爆倉指標怎麼用

讀懂爆倉指標的正負號與分布，避開兩個常見誤讀，再放進策略。

急跌之後，爆倉歷史上出現一根很深的負柱——是很多多單被強平，還是這個幣的數值本來就常偏負？0 不等於這個幣的平常水準，這一點決定你怎麼讀這根柱子。如果你看的是價位上的爆倉地圖，那是另一個估算，見爆倉地圖怎麼讀。

什麼是爆倉指標？

爆倉指標是 Blave 自製指標，衡量一段時間內空單與多單哪一邊被強平得多、差距有多不尋常。爆倉是槓桿倉位被交易所強制平倉：多單被強平時交易所送出賣單，空單被強平時送出買單。

正值代表空單爆倉較多、負值代表多單較多，0 不等於這個幣的平常水準；數值沒有上下限：

分布不對稱，下緣（多單爆倉）比上緣深。以下是 Blave 實測的分位數，1 小時 K 線、timeframe 24h，期間 2024-09-15～2026-09-14，每小時取一個值（n = 17,520）：

最關鍵的兩點

0 不等於這個幣的平常水準

數值大於 0 代表空單爆倉多於多單，小於 0 代表多單爆倉多於空單。但長期多單爆倉偏多的幣，數值會系統性偏負，0 並不是這個幣的「平常水準」。

在上面的量測期間（1 小時 K 線、timeframe 24h），數值大於 0 的時間比例見上表。同樣是 0，在 BTC 大約是中位數，在 DOGE 已經比多數時候偏向空單爆倉。

原始資料是抽樣，大行情會低估

交易所公開的強平資料有推送上限，同一時間的大量強平不會全部送出，所以這是抽樣，行情越劇烈低估越多。資料中斷期間，數值會像那段沒有爆倉，不會標示缺資料。

所以別把單根柱子的深淺當成精確的爆倉規模，要看它落在這個幣自己分布的哪一端。

怎麼用爆倉資料做策略？

目前沒有任何官方策略使用爆倉資料，以下三種用法都是示意、未回測。程式碼裡的門檻借用上面量到的分位數當起點，不是參數掃描的結果；怎麼掃見門檻怎麼掃。

1. 不對稱門檻：標出集中爆倉的時段

最直接的寫法是把數值落在分布兩端的時段標出來。因為下緣比上緣深，兩邊門檻不要用同一個絕對值：以 BTC 為例，p1 約 −3.8、p99 約 +3.3。

LONG_FLUSH_TH  = -3.8   # 示意：約 BTC 1h × 24h 的 p1
SHORT_FLUSH_TH = 3.3    # 示意：約 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    # 多單集中爆倉
short_flush = df['LIQ'] >= SHORT_FLUSH_TH   # 空單集中爆倉

標出來之後怎麼交易要自己研究：Blave 沒有驗證過集中爆倉之後價格會反轉還是延續。分位數也因幣而異，ETH、SOL、DOGE 的 p1 都比 BTC 深，換幣要重算。

2. 用該幣自己的分位數當門檻，不用 0

因為 0 不是平衡點，「大於 0 就算空單爆倉偏多」這種寫法，在 DOGE 這類長期偏負的幣上會失真。改用該幣自己過去一段期間的分位數當門檻，比較不受長期偏向影響：

# 示意：用過去 180 天的分位數當門檻，窗口長度沒有掃描過
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，門檻會跟著近期行情漂移；窗口也不要跨進該幣剛有資料的那一段（BTC、ETH 約 2023 年 1 月），那段數值還不穩，會算出假的極端值。

3. 風控：集中爆倉時先不開新倉

另一種保守的用法，是把它加在既有策略的進場條件上：數值落在任一端時，先不開新倉。沿用第 1 種用法的兩個門檻，compute_entry 換成你原本策略的進場條件：

# 示意：數值落在任一端時不進場
flush = (df['LIQ'] <= LONG_FLUSH_TH) | (df['LIQ'] >= SHORT_FLUSH_TH)
entry = compute_entry(df) & ~flush

這個組合沒有回測，也沒有驗證過避開集中爆倉能改善績效；只是把「剛爆完一波」當成暫停開新倉的條件。

timeframe 和週期怎麼選？

爆倉指標有兩個設定：timeframe 是看多長一段時間的爆倉，可選 15min、1h、4h、8h、24h、3d，預設 24h；週期（period）決定多久取一次值，可選 5min、15min、1h、4h、8h、1d。換 timeframe，分布就會變；同一期間改用 timeframe 1h（1 小時 K 線）的量測如下：

跟 24h 比，1h 的兩端比較窄，中位數都是 0.00，大於 0 的比例也比較接近一半。所以門檻要跟著 timeframe 重算，不能把一組數字套到另一組；15min、4h、8h、3d 本文沒有量測。

門檻怎麼掃？

分位數只是起點。把多單端、空單端門檻各列一排候選值（例如 p1、p2、p5 對 p99、p98、p95），逐組回測，挑一片表現都不差的區域，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 換成你自己的回測函式，每組都扣手續費後再比

timeframe、幣種、K 線週期換一個就重掃一次；為什麼挑平坦區而不挑最高點，見避免過度最佳化。

在資料工作室上怎麼看？

搭配哪些指標？

以下是組合思路，不是驗證過的結論：

用 API 或 Blave Agent 取數要注意什麼？

爆倉指標的端點是 GET /liquidation/get_alpha，參數有 symbol、period、timeframe（預設 24h）與起訖日期（start_date、end_date）；Blave Agent 裡對應 fetch_liquidation。只回傳已收盤的 K 線，欄位是 timestamp、alpha 與 stat，區間超過 1 年會自動截短。最早的幣種（BTC、ETH）資料從 2023-01-01 起、之前的數值是 0，其他幣種可能更晚；剛有資料的那一段數值還不穩，別拿來定門檻。

get_alpha 的 stat 物件描述最新一筆數值：

爆倉地圖、地圖變化與多交易所彙總的端點和欄位，見爆倉地圖怎麼讀。