ลายนิ้วมือดิจิทัลของนักเทรด: วิธีระบุตัวตน Market Maker จากพฤติกรรมใน Order Book

ลายนิ้วมือเชิงพฤติกรรมของอัลกอริทึมการเทรด: รูปแบบเฉพาะตัวของเวลา ขนาด และตำแหน่งการวาง

ทุกอัลกอริทึมทิ้งลายนิ้วมือที่เป็นเอกลักษณ์ไว้ เรียนรู้การอ่านมัน — และคุณจะรู้ว่าใครอยู่อีกฝั่งของการซื้อขายของคุณ

บทนำ: Order Book ในฐานะเวทีอาชญากรรม

เมื่อนักสืบนิติวิทยาศาสตร์มาถึงที่เกิดเหตุ พวกเขามองหาลายนิ้วมือ รอยเท้า DNA — ทุกสิ่งที่เชื่อมโยงเหตุการณ์กับบุคคลใดบุคคลหนึ่ง Order book คือสถานที่ที่ทุกวินาที ผู้เข้าร่วมหลายร้อยรายทิ้ง "ลายนิ้วมือ" ของพวกเขา: คำสั่งซื้อขนาดเฉพาะ ที่ความถี่เฉพาะ ที่ระยะห่างเฉพาะจากราคา ด้วยอายุการใช้งานเฉพาะ

บนตลาดซื้อขายแบบรวมศูนย์ (CEX) ลายนิ้วมือเหล่านี้ไม่ระบุชื่อ — คุณเห็นเพียงปริมาณรวมที่แต่ละระดับราคา แต่แม้จากข้อมูลรวม คุณก็สามารถเรียนรู้ได้มาก และบน DEX ที่มี order book บนเชน — เช่น Hyperliquid — คำสั่งซื้อแต่ละรายการผูกกับที่อยู่กระเป๋าเงินเฉพาะ และ "ลายนิ้วมือ" กลายเป็นเรื่องส่วนตัว

ในบทความนี้ เราจะสำรวจวิธีสร้างระบบ "ลายนิ้วมือเชิงพฤติกรรม" สำหรับระบุประเภทของผู้เข้าร่วมและอัลกอริทึม market maker เฉพาะราย

ส่วนที่ 1: ลายนิ้วมือเชิงพฤติกรรมคืออะไร

แผนภูมิเรดาร์: ห้ามิติสำคัญของลายนิ้วมือเชิงพฤติกรรมของนักเทรด

ทุกอัลกอริทึมคือชุดของกฎ

บอทสำหรับ market-making คือโปรแกรมที่ตัดสินใจตามกฎที่เข้มงวด (หรือที่เรียนรู้มา):

• ควรวางคำสั่งซื้อห่างจาก mid-price เท่าไร? MM แต่ละรายมี "โปรไฟล์สเปรด" ของตัวเอง
• ขนาดเท่าไร? Round lot (100, 500, 1000)? ตัวเลขสุ่ม? ขนาดคงที่ที่มีสัญญาณรบกวน ±5%?
• ควรอัปเดตการเสนอราคาบ่อยแค่ไหน? ทุก 50ms? เฉพาะเมื่อ mid-price เปลี่ยน? ตามตัวจับเวลา?
• จะตอบสนองต่อการ fill อย่างไร? Re-quoting ทันที? หยุดชั่วคราว? เลื่อนด้านที่เหลือ?
• จะตอบสนองต่อความผันผวนอย่างไร? ขยายสเปรด? ดึงการเสนอราคา? ลดขนาด?
• จะจัดการ inventory อย่างไร? เบี่ยงการเสนอราคาเมื่อสะสม position?

ชุดคำตอบแต่ละชุดสำหรับคำถามเหล่านี้คือ "ลายเซ็น" เฉพาะตัวของอัลกอริทึม

ห้ามิติของลายนิ้วมือ

┌─────────────────────────────────────────────────────────────────┐
│              ลายนิ้วมือดิจิทัลของนักเทรด                        │
│                                                                 │
│  1. TIMING       │  ช่วงเวลาระหว่างคำสั่ง การตอบสนอง          │
│                  │  ต่อเหตุการณ์ รูปแบบรายวัน                  │
│──────────────────┼─────────────────────────────────────────────  │
│  2. SIZING       │  การกระจายขนาดคำสั่ง                        │
│                  │  สัดส่วน round-lot การกระจาย                 │
│──────────────────┼─────────────────────────────────────────────  │
│  3. PLACEMENT    │  ระยะห่างจาก mid-price                      │
│                  │  ความสมมาตร bid/ask การยึดระดับ              │
│──────────────────┼─────────────────────────────────────────────  │
│  4. REACTION     │  การตอบสนองต่อ fill, cancel, การกระโดดราคา │
│                  │  การเปลี่ยนแปลงความผันผวน                   │
│──────────────────┼─────────────────────────────────────────────  │
│  5. LIFECYCLE    │  อายุการใช้งานเฉลี่ยของคำสั่ง               │
│                  │  เงื่อนไขการยกเลิก modify vs cancel+new     │
│──────────────────┴─────────────────────────────────────────────  │
└─────────────────────────────────────────────────────────────────┘

ส่วนที่ 2: การดึงคุณลักษณะ

กระบวนการ Hawkes แบบ self-exciting: กลุ่มเหตุการณ์ที่มีการลดลงแบบเอกซ์โพเนนเชียล

เวลา: เมื่อไรและบ่อยแค่ไหน

รูปแบบเวลาเป็นองค์ประกอบที่ยากที่สุดของลายนิ้วมือในการปลอมแปลง มันถูกกำหนดโดยสถาปัตยกรรมของอัลกอริทึม ความหน่วงของเครือข่าย ฮาร์ดแวร์ และแม้แต่เขตเวลาของนักพัฒนา

ตัวชี้วัดสำคัญ:

• ช่วงเวลาระหว่างคำสั่ง (IOI) — เวลาระหว่างคำสั่งต่อเนื่องจากผู้เข้าร่วมคนเดียวกัน สำหรับบอท HFT IOI = 50–500 ไมโครวินาที สำหรับนักเทรดมนุษย์ — วินาทีถึงนาที

• เวลาตอบสนองต่อการซื้อขาย — ความล่าช้าระหว่างการ fill คำสั่งและการดำเนินการถัดไป สะท้อนสถาปัตยกรรมภายในของบอท

• รูปแบบรายวัน — โปรไฟล์กิจกรรมประจำวัน MM สถาบันทำงานระหว่างช่วงการซื้อขาย บอทคริปโตทำงาน 24/7

• Self-excitation (ความเข้มข้น Hawkes) — คำสั่งปัจจุบัน "กระตุ้น" คำสั่งถัดไปได้มากแค่ไหน Market maker แสดง self-excitation ที่แข็งแกร่ง

สำหรับการสร้างแบบจำลองรูปแบบเวลา กระบวนการ Hawkes — กระบวนการจุดแบบ self-exciting — เหมาะสมที่สุด พารามิเตอร์กระบวนการ Hawkes (ความเข้มข้นฐาน μ ค่าสัมประสิทธิ์การกระตุ้น α อัตราการสลายตัว β) ก่อตัวเป็น "ลายนิ้วมือทางลำดับเวลา" ที่กะทัดรัดของผู้เข้าร่วม

ขนาด: เท่าไรและอย่างไร

• การกระจายขนาด — การกระจายของขนาดคำสั่ง MM มืออาชีพมักใช้ round lot ที่มีสัญญาณรบกวน: 100 ± 5, 500 ± 10
• ความสัมพันธ์ขนาด-ความลึก — ขนาดคำสั่งขึ้นอยู่กับความลึกปัจจุบันของ order book หรือไม่?
• ความไม่สมมาตรขนาด bid-ask — อัตราส่วนขนาดบน bid และ ask รูปแบบการเบี่ยงคือ "ลายมือ" ของการจัดการ inventory
• การสหสัมพันธ์อัตโนมัติของขนาด — ความสามารถในการทำซ้ำของขนาดตามเวลา

ตำแหน่ง: ที่ไหนใน Order Book

• ออฟเซ็ตสเปรด — ระยะห่างจาก mid-price เป็น tick หรือ bps
• การชอบระดับ — การยึดกับระดับเฉพาะ (ตัวเลขกลม?)
• ความสมมาตรการเสนอราคา — คำสั่ง bid และ ask สมมาตรกันแค่ไหน
• รอยเท้าหลายระดับ — มีกี่ระดับที่เสนอราคาพร้อมกัน

การตอบสนอง: วิธีตอบสนองต่อเหตุการณ์

• พฤติกรรมหลัง fill — เกิดอะไรขึ้นหลังคำสั่งถูก fill
• การตอบสนองต่อความผันผวน — พฤติกรรมเปลี่ยนอย่างไรเมื่อความผันผวนเพิ่มขึ้น
• อัตราส่วนการเสนอราคาต่อการซื้อขาย (QTR) — อัตราส่วนการอัปเดตคำสั่งต่อการ fill
• การตอบสนองต่อการคัดเลือกที่ไม่เอื้ออำนวย — การตอบสนองต่อการเคลื่อนที่ของราคาที่ต้าน position

วงจรชีวิต: วงจรชีวิตของคำสั่ง

• การกระจายอายุการใช้งานของคำสั่ง — เวลาการใช้งานเฉลี่ยของคำสั่ง
• Modify vs Cancel+New — อัปเดตผ่าน modify หรือ cancel+new?
• การรวมกลุ่มการยกเลิก — ยกเลิกทีละรายการหรือเป็นชุด?

ส่วนที่ 3: การจำแนกประเภทผู้เข้าร่วม

อนุกรมวิธานของผู้เข้าร่วมตลาด: market maker, HFT, นักเทรดเชิงโอกาส, นักเทรดพื้นฐาน และ noise trader

อนุกรมวิธานของผู้เข้าร่วมตลาด

จากคุณลักษณะเชิงพฤติกรรม ผู้เข้าร่วมสามารถจำแนกเป็นประเภทที่เสถียร การวิจัยโดย CFTC (Kirilenko et al., 2011):

1. Market Maker

• การเสนอราคาสองด้าน (bid + ask) มากกว่า 80% ของเวลา
• ตำแหน่งสุทธิเป็นศูนย์หรือใกล้ศูนย์เมื่อสิ้นวัน
• QTR สูง (>100:1)
• ตอบสนองต่อความผันผวนด้วยการขยายสเปรด

2. นักเทรดความถี่สูง (HFT)

• อัตราข้อความสูงมาก (>1000 เหตุการณ์/นาที)
• ระยะเวลาถือครองสั้นมาก (วินาที)
• เวลาตอบสนองต่ำกว่ามิลลิวินาที

3. นักเทรดเชิงโอกาส

• ความถี่ปานกลาง
• ตอบสนองต่อสภาวะตลาดเฉพาะ
• เวลาไม่สม่ำเสมอ รวมกลุ่มรอบเหตุการณ์

4. นักเทรดพื้นฐาน

• สะสม position ระยะยาว
• ความถี่ต่ำ ขนาดคำสั่งใหญ่
• อัลกอริทึม TWAP/VWAP สำหรับการดำเนินการ

5. Noise Trader (ค้าปลีก)

• ขนาดเล็ก เวลาไม่สม่ำเสมอ
• เชิงรับ: เทรดหลังราคาเคลื่อนที่ ไม่ใช่ก่อน
• คำสั่งตลาดที่จุดสูงสุดของความผันผวน

วิธีการจำแนกประเภท

การเรียนรู้แบบมีผู้ดูแล: สำหรับข้อมูล DEX (Hyperliquid) สามารถรวบรวมชุดการฝึกจากที่อยู่ของ market maker ที่รู้จัก โมเดล RNN ให้ความแม่นยำ >85%

การเรียนรู้แบบไม่มีผู้ดูแล:

• Spectral Clustering (Cont et al., 2023) — การรวมกลุ่มตามเมทริกซ์ความคล้ายคลึงของรูปแบบกระแสคำสั่ง
• FIDR-SCAN (2024) — การแก้ไขคุณลักษณะ + การลดมิติ + การรวมกลุ่มตามความหนาแน่น
• Inverse Reinforcement Learning (CFTC, 2014) — การกู้คืนฟังก์ชันรางวัลของนักเทรดแต่ละราย

ส่วนที่ 4: การระบุตัวตน Market Maker เฉพาะราย

จากการจำแนกประเภทสู่การระบุตัวตน

การจำแนกประเภทตอบคำถาม "นี่คือ market maker หรือไม่?" การระบุตัวตนตอบคำถาม "นี่คือ market maker ราย​นั้นๆ หรือไม่?"

การสร้าง Vector ลายนิ้วมือ

จากห้ามิติ เราดึง vector ตัวเลข — embedding ของผู้เข้าร่วม:

Fingerprint Vector (ตัวอย่าง):
┌──────────────────────────────────────────────────────────┐
│  Timing:                                                 │
│    hawkes_mu:           0.3       (base intensity)       │
│    hawkes_alpha:        0.7       (self-excitation)      │
│    hawkes_beta:         1.2       (decay rate)           │
│    median_IOI_ms:       240       (ms between orders)    │
│    circadian_peak_utc:  14.5      (peak activity)        │
│                                                          │
│  Sizing:                                                 │
│    median_size:         500                              │
│    size_cv:             0.08      (coeff. of variation)  │
│    round_lot_ratio:     0.92      (round lot share)      │
│    bid_ask_size_ratio:  0.97                             │
│                                                          │
│  Placement:                                              │
│    median_offset_bps:   3.2       (from mid-price)       │
│    quoting_symmetry:    0.94      (0=asymmetric,1=symm)  │
│    num_levels:          5         (quoted levels)         │
│                                                          │
│  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      (batch cancel share)   │
└──────────────────────────────────────────────────────────┘

การรวมกลุ่มที่อยู่: "ผู้ดำเนินการหนึ่งราย — N กระเป๋าเงิน"

กราฟคลัสเตอร์ที่อยู่: ผู้ดำเนินการหนึ่งราย — กระเป๋าเงินหลายใบ จัดกลุ่มตามความคล้ายคลึงเชิงพฤติกรรม

บน Hyperliquid market maker รายเดียวสามารถดำเนินการผ่านหลายสิบหรือหลายร้อยที่อยู่

อัลกอริทึมการรวมกลุ่ม:

1. สำหรับแต่ละที่อยู่ที่ใช้งาน — สร้าง vector ลายนิ้วมือในช่วงเวลา N ชั่วโมง
2. การรวมกลุ่มแบบลำดับชั้น — รวมที่อยู่ที่มีระยะทาง < threshold
3. การตรวจสอบความถูกต้องตามเวลา — ตรวจสอบความเสถียรของคลัสเตอร์ตามเวลา
4. การตรวจสอบความถูกต้องข้ามคู่ — หากสองที่อยู่เทรดคู่ต่างกันแต่ลายนิ้วมือตรงกัน — สัญญาณที่แข็งแกร่ง

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

Common pattern: symmetric quoting, 5 levels, median_IOI=240ms,
median_size=500±8%, batch cancel 60%, presence 95%

ส่วนที่ 5: สถานการณ์การบิดเบือนและลายนิ้วมือของพวกมัน

Spoofing: ลายนิ้วมือของกำแพงปลอม

Spoofer fingerprint:
  cancel_rate:         > 95%
  lifetime:            < 2 seconds
  placement:           1-3 ticks from mid-price
  size:                anomalously large (>10x median depth)
  reaction_to_approach: cancel when price approaches
  cyclicity:           repeats >3 times / minute

Squeeze: กับดักสภาพคล่อง

สี่ขั้นตอน: การสะสมอย่างเงียบๆ การถอนสภาพคล่อง การต่อเนื่องของคำสั่ง stop และการทำกำไร การตรวจจับแบบเรียลไทม์เป็นไปได้โดยการระบุการเปลี่ยนแปลงจากขั้นตอนที่ 1 ไปยังขั้นตอนที่ 2

Iceberg / การสะสมที่ซ่อนอยู่: การสร้างแบบเงียบ

Hidden accumulation fingerprint:
  visible_size:        small (10-50 lots)
  refill_speed:        instant (< 100ms after fill)
  refill_count:        > 20 at a single level per session
  price_reaction:      price does not move despite volume

Wash Trading: การซื้อขายกับตัวเอง

สองที่อยู่หรือมากกว่าจากคลัสเตอร์เดียวกันนั่งพร้อมกันบน bid และ ask และดำเนินการต่อกันเอง วัตถุประสงค์: การพองปริมาณการซื้อขาย

ส่วนที่ 6: การนำไปใช้ใน Marketmaker.cc

สถาปัตยกรรมระบบลายนิ้วมือเชิงพฤติกรรม

┌─────────────────────────────────────────────────────────────┐
│  DATA LAYER                                                 │
│  ├── Hyperliquid Node  → L3 order-by-order + wallet IDs    │
│  ├── CEX WebSocket     → L2 depth + trades                 │
│  └── Historical Store  → QuestDB / Parquet                 │
├─────────────────────────────────────────────────────────────┤
│  FEATURE EXTRACTION                                         │
│  ├── Timing Engine     → Hawkes fit, IOI distribution       │
│  ├── Sizing Engine     → Size stats, round-lot detection    │
│  ├── Placement Engine  → Offset calc, symmetry analysis     │
│  ├── Reaction Engine   → Post-fill tracker, vol response    │
│  └── Lifecycle Engine  → Lifetime stats, cancel patterns    │
├─────────────────────────────────────────────────────────────┤
│  CLASSIFICATION / IDENTIFICATION                            │
│  ├── Online Classifier → Real-time participant tagging      │
│  ├── Cluster Engine    → Address clustering (DEX)           │
│  ├── Similarity Search → Fingerprint matching               │
│  └── Anomaly Detector  → Spoof / squeeze / wash detection   │
├─────────────────────────────────────────────────────────────┤
│  VISUALIZATION                                              │
│  ├── Queue Position + Participant Labels                    │
│  ├── Cluster Graph (known MM clusters)                      │
│  ├── Alert System (manipulation detected)                   │
│  └── Historical Fingerprint Browser                         │
└─────────────────────────────────────────────────────────────┘

สิ่งที่นักเทรดเห็นในเทอร์มินัล

╔═══════════════════════════════════════════════════════════════════════════╗
║  10000 USDT  │  Total: 3,200                                           ║
║──────────────┼───────────────────────────────────────────────────────── ║
║  Breakdown:  │  🤖 MM (cluster#7, ~Wintermute): 800 lots [5 levels]   ║
║              │  🤖 MM (cluster#12, unknown):     400 lots [3 levels]   ║
║              │  ⚠️ Suspicious (spoof score 87):  500 lots [lifetime<2s]║
║              │  🟡 @pro_scalper:                 100 lots              ║
║              │  🔴 MINE:                         10 lots               ║
║              │  👤 Retail / unclassified:         1,390 lots           ║
║──────────────┼───────────────────────────────────────────────────────── ║
║  Queue ahead │  Real: ~1,200 (excl. spoof)       Nominal: 1,800       ║
║  "Clean" ETA │  6.7s (vs nominal 10s)                                  ║
║  Wall type:  │  MM-backed (65% MM volume) — likely to hold             ║
╚═══════════════════════════════════════════════════════════════════════════╝

การแจ้งเตือน

• 🔴 ตรวจพบ Spoof ที่ระดับราคาของคุณ — บล็อกที่น่าสงสัยถูกระบุด้านหน้าคำสั่งของคุณ
• 🟡 MM ถอนตัว — market maker ดึงการเสนอราคา สภาพคล่องลดลง
• 🟡 ตรวจพบการตั้งค่า Squeeze — คลัสเตอร์ของที่อยู่กำลังสะสม position และถอนสภาพคล่อง
• 🟢 กำแพงได้รับการเสริมกำลัง — ปริมาณจาก MM ที่รู้จักถูกเพิ่มที่ระดับของคุณ

ส่วนที่ 7: จริยธรรมและข้อจำกัด

อะไรที่ยอมรับได้และอะไรที่ไม่ยอมรับได้

ที่ยอมรับได้และสนับสนุน:

• การจำแนกผู้เข้าร่วมที่ไม่ระบุชื่อตามประเภทสำหรับการตัดสินใจเทรดของตัวเอง
• การตรวจจับการบิดเบือนเพื่อป้องกันการคัดเลือกที่ไม่เอื้ออำนวย
• การรวมกลุ่มที่อยู่บน DEX เพื่อทำความเข้าใจโครงสร้างตลาด

ที่ไม่ยอมรับได้:

• การเปิดเผยตัวตนบุคคลด้วยที่อยู่กระเป๋าเงิน
• การขายรูปแบบที่ระบุโดยไม่ได้รับความยินยอม
• การใช้ข้อมูลเพื่อการบิดเบือนตลาด

ข้อจำกัด

1. อัลกอริทึมปรับตัว — MM ขั้นสูงเพิ่มการสุ่ม
2. การสลับระบอบ — บอทเดียวสามารถเปลี่ยนพฤติกรรมขึ้นอยู่กับระบอบตลาด
3. ผลบวกปลอม — ผู้เข้าร่วมสองรายอาจมีพารามิเตอร์คล้ายกันโดยบังเอิญ
4. ความไม่โปร่งใสของ CEX — ข้อมูล L3 ไม่สามารถใช้ได้บน CEX

สรุป: จากการอ่าน Order Book สู่การอ่านผู้เข้าร่วม

นักเทรดดั้งเดิมเห็น: 2,400 lot ที่ระดับ 10000 นักเทรดขั้นสูงเห็น: "คำสั่งของฉันอยู่ในคิวที่ 1,800 ETA — 15 วินาที" แต่นักเทรดที่มีการระบุลายนิ้วมือเชิงพฤติกรรมเห็น:

"800 จาก 2,400 นั้นคือ market maker (น่าจะเป็น Wintermute) กำแพงแข็งแกร่ง 500 น่าสงสัยว่าเป็น spoof คิวจริงด้านหน้าฉันคือ 1,300 ไม่ใช่ 1,800 ETA ที่ปรับแล้ว — 10 วินาที Market maker ไม่ดึงการเสนอราคา — ดังนั้นยังไม่คาดว่าจะมีการเคลื่อนที่ขนาดใหญ่"

ชั้นข้อมูลใหม่แต่ละชั้นคือความได้เปรียบ และไม่เหมือนความเร็ว คุณภาพของการตีความ order book คือโดเมนที่นักเทรดค้าปลีกสามารถแข่งขันได้

ที่ Marketmaker.cc เรากำลังสร้างระบบนี้ — จากตำแหน่งในคิวถึงการระบุลายนิ้วมือเชิงพฤติกรรม — เป็นผลิตภัณฑ์แบบรวม

บทความก่อนหน้าในซีรีส์: "คิวภายในกำแพง: การวิเคราะห์ตำแหน่งคำสั่งในความหนาแน่นของ Order Book"

เอกสารอ้างอิงและการอ่านเพิ่มเติม

• 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)