一句话结论:「不同钱包的相邻成交同向」占比高,不等于羊群。把这个占比除以同账户概率 p,得到 κ = ρ_diff / ρ_same:Uniswap 上 κ 只有 0.05–0.10,链上订单簿却高达 0.72–0.76。同样的「羊群份额」,是两种完全不同的市场。
一、问题:一句「同向成交」,两种市场
链上成交流有个常用指标:相邻两笔的方向相同占多少。DEX 上这个数很高,而且拆开看,大部分同向对来自不同钱包。于是有论文说「链上是羊群主导,跟股票市场相反」。
这个推理漏了一步。相邻对里「不同钱包」本来就占绝对多数:Uniswap 一周样本中 97.5%–98.4% 的相邻对来自不同地址。跨账户对占多数,是地址数量的机械结果,不是行为证据。真正该问的是:跨账户对的同向程度,是否接近同账户对。
二、算式:把 p 除出去
设第 n 笔方向 εₙ ∈ {−1,+1}(买为 +1),去均值 xₙ = εₙ − ε̄。滞后一阶自协方差 C = E[xₙxₙ₊₁],按两笔是否同一账户拆成 C_same 与 C_other,p 为同账户对占比:
ρ_same = C_same / p ρ_diff = C_other / (1−p) κ = ρ_diff / ρ_same
h = C_other / C = (1−p)κ / [p + (1−p)κ]
反解同样简单:κ = h·p / [(1−p)(1−h)]。两个基准锚定 κ:公共信号模型(所有交易者对同一信号反应)下 κ=1;各自独立拆单、跨账户毫不相关时 κ=0。h 同时装了 p 和 κ,κ 只装后者。
三、算例:同样 65%,差 12 倍
自设两组,各 5,000 个相邻对。
| 项目 | A 组 | B 组 |
|---|---|---|
| 地址数 | 2,000 | 300 |
| 同账户对占比 p | 0.03 | 0.30 |
| ρ_same | 0.75 | 0.80 |
| ρ_diff | 0.045 | 0.60 |
| κ = ρ_diff/ρ_same | 0.06 | 0.75 |
| C_same = p·ρ_same | 0.0225 | 0.2400 |
| C_other = (1−p)·ρ_diff | 0.0437 | 0.4200 |
| C = C_same + C_other | 0.0662 | 0.6600 |
| 羊群份额 h | 66.0% | 63.6% |
| 读法 | 拆单为主,跨账户只是碰巧同向 | 共同信号或抢价,跨账户几乎一样齐 |
h 只差 2.4 个百分点,κ 却差 12.5 倍。只看 h,会把 A 组判成「羊群」、把 B 组判成「没那么羊群」——结论正好反了。
h 单独不可识别。同一个 h=0.66:p=0.03 时 κ=0.06;p 若为 0.30,反解 κ=0.83。报 h 不报 p,读者无法还原你测到了什么。
四、判据:怎么读 κ
κ 低于 0.2:跨账户共动只有同账户的零头,主要是拆单与噪声,不要叫羊群。κ 高于 0.6:跨账户几乎和同账户一样齐,属于共同信号,或对同一个外部价格的抢跑。中间地带要看金额阈值与时间间隔。
两步验证。其一,时间结构:把跨账户协方差按区块间隔分组,若集中在相邻几个区块,更像抢价而非跟单。其二,加公开信号:用 CEX 行情特征预测每笔方向,对残差重算 κ,能消掉大部分就说明共动来自同一个价格源——论文用 Binance 100ms 数据,消掉四分之三以上。
对做市同样直接:与 Binance 对齐度最高的三分之一成交量,LP 亏 4–5bp;最不对齐的三分之一,赚约 5bp。κ 高的池子,LP 收的是逆向选择的账单。
五、适用前提
要有地址级、按时间排序的成交流。CEX 拿不到账户标签,这个方法直接失效。地址被当作账户,样本内账户结构要稳定,跨月比较先固定金额阈值。只做 lag-1,别外推到更长记忆;测多阶就逐阶算。去均值用样本均值即可,改用账户均值对 κ 的影响不超过 0.04。
六、反例与失效条件
多地址做市与混币。同一实体拆成几十个地址,ρ_same 被压低、κ 被抬高。最后两天 κ 冲到 1.47 与 1.56,原因是同账户相关掉到 0.41,而不是跨账户突然变齐——这是实体识别失败的典型长相。
p 接近 1。只有几百个账户时,h 被 p 机械压低:订单簿主样本 p=0.331,h 只有 0.61,κ 却是 0.76。反过来,p 极小时 h 会被推到 0.9 以上,也不代表羊群。
单边行情。全市场同向时,去均值后 ρ_same 与 ρ_diff 一起趋近 1,κ 也趋 1,分不出「跟单」和「都在追同一根阳线」。控行情要在回归里放市场收益。
小单噪声。ρ_diff 很小时估计方差大:Uniswap 2024 全样本 κ=0.05(95% 区间 0.03–0.06),h=0.65(区间 0.55–0.73)。h 的抖动明显比 κ 大,用 h 做日度比较容易得出假信号。
把 h 当因果。h 高只说明跨账户对同向,不说明谁跟谁。要证明「跟」,必须看时间先后与外部价格领先关系。
七、一句话怎么用
看到「链上八成成交同向」,先问 p 是多少。p 很小、κ 也很小,那不是羊群,是几千个钱包各自拆单,恰好排在了一起。
相关阅读:价格「连续跳动」里有一半是撮合造出来的、一笔单子会推价几个跳、比「聪明钱」信号,先固定 K。
来源:Yichong Bai、Dingyue Kan(香港理工大学)· Herding or Racing? Decomposing Cross-Account Order-Flow Persistence in On-Chain Markets · arxiv.org/abs/2611.02616(2026-11-02,ICAIF ’26 workshop)· 访问日期 2026-11-04。
本文为原创提炼,非原文翻译。表 1 与两组算例为本文自设数字,不取自原文;Uniswap 与订单簿的 p、ρ、κ、h 区间,以及 LP 4–5bp、消掉四分之三、κ>1 的两天,引自原文表 1 与正文。