订单流分解 (Order Flow Decomposition)
Definition. 把全部订单流按某种属性 (是否高频、是否跨市场扫单、订单大小、是否尾盘等) 拆成两半或多个子集，对每个子集分别构造不平衡因子，看哪个子集的不平衡因子对收益的预测力更强。Shen (2023) 移植 Cox 的思路按"是否 HFQ"拆订单流，发现非 HFQ 订单的不平衡因子预测力反而远超 HFQ 订单的不平衡因子——剔除"机器人订单"后，剩余订单流的信息含量反而更高。
Cox 的原型：跨市场扫单 (ISO) 分解
Cox 等曾按订单是否为 Intermarket Sweep Order (ISO) 把订单流拆成两类，发现 ISO 订单的不平衡对收益的预测力最强——ISO 订单绕过了 NBBO (National Best Bid/Offer) 直接扫单，是最"知道自己在干什么"的订单。
Shen (2023) A 股版本：HFQ vs 非 HFQ
按成交的主动方是否属于 HFQ 把全部成交拆成两半，再按 OFI/TI 公式构造四个新因子:
| 因子 | 公式 | 含义 |
|---|---|---|
| HVI | HFQ 订单的主动买入量减主动卖出量 / 总 HFQ 量 | HFQ 订单的量不平衡 |
| HNI | HFQ 订单的笔数不平衡 | HFQ 订单的笔数不平衡 |
| nonHVI | 非 HFQ 订单的量不平衡 | 慢速资金的量不平衡 |
| nonHNI | 非 HFQ 订单的笔数不平衡 | 慢速资金的笔数不平衡 |
实证结果 (Shen 2023 十分组检验)
| 因子 | 多空收益 (bp/min) | t 值 |
|---|---|---|
| HVI | 0.8149 | 24.15 |
| HNI | 0.8247 | 24.02 |
| 基准 OFI | 1.3607 | 28.10 |
| 基准 TI | 1.7076 | 39.63 |
| nonHVI | 1.4875 | 33.74 |
| nonHNI | 1.9377 | 45.32 |
排序非常清楚:
- HFQ 订单造的不平衡因子反而最弱 (HVI/HNI < OFI/TI)
- 非 HFQ 订单造的不平衡因子全面胜出 (nonHVI/nonHNI > OFI/TI)
- nonHNI 是所有因子中预测力最强的 (1.94 bp/min, t=45.32)
机理
| 订单类型 | 行为模式 | 信息含量 |
|---|---|---|
| HFQ 订单 | 高速、掠夺性、博弈性 | 噪声为主——吃的是别人的短期错价 |
| 非 HFQ 订单 | 慢速、需求驱动、估值导向 | 更知情——代表真实供需 |
→ HFQ 订单的方向里更多是噪声与博弈；慢速资金订单的方向里才藏着更知情的需求。
可移植的分解维度
| 分解维度 | 预期效果 |
|---|---|
| 是否 HFQ (lifespan < 500ms) | 慢速资金订单更聪明 (Shen 2023) |
| 是否扫单 (ISO) | ISO 订单更知情 (Cox) |
| 订单大小 | 大单往往更知情；小单往往是噪声 |
| 是否尾盘 | 尾盘单往往更知情 (主成分是流动性需求) |
| 是否竞价时段 | 集合竞价单反映开盘前的累积信息 |
| 是否算法拆单 (child order) | 算法拆单隐藏母单意图，难以辨别方向 |
对量化研究的启示
- 剔除噪声交易者原则——这是 Cox-Shen 路线的核心
- 不直接用订单流——先按 HFQ/ISO/大小分类，剔除噪声子集
- "信息含量"测度——可以把多空收益的 t 值作为子集信息含量的代理
- 因子构造时即考虑分流——例如构造"非 HFQ 量不平衡"作为独立因子
美股基准对照：Ait-Sahalia 等 2022
本页的结论（A 股上 TI 强于 OFI）在美股有一个重要对照。Ait-Sahalia Fan Xue Zhou 2022 High-Frequency Predictability 用 2.3 TB 全量 TAQ、101 只标普 100 成分股报告：
源自成交记录的变量，预测未来收益的效果优于源自订单簿状态与演化的变量。
本页结论与之一致——两边都指向"成交侧比订单簿侧更有用"。差别在于：
| Cont 等 (2014) 美股 | Shen (2023) A 股 | Ait-Sahalia 等 (2022) 美股 | |
|---|---|---|---|
| 问题 | 同期解释力 | 预测力（十分组多空） | 预测力（样本外 R^2） |
| OFI vs TI | OFI 65% ≫ TI 32% | TI 1.71 > OFI 1.36 | 成交侧 > 订单簿侧 |
| OFI 性质 | contemporaneous | — | — |
Cont 的解释力优势不迁移到预测，A 股与美股在预测口径上反而一致。
为什么 A 股的反差比美股更大？ A 股逐笔成交自带买卖双向委托号，可直接判定主动方（见 concepts/data-features/逐笔成交的双向委托引用 (Bid-Offer Order Reference)），而美股 TAQ 需要 Lee-Ready 类规则推断；同时 A 股的事件级 LOB 侧受沪市 3 秒快照限制（见 concepts/data-features/Level-2 档位与委托队列 (L2 Depth and Order Queue)）→ 成交侧质量更高、订单簿侧分辨率更低。
这解释了为什么 A 股上"剔除机器人订单后更强"（本页结论）在美股不明显：美股的 TI 本身就带推断噪声，拆分的信息增益较小。
⚠️ 同名不同义：本页 vs 分解的订单流不平衡（2026-10-21 补记）
本 wiki 现在有两个都叫「订单流分解」的东西，容易混：
| 本页（Shen 2023 路线） | 分解的订单流不平衡 (Decomposed OFI) | |
|---|---|---|
| 拆的维度 | 订单的速度 / 投资者类型（HFQ vs 非 HFQ） | 订单簿事件类型（add / cancel / trade） |
| 数据要求 | 逐笔成交即可 | 需要 MBO（逐笔委托） |
| 核心结论 | 剔除机器人订单后，剩余订单流的信息含量反而更高 | 同期无提升，但前瞻 PnL ×5；add 那一支最重要 |
| 来源 | Shen (2023)，A 股 | Sitaru-Calinescu-Cucuringu (2023)，美股 |
两者正交，可以叠加：先按事件类型拆，再按参与者/速度拆。
详见 concepts/microstructure/分解的订单流不平衡 (Decomposed OFI)。
与本 wiki 其他概念的连接
- concepts/microstructure/高频收益可预测性 — 美股的高频预测基准；本页结论与之在"成交侧 > 订单簿侧"上一致
- concepts/microstructure/Order Flow Imbalance (OFI) — OFI 的完整定义与"同期最优 ≠ 预测最优"的辨析
- HFQ 高频报价识别 (Lifespan Threshold) — 分解的"是否高频"开关
- 摩擦因子与高频拥挤 — 本概念的拥挤版
- A 股 vs 美股高频市场质量 — 分解后的非 HFQ 流是市场质量的真正来源
- 预测回归诊断 — 十分组检验 + Newey-West 调整的实现细节
引用
- Cox 等: ISO 订单流分解原型
- Shen (2023): A 股 HFQ vs 非 HFQ 分解
- 同名页（勿混）: 分解的订单流不平衡 (Decomposed OFI · 中文摘要
- 中文摘要：summaries/202608-quote-occupancy-price-impact-factor-predictability/202608-quote-occupancy-price-impact-factor-predictability