企业官网建设流程全解析

Vibe-Trading 清算热图与杠杆水平分析：从清算集群识别、瀑布风险到磁吸交易信号的完整实战框架

【免费下载链接】Vibe-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading

本文以 Vibe-Trading 开源仓库中的清算热图技能文档 liquidation-heatmap/SKILL.md 为核心骨架，系统讲解加密衍生品市场中清算价格的计算机制、清算热图的解读方法、清算集群识别算法与三大实战交易信号，并深入仓库回测引擎与多智能体交易桌的源码实现，帮助读者掌握一套可直接落地于研究、回测与交易决策的清算水平分析框架。

一、为什么清算水平分析是加密衍生品交易的关键一环

在加密衍生品（尤其是永续合约）市场中，杠杆仓位的位置分布与清算价格水平，直接决定了价格在关键区间的行为模式。清算热图分析的核心价值在于：通过估算杠杆仓位的分布与其清算价位，识别出强平会加速价格运动的区域。清算集群（Liquidation Clusters）就像"磁铁"——做市商与鲸鱼有动力触发连锁清算来获利，因此价格往往会被吸引向大规模清算集中的价格带运动。

Vibe-Trading 仓库将其沉淀为一个名为liquidation-heatmap的技能，归属 crypto 分类，用于"识别杠杆仓位集中度、清算瀑布、止损猎杀区间，并将清算数据作为支撑/阻力信号"。该技能不仅是知识文档，更与多智能体交易桌预设、回测引擎清算钩子深度联动，构成从"认知"到"执行"的完整闭环。

二、清算机制：从公式到分层维持保证金

2.1 清算价格的计算公式

无论多空方向，清算的本质都是仓位权益跌破维持保证金。SKILL.md 给出了两种方向的清算价格估算公式：

# 多头仓位清算价 long_liquidation_price = entry_price * (1 - 1/leverage + maintenance_margin) # 空头仓位清算价 short_liquidation_price = entry_price * (1 + 1/leverage - maintenance_margin) # 示例：BTC 多头入场 $65,000，10x 杠杆，0.5% 维持保证金率 # 清算价：$65,000 * (1 - 1/10 + 0.005) = $58,825 # 只要出现 9.5% 的逆向波动就会触发强平

公式中1/leverage决定了清算价距入场价的基础距离，maintenance_margin（维持保证金率）则在此基础上进一步收窄安全边际。这一逻辑在 Vibe-Trading 回测引擎中也有严格对应实现。

2.2 杠杆与清算距离的关系

这张表是清算热图的"换算底表"：给定某一价格水平处的开仓量与杠杆分布，即可反推该价格水平的清算池规模。杠杆越高，清算价越贴近现价，也就越容易成为"止损猎杀（stop-hunt）"的目标。

2.3 源码佐证：维持保证金率并非固定值

SKILL.md 中的示例使用 0.5% 的固定维持保证金率，而 Vibe-Trading 的回测引擎则实现了分层（Tiered）维持保证金率表。在 agent/backtest/engines/_market_hooks.py 中：

# ── Crypto: OKX tiered maintenance margin table (simplified) ── _TIER_TABLE = [ (100_000, 0.004), (500_000, 0.006), (1_000_000, 0.01), (5_000_000, 0.02), (10_000_000, 0.05), (float("inf"), 0.10), ]

对应的查询函数_maintenance_rate(notional_usd)（同一文件 L314-L319）按名义价值notional_usd落入的档位返回维持保证金率：名义价值 ≤ $100K 时为 0.4%，$100K–$500K 为 0.6%，$500K–$1M 为 1%，以此类推直至 10% 封顶。这意味着大仓位实际距离清算比简化公式更近——这也是为什么清算热图估算时，维持保证金率应取分层值而非固定值。

2.4 源码佐证：回测引擎的清算判定逻辑

引擎中的check_crypto_liquidation（agent/backtest/engines/_market_hooks.py#L409-L434）把公式落实为可执行的清算判定：

def check_crypto_liquidation(symbol, bar, positions) -> bool: pos = positions.get(symbol) if pos is None or (pos.leverage <= 1.0 and pos.direction > 0): return False mark_price = _liquidation_mark(bar, pos) margin = pos.size * pos.entry_price / pos.leverage unrealized = pos.direction * pos.size * (mark_price - pos.entry_price) notional = pos.size * mark_price maint_rate = _maintenance_rate(notional) maint_margin = notional * maint_rate return (margin + unrealized) <= maint_margin

几个值得注意的实现细节，与 SKILL.md 的公式相互印证：

• 保证金：margin = size * entry_price / leverage，即"名义价值 / 杠杆"，与文档公式中的1/leverage项一一对应；
• 维持保证金：maint_margin = notional * maint_rate，对应公式中的maintenance_margin项，但采用上述分层费率；
• 判定条件：仓位权益（保证金 + 浮动盈亏）≤ 维持保证金即触发清算，与"清算 = 权益跌破维持保证金"的定义完全一致；
• 1x 多头的豁免：pos.leverage <= 1.0 and pos.direction > 0时直接返回 False——因为 1x 多头的破产价为零，理论上不会被清算；但 1x 空头不豁免（详见下文测试佐证）。

此外_liquidation_mark（L392-L406）采用"空头看最高价、多头看最低价"的**不利极端价（adverse extremum）**作为标记价，保证 K 线内的插针（wick）也能触发清算判定。

三、清算热图解读：把价格轴上的清算池"可视化"

一张清算热图展示的是不同价格水平上清算订单的集中度，通常用颜色深浅表示密度。SKILL.md 用 ASCII 示意了典型的读图方式：

Price Level Long Liquidations Short Liquidations Interpretation $70,000 ░░░░░░░░░░ ████████████████ Heavy short liquidation zone $68,000 ░░░░ ██████████ Moderate short liquidation $66,000 ███████ ███████ Balanced (current price area) $64,000 ██████████ ░░░░ Moderate long liquidation $62,000 ████████████████ ░░░░░░░░░░ Heavy long liquidation zone

读图的核心原则有三条：

1. 清算集群是磁铁（Liquidation clusters are magnets）：价格倾向于向大规模清算池靠拢，因为强平产生的市价单为鲸鱼/做市商提供了成交流动性；
2. 清算瀑布（Liquidation cascades）：当一个集群被触发后，强平单会推动价格继续行进，进而触发下一个集群，形成连锁反应；
3. 清算完成即角色反转（After liquidation wipe）：当一个大型集群被清算殆尽后，该价格水平往往转化为支撑或阻力——因为过度杠杆的头寸已经被"洗掉"，此后再无密集的强制单堆积。

四、清算水平识别：从持仓与杠杆分布反推清算集群

由于交易所不会实时公布所有用户的清算价格，实践中需要基于持仓分布（open interest by price）与杠杆分布（leverage distribution）进行统计估算。SKILL.md 给出了集群识别算法的骨架：

def identify_liquidation_clusters(open_interest_by_price, leverage_distribution): clusters = [] for price_level in price_range: # 多头清算：在该价位上方以高杠杆开仓的头寸 long_liq_volume = estimate_long_liq_at_price( open_interest_by_price, leverage_distribution, price_level ) # 空头清算：在该价位下方以高杠杆开仓的头寸 short_liq_volume = estimate_short_liq_at_price( open_interest_by_price, leverage_distribution, price_level ) total = long_liq_volume + short_liq_volume if total > significance_threshold: clusters.append({ "price": price_level, "long_liq": long_liq_volume, "short_liq": short_liq_volume, "type": "long" if long_liq_volume > short_liq_volume else "short", "magnitude": total, }) return sorted(clusters, key=lambda x: x["magnitude"], reverse=True)

算法要点：

• 方向判断：多头清算量大于空头即标记为"long"型集群（意味着跌破该价会引发多头强平抛压），反之标记为"short"型；
• 显著性过滤：significance_threshold用于剔除噪音，只有总量超过阈值的价格带才进入集群列表；
• 排序输出：按magnitude降序返回，便于交易者优先关注体量最大的清算池。

该算法与回测引擎的清算钩子形成呼应：引擎同样按"多头向下看、空头向上看"的不利方向评估清算，只是引擎针对的是单仓位实盘/回测持仓，而集群识别针对的是全市场估算。两者共享同一套清算力学原理。

五、清算驱动的三大交易信号

5.1 信号一：清算磁吸（Liquidation Magnet）

价格倾向于向最近的、且体量显著更大的清算集群运动：

def liquidation_magnet_signal(current_price, clusters): above = [c for c in clusters if c["price"] > current_price] below = [c for c in clusters if c["price"] < current_price] nearest_above = min(above, key=lambda c: c["price"] - current_price) if above else None nearest_below = min(below, key=lambda c: current_price - c["price"]) if below else None if nearest_above and nearest_below: above_magnitude = nearest_above["magnitude"] below_magnitude = nearest_below["magnitude"] if above_magnitude > below_magnitude * 2: return "upward_magnet" # 上方集群更大 → 价格倾向向上 elif below_magnitude > above_magnitude * 2: return "downward_magnet" # 下方集群更大 → 价格倾向向下 else: return "balanced" # 上下集群相当 → 无显著偏向

关键判据是体量不对称性达到 2 倍时才给出方向性信号，避免在平衡状态时过度交易。这也是 SKILL.md 输出格式中"Strongest upside/downside magnet"的直接来源。

5.2 信号二：瀑布风险（Cascade Risk）

瀑布风险的来源是同向集群在价格轴上紧密堆叠——触发第一个集群后，强平单几乎必然点燃下一个：

def cascade_risk(current_price, clusters, direction="down"): if direction == "down": relevant = sorted([c for c in clusters if c["price"] < current_price and c["type"] == "long"], key=lambda c: c["price"], reverse=True) else: relevant = sorted([c for c in clusters if c["price"] > current_price and c["type"] == "short"], key=lambda c: c["price"]) if len(relevant) < 2: return "low_cascade_risk" gaps = [] for i in range(len(relevant) - 1): gap = abs(relevant[i]["price"] - relevant[i+1]["price"]) / current_price * 100 gaps.append(gap) if min(gaps) < 2: return "high_cascade_risk" # 集群间距 < 2% → 极易连锁 elif min(gaps) < 5: return "moderate_cascade_risk" else: return "low_cascade_risk"

注意两个工程细节：向下瀑布只看现价下方的多头集群（跌破会引发多杀多），向上瀑布只看现价上方的空头集群；间距以现价为分母归一化为百分比，使风险分级在不同资产间可比。

5.3 信号三：清算后的支撑/阻力（Post-Liquidation Support/Resistance）

大型清算事件结束后，该价位因"过度杠杆头寸消失"而角色反转：

def post_liquidation_sr(price_history, liquidation_events): sr_levels = [] for event in liquidation_events: if event.total_liquidated > 100_000_000: # 单事件清算额 > $1 亿 sr_levels.append({ "price": event.price_level, "type": "support" if event.liquidation_type == "long" else "resistance", "strength": event.total_liquidated, "date": event.date, }) return sr_levels

规则简洁且可量化：多头被清算（long liquidation）→ 下方形成支撑；空头被清算（short liquidation）→ 上方形成阻力；且以 $1 亿清算额作为"重大事件"门槛，strength字段即事件体量，供后续分级使用。

六、清算数据指标与市场状态分级

6.1 核心追踪指标

6.2 清算量级与市场状态映射

值得强调的是去杠杆的"健康"与"不健康"之分：OI 大幅下降且资金费率转负，通常意味着杠杆被充分清洗、底部更扎实；反之，如果清算额巨大但 OI 很快回补，说明新的杠杆又堆积起来，风险并未真正释放。

七、清算瀑布解剖：从触发到筑底的完整链条

SKILL.md 给出了典型的瀑布演化序列：

1. 初始触发（宏观事件、鲸鱼砸盘、技术破位） ↓ 2. 价格触及第一个清算集群（$65,000） → 约 $2 亿多头强平被迫卖出 ↓ 3. 强平抛压把价格推向下一个集群（$63,000） → 又约 $3 亿多头强平 ↓ 4. 瀑布加速 → 高杠杆仓位（$62,000-$60,000） → 短时间内约 $5 亿连环强平 ↓ 5. 最终：OI 下降 20-30%，资金费率转负 → 杠杆被"洗出" → 底部形成 ↓ 6. 短期反弹开始（已无更多强制卖盘）

围绕瀑布的交易纪律：

• 瀑布前：降低杠杆、放宽止损，避免在重型清算区附近持有高杠杆多头；
• 瀑布中：绝不逆势接飞刀，等待 OI 企稳再考虑动作；
• 瀑布后：当资金费率深度转负且 OI 已下降 20%+ 时，可以带紧止损做逆势多单。

这套纪律在 Vibe-Trading 的交易桌预设中进一步被"量化"为风险门控（详见第九节）。

八、交易所层面的清算机制差异

不同交易所的清算引擎直接决定了清算事件的"烈度"：

解读要点：部分清算机制（OKX）会缓解瀑布的速度——每个仓位只被减仓一部分而非全部强平，强制单的瞬时规模更小；而保险基金充当缓冲垫（Binance 约 $10 亿），在极端行情中吸收违约损失、推迟 ADL。做清算热图分析时，对"清算池被触发后的实际抛压"应结合交易所机制做折扣估算。仓库的 OKX 技能文档 okx-market/SKILL.md 也提到，OKX 的标记价格（Mark Price）接口正是用于 PnL 与清算计算的实时数据来源。

九、清算数据来源与工具

使用提示：热图数据本质是统计估算而非精确值（交易所不会公布所有用户的实时清算水平），各供应商基于 OI 与杠杆分布建立统计模型推算清算价；清算水平会随交易者开平仓不断漂移，应视为动态区域而非固定价格。这也是 Vibe-Trading 研究态框架反复强调的"证据边界"。

十、标准输出格式：让分析可复现、可传递

SKILL.md 定义了一套结构化的输出模板，确保 Agent 或分析师每次产出格式一致、信息完整：

## Liquidation Analysis — [资产] — [日期] ### Liquidation Overview (24h) - **Total liquidated**: $XXX M - **Long liquidated**: $XXX M (XX%) - **Short liquidated**: $XXX M (XX%) - **Largest single**: $XX M [交易所] - **Market state**: [extreme / elevated / normal / calm] ### Key Liquidation Levels | Price Level | Type | Est. Volume | Distance from Current | Priority | |------------|------|-------------|----------------------|----------| | $XX,XXX | Short liq cluster | $XXX M | +X.X% | High | | $XX,XXX | Long liq cluster | $XXX M | -X.X% | High | | $XX,XXX | Long liq cluster | $XXX M | -X.X% | Medium | ### Heatmap Summary - **Strongest upside magnet**: $XX,XXX (short liquidation cluster, $XXX M) - **Strongest downside magnet**: $XX,XXX (long liquidation cluster, $XXX M) - **Asymmetry**: [upside magnet stronger / downside stronger / balanced] ### Cascade Risk - **Downside cascade risk**: [high / moderate / low] - [现价下方 X% 内堆叠了 X 个集群] - **Upside cascade risk**: [high / moderate / low] ### Post-Liquidation S/R Levels - **Recent support formed**: $XX,XXX (long liquidation wipeout on DATE) - **Recent resistance formed**: $XX,XXX (short liquidation wipeout on DATE) ### Trading Implications - **Bias**: [上方磁吸更强 → 温和看多 / 下方 → 看空] - **Risk**: [X% 内存在高杠杆区 → 降低仓位] - **Key level**: [$XX,XXX — 若跌破，瀑布风险激活]

该模板的每个字段都能在上文五、六、七节的算法与指标中找到出处，即"结论可追溯到方法论"。

十一、在 Vibe-Trading 中的落地：多智能体交易桌与回测验证

11.1 清算分析师角色（Crypto Trading Desk）

仓库在 crypto_trading_desk.yaml 中定义了专门的liquidation_analyst角色——"清算与市场微观结构专家"，职责正是本 SKILL 的内容：

• 清算热图：识别现价下方的主要多头清算集群（含美元体量估算）、现价上方的主要空头清算集群，判断最近的清算磁吸方向；评估集群是否在 2-3% 间距内紧密堆叠（即瀑布风险）；
• 近期清算事件：24h 总清算量（多空分解）、24h 最大单笔清算、清算后形成的支撑/阻力水平；
• 市场微观结构：±1%/±2%/±5% 处订单簿深度、主流交易所买卖价差、成交量分布、大单执行条件（$1M+ 订单滑点 <0.1%）；
• 执行建议：最优执行交易所、订单类型（限价/TWAP/冰山单）、日内流动性时段差异。

该角色的技能列表为[liquidation-heatmap, market-microstructure, execution-model]，并在任务编排（tasks 段）中通过task-liquidation与资金费率分析、链上资金流分析并行执行，最后汇入desk_risk_manager做信号整合。

11.2 信号权重与清算风险门控

在 crypto_trading_desk.yaml 的风险经理角色 中，清算分析被赋予明确的决策权重与风险门控：

• 三维信号表：资金费率/基差 + 清算 + 资金流，优先级权重为 链上资金流 40% > 资金费率/基差 35% > 清算水平 25%；
• 清算邻近门控："若价格距某大型集群 X% 以内，收紧止损"——直接落实 SKILL.md 中"清算集群是动态区域"的思想；
• 门控阈值（X%）要求从观测数据锚定而非拍脑袋，例如用get_market_data拉取历史波动率、用src.quantlib.risk.historical_var/historical_cvar与fit_gpd_tail估算尾部风险。

此外 crypto_research_lab.yaml 的 sentiment 分析师技能列表也包含liquidation-heatmap，将清算数据（如"清算量上升可能加速价格下跌"）作为情绪面的量化输入之一。

11.3 回测引擎中的清算验证

SKILL.md 的清算公式在仓库回测引擎中有可运行验证。除前文check_crypto_liquidation外，agent/tests/test_market_hooks_liquidation.py 用一组测试钉死了清算语义：

• 1x 空头必须清算：保证金等于全部名义价值，2 倍逆向波动即归零（test_1x_short_liquidates_through_twice_the_entry_price）；
• 1x 多头豁免：破产价为零，90% 回撤也存活（test_1x_long_survives_ninety_percent_drawdown）；
• 插针触发：K 线最高/最低价穿越维持保证金即触发，而非只看收盘价（test_wick_through_maintenance_triggers_when_high_low_present）。

这些测试与 SKILL.md 的清算公式、杠杆-距离表互为印证，说明文档中的理论在仓库中是可执行、可测试的工程事实。

十二、使用边界与研究纪律

最后，SKILL.md 明确列出若干使用前提，任何基于清算热图的决策都应遵守：

• 数据是估算而非精确值：交易所不公布全部用户的实时清算水平，热图基于 OI 与杠杆分布建模推算；
• 水平持续漂移：交易者不断开平仓，清算水平是动态区域而非固定价格；
• 止损猎杀是常态：价格"轻触清算集群后反转"很常见——做市商故意触发集群获利；
• 透明度差异：DeFi 清算完全透明（链上可查），CEX 清算则不透明；
• 研究用途声明：本框架仅供研究，不构成投资建议；仓库中所有衍生品分析均定位为"研究与回测"，不执行实盘交易（见 crypto-derivatives/SKILL.md 的 Notes 部分）。

总结：清算热图分析不是一个"看图说话"的辅助工具，而是一套完整的力学模型——从清算价公式、维持保证金分层、集群识别算法，到磁吸/瀑布/反转三大信号、市场状态分级与输出模板，Vibe-Trading 将其文档化（SKILL.md）、角色化（多智能体交易桌）、工程化（回测引擎钩子与测试），为加密衍生品研究者提供了一条"可学习、可回测、可验证"的完整路径。

【免费下载链接】Vibe-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading