19、交易量与市场操纵：虚假交易量（Wash Trading）。如何识别异常交易量。

各位，咱们今天聊一个比较“脏”的话题——市场操纵。

做量化这些年，我见过不少花招。但最让我头疼的，其实是虚假交易量，也就是业内常说的 Wash Trading。说白了，就是左手倒右手，自己跟自己买卖。目的很简单：制造交易活跃的假象，引诱你进场接盘。

嗯，这玩意儿在加密货币市场尤其猖獗。我在2020年监控一个山寨币对时，就亲眼见过一个交易对，24小时成交量突然暴增300%，但价格纹丝不动。当时我就警觉了——这不对劲。

什么是Wash Trading？

Wash Trading，也叫“对倒交易”。就是同一个实体（或几个串通好的账户），同时挂出买单和卖单，然后自己成交。这样，交易所的成交量统计里就多了一笔记录，但实际所有权并没有发生变化。

你想想看，这跟刷单有什么区别？

我习惯把这种行为比作“注水猪肉”。表面上看着肉很多，实际上全是水分。交易量也一样，看着热闹，其实都是假的。

为什么有人要搞Wash Trading？

动机其实很直接：

• 吸引流动性： 很多量化策略会盯着交易量大的品种做。假交易量能骗来真资金。
• 抬高排名： 一些交易所或项目方，为了上“涨幅榜”或“热门榜”，会自己刷量。
• 制造FOMO情绪： 散户看到成交量暴增，容易冲动追涨。我见过不少新手就是被这种假量骗进去的。
• 配合出货： 先刷量制造繁荣假象，等散户跟风买入后，庄家悄悄派发筹码。

如何识别异常交易量？

识别Wash Trading，不能只看成交量绝对值。我总结了几个实战中比较管用的方法：

1. 量价背离检测

这是最直观的。正常情况下，成交量放大，价格应该有明显波动。如果成交量放大但价格纹丝不动，或者波动极小，那就要小心了。

我曾经监控过一个币种，成交量在10分钟内翻了5倍，但价格只波动了0.1%。我当时就判断这是典型的Wash Trading。后来查链上数据，果然发现两个地址在反复互转。

2. 订单簿深度分析

Wash Trading的订单簿往往有规律。比如，买单和卖单的挂单量非常接近，而且频繁撤单、重新挂单。我习惯用以下指标：

• 买卖挂单比： 如果长期维持在1:1附近，且挂单量巨大，可能是对倒。
• 撤单率： 正常交易撤单率在20%-40%之间。如果超过60%，甚至80%，那大概率在刷量。
• 挂单时间： 很多Wash Trading的挂单只存在几秒钟，成交后立刻撤单。

3. 交易时间模式

Wash Trading往往发生在流动性较低的时段，比如凌晨2点到5点。因为这时候真实交易者少，不容易被发现。

我记得有一次，一个交易对在凌晨3点突然爆出天量，但白天交易量却很低。这种“夜猫子”行为，基本可以判定为异常。

4. 链上数据交叉验证

如果你做的是加密货币，一定要看链上数据。交易所的成交量可以造假，但链上的转账记录造不了假。

我常用的方法是：

• 对比交易所的成交量与链上转账量。如果交易所成交量远大于链上转账量，说明有水分。
• 查看大额转账地址。如果两个地址频繁互转，且金额相近，基本就是Wash Trading。

实战代码示例：检测Wash Trading

下面是我写的一个简单检测脚本。它通过分析成交量与价格波动的比值，来标记异常时段。

import pandas as pd
import numpy as np

def detect_wash_trading(df, volume_col='volume', price_col='close', 
                        volume_threshold=3.0, price_threshold=0.005):
    """
    检测Wash Trading的简单方法
    df: 包含成交量与价格的DataFrame
    volume_threshold: 成交量变化倍数阈值
    price_threshold: 价格变化百分比阈值
    """
    # 计算成交量变化率
    df['volume_change'] = df[volume_col].pct_change()
    # 计算价格变化率
    df['price_change'] = df[price_col].pct_change().abs()
    
    # 标记异常：成交量暴增但价格几乎不变
    df['suspicious'] = (df['volume_change'] > volume_threshold) & \
                       (df['price_change'] < price_threshold)
    
    return df[df['suspicious'] == True]

# 使用示例
# suspicious_trades = detect_wash_trading(ohlc_data)
# print(f"发现 {len(suspicious_trades)} 个可疑时段")

一张图看懂Wash Trading的识别逻辑

下面这张SVG图，是我梳理的识别流程。你可以把它当作一个检查清单。

避坑指南

我曾经踩过一个坑。当时发现一个交易对成交量异常，就立刻下了结论是Wash Trading。结果后来发现，那是一个做市商在调整仓位，并不是恶意操纵。

所以，识别Wash Trading不能只看单一指标。我建议你：

• 多维度交叉验证： 量价、订单簿、时间、链上数据，至少满足2-3个条件再下结论。
• 注意市场环境： 重大新闻发布时，成交量放大是正常的。别把正常波动当成操纵。
• 别只看交易所数据： 交易所的成交量统计口径可能不同。有些交易所会把“吃单”和“挂单”都算进去，导致数据虚高。

好了，关于Wash Trading的识别，今天就聊这么多。记住，交易量是市场的“氧气”，但别被注过氧气的假象骗了。保持警惕，多留个心眼，总没错。