order-flow-imbalancemarket-by-orderdecompositionprice-impactforward-lookinglassomicrostructureequity

分解的订单流不平衡 (Decomposed OFI)

大白话：标准的 OFI 把「最优档买卖价与挂单量的净变化」算成一个数——挂单、撤单、成交造成的，全混在一起。 有了逐笔委托（MBO）数据，可以按事件类型拆成三份分别算：挂单的那份、撤单的那份、成交的那份。 拆开的结论有点反直觉：解释「刚才为什么涨」没有变好，但预测「接下来一分钟会不会涨」的交易收益翻了 5 倍—— 而且挂单那一支压倒性最重要。

定义

concepts/microstructure/Order Flow Imbalance (OFI) 的标准定义只看最优档的价与量怎么变，不管变化来自哪种事件。本文把订单簿事件分三类：

类别 含义 LOBSTER 类型 OFI 符号
add 提交限价单，进入订单簿 1 与标准 OFI 同号
cancel 撤单（部分或全部），从订单簿移除 2（取消）、3（删除） 反号（撤买单是不利信号）
trade 成交，双方都从订单簿移除 4（可见限价单）、5（隐藏限价单）、6（交叉成交） 同号（买方主动为正）

核心恒等式：

\text{标准 OFI} = \text{add OFI} + \text{cancel OFI} + \text{trade OFI}

即：分解是标准 OFI 的一个重排，不是替代。任何用标准 OFI 的模型都可以改写成三个分量的组合。

归一化版本：与标准 OFI 的归一化一致（按各档挂单量之和归一），可跨股票比较。

一个必须知道的细节：隐藏限价单的成交不改变订单簿，因此对应的 trade OFI 为零。这是分解的定义内在性质，不是实现瑕疵。

两个场景，两个相反的结论

这是本文最重要、也最容易被误读的地方。

同期解释力：分解没有帮助

用同一时段的 OFI 解释同一时段的收益 → 分解版与标准 OFI 解释力相当。

直觉上 add/cancel/trade 的经济含义不同（挂单是意愿、撤单是后悔、成交是成交），为什么分开算没帮助？论文没给机制解释。一个合理的读法：同期解释力主要来自最优档的净不平衡，三种事件在同期是冗余的。

前瞻预测：统计上没改善，经济上大幅改善

模型 拟合 M_3 PnL (bp) / SR M_7 PnL (bp) / SR
FPI[1] OLS 0.22 / 1.24 0.68 / 5.86
FPI[1] Lasso 0.59 / 2.17 1.26 / 5.22
FPID[1] Lasso 1.01 / 4.26 2.42 / 10.65
FPI[10] Lasso 0.54 / 2.09 1.33 / 5.18
FPID[10] Lasso 1.66 / 6.90 3.15 / 13.51

（FPI = 标准 OFI，FPID = 分解 OFI；下标为档位数，M 为滞后数）

但样本外 R^2 全是负的（最优 −0.082）——分解没有改善统计预测力。

负 R^2 ≠ 没有经济价值。 论文明确引 Cont 等、Ait-Sahalia 等说明这一点：样本外 R^2 衡量的是预测精度，而策略收益来自预测的方向正确且幅度超过买卖价差。这两个口径可以给出相反的排序。

交易策略（Chinco 等 2019 的标准做法）：只在预测收益超过相对买卖价差时交易；预测幅度越大、模型自身样本内波动越小，配仓越大；1 分钟视界，每分钟投 1 美元。

挂单（add）为什么最重要

对最佳模型 FPID[10]_{M_7} 做 Lasso 变量选择频率统计：

发现 细节
add ≫ cancel > trade 每个时间滞后下 add 变量被选中的次数都明显高于另两类；add 被选中的频率约为其他分量的 3 倍
trade 极少被选中 最低
更长的滞后更重要 滞后从 1 到 30 分钟，选择频率单调上升（三个分量都如此）
档位之间差不多 唯一例外：最优档的 add 变量贡献显著高于其他任何组

「最优档 add 特别重要」同时解释了另一件事：为什么加档位（前 1 档 → 前 10 档）对分解版的提升有限——因为信号本来就集中在最优档的 add 上。

另一个值得记住的数字：53% 的回归里只有截距项非零——多数预测其实是常数（样本内收益均值）。这是评估「Sharpe 13.51」时必须记住的背景。

与本 wiki 其他页面的分工

页面 讲的是哪一条路
Order Flow Imbalance (OFI) 标准 OFI 的定义与同期解释力
本页（分解 OFI） 按事件类型拆开：统计上无改进、经济上 5 倍；add 最重要
订单流分解 (Order Flow Decomposition) 完全不同的另一条路：按「是否高频」拆订单流（Shen 2023 的 HFQ / 非 HFQ），结论是非 HFQ 订单的不平衡因子预测力更强
多档订单簿不平衡 (Multi-Level Order Book Imbalance) 按档位拆（PCA 整合），不是按事件类型拆

容易混的三件事：按事件类型拆（本文）、按档位拆（多档 OFI）、按参与者/速度拆（订单流分解页）。三者正交，可以叠加。

对应链接：Order Flow Imbalance (OFI · 订单流分解 (Order Flow Decomposition · 多档订单簿不平衡

与 ClusterLOB 的关系

本页的方法是 ClusterLOB 附录 A 的来源——ClusterLOB 原文明确写「introduced by Sitaru et al. (2023)... we adopt similar ideas as presented in this line of work」。

但贡献不是同一件事：

分解 OFI（本文） ClusterLOB
拆分的维度 事件类型（add / cancel / trade） 参与者类型（方向型 / 机会型 / 做市型）
是否区分参与者 否 是
相对标准 OFI 的增量 前瞻 PnL ×5，Sharpe 13.51 在分解之上再按簇算，Sharpe 1.34

两者是叠加关系。

A 股落地的障碍

障碍 说明
MBO 数据是硬约束 本文的增量完全来自 MBO 独有的事件类型信息。A 股无完整 MBO（见 concepts/data-features/Level-2 档位与委托队列 (L2 Depth and Order Queue)）
逐笔成交只能近似 A 股逐笔成交带委托号，可还原 cancel 与 trade 的近似；但 add（挂单未成交）完全丢失——而这恰是本文发现最重要的分量
T+1 1 分钟视界的策略在 T+1 下无法当日平仓，Sharpe 13.51 不可直接复制
涨跌停 触板时价格无法继续移动，前瞻信号被截断

Cross-ref