        │
│    round_lot_ratio:     0.92      (pangsa round lot)     │
│    bid_ask_size_ratio:  0.97                             │
│                                                          │
│  Placement:                                              │
│    median_offset_bps:   3.2       (dari mid-price)       │
│    quoting_symmetry:    0.94      (0=asimetris,1=simetr) │
│    num_levels:          5         (level yang dikutip)   │
│                                                          │
│  Reaction:                                               │
│    post_fill_delay_ms:  12                               │
│    vol_spread_elasticity: 2.1     (spread/sigma)         │
│    qtr:                 850       (quote-to-trade ratio) │
│                                                          │
│  Lifecycle:                                              │
│    median_lifetime_ms:  1200                             │
│    modify_ratio:        0.85      (modify vs cancel+new) │
│    batch_cancel_rate:   0.60      (pangsa batch cancel)  │
└──────────────────────────────────────────────────────────┘

Klasterisasi Alamat: "Satu Operator — N Dompet"

Grafik klaster alamat: satu operator — banyak dompet, dikelompokkan berdasarkan kemiripan perilaku

Di Hyperliquid, satu market maker dapat beroperasi melalui puluhan atau ratusan alamat.

Algoritma klasterisasi:

1. Untuk setiap alamat aktif — bangun vektor sidik jari dalam jendela waktu N jam
2. Klasterisasi hierarkis — gabungkan alamat dengan jarak < ambang batas
3. Validasi temporal — verifikasi stabilitas klaster dari waktu ke waktu
4. Validasi lintas-pasangan — jika dua alamat memperdagangkan pasangan berbeda namun sidik jari cocok — sinyal kuat

Klaster #7 (dugaan: Wintermute)
├── 0x3a1f...2e8c  — BTC/USDT, 45% aktivitas
├── 0x7b2d...9f1a  — ETH/USDT, 30% aktivitas
├── 0xc4e8...5d3b  — SOL/USDT, 15% aktivitas
└── 0x91fa...0c7e  — ARB/USDT, 10% aktivitas

Pola umum: quoting simetris, 5 level, median_IOI=240ms,
median_size=500±8%, batch cancel 60%, kehadiran 95%

Bagian 5: Skenario Manipulasi dan Sidik Jarinya

Spoofing: Sidik Jari Tembok Palsu

Sidik jari spoofer:
  cancel_rate:         > 95%
  lifetime:            < 2 detik
  placement:           1-3 tick dari mid-price
  size:                anomali besar (>10x kedalaman median)
  reaction_to_approach: dibatalkan saat harga mendekat
  cyclicity:           berulang >3 kali / menit

Squeeze: Perangkap Likuiditas

Empat fase: akumulasi tenang, penarikan likuiditas, kaskade stop-order, pengambilan keuntungan. Deteksi real-time dimungkinkan dengan mengidentifikasi transisi dari Fase 1 ke Fase 2.

Iceberg / Akumulasi Tersembunyi: Penumpukan Diam-diam

Sidik jari akumulasi tersembunyi:
  visible_size:        kecil (10-50 lot)
  refill_speed:        instan (< 100ms setelah eksekusi)
  refill_count:        > 20 pada satu level per sesi
  price_reaction:      harga tidak bergerak meski ada volume

Wash Trading: Perdagangan Sendiri

Dua atau lebih alamat dari klaster yang sama secara bersamaan berada di bid dan ask dan mengeksekusi satu sama lain. Tujuan: menggelembungkan volume.

Bagian 6: Implementasi di Marketmaker.cc

Arsitektur Sistem Sidik Jari Perilaku

┌─────────────────────────────────────────────────────────────┐
│  LAPISAN DATA                                               │
│  ├── Node Hyperliquid  → L3 order-by-order + ID dompet     │
│  ├── CEX WebSocket     → kedalaman L2 + perdagangan         │
│  └── Historical Store  → QuestDB / Parquet                  │
├─────────────────────────────────────────────────────────────┤
│  EKSTRAKSI FITUR                                            │
│  ├── Timing Engine     → fit Hawkes, distribusi IOI         │
│  ├── Sizing Engine     → statistik ukuran, deteksi round-lot│
│  ├── Placement Engine  → kalkulasi offset, analisis simetri │
│  ├── Reaction Engine   → pelacak pasca-eksekusi, respons vol│
│  └── Lifecycle Engine  → statistik umur, pola pembatalan    │
├─────────────────────────────────────────────────────────────┤
│  KLASIFIKASI / IDENTIFIKASI                                 │
│  ├── Online Classifier → penandaan peserta real-time        │
│  ├── Cluster Engine    → klasterisasi alamat (DEX)          │
│  ├── Similarity Search → pencocokan sidik jari              │
│  └── Anomaly Detector  → deteksi spoof / squeeze / wash     │
├─────────────────────────────────────────────────────────────┤
│  VISUALISASI                                                │
│  ├── Posisi Antrean + Label Peserta                         │
│  ├── Grafik Klaster (klaster MM yang dikenal)               │
│  ├── Sistem Peringatan (manipulasi terdeteksi)              │
│  └── Browser Sidik Jari Historis                            │
└─────────────────────────────────────────────────────────────┘

Apa yang Dilihat Trader di Terminal

╔═══════════════════════════════════════════════════════════════════════════╗
║  10000 USDT  │  Total: 3.200                                           ║
║──────────────┼───────────────────────────────────────────────────────── ║
║  Rincian:    │  🤖 MM (klaster#7, ~Wintermute): 800 lot [5 level]    ║
║              │  🤖 MM (klaster#12, tidak dikenal): 400 lot [3 level]  ║
║              │  ⚠️ Mencurigakan (skor spoof 87):  500 lot [umur<2d]  ║
║              │  🟡 @pro_scalper:                 100 lot              ║
║              │  🔴 MILIK SAYA:                   10 lot               ║
║              │  👤 Retail / tidak terklasifikasi: 1.390 lot           ║
║──────────────┼───────────────────────────────────────────────────────── ║
║  Antrean di  │  Nyata: ~1.200 (tdk trmsk spoof)  Nominal: 1.800      ║
║  depan saya  │                                                          ║
║  ETA "Bersih"│  6,7d (vs nominal 10d)                                  ║
║  Tipe tembok:│  Didukung MM (65% vol MM) — kemungkinan bertahan        ║
╚═══════════════════════════════════════════════════════════════════════════╝

Peringatan

• 🔴 Spoof terdeteksi di level harga Anda — blok mencurigakan telah diidentifikasi di depan order Anda
• 🟡 Penarikan MM — market maker telah menarik quote, likuiditas turun
• 🟡 Squeeze setup terdeteksi — sekelompok alamat sedang mengakumulasi posisi dan menarik likuiditas
• 🟢 Tembok diperkuat — volume dari MM yang dikenal telah ditambahkan di level Anda

Bagian 7: Etika dan Keterbatasan

Apa yang Dapat dan Tidak Dapat Diterima

Dapat diterima dan didorong:

• Mengklasifikasikan peserta anonim berdasarkan tipe untuk keputusan trading Anda sendiri
• Mendeteksi manipulasi untuk melindungi dari adverse selection
• Mengklasterisasi alamat di DEX untuk memahami struktur pasar

Tidak dapat diterima:

• Deanonimisasi individu berdasarkan alamat dompet
• Menjual pola yang telah diidentifikasi tanpa persetujuan
• Menggunakan data untuk manipulasi pasar

Keterbatasan

1. Algoritma adaptif — MM tingkat lanjut menambahkan randomisasi
2. Pergantian rezim — satu bot dapat mengubah perilaku tergantung pada rezim pasar
3. False positive — dua peserta mungkin secara kebetulan memiliki parameter yang mirip
4. Opasitas CEX — data L3 tidak tersedia di CEX

Kesimpulan: Dari Membaca Buku ke Membaca Peserta

Trader tradisional melihat: 2.400 lot di level 10000. Trader mahir melihat: "order saya ada di posisi ke-1.800 dalam antrean, ETA — 15 detik." Namun trader dengan sidik jari perilaku melihat:

"800 dari 2.400 itu adalah market maker (kemungkinan Wintermute), temboknya solid. 500 adalah dugaan spoof, antrean nyata di depan saya adalah 1.300, bukan 1.800. ETA yang disesuaikan — 10 detik. Market maker tidak menarik quote — jadi tidak ada pergerakan besar yang diperkirakan untuk saat ini."

Setiap lapisan informasi baru adalah keunggulan. Dan tidak seperti kecepatan, kualitas interpretasi order book adalah domain di mana trader retail dapat bersaing.

Di Marketmaker.cc, kami sedang membangun sistem ini — dari posisi antrean hingga sidik jari perilaku — sebagai produk yang terpadu.

Artikel sebelumnya dalam seri ini: "Antrean di Dalam Tembok: Menganalisis Posisi Order dalam Kepadatan Order Book"

Referensi dan Bacaan Lebih Lanjut

• Kirilenko A., Kyle A., Samadi M., Tuzun T. — "The Flash Crash: High-Frequency Trading in an Electronic Market" (CFTC, 2011)
• Paddrik M., Hayes R., Scherer W., Beling P. — "Gaussian Process-Based Algorithmic Trading Strategy Identification" (CFTC / OFR, 2014)
• Cont R. et al. — "Unsupervised spectral clustering of trader order flow" (2023)
• FIDR-SCAN — "Explainable Machine Learning for HFT Dynamics Discovery" (2024)
• Do B.L., Putniņš T.J. — "Detecting Layering and Spoofing in Markets" (SSRN, 2023)
• Hawkes A.G. — "Spectra of Some Self-Exciting and Mutually Exciting Point Processes" (Biometrika, 1971)
• Avellaneda M., Stoikov S. — "High-Frequency Trading in a Limit Order Book" (Quantitative Finance, 2008)