账户总风险率=（保证金占用÷客户权益）×100%，用于衡量期货账户风险暴露；构建覆盖资金、持仓、行为、市场四维的多源风险指标体系；通过Z-score归一化、二维象限标签及分位数法实现特征工程与动态阈值；采用XGBoost模型三级分类，Docker+ONNX轻量部署；建立含人工确认反馈、权重自调与规则熔断的闭环机制。
全球主流的正规交易所推荐
欧易OKX：
Binance币安：
火币Huobi：
Gateio芝麻开门：
一、账户总风险率的定义与计算逻辑
账户总风险率是衡量期货或衍生品交易账户风险暴露程度的核心指标，反映保证金占用与客户权益之间的比例关系。
风险率 = （保证金占用 ÷ 客户权益）× 100%
保证金占用指当前持仓合约所冻结的全部交易保证金总额；客户权益为账户总资产，含可用资金、已用保证金及未实现盈亏。
二、基于多源数据的风险指标体系搭建
构建预警模型需先确立可量化、可采集、具区分度的风险指标集，覆盖资金、持仓、行为与市场四类维度。
1、从交易系统导出实时字段：可用资金、净值、浮动盈亏、持仓手数、最大单边保证金占用。
2、接入行情接口获取关联标的波动率、基差变化率、合约流动性衰减系数。
3、引入账户行为日志：近24小时撤单率、连续反向开仓次数、杠杆倍数突变频次。
三、特征工程与动态阈值设定
原始指标需经标准化与组合变换，生成具备业务含义的风险特征，并规避静态阈值失效问题。
1、对保证金率序列做滚动30分钟Z-score归一化，输出“相对超限强度”。
2、将“可用资金/前一日均值”与“持仓保证金/账户净值”交叉构造二维风险象限标签。
3、使用分位数法动态生成各指标预警阈值：取过去5个交易日第90百分位作为触发线。
四、轻量级模型选型与本地部署方案
避免依赖高算力训练环境，采用可解释性强、推理延迟低的嵌入式模型结构，适配交易所API推送节奏。
1、配置XGBoost二分类模型，输入12维特征，输出“高风险”“中风险”“低风险”三级标签。
2、在Docker容器中部署ONNX Runtime，加载已训练模型权重，接收每秒推送的账户快照数据。
3、设置分级响应规则：中风险仅记录日志；高风险立即调用风控接口暂停开仓权限。
五、闭环反馈与规则熔断机制
模型需具备在线纠偏能力，防止误报累积导致策略失敏，同时保留人工干预通道。
1、对每次预警事件标记“是否人工确认”，将其作为后续样本加权依据。
2、若连续3次预警后无实际强平发生，则自动降低该账户对应特征的权重系数。
3、当某账户在1小时内触发5次以上预警，系统强制切换至规则引擎模式，启用硬性阈值拦截。
