Impronta Digitale di un Trader: Come Identificare un Market Maker dal Comportamento nel Book degli Ordini

Impronta comportamentale di un algoritmo di trading: schemi unici di timing, dimensionamento e posizionamento

Ogni algoritmo lascia un'impronta digitale unica. Impara a leggerla — e saprai chi è dall'altra parte del tuo trade.

Introduzione: Il Book degli Ordini come Scena del Crimine

Quando un investigatore forense arriva sulla scena del crimine, cerca impronte digitali, impronte di scarpe, DNA — qualsiasi cosa che colleghi un evento a un individuo specifico. Il book degli ordini è un luogo dove ogni secondo, centinaia di partecipanti lasciano le loro "impronte": ordini di una dimensione specifica, a una frequenza specifica, a una distanza specifica dal prezzo, con una durata di vita specifica.

Sugli exchange centralizzati (CEX), queste impronte sono anonime — si vede solo il volume aggregato a ogni livello di prezzo. Ma anche dai dati aggregati, si può imparare molto. E sugli exchange DEX con un book degli ordini on-chain — come Hyperliquid — ogni ordine è legato a un indirizzo wallet specifico, e le "impronte" diventano personali.

In questo articolo esploreremo come costruire un sistema di "impronte comportamentali" per identificare i tipi di partecipanti e gli specifici algoritmi di market maker.

Parte 1: Cos'è un'Impronta Comportamentale

Grafico radar: cinque dimensioni chiave dell'impronta comportamentale di un trader

Ogni Algoritmo è un Insieme di Regole

Un bot di market-making è un programma che prende decisioni basandosi su regole rigide (o apprese):

• A che distanza dal mid-price devono essere piazzati gli ordini? Ogni MM ha il proprio "profilo di spread."
• Che dimensione? Lotti tondi (100, 500, 1000)? Numeri casuali? Dimensione fissa con rumore del ±5%?
• Con quale frequenza aggiornare le quotazioni? Ogni 50ms? Solo quando il mid-price cambia? Su un timer?
• Come reagire ai fill? Re-quotazione istantanea? Pausa? Spostamento del lato rimanente?
• Come reagire alla volatilità? Allargamento dello spread? Ritiro delle quotazioni? Riduzione della dimensione?
• Come gestire l'inventario? Inclinazione delle quotazioni quando si accumula una posizione?

Ogni insieme di risposte a queste domande è una "firma" unica dell'algoritmo.

Cinque Dimensioni dell'Impronta

┌─────────────────────────────────────────────────────────────────┐
│              IMPRONTA DIGITALE DI UN TRADER                     │
│                                                                 │
│  1. TIMING       │  Intervalli inter-ordine, reazione           │
│                  │  agli eventi, schemi circadiani              │
│──────────────────┼─────────────────────────────────────────────  │
│  2. SIZING       │  Distribuzione della dimensione ordini,      │
│                  │  rapporto lotti tondi, dispersione           │
│──────────────────┼─────────────────────────────────────────────  │
│  3. PLACEMENT    │  Distanza dal mid-price,                     │
│                  │  simmetria bid/ask, ancoraggio al livello    │
│──────────────────┼─────────────────────────────────────────────  │
│  4. REACTION     │  Risposta ai fill, cancellazioni, salti di   │
│                  │  prezzo, variazioni di volatilità            │
│──────────────────┼─────────────────────────────────────────────  │
│  5. LIFECYCLE    │  Durata media dell'ordine,                   │
│                  │  condizioni di cancellazione, modify vs      │
│                  │  cancel+new                                  │
│──────────────────┴─────────────────────────────────────────────  │
└─────────────────────────────────────────────────────────────────┘

Parte 2: Estrazione delle Feature

Processo di Hawkes auto-eccitante: cluster di eventi con decadimento esponenziale

Timing: Quando e con Quale Frequenza

Lo schema di timing è l'elemento dell'impronta più difficile da falsificare. È determinato dall'architettura dell'algoritmo, dalla latenza di rete, dall'hardware e persino dal fuso orario degli sviluppatori.

Metriche chiave:

• Intervallo inter-ordine (IOI) — il tempo tra ordini consecutivi dello stesso partecipante. Per un bot HFT, IOI = 50–500 microsecondi. Per un trader manuale — da secondi a minuti.

• Tempo di reazione al trade — il ritardo tra il fill di un ordine e l'azione successiva. Riflette l'architettura interna del bot.

• Schema circadiano — il profilo di attività giornaliera. Un MM istituzionale opera durante le sessioni di trading. Un bot cripto funziona 24/7.

• Auto-eccitazione (intensità di Hawkes) — quanto fortemente un ordine corrente "innesca" il successivo. I market maker mostrano una forte auto-eccitazione.

Per modellare gli schemi di timing, i processi di Hawkes — processi puntuali auto-eccitanti — sono ideali. I parametri del processo di Hawkes (intensità di base μ, coefficiente di eccitazione α, tasso di decadimento β) formano una compatta "impronta cronologica" di un partecipante.

Sizing: Quanto e Come

• Distribuzione delle dimensioni — la distribuzione delle dimensioni degli ordini. I MM professionali usano spesso lotti tondi con rumore: 100 ± 5, 500 ± 10.
• Correlazione dimensione-profondità — la dimensione dell'ordine dipende dalla profondità corrente del book?
• Asimmetria bid-ask nella dimensione — il rapporto tra le dimensioni su bid e ask. Lo schema di inclinazione è la "scrittura" della gestione dell'inventario.
• Autocorrelazione della dimensione — ripetibilità delle dimensioni nel tempo.

Placement: Dove nel Book

• Offset dello spread — distanza dal mid-price in tick o bps
• Preferenza di livello — ancoraggio a livelli specifici (numeri tondi?)
• Simmetria di quotazione — quanto sono simmetrici gli ordini bid e ask
• Footprint multi-livello — quanti livelli vengono quotati simultaneamente

Reaction: Come Risponde agli Eventi

• Comportamento post-fill — cosa succede dopo che un ordine viene eseguito
• Risposta alla volatilità — come cambia il comportamento quando aumenta la volatilità
• Rapporto quotazione-trade (QTR) — il rapporto tra aggiornamenti degli ordini e fill
• Risposta alla selezione avversa — reazione al movimento del prezzo contro la posizione

Lifecycle: Il Ciclo di Vita dell'Ordine

• Distribuzione della durata dell'ordine — tempo di vita medio dell'ordine
• Modify vs Cancel+New — aggiorna tramite modify o cancel+new?
• Clustering delle cancellazioni — cancella uno alla volta o in batch?

Parte 3: Classificazione dei Partecipanti

Tassonomia dei partecipanti al mercato: market maker, HFT, opportunistici, fondamentali e trader rumore

Tassonomia dei Partecipanti al Mercato

Sulla base delle feature comportamentali, i partecipanti possono essere classificati in categorie stabili. Ricerca della CFTC (Kirilenko et al., 2011):

1. Market Maker

• Quotazioni bilaterali (bid + ask) per >80% del tempo
• Posizione netta zero o quasi zero a fine giornata
• Alto QTR (>100:1)
• Reagiscono alla volatilità allargando gli spread

2. Trader ad Alta Frequenza (HFT)

• Tasso di messaggi ultra-elevato (>1000 eventi/minuto)
• Periodo di detenzione molto breve (secondi)
• Tempi di reazione sotto il millisecondo

3. Trader Opportunistici

• Frequenza moderata
• Reagiscono a condizioni di mercato specifiche
• Timing irregolare, concentrato attorno agli eventi

4. Trader Fondamentali

• Accumulano posizioni a lungo termine
• Bassa frequenza, grandi dimensioni degli ordini
• Algoritmi TWAP/VWAP per l'esecuzione

5. Trader Rumore (Retail)

• Dimensioni piccole, timing irregolare
• Reattivi: tradano dopo i movimenti di prezzo, non prima
• Ordini di mercato al picco di volatilità

Metodi di Classificazione

Apprendimento Supervisionato: Per i dati DEX (Hyperliquid), è possibile assemblare un set di addestramento dagli indirizzi di market maker noti. I modelli RNN raggiungono un'accuratezza >85%.

Apprendimento Non Supervisionato:

• Spectral Clustering (Cont et al., 2023) — clustering per matrice di similarità dei pattern di flusso degli ordini
• FIDR-SCAN (2024) — interpolazione delle feature + riduzione della dimensionalità + clustering basato sulla densità
• Inverse Reinforcement Learning (CFTC, 2014) — recupero della funzione di ricompensa di ogni trader

Parte 4: Identificazione dei Market Maker Specifici

Dalla Classificazione all'Identificazione

La classificazione risponde alla domanda "Questo è un market maker?" L'identificazione risponde alla domanda "Questo è quel specifico market maker?"

Costruire il Vettore dell'Impronta

Dalle cinque dimensioni, estraiamo un vettore numerico — l'embedding del partecipante:

Vettore Impronta (esempio):
┌──────────────────────────────────────────────────────────┐
│  Timing:                                                 │
│    hawkes_mu:           0.3       (intensità base)       │
│    hawkes_alpha:        0.7       (auto-eccitazione)     │
│    hawkes_beta:         1.2       (tasso di decadimento) │
│    median_IOI_ms:       240       (ms tra gli ordini)    │
│    circadian_peak_utc:  14.5      (picco di attività)    │
│                                                          │
│  Sizing:                                                 │
│    median_size:         500                              │
│    size_cv:             0.08      (coeff. di variazione) │
│    round_lot_ratio:     0.92      (quota lotti tondi)    │
│    bid_ask_size_ratio:  0.97                             │
│                                                          │
│  Placement:                                              │
│    median_offset_bps:   3.2       (dal mid-price)        │
│    quoting_symmetry:    0.94      (0=asimm, 1=simm)      │
│    num_levels:          5         (livelli quotati)       │
│                                                          │
│  Reaction:                                               │
│    post_fill_delay_ms:  12                               │
│    vol_spread_elasticity: 2.1     (spread/sigma)         │
│    qtr:                 850       (rapporto quota-trade) │
│                                                          │
│  Lifecycle:                                              │
│    median_lifetime_ms:  1200                             │
│    modify_ratio:        0.85      (modify vs cancel+new) │
│    batch_cancel_rate:   0.60      (quota cancel in batch)│
└──────────────────────────────────────────────────────────┘

Clustering degli Indirizzi: "Un Operatore — N Wallet"

Grafo del cluster di indirizzi: un operatore — più wallet, raggruppati per similarità comportamentale

Su Hyperliquid, un singolo market maker può operare attraverso decine o centinaia di indirizzi.

Algoritmo di clustering:

1. Per ogni indirizzo attivo — costruire un vettore impronta su una finestra di N ore
2. Clustering gerarchico — unire gli indirizzi con distanza < soglia
3. Validazione temporale — verificare la stabilità del cluster nel tempo
4. Validazione incrociata tra coppie — se due indirizzi tradano coppie diverse ma le impronte corrispondono — segnale forte

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

Schema comune: quotazione simmetrica, 5 livelli, median_IOI=240ms,
median_size=500±8%, cancel in batch 60%, presenza 95%

Parte 5: Scenari di Manipolazione e le Loro Impronte

Spoofing: L'Impronta di un Muro Falso

Impronta dello spoofer:
  cancel_rate:         > 95%
  lifetime:            < 2 secondi
  placement:           1-3 tick dal mid-price
  size:                anomalamente grande (>10x profondità mediana)
  reaction_to_approach: cancella quando il prezzo si avvicina
  cyclicity:           si ripete >3 volte / minuto

Squeeze: La Trappola di Liquidità

Quattro fasi: accumulo silenzioso, rimozione della liquidità, cascata di stop-order, presa di profitto. Il rilevamento in tempo reale è possibile identificando la transizione dalla Fase 1 alla Fase 2.

Iceberg / Accumulo Nascosto: L'Accumulo Silenzioso

Impronta dell'accumulo nascosto:
  visible_size:        piccola (10-50 lotti)
  refill_speed:        istantanea (< 100ms dopo il fill)
  refill_count:        > 20 allo stesso livello per sessione
  price_reaction:      il prezzo non si muove nonostante il volume

Wash Trading: Auto-Negoziazione

Due o più indirizzi dello stesso cluster siedono simultaneamente su bid e ask ed eseguono tra loro. Scopo: gonfiare il volume.

Parte 6: Implementazione in Marketmaker.cc

Architettura del Sistema di Impronta Comportamentale

┌─────────────────────────────────────────────────────────────┐
│  DATA LAYER                                                 │
│  ├── Hyperliquid Node  → L3 ordine-per-ordine + wallet ID  │
│  ├── CEX WebSocket     → L2 profondità + trade             │
│  └── Historical Store  → QuestDB / Parquet                 │
├─────────────────────────────────────────────────────────────┤
│  FEATURE EXTRACTION                                         │
│  ├── Timing Engine     → fit Hawkes, distribuzione IOI      │
│  ├── Sizing Engine     → statistiche size, rilevamento lotti│
│  ├── Placement Engine  → calcolo offset, analisi simmetria  │
│  ├── Reaction Engine   → tracker post-fill, risposta vol    │
│  └── Lifecycle Engine  → statistiche durata, pattern cancel │
├─────────────────────────────────────────────────────────────┤
│  CLASSIFICATION / IDENTIFICATION                            │
│  ├── Online Classifier → tagging partecipanti in tempo reale│
│  ├── Cluster Engine    → clustering indirizzi (DEX)         │
│  ├── Similarity Search → matching delle impronte            │
│  └── Anomaly Detector  → rilevamento spoof/squeeze/wash     │
├─────────────────────────────────────────────────────────────┤
│  VISUALIZATION                                              │
│  ├── Posizione in Coda + Etichette Partecipanti             │
│  ├── Grafo Cluster (cluster MM noti)                        │
│  ├── Sistema di Alert (manipolazione rilevata)              │
│  └── Browser Storico delle Impronte                         │
└─────────────────────────────────────────────────────────────┘

Cosa Vede il Trader nel Terminale

╔═══════════════════════════════════════════════════════════════════════════╗
║  10000 USDT  │  Totale: 3.200                                          ║
║──────────────┼───────────────────────────────────────────────────────── ║
║  Dettaglio:  │  🤖 MM (cluster#7, ~Wintermute): 800 lotti [5 livelli] ║
║              │  🤖 MM (cluster#12, sconosciuto):  400 lotti [3 livelli]║
║              │  ⚠️ Sospetto (spoof score 87):    500 lotti [durata<2s] ║
║              │  🟡 @pro_scalper:                 100 lotti             ║
║              │  🔴 MIO:                          10 lotti              ║
║              │  👤 Retail / non classificato:    1.390 lotti           ║
║──────────────┼───────────────────────────────────────────────────────── ║
║  Coda avanti │  Reale: ~1.200 (escl. spoof)      Nominale: 1.800      ║
║  ETA "pulita"│  6,7s (vs nominale 10s)                                 ║
║  Tipo muro:  │  Supportato da MM (65% volume MM) — probabile tenuta    ║
╚═══════════════════════════════════════════════════════════════════════════╝

Alert

• 🔴 Spoof rilevato al tuo livello di prezzo — un blocco sospetto è stato identificato davanti al tuo ordine
• 🟡 Ritiro del MM — un market maker ha ritirato le quotazioni, la liquidità è diminuita
• 🟡 Setup squeeze rilevato — un cluster di indirizzi sta accumulando una posizione e rimuovendo liquidità
• 🟢 Muro rinforzato — il volume di un MM noto è stato aggiunto al tuo livello

Parte 7: Etica e Limitazioni

Cosa è e Non è Accettabile

Accettabile e incoraggiato:

• Classificare i partecipanti anonimi per tipo per le proprie decisioni di trading
• Rilevare la manipolazione per proteggersi dalla selezione avversa
• Clustering degli indirizzi su DEX per comprendere la struttura del mercato

Non accettabile:

• Deanonimizzare individui tramite indirizzi wallet
• Vendere pattern identificati senza consenso
• Usare i dati per la manipolazione del mercato

Limitazioni

1. Algoritmi adattativi — i MM avanzati aggiungono randomizzazione
2. Cambio di regime — un singolo bot può cambiare comportamento in base al regime di mercato
3. Falsi positivi — due partecipanti potrebbero per coincidenza condividere parametri simili
4. Opacità dei CEX — i dati L3 non sono disponibili sui CEX

Conclusione: Dal Leggere il Book al Leggere i Partecipanti

Un trader tradizionale vede: 2.400 lotti al livello 10000. Un trader avanzato vede: "il mio ordine è il 1.800° in coda, ETA — 15 secondi." Ma un trader con il fingerprinting comportamentale vede:

"800 di quei 2.400 sono un market maker (probabilmente Wintermute), il muro è solido. 500 sono sospetti spoof, la coda reale davanti a me è 1.300, non 1.800. ETA aggiustata — 10 secondi. Il market maker non sta ritirando le quotazioni — quindi non ci si aspetta un grande movimento per ora."

Ogni nuovo livello di informazione è un vantaggio. E a differenza della velocità, la qualità dell'interpretazione del book degli ordini è un dominio in cui un trader retail può competere.

In Marketmaker.cc, stiamo costruendo questo sistema — dalla posizione in coda al fingerprinting comportamentale — come un prodotto unificato.

Articolo precedente della serie: "Coda Dentro il Muro: Analisi della Posizione degli Ordini nella Densità del Book degli Ordini"

Riferimenti e Letture Ulteriori

• 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)