爆仓指标怎么用

读懂爆仓指标的正负号与分布，避开两个常见误读，再放进策略。

急跌之后，爆仓历史上出现一根很深的负柱——是很多多单被强平，还是这个币的数值本来就常偏负？0 不等于这个币的平常水准，这一点决定你怎么读这根柱子。如果你看的是价位上的爆仓地图，那是另一个估算，见爆仓地图怎么读。

什么是爆仓指标？

爆仓指标是 Blave 自制指标，衡量一段时间内空单与多单哪一边被强平得多、差距有多不寻常。爆仓是杠杆仓位被交易所强制平仓：多单被强平时交易所送出卖单，空单被强平时送出买单。

正值代表空单爆仓较多、负值代表多单较多，0 不等于这个币的平常水准；数值没有上下限：

分布不对称，下缘（多单爆仓）比上缘深。以下是 Blave 实测的分位数，1 小时 K 线、timeframe 24h，期间 2024-09-15～2026-09-14，每小时取一个值（n = 17,520）：

最关键的两点

0 不等于这个币的平常水准

数值大于 0 代表空单爆仓多于多单，小于 0 代表多单爆仓多于空单。但长期多单爆仓偏多的币，数值会系统性偏负，0 并不是这个币的「平常水准」。

在上面的测量期间（1 小时 K 线、timeframe 24h），数值大于 0 的时间比例见上表。同样是 0，在 BTC 大约是中位数，在 DOGE 已经比多数时候偏向空单爆仓。

原始数据是抽样，大行情会低估

交易所公开的强平数据有推送上限，同一时间的大量强平不会全部送出，所以这是抽样，行情越剧烈低估越多。数据中断期间，数值会像那段没有爆仓，不会标示缺数据。

所以别把单根柱子的深浅当成精确的爆仓规模，要看它落在这个币自己分布的哪一端。

怎么用爆仓数据做策略？

目前没有任何官方策略使用爆仓数据，以下三种用法都是示意、未回测。代码里的阈值借用上面量到的分位数当起点，不是参数扫描的结果；怎么扫见阈值怎么扫。

1. 不对称门槛：标出集中爆仓的时段

最直接的写法是把数值落在分布两端的时段标出来。因为下缘比上缘深，两边门槛不要用同一个绝对值：以 BTC 为例，p1 约 −3.8、p99 约 +3.3。

LONG_FLUSH_TH  = -3.8   # 示意：约 BTC 1h × 24h 的 p1
SHORT_FLUSH_TH = 3.3    # 示意：约 BTC 1h × 24h 的 p99

liq = fetch_liquidation(SYMBOL, INTERVAL, START, END, hdrs, timeframe='24h')
df['LIQ'] = liq['alpha']
long_flush  = df['LIQ'] <= LONG_FLUSH_TH    # 多单集中爆仓
short_flush = df['LIQ'] >= SHORT_FLUSH_TH   # 空单集中爆仓

标出来之后怎么交易要自己研究：Blave 没有验证过集中爆仓之后价格会反转还是延续。分位数也因币而异，ETH、SOL、DOGE 的 p1 都比 BTC 深，换币要重算。

2. 用该币自己的分位数当门槛，不用 0

因为 0 不是平衡点，「大于 0 就算空单爆仓偏多」这种写法，在 DOGE 这类长期偏负的币上会失真。改用该币自己过去一段期间的分位数当门槛，比较不受长期偏向影响：

# 示意：用过去 180 天的分位数当门槛，窗口长度没有扫描过
lo = df['LIQ'].rolling('180D').quantile(0.01)
hi = df['LIQ'].rolling('180D').quantile(0.99)
extreme = (df['LIQ'] <= lo) | (df['LIQ'] >= hi)

窗口太短，阈值会跟着近期行情漂移；窗口也不要跨进该币刚有数据的那一段（BTC、ETH 约 2023 年 1 月），那段数值还不稳，会算出假的极端值。

3. 风控：集中爆仓时先不开新仓

另一种保守的用法，是把它加在既有策略的进场条件上：数值落在任一端时，先不开新仓。沿用第 1 种用法的两个门槛，compute_entry 换成你原本策略的进场条件：

# 示意：数值落在任一端时不进场
flush = (df['LIQ'] <= LONG_FLUSH_TH) | (df['LIQ'] >= SHORT_FLUSH_TH)
entry = compute_entry(df) & ~flush

这个组合没有回测，也没有验证过避开集中爆仓能改善绩效；只是把「刚爆完一波」当成暂停开新仓的条件。

timeframe 和周期怎么选？

爆仓指标有两个设定：timeframe 是看多长一段时间的爆仓，可选 15min、1h、4h、8h、24h、3d，默认 24h；周期（period）决定多久取一次值，可选 5min、15min、1h、4h、8h、1d。换 timeframe，分布就会变；同一期间改用 timeframe 1h（1 小时 K 线）的量测如下：

跟 24h 比，1h 的两端比较窄，中位数都是 0.00，大于 0 的比例也比较接近一半。所以门槛要跟着 timeframe 重算，不能把一组数字套到另一组；15min、4h、8h、3d 本文没有测量。

阈值怎么扫？

分位数只是起点。把多单端、空单端阈值各列一排候选值（例如 p1、p2、p5 对 p99、p98、p95），逐组回测，挑一片表现都不差的区域，而不是挑最高的那一格。

results = []
for q_lo in [0.01, 0.02, 0.05]:
    for q_hi in [0.95, 0.98, 0.99]:
        lo = df['LIQ'].rolling('180D').quantile(q_lo)
        hi = df['LIQ'].rolling('180D').quantile(q_hi)
        extreme = (df['LIQ'] <= lo) | (df['LIQ'] >= hi)
        entry = compute_entry(df) & ~extreme
        results.append((q_lo, q_hi, backtest(entry)))   # backtest 换成你自己的回测函数，每组都扣手续费后再比

timeframe、币种、K 线周期换一个就重扫一次；为什么挑平坦区而不挑最高点，见避免过拟合。

在数据工作室上怎么看？

搭配哪些指标？

以下是组合思路，不是验证过的结论：

用 API 或 Blave Agent 取数要注意什么？

爆仓指标的端点是 GET /liquidation/get_alpha，参数有 symbol、period、timeframe（默认 24h）与起止日期（start_date、end_date）；Blave Agent 里对应 fetch_liquidation。只回传已收盘的 K 线，字段是 timestamp、alpha 与 stat，区间超过 1 年会自动截短。最早的币种（BTC、ETH）数据从 2023-01-01 起、之前的数值是 0，其他币种可能更晚；刚有数据的那一段数值还不稳，别拿来定阈值。

get_alpha 的 stat 对象描述最新一笔数值：

爆仓地图、地图变化与多交易所汇总的端点和栏位，见爆仓地图怎么读。