你在菜市场看到十个人抢着买，也许只知道需求突然变旺。但如果认出其中一位每次都比涨价早到几分钟，这笔买单就多了一层信息。订单簿也一样：它记录市场上有多少买卖报价，却通常不告诉你，不同订单是不是来自同一位交易者。
Jingqiu Ding 与 Daojing Zhai 的预印本把这个缺口变成了一次账户级实验。Hyperliquid 的 Level-4 数据为订单附带持续使用的化名钱包地址。地址不是真实姓名，同一人也可能控制多个钱包；但只要地址反复出现，研究者就能追踪其行为。论文的问题很直接：知道“谁在交易”，能否比只看匿名买卖流量更准确地预测几秒后的价格？
答案是：在这套回溯实验里，可以。一秒期的线性模型加入钱包特征后，样本外 从 10.88% 升至 12.31%，增加 1.43 个百分点，相对提升 13.2%。不过，全部结果来自同一篇 arXiv 预印本，尚无独立信源交叉验证。
先给钱包排一张历史成绩表
研究者先用共识排序消息重建完整深度订单簿。所谓订单簿，是尚未成交的买卖报价和数量；“完整深度”意味着不只保留最优买卖价，还重放订单提交、取消、拒绝和成交，恢复每笔订单的生命周期，并把它们连回钱包。
数据覆盖 2026 年 7 月 1 日至 27 日，共有 171 亿条消息、147,113 个钱包发出的 1,430 万笔主动单，以及十个市场合计 843 亿美元的 taker notional——也就是主动成交的名义金额。主动单会立即吃掉订单簿上的现有报价，因此最直接地表达当下买卖压力。模型只使用消息活动最多的 BTC、ETH 和 SOL 三个市场。
接下来，论文用 markout 给钱包评分。Markout 是成交后价格相对成交价往哪个方向走：若钱包买入后价格上涨，或卖出后价格下跌，它的有符号 markout 就为正。这里使用十秒后的价格，并按每笔订单的名义金额加权。它衡量的是订单是否带有短线方向信息，不等于利润，也不证明钱包掌握内幕。
时间切分很清楚：7 月 1—10 日给钱包打分，11—20 日训练预测模型，21—27 日做最终评估。达到至少 100 笔合格主动单的 2,314 个钱包中，研究者把得分最高的 10%，即 231 个地址，定义为重点群体。
这张成绩表并非完全随机。965 个在前后两个十日窗口都达到门槛的钱包，其 markout 排名的 Spearman 相关系数为 0.52。Spearman 相关衡量的是排序能否延续：越接近 1，前期排名靠前的钱包越可能在后期仍靠前。0.52 表明存在中等程度的持续性，但它不是预测准确率，更不是因果关系。
经市场、时段、订单大小、波动率和价差等因素调整后，最高 5% 钱包在验证窗口的 markout 达到 3.11 个基点。一个基点等于 0.01%，所以 3.11 个基点是 0.0311%。这个结果集中在分布上端：前十五个 5% 分组大致平坦，到最高分组才明显抬升。换句话说，关键不是每个钱包都值得区分，而是少数历史上方向性较强的钱包可能值得单独观察。
把“谁在动”加入市场快照
预测实验每 100 毫秒生成一次市场快照，并预测 0.2 秒到 30 秒后的中间价收益。匿名基准有十项特征，包括近期收益、波动率、买卖价差、订单簿两侧的深度差，以及最近一秒和三十秒的成交方向与金额。它们回答的是“市场整体正在做什么”。
身份模块再加入十一项特征，只描述此前高分钱包的活动。例如，这些钱包在买还是卖、最近更新了多少买卖报价、占据多少最优报价深度，以及独立买方钱包数减去卖方钱包数。最后一项叫交易广度：一笔巨额买单和许多钱包同时买入，匿名总量可能相近，但账户结构不同。
在线性 Ridge 模型中，身份特征单独使用时，一秒期样本外 为 10.06%；匿名特征为 10.88%；合并后达到 12.31%。 可以粗略理解为模型解释价格变化的比例。身份模块并不是带来一套完全不同的信号，因为它单独使用已接近匿名基准，两组特征大量重叠；它更像把混在总流量里的重点钱包单独拎了出来。
更灵活的梯度提升树已经能从匿名特征中提取更多信息：一秒期 为 19.48%。加入身份后仍升至 20.65%，增加 1.17 个百分点，相对提升 6.0%。这说明匿名订单簿里的非线性关系能吸收一部分身份信息，但没有全部吸收。
预测增量随时间快速衰减，也符合这类信号的短命特征。Ridge 的相对增益从 0.2 秒的 18.7% 降至一秒的 13.2%、十秒的 5.2%和三十秒的 3.0%。它更像短时间内辨认订单流质量，而不是给出中长期方向判断。
这比“挑一群大户”多知道了什么
一个自然质疑是：高分钱包往往更大、更活跃，任何类似规模的群体都可能改善预测。论文因此构造了 200 组对照钱包，在评分期成交金额和订单数上与高分钱包匹配。高分组在一秒期带来 1.43 个百分点的 增量；200 组对照中最好的一组只有 0.88 个百分点。前者是后者的 1.6 倍，并且直到十秒都高于全部对照组。
研究者还把所有特征人为延迟 200 和 300 毫秒。一秒期 Ridge 的相对增益仍有 10.2%和 9.1%。在较早的 2025 年 12 月样本中，采用同一套波动率缩放设定， 也从 12.36%升至 14.16%。这些检查说明结果不只依赖毫秒级同步或 2026 年 7 月这一个样本，但仍属于作者选定规格下的回溯证据。
对做市商而言，这项工作的意义尤其直观。匿名订单流只告诉它“有人来买”；钱包历史则可能提示“这类买方成交后，价格过去更常继续上涨”。这有助于研究做市对手方和逆向选择——做市商刚卖出，价格便朝不利方向移动的风险。对预测模型而言，它也提出了一个更普遍的问题：公开市场数据的基本单位，是否应该从一笔订单扩展为一段持续的账户历史。
局限与未知
- 这是回溯研究。最终选择高分前 10%、波动率缩放方式和评估窗口时，作者已经看过部分结果；七个评估日也不足以替代预先锁定、跨时期的验证。
- 数据按共识时间而非交易者实际收到消息的时间排列，缺口期间还会沿用最近状态。模拟延迟不能证明这些特征在真实交易中及时可用。
- 和 markout 都不是可实现利润。论文没有纳入手续费、滑点、排队优先级、成交概率、市场冲击和库存约束，也不能证明高分钱包掌握私人信息。