Hyperliquid 胜率：盈利因子与期望值计算（2026）

简要结论：胜率是扣除手续费后盈利的已平仓交易所占的比例。在 Hyperliquid 上可以用公开的成交记录（fills）计算胜率，但结果很大程度上取决于你如何定义"一笔交易"：每一笔平仓成交、每一个平仓订单，还是从空仓到空仓的完整回合。胜率本身也不能说明是否赚钱，需要同时看平均盈利、平均亏损、盈利因子和期望值，并且要记住资金费和未实现盈亏永远不会出现在已平仓交易里。在我们 2026 年 10 月 26 日的快照中，一个月度盈亏 +164 万美元的排行榜钱包，按平仓成交计算的胜率只有 36.8%，已实现交易基本持平。它的收益来自未平仓头寸和资金费。

"我在 Hyperliquid 上的胜率是多少？"听起来很简单。Hyperliquid 的界面会显示交易历史和盈亏，但不显示胜率，所以交易者要么把成交导出到表格，要么相信第三方给出的数字，却不知道它是怎么算的。本指南介绍相关公式、三种定义"交易"的方法（以及为什么结果不同）、需要用到的 Hyperliquid API 字段、一个带日期的真实示例，以及一个可对任何公开地址计算全部指标的简短 Python 脚本。不需要任何 API 密钥。

真正重要的四个指标

以下指标都基于已平仓交易，并使用扣除手续费后的净盈亏。

• 胜率 = 盈利交易数 ÷（盈利交易数 + 亏损交易数）。盈亏恰好为零的交易不计入。
• 平均盈利与平均亏损 = 总盈利 ÷ 盈利笔数，总亏损 ÷ 亏损笔数。两者之比就是盈亏比（R）。
• 盈利因子（profit factor）= 总盈利 ÷ 总亏损。大于 1.0 说明交易赚钱，小于 1.0 说明亏钱。
• 期望值（expectancy）= 净盈亏 ÷ 交易笔数，等于 胜率 × 平均盈利 − 败率 × 平均亏损，即平均每笔交易值多少美元。

把它们联系起来的是盈亏平衡胜率：平均亏损 ÷（平均盈利 + 平均亏损），也就是 1 ÷（1 + R）。胜率必须高于这条线才能赚钱。

盈亏比（平均盈利 ÷ 平均亏损）	盈亏平衡胜率
0.5	66.7%
1.0	50.0%
1.5	40.0%
2.0	33.3%
3.0	25.0%

这就是为什么 35% 的胜率可能非常出色，而 90% 的胜率可能是慢慢爆仓的方式：一切取决于盈利相对于亏损的大小。

在 Hyperliquid 上什么算"一笔交易"？

Hyperliquid 记录的是成交（fills），而不是交易。一个订单可能分成很多笔成交，一个头寸也可能通过几十个订单加仓和减仓。所以你必须选择一个单位：

1. 平仓成交。每一笔减少头寸并带有 closedPnl 的成交。最容易计算，也是看板最常用的方法，但噪音很大：一个订单拆成十笔成交就变成了十笔"交易"。
2. 平仓订单。按订单 id（oid）合并成交。更接近交易者的思维（"我止盈了一次"），但分三个订单退出一个头寸仍算三笔交易。
3. 完整回合（round trip）。从头寸由零开仓，到再次归零（或反手到另一方向）为止。这符合"一个想法，一笔交易"的理念，并且包含开仓成交的手续费，而前两种方法会忽略这部分。

三种方法都没错，但彼此不可比较。如果有人给出 Hyperliquid 胜率，先问他用的是哪种单位。评估自己的决策，完整回合通常最真实；检查执行质量，成交和订单更有用。

需要的 API 字段

所有数据都来自公开的 info 接口（POST https://api.hyperliquid.xyz/info）：

• userFillsByTime 返回某地址在一段时间内的成交。每笔成交包含 coin、side（B 买，A 卖）、sz、px、startPosition（成交前的持仓量）、dir（例如 Open Long 或 Close Short）、closedPnl、fee 和 oid。每次响应最多 2,000 笔，需要按时间分页，并且通过这种方式只能获取最近的 10,000 笔成交。非常活跃的钱包几天甚至几小时就会达到上限。
• fee 字段与 closedPnl 分开给出，需要自己相减得到净盈亏。负的手续费是挂单返佣。
• userFunding 返回资金费记录。资金费不属于任何成交，所以基于成交计算的胜率会忽略它。每次调用最多返回 500 行，同样需要分页。
• clearinghouseState 返回未平仓头寸及其 unrealizedPnl，任何已平仓统计都不包含这一项。

如果你对这些字段还不熟悉，可以阅读我们的已实现盈亏（closed PnL）指南和未实现盈亏指南；如何导出交易历史介绍了如何把原始成交导入表格。

真实示例：同一个钱包，三个胜率

我们在 2026 年 10 月 26 日约 08:14 UTC 对 0x541e077ac38c56d7bf590924d249c60b0c80071d（Hyperliquid 公开排行榜上的一个钱包）运行了下面的脚本，统计此前 30 天。排行榜显示该月盈亏为 +1,636,619 美元（ROI 70%），账户价值约 135 万美元。该钱包在此期间有 1,947 笔成交，其中 1,924 笔为永续合约。以下盈亏均已扣除手续费。

单位	交易笔数	胜率	平均盈利	平均亏损	盈利因子	净额
平仓成交	917	36.8%	$515	$299	1.00	+$478
平仓订单	411	36.3%	$1,166	$661	1.00	+$478
完整回合（在统计期内开仓并平仓）	12	41.7%	$1,333	$1,008	0.94	−$393

可以得出三点结论：

• 交易笔数从 917 变成 12，完全取决于定义。每笔交易的平均值也随之按同样比例变化，所以在不知道单位的情况下，不要比较不同工具给出的"平均盈利"。
• 平仓成交的数据与盈亏平衡公式吻合。平均盈利 $515、平均亏损 $299，盈亏平衡胜率为 299 ÷（515 + 299）≈ 36.7%。实际胜率为 36.8%，因此盈利因子为 1.00，已平仓交易只赚了 $478。
• 已平仓交易几乎解释不了当月的盈亏。同一期间，该钱包收到约 129,042 美元资金费（4,680 次支付），快照时其九个未平仓头寸（全部为空头）带有约 1,056,140 美元未实现盈亏。胜率看板会把它当成一个持平的交易者，而账户实际上赚了七位数。

这些数字是带日期的实时数据快照，你运行脚本时结果会不同。

Python 脚本：计算任意地址的胜率、盈利因子和期望值

脚本会分页读取 userFillsByTime，只保留永续合约成交（现货币种以 @ 开头），输出三种定义的结果以及按币种划分的完整回合统计。开仓发生在统计期之前的回合会被跳过，因为缺少开仓手续费和部分盈亏。脚本只发送少量轻量请求，远低于 API 速率限制。

import requests, time, collections
from datetime import datetime, timezone

API = "https://api.hyperliquid.xyz/info"
ADDRESS = "0x541e077ac38c56d7bf590924d249c60b0c80071d"  # any public address, no keys needed
DAYS = 30

def fills_since(user, start_ms):
    """Page through userFillsByTime (max 2,000 rows per call, newest 10,000 reachable)."""
    out, t = [], start_ms
    while True:
        batch = requests.post(API, json={"type": "userFillsByTime", "user": user,
                                         "startTime": t, "aggregateByTime": True}, timeout=15).json()
        if not batch:
            break
        out += batch
        if len(batch) < 2000:
            break
        t = batch[-1]["time"] + 1
    return out

def stats(pnls):
    wins = [p for p in pnls if p > 0]
    losses = [p for p in pnls if p < 0]
    gw, gl = sum(wins), -sum(losses)
    n = len(wins) + len(losses)
    return {
        "trades": n,
        "win_rate": len(wins) / n if n else 0,
        "avg_win": gw / len(wins) if wins else 0,
        "avg_loss": gl / len(losses) if losses else 0,
        "profit_factor": gw / gl if gl else float("inf"),
        "expectancy": (gw - gl) / n if n else 0,
        "net": gw - gl,
    }

now = int(time.time() * 1000)
fills = sorted(fills_since(ADDRESS, now - DAYS * 86_400_000), key=lambda f: f["time"])
perp = [f for f in fills if not f["coin"].startswith("@")]

# 1) every closing fill counts as a "trade" (what many dashboards do)
closing = [f for f in perp if f["dir"].startswith("Close") or float(f["closedPnl"]) != 0]
per_fill = [float(f["closedPnl"]) - float(f["fee"]) for f in closing]

# 2) one closing ORDER = one trade (partial fills of the same oid merged)
by_oid = collections.defaultdict(float)
for f in closing:
    by_oid[(f["coin"], f["oid"])] += float(f["closedPnl"]) - float(f["fee"])
per_order = list(by_oid.values())

# 3) round trips: a position that opens from 0 and returns to 0 (fees of every fill included)
#    positions already open when the window starts are skipped (their entry is missing)
trips, open_pnl = [], {}
for f in perp:
    c = f["coin"]
    start = float(f["startPosition"])
    signed = float(f["sz"]) * (1 if f["side"] == "B" else -1)
    if start == 0:
        open_pnl[c] = 0.0                              # a new position starts here
    if c not in open_pnl:
        continue                                       # opened before the window
    open_pnl[c] += float(f["closedPnl"]) - float(f["fee"])
    end = start + signed
    if abs(end) < 1e-9 or (start > 0) != (end > 0):    # flat again (or flipped side)
        trips.append((c, open_pnl.pop(c)))
        if abs(end) >= 1e-9:
            open_pnl[c] = 0.0                          # a flip opens the opposite side

per_trip = [p for _, p in trips]
print(f"{ADDRESS}  last {DAYS} days  fills={len(fills)}  perp fills={len(perp)}")
if not fills:
    raise SystemExit("no fills in this window")
first = datetime.fromtimestamp(fills[0]["time"] / 1000, tz=timezone.utc)
print(f"data from {first:%Y-%m-%d %H:%M} UTC" + ("  (hit the 10,000-fill cap, window is shorter than asked)" if len(fills) >= 10_000 else ""))
for name, s in (("closing fills", stats(per_fill)), ("closing orders", stats(per_order)), ("round trips", stats(per_trip))):
    print(f"{name:14} n={s['trades']:5}  win rate {s['win_rate']:.1%}  avg win ${s['avg_win']:,.0f}  "
          f"avg loss ${s['avg_loss']:,.0f}  profit factor {s['profit_factor']:.2f}  "
          f"expectancy ${s['expectancy']:,.0f}  net ${s['net']:,.0f}")
by_coin = collections.defaultdict(list)
for c, p in trips:
    by_coin[c].append(p)
for c, ps in sorted(by_coin.items(), key=lambda kv: -len(kv[1]))[:5]:
    s = stats(ps)
    print(f"  {c:8} trips={s['trades']:4}  win rate {s['win_rate']:.1%}  net ${s['net']:,.0f}")

扩展思路：按币种加上 userFunding 得到计入资金费的回合盈亏，用 dir 区分多空交易，或按持仓时长分组。刚接触 API？先看 Hyperliquid API Python 指南。

如何解读你自己的数据

• 高胜率、小盈利、少见的大亏损。常见于过早止盈或让亏损单继续扩大的策略。应关注平均亏损和回撤，而不是胜率。
• 低胜率、大盈利。趋势跟踪和突破交易的常态。只要扣除手续费后盈利因子高于 1 就没问题。
• 盈利因子接近 1.0。你的优势大约等于你的成本，此时手续费影响很大：参见 Hyperliquid 手续费指南和计入手续费与资金费的真实盈亏指南。
• 小样本会误导。只有 12 个回合时，一笔交易就能让胜率变动超过 8 个百分点。至少积累几十笔交易再下结论。
• 所有指标使用同一时间窗口。在同一期间比较胜率、资金费和未实现盈亏，否则数字对不上。

记录每笔交易的理由会让这些数字更有用；我们的 Hyperliquid 交易日志指南介绍了一个简单方法。

查看其他交易者的胜率

由于成交是公开的，你可以对任何钱包做同样的分析，包括排行榜交易者和 Smart Money 中的钱包。对他们的数据同样要谨慎：主要持仓、赚取资金费或做市的交易者，在不同单位和时间窗口下看起来差别很大。要看全貌，还应查看其盈亏曲线和未平仓头寸，这正是投资组合追踪器所展示的内容。

无需写代码即可追踪盈亏

Hyperfolio 是免费、只读的 Hyperliquid 追踪器。粘贴一个或多个地址，即可在一个页面查看盈亏、未平仓永续合约、未实现盈亏和最近成交，支持桌面和手机 PWA。它从不索要私钥或签名。如果你关注多个账户，请参阅如何追踪多个 Hyperliquid 钱包。

常见问题

Hyperliquid 会显示我的胜率吗？

不会直接显示。它显示交易历史和盈亏。你可以按上文方法，用公开 API 根据成交计算胜率。

Hyperliquid 上多少胜率算好？

没有统一标准。胜率必须高于你的盈亏平衡胜率，而后者取决于盈亏比：盈利和亏损大小相同时约为 50%，盈利是亏损两倍时约为 33%。

closedPnl 是否已扣除手续费？

手续费在每笔成交的 fee 字段中单独给出，因此脚本用 closedPnl 减去它得到净盈亏。开仓成交的 closedPnl 为零，但仍需支付手续费，只有完整回合方法会把它计入。

资金费会计入胜率吗？

如果用成交计算胜率，则不会。资金费单独支付，可通过 userFunding 查询。对长期持有的头寸，资金费可能超过交易盈亏，正如上面的例子。

什么是盈利因子？

已平仓交易的总盈利除以总亏损。盈利因子为 1.5 表示每亏 1 美元就赚 1.50 美元。

为什么不同工具显示的胜率不一样？

通常是因为它们对交易的计数方式不同（成交、订单或完整回合）、时间窗口不同，或是否计入手续费不同。在我们的例子中，同一个钱包有 917 笔平仓成交，但只有 12 个完整回合。

能查看巨鲸的胜率吗？

可以。Hyperliquid 的成交是公开的，脚本适用于任何地址。非常活跃的钱包可能触及 10,000 笔成交的上限，从而缩短可分析的时间窗口。

降低交易成本。如果你刚开始使用 Hyperliquid，可使用推荐码 HYPERFOLIO 享受 4% 手续费折扣（推荐码说明），然后在 Hyperfolio 中免费追踪你的盈亏、持仓和成交。