2023 年 Jeff Yan 談自己為什麼要做 Hyperliquid?

作者|@flirting with models

編譯|Aki 吳說區塊鏈

本期節目的嘉賓是 Hyperliquid 創始人 Jeff Yan。Jeff 的職業生涯始於 Hudson River 的高頻交易領域，隨後轉向加密世界，在該賽道打造了規模龐大的做市商之一。深入討論了中心化加密交易所的基礎設施、對抗性的算法，以及為什麼 HFT（高頻交易）的盈虧實際上可能對中期價格走勢具有預測性。解釋了他眼中當前去中心化交易所存在的問題，並介紹了 Hyperliquid 的早期理念。本期節目發布於 2023 年 5 月 8 日，可以從中看到 Jeff Yan 早期的很多想法。

如何從哈佛走進加密交易

Jeff Yan：我的經歷大概和很多 HFT 從業者相似：我畢業於哈佛大學，主修計算機科學和數學，隨後直接加入 Hudson River Trading，這是一家在傳統金融裡規模較大的做市機構。我當時做的是美股，體驗非常好。我入職時公司大概 150 人，現在已經大了很多。在這裡讓我受益匪淺，能接觸到最有意思的問題，工程與數學可以完美結合，對量化來說幾乎是"天堂"。到了 2018 年，伴隨以太坊智能合約的熱潮，我讀了（以太坊）Yellow Paper，瞬間就"開竅了"，我確信那會是未來，於是離職去做一種 L2 方向的交易所協議。

當時我們選擇切入預測市場方向，是因為彼時 Augur 已經呈現出較強的產品市場匹配（PMF）跡象，而我們自身更擅長、也更關注交易所底層技術能力。因此我們完成融資後，搬到 San Francisco 組建團隊。但幾個月後，我還是決定關停項目，因為時機並不成熟：一方面監管不確定性極高；另一方面用戶獲取非常困難。彼時大多數人並不熟悉智能合約，興趣更多集中在代幣投機上，對 DeFi 的真實需求尚未形成，所以項目最終被搁置。

隨後我花了一段時間反思與旅行，最終選擇回到交易。相較於持續在市場裡"苦找 PMF"，交易本身更直接、更有趣。起初我也考慮過加入一家成熟公司，但想到自己做過加密產品、對行業機制更熟悉，便先從自營加密交易做起。最開始這只是副業，但很快我就看到了顯著機會，業務擴張速度遠超預期。市場的低效程度令我驚訝。此後我幾乎埋頭投入了近三年：真正系統化啟動是在 2020 年初，時點也恰好與市場周期共振。隨著市場規模與成交量增長 10 倍甚至 100 倍，我們也同步做大，最終市場份額進入中心化交易所（CEX）做市商的第一梯隊。

約一年前，我們開始系統評估 DeFi 交易機會。這與早期切入 CEX 交易時的觀察相似 --- --- 低效環節廣泛存在。但不同之處在於，部分 DeFi 協議在機制設計上存在先天不足，導致交易體驗與資本效率受限。與此同時，FTX 事件後，市場對"not your keys, not your coins"以及對手方風險的認知顯著強化，對真正去中心化產品的需求持續上升。基於上述變化，我們判斷構建去中心化交易所的窗口期已經到來。過去一到兩季度，我們持續投入資源推進該方向；高頻交易（HFT）業務則更多處於相對穩定的運行與維護狀態，而當前的主要投入與關注重點，集中在將這條去中心化交易技術棧扎實落地並完成體系化搭建。

做市還是吃單：兩者有何區別

Jeff Yan：在我看來，這確實是進入高頻交易時首先需要作出的重大決策。從宏觀層面看，兩者有不少相似之處：本質上都對基礎設施要求極高，且對時延高度敏感。但在許多關鍵環節上，兩者又呈現出相反的側重：做市更倚重基礎設施能力；吃單更倚重統計與數學建模。

我認為選擇哪條路徑，主要取決於你更傾向投入哪類工作與研究。以做市為例，你在一定程度上受制於"將報價打穿"的對手盤，容錯空間很小。通常通過槓桿、在多個品種與多個價位掛單，會形成較大的隱含風險敞口；一旦出現錯誤，尾部風險的代價往往很高。相比之下，吃單策略可以一天只觸發一次 --- --- 仍可能是有效的高頻策略，可能基於新聞，也可能基於某類細分信號。

正因觸發較少，你有空間將模型做得更精細：大部分時間不觸發並不影響，只要觸發時表現足夠好即可。相反，做市並不具備這種彈性 --- --- 即便 99% 的時間運行良好，只要有 1% 的時間略慢、未能及時跟隨數據，相關損失就可能足以抹去其餘 99% 的全部 PnL。這就是"基礎設施驅動"與"模型驅動"的根本差異。

Corey Hoffstein：是否可以這樣更直觀地理解：選擇"吃單"的一方之所以願意跨越買賣價差，是因為其預期價格將沿自身方向繼續運行，因此願意承擔點差成本；而"做市"的一方則希望價格在其交易時間窗內儘量保持穩定 --- --- 當有人跨價差與其成交後，再在另一側完成對沖或反向成交，從而獲取點差收益。以此區分是否合理？即一方在所處時間窗內更希望市場橫盤，另一方則更希望出現方向性運動。

Jeff Yan：是的，基本可以這樣理解。在高頻交易中，我們通常以極短的時間窗來評估 markout（回看收益），但這一判斷放到更一般的交易頻率同樣成立：只要你選擇"吃單"，在以中間價計量的那一刻，你會立刻承擔一筆確定性損失（點差與費用）。只有在隨後、在你設定的預測時間窗內，價格的平均走勢能夠覆蓋這筆即時損失並進一步補償費用，你的策略才具有正期望。

做市則恰好相反：在成交瞬間，你的"初始 PnL"往往處於該筆交易可能實現的最高水平 --- --- 因為你剛剛獲取了一個點差。你所押注的是，這部分收益在平均意義上不會被"劣化選擇"完全侵蝕。

因此，在做市場景下，如果將所有成交按時間維度進行 markout 觀察，PnL 隨時間遞減通常是更常見的形態；你的期望只是其遞減幅度不要演變為負值。

Corey Hoffstein：我們通話前你提到，把業務規模做大，最難的部分其實不在研究，而在基礎設施。我也在 X 上看到你有類似表述："會做數據歸一化不保證你能賺錢，但不會做你肯定賺不到。"能否談談你們在基礎設施方面最大的經驗教訓，以及為什麼它如此關鍵？

Jeff Yan：這個問題大致可以拆成兩部分，並且二者緊密相關：一是"交易基礎設施"，二是"研究基礎設施"。數據清洗更偏向後者，屬於統計實踐的一部分；前者則是狹義的高頻交易系統。兩者都極其重要。

研究層面雖然更為人所熟知，但需要強調的是：高頻交易中的"信噪比"與噪聲形態，比學術研究中多數對象要糟糕幾個數量級，因此對異常值的處理重要得多。

如果對這些問題缺乏正確的處理框架，僅僅簡單忽略異常值，那麼一旦出現黑天鵝尾部事件，模型可能被直接擊穿；但如果又未能做好規範化或過濾，極端樣本又會主導模型訓練與參數選擇。具體實踐中，在許多任務裡使用分位數往往比直接使用原始數值更為魯棒；即便使用原始數值，也需要在"丟棄異常值"與"裁剪異常值"之間作出明確取捨，而這些選擇對最終效果的影響往往非常顯著。

最大的教訓聽起來很樸素：必須親自審閱數據。不要以為自己足夠聰明、管道足夠"乾淨"，模型輸入就會自動符合預期。用於檢查原始數據的時間很難被視為"過多" --- --- 因為每一次審閱幾乎都會帶來新的發現。團隊早期應當將交易所提供的全部原始數據流完整落盤，逐條核對，主動識別異常並進行一致性校驗。

有一個看似荒誕但真實發生過的案例：某段時間，一家交易所在行情推送中出現缺陷，將"價格"和"數量"字段對調。比如比特幣的 20,000 / 0.1 被記錄為 0.1 / 20,000，導致我們內部的統計與計數邏輯全面失真。許多團隊因此不得不緊急停機或切換至備用數據源。這類事件說明：無論你的邏輯設計得多麼"健壯"，都不可能覆蓋所有異常情形，因此應盡可能保持對原始數據的貼近與可追溯性。

並且還要高度關注時間戳。交易所往往會在數據中提供多種時間戳，其真實含義需要自行拆解與對齊。這一點對於理解"黑盒時延"尤為關鍵 --- --- 你究竟在測量什麼？你是確實"跟上"了市場，還是對方在推送質量較差的數據？通過時間戳的拆分與比對，可以較好地區分這些情形，從而判斷鏈路是否健康、時延是否處於可控區間。

什麼是"公允價（fair）"？如何度量，為何高頻做市要圍繞它交易？

Jeff Yan：不同交易公司對 fair 的定義確有差異，往往取決於各自的交易風格。但其共通點在於：fair 本質上是將你的建模結果凝練為一個"預測價格"。這一抽象非常有價值，因為它把"如何構建可盈利策略"拆解為兩部分且同等困難的任務：價格預測與訂單執行。

這也呼應你此前關於做市與吃單的提問：做市更偏向執行側，吃單更偏向建模側。對吃單策略而言，研究與決策幾乎都圍繞"公允價"展開。至於公允價應納入哪些信息，取決於你認為自己在哪些數據處理環節具備優勢，以及市場的效率缺口具體存在於何處。

此外，公允價並不必然只有一個。在更偏機器學習的框架下，你可以同時維護不同預測期限的公允價，例如 1 秒預測與 1 天預測；執行策略會以不同方式加以利用，而對應的優化目標也可能在 PnL 維度上各不相同。

對入門者而言，一個相對有效的"粗切法"是：先給出一個你願意圍繞其進行報價或跨越價差的單一數值，並將其視為你的"預言機"；隨後在擁有歷史價格序列的前提下，進一步思考如何圍繞該數值實現最優執行。

Corey Hoffstein：是否可以將其簡化理解為：觀察某一交易所，若假設 Binance 匯聚了幾乎全部流動性，則可將 Binance 的價格視為公允價；若其他交易所（如 OKX）在毫秒到秒級存在滯後，則可依據 Binance 的公允價跨越價差進行交易，等待其"追價"。當然也存在更偏統計的做法，即不以單一交易所為"真值"，而是結合訂單簿相關信號來估計公允價。這樣的解釋是否成立？我也並不完全確定。

Jeff Yan：是的，思路正確。以流動性最強的交易場所作為公允價（fair），確實是一個很好的第一近似。早期各交易所之間常出現 10% 量級的價差，彼時的主要難點並非價格預測，而在於如何在交易所之間高效轉移資金；因此這種方法在當時非常有效。近幾年市場經歷了一個演變過程：流動性先是分散，隨後又回流並向幣安集中（尤其是近期）。因此，正如你所說，將幣安價格作為公允價是一個合理的起點。

但需要強調的是，將外部單一來源直接等同於公允價仍需謹慎。例如 OKX 的滯後可能僅為數毫秒，實際交易並不一定如表述般直接。再進一步，假設存在一種機會：每當幣安價格變動而 OKX 尚無人吃單，你便據此進行跟隨交易並試圖平倉套利 --- --- 多數情形下可能有效，但這畢竟是加密市場，存在非連續性風險：例如 OKX 突然進入錢包維護，導致幣安與 OKX 之間的充提被暫時切斷，套利鏈條無法閉合，價格也可能隨之發散。此時若你的公允價僅依賴幣安價格，反而可能面臨被動風險暴露。

因此，細節因素非常多。即便在這一看似直觀的框架下，也遠不止"從某個數據源取一個數作為公允價"那麼簡單 --- --- 它只能作為良好的第一近似。

Corey Hoffstein：這也正好引出我接下來想問的：加密交易所在技術層面的諸多特性與"陷阱"。從歷史經驗看，它們的技術口碑並不穩定：你前面提到過"髒數據"的例子（例如將價格與數量字段對調）、API 崩潰、文檔質量不佳、隱藏端點，甚至存在未公開的參數。我記得你最近還在 X 上舉過例子：可以繞過風控引擎，或讓風控引擎並行運行 --- --- 這些完全未被文檔化的細節，構成了與價格預測無關、相互獨立的"正交 alpha"。我的問題是：諸如深入理解 API 細節、準確測量端點延遲這類工作，究竟能貢獻多少 alpha？與之相比，更"傳統"的統計類 alpha（例如利用訂單簿信號判斷壓力與方向）孰輕孰重？

Jeff Yan：你提到的那條推文，我記得反響確實不錯。

Corey Hoffstein：順便說一句，我到現在仍不確定那是不是愚人節玩笑。

Jeff Yan：愚人節已經過去了，我承認那是個玩笑。不過它比大家以為的更接近現實。真正的"笑點"在於：它其實部分是真的。我一直想寫篇後續，這是個很好的提醒 --- --- 錄完這期我就去發。

回到你的直覺，我認為你的判斷方向是對的。一個人在某家公司工作久了，往往會形成偏好；或是在進入時就帶著偏好 --- --- 例如"我學過數學，所以我應當做更酷的機器學習模型、挖掘信號、產出 alpha，這才是關鍵，因為這最難"。這種"只做模型"的思路在大公司或許行得通，因為分工足夠細；但如果你需要把整套業務自行運行起來，僅靠這一點是走不遠的。

你提到的那些"髒活累活" --- --- 吃透 API、補齊文檔缺口、測量各端點延遲 --- --- 非常關鍵。我對高頻交易（乃至許多事情）的理解是：它更像多個因素的乘積，而不是簡單相加。你在不同"桶"裡的投入看似是加總的，但產出往往體現為相乘關係。舉個具體例子：

整體效能≈基礎設施 × 模型。

如果"基礎設施"這一因子只有 1，而"建模"這一因子是 10，那麼在每投入一個單位精力時，理性選擇往往是優先補齊最短板。高頻交易的難點在於：你很難準確判斷這些因子各自處於什麼水平。因此，實踐中需要持續進行"元分析" --- --- 我現在做的，是否確屬最重要的事項？你會很快發現：答案並不顯然。很多競爭優勢，恰恰體現在對優先級的判斷能力上。

在這一意義上，那些看似"髒活"的工作往往至關重要。應當務實地獲取低垂果實，遵循 80/20 原則。行情順暢時，最容易陷入的誤區是："基礎已經打好，可以去做一些更酷的機器學習研究、追求創新。"我們也曾在這一點上付出代價。並非意味著該方向不存在 alpha，而在於其投入規模大、且邊際回報往往很快遞減。

當你團隊規模較小、現有策略仍然有效、市場機會仍然充沛時，更需要反覆自問並誠實面對：當前最應優先推進的是什麼？不要被表面數據"誘導"去追逐那些暫時不應作為優先項的方向。

Corey Hoffstein：對於希望在加密領域開展高頻交易的人，你曾給出兩條路徑建議：其一是直接在 Binance（幣安）進行交易、並將重心放在 alpha 產生上（我理解這更偏向"主動吃單"，而非"掛單做市"）；其二是選擇一家具有長尾特徵的交易所，深入理解其基礎設施層面的"特性"，並據此尋找優勢。能否進一步說明，為何你認為這是兩條最優路徑？二者在方法論上有何差異？

Jeff Yan：這可以類比為一個"鐘形曲線"的直觀結論 --- --- 不要停留在中間。若將鐘形曲線的橫軸理解為不同交易所，那麼問題最突出的往往是中間區間，例如可粗略對應第 2 至第 7 梯隊的平台。

它們的成交量遠小於Binance，但競爭強度與"有毒流量"卻差不多，甚至流量質量可能更差。至少在Binance，我們知道其零售流量占比極高，這會帶來一種"緩衝效應" --- --- 有毒與零售流的混合更友好。頂級HFT公司基本都已經全量接入前若干家頭部交易所（你可以粗略理解為前15名），會用更大規模、更成熟的策略滿負荷交易；你在這些中間梯隊平台裡很難再"榨"出多少收益。如果你願意挑戰可高度擴展的大型CEX策略，就直接從Binance開始，能泛化的也會盡量泛化 --- --- 沒有理由從"中間"起步。

你提到的另一條路也成立：去鐘形曲線最左端。去