Hyper Smart Money：把 Hyperbot、Hyperdash 和 Hyperliquid 封装成聪明钱研究技能

(Updated: )

Hyper Smart Money：把 Hyperbot、Hyperdash 和 Hyperliquid 封装成聪明钱研究技能

背景

过去在 Hyperliquid 上找“聪明钱”，通常要在几个页面之间来回切换：

  • 在 Hyperbot 的 Discover 里翻榜单
  • 在 Hyperdash 的 copytraders 或 tagged 里看 curated 名单
  • 再回到 Hyperliquid /info 去验证这些地址到底还有没有真实仓位

这个过程最大的问题不是“信息不够”，而是流程不稳定。同一个地址在不同站点看到的是不同维度：一个站擅长标签，一个站擅长 copy score，而真正的实时仓位又必须回到 Hyperliquid 官方接口确认。

所以我把这套流程封装成了一个新的 Codex skill：hyper-smart-money。

它不是单纯的文档，而是一套可以复用的研究工作流：

  1. 从 Hyperbot 或 Hyperdash 拉候选地址
  2. 做统一字段归一化
  3. 用一套硬过滤规则筛掉噪音地址
  4. 再用 Hyperliquid /info 校验实时仓位和保证金状态
  5. 最后输出 shortlist、评分和风格分类

这个 skill 解决什么问题

这个 skill 的目标不是预测市场，而是回答三个更工程化的问题：

1. 聪明钱候选地址从哪里来

目前我把入口拆成三类：

  • Hyperbot Discover
    适合全量筛选，字段多、排序和过滤能力强。
  • Hyperbot Smart Recommend
    适合快速拿一批带标签的“已加工候选”。
  • Hyperdash System Groups
    适合拿 copytraders、tagged 这种平台已经整理过的名单。

2. 哪些数据应该拿来做筛选

仅看收益率或者总盈亏都不够，因为聪明钱研究最容易踩的坑就是把“一次运气好的地址”当成“稳定可跟踪的地址”。

所以 skill 默认优先看这些维度：

  • 账户规模：account value、perps equity
  • 盈亏能力：total pnl
  • 风险调整后收益：sharpe
  • 回撤：drawdown
  • 胜率：win rate
  • 活跃度：trade count、order count
  • 当前是否有持仓：live positions
  • 保证金使用情况：margin used、margin usage

3. 怎么把不同来源的数据拼成一条研究链路

这个 skill 的核心是把不同来源看成三层：

  • 发现层：Hyperbot / Hyperdash
  • 验证层：Hyperliquid /info
  • 解释层：统一评分、风格分类、风险备注

这样最终拿到的不是“某站推荐的地址”，而是一组经过归一化和验证后的研究对象。

我实际扒到的接口

这个 skill 不是空想出来的，它基于对线上站点接口和前端 bundle 的逆向整理。

Hyperbot：最适合做大盘筛选

Hyperbot 最核心的接口是：

1
POST https://hyperbot.network/api/hl/traders/discover

这个接口支持按字段排序和高级过滤，实际可以拿到的指标包括：

  • totalPnl
  • winRate
  • sharpe
  • ddDrawdown
  • snapTotalValue
  • snapPerpValue
  • snapPositionCount
  • snapPositionValue
  • snapMarginUsageRate
  • snapUnrealizedPnl
  • avgLeverage

这基本已经覆盖了一个“聪明钱发现器”需要的主要数据面。

Hyperbot 还有一个很有价值的入口：

1
GET /api/leaderboard/smart/recommend

这个接口会直接返回带标签的地址，比如：

  • Whale / Shark / Shrimp
  • Bullish / Neutral / Bearish
  • Scalper / Swinger / Long-term
  • Stable Profit / Volatile Strategy / Low DD

从前端 bundle 里还能反推出这些标签背后的阈值，例如：

  • Whale：账户规模大于 50 万美元
  • Shark：10 万到 50 万美元
  • Stable Profit：高胜率、低回撤、较高 Sharpe
  • Low DD：90D 最大回撤不高于 20%

这意味着 Hyperbot 本质上已经帮我们做了一层标签工程。

Hyperdash：更适合拿 curated 名单

Hyperdash 的核心是 GraphQL：

1
POST https://api.hyperdash.com/graphql

实际最重要的一条 query 是：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
query GetSystemGroupTraders($groupId: ID!) {
  getSystemGroupTraders(groupId: $groupId) {
    address
    label
    verified
    pnl
    perpsEquity
    winrate
    totalTrades
    sharpe
    drawdown
    copyScore
    tag
  }
}

这里最有用的是两类 group：

  • copytraders
  • tagged

Hyperdash 的优势不在于全量筛选，而在于它已经帮你整理好了某些更适合“跟单观察”的 trader bucket。特别是这几个字段很有价值：

  • copyScore
  • verified
  • tag
  • pnlCohort
  • sizeCohort

如果说 Hyperbot 更像是“量化筛选面板”，那 Hyperdash 更像是“已经帮你分好组的研究入口”。

Hyperliquid：最后必须回到官方 /info

真正的实时验证还是要看官方接口：

1
POST https://api.hyperliquid.xyz/info

我在 skill 里主要用了两个类型：

1
{ "type": "clearinghouseState", "user": "0x..." }
1
{ "type": "portfolio", "user": "0x..." }

这两条足够回答几个关键问题：

  • 这个地址现在有没有真实持仓
  • 当前仓位集中在哪些币上
  • 保证金用了多少
  • 当前账户净值和可提余额是多少
  • 过去一段时间账户净值和 pnl 曲线是什么样子

这一步非常关键，因为很多地址历史上看起来很好，但现在已经空仓，或者当前仓位根本不适合跟踪。

这套聪明钱筛选流程是怎么设计的

我把整个研究流程拆成了五步。

第一步：先选入口，不要一上来全混

默认建议：

  • 想要大范围扫地址：先走 Hyperbot Discover
  • 想要快速找一批被平台“加工过”的地址：先走 Hyperbot Recommend
  • 想找 copy-trader 风格地址：先走 Hyperdash copytraders

不要一开始把所有来源混在一起，否则你会很难解释一个地址为什么入选。

第二步：先做硬过滤

这是最重要的一步。

如果没有硬过滤，榜单类产品很容易把小账户高收益、单次暴击地址、历史优秀但当前无仓位的地址混进来。

我在 skill 里默认会优先考虑这些硬条件：

  • 账户规模至少 10 万美元
  • 如果明确要看鲸鱼，优先 50 万美元以上
  • Sharpe 不能太差
  • Drawdown 不能超出目标风格的容忍范围
  • 交易次数不能太少
  • 如果要看“现在在做什么”，则要求有 live position

第三步：统一成一套字段

这是工程实现里最关键的地方。

因为 Hyperbot 和 Hyperdash 的字段名不完全一样，所以脚本会做统一映射，例如：

  • account_value
  • perps_equity
  • total_pnl
  • win_rate
  • sharpe
  • drawdown
  • trade_count
  • live_position_count
  • copy_score

这样不管候选地址来自哪个站点，后续评分和排序都能共用一套逻辑。

第四步：回到 Hyperliquid 校验 live state

这个阶段主要确认三件事：

  • 当前是否真的有仓位
  • 当前杠杆和保证金是否合理
  • 当前持仓是否符合它历史上的风格

如果一个地址历史盈利很高，但现在没有任何仓位，或者仓位非常极端，那它虽然可以作为样本研究，但不一定适合放到“可跟踪聪明钱名单”里。

第五步：打分和分类

我没有把 score 当作真理，而是把它设计成一个透明的启发式信号。

评分维度主要包括：

  • 规模
  • 盈亏
  • Sharpe
  • 胜率
  • 活跃度
  • 回撤
  • 当前 live exposure
  • Hyperdash 的 copy signal

最后再做分类，例如：

  • institutional-whale
  • stable-swing
  • high-frequency
  • event-driven
  • unclassified

这样输出不只是一个榜单，而是一批可解释的地址样本。

这个 skill 的目录结构

这个 skill 本身也被整理成了一个完整的可复用包：

1
2
3
4
5
6
7
8
hyper-smart-money/
├── SKILL.md
├── references/
│   ├── hyperbot-apis.md
│   ├── hyperdash-apis.md
│   └── smart-money-analysis.md
└── scripts/
    └── hyper_smart_money.py

每层职责不一样：

  • SKILL.md：告诉 Codex 何时使用这个 skill，以及标准工作流是什么
  • references/*.md：保存接口逆向结果、标签阈值和分析规则
  • scripts/hyper_smart_money.py：真正执行筛选和归一化的脚本

这比只写一篇笔记更有用，因为后续要继续扩展时，不需要再从头梳理。

现在可以怎么用

脚本提供了四个入口：

1. 用 Hyperbot Discover 拉候选地址

1
python scripts/hyper_smart_money.py discover   --page-size 30   --min-account-value 100000   --min-sharpe 0.8   --max-drawdown 0.25   --top 10

2. 用 Hyperbot Recommend 拿标签化名单

1
python scripts/hyper_smart_money.py recommend   --period 7   --with-hb-stats   --top 20

3. 用 Hyperdash copytraders 拉 curated 名单

1
python scripts/hyper_smart_money.py group   --group-id copytraders   --min-account-value 100000   --min-sharpe 0.8   --max-drawdown 0.3   --top 15

4. 直接对某个地址做 live enrich

1
python scripts/hyper_smart_money.py enrich 0xa312114b5795dff9b8db50474dd57701aa78ad1e

这个入口很适合在拿到一个地址之后，快速确认它的实时仓位、保证金和组合曲线。

实际落地时踩到的问题

这次把它做成 skill 的过程中，有几个点非常实际：

Hyperdash 的 winrate 不是总是同一量纲

有些地址返回的是 0.57，有些地方可能是 57.14 这种百分比风格。脚本里需要做归一化，否则分数会被放大。

Hyperbot 的地址统计接口会触发限流

query-addr-stat 在批量补充数据时会偶发 429。所以脚本不能因为某一个地址拿不到补充统计就整批失败，而要做成“单地址降级继续跑”。

榜单产品的最大问题不是缺数据，而是缺解释

最后真正重要的不是“排第几”，而是：

  • 它为什么进榜
  • 它现在是不是还在持仓
  • 它属于哪种风格
  • 它的风险主要来自哪里

所以 skill 里单独拆了 smart-money-analysis.md 来约束解释逻辑，而不是只输出 JSON。

为什么值得把它做成 Skill

如果只是自己查一次地址，记在笔记里也许够了。

但只要这件事会重复发生，就值得把它技能化。

把它做成 skill 的好处有三点：

1. 降低重复劳动

以后再让 Agent 做 Hyperliquid 聪明钱研究时，不需要重新说明：

  • 哪些站点值得看
  • 哪些接口是关键接口
  • 哪些字段最重要
  • 哪些分析步骤不能省

2. 让流程可解释

不是一个黑箱 prompt，而是明确写清楚：

  • 输入来自哪里
  • 如何过滤
  • 如何打分
  • 如何验证

3. 便于继续扩展

下一步完全可以继续加：

  • 日报生成
  • 地址池监控
  • 仓位变化提醒
  • 特定 trader cohort 的专题跟踪

一旦流程已经被抽象成一个 skill，这些扩展都不需要重来。

结语

在 Hyperliquid 生态里，“聪明钱”从来不是一个单一榜单，而是一套跨平台、跨接口、跨时间尺度的数据拼图。

Hyperbot 擅长发现和标签化，Hyperdash 擅长整理和排序，Hyperliquid 官方接口负责给出最终的实时真相。

hyper-smart-money 这个 skill 做的事情，就是把这三层拼起来，变成一条可以重复执行、可以持续迭代的研究流水线。

如果后面继续扩展，我更倾向于把它做成两层：

  • 研究层：筛选、打分、解释
  • 监控层：定时刷新地址池、仓位、风格漂移和风险信号

这样它就不只是一个“找聪明钱”的工具，而会变成一套真正可维护的 Hyperliquid trader intelligence workflow。