price-gaplimit-order-bookliquiditymultifractallong-memorypower-lawchinaszsemicrostructureequity

订单簿价格间隙 (Limit Order Book Price Gap)

大白话：买一和买二之间差多少钱、卖一和卖二之间差多少钱。这个"落差"反映了流动性有多薄——间隙越大，说明那个价位上挂的单越少，稍微一点卖压就会打穿它跳到下一档。

定义. 最优占用价与次优占用价的绝对对数差（买一与买二之间、卖一与卖二之间）。见 Gu Xiong Zhang Chen Zhang Zhou 2014 Price Gaps Chinese Stocks。

为什么重要：间隙驱动大幅波动

一条贯穿文献的证据链：

研究 结论
传统量价关系 价格波动与成交量在 1 分钟–1 个月各尺度都正相关
Farmer 等 (2004)，LSE 大幅价格波动本质上与订单量无关，而是由对手方订单簿前几档之间的间隙驱动
Weber & Rosenbaum (2006) 大成交量本身不足以解释大幅波动，流动性匮乏是必要前提
Joulin 等 (2008)，163 只美股 新闻与成交量作用都很小
Zhou (2012a)，中国 成交量对价格波动起显著作用 ← 与上述西方结论相反

最后一条是中西方的重要对照：中国市场中成交量是显著驱动因素。

A 股的三个统计特性（深交所 26 只，2003）

一、幂律尾，尾指数约 3.2

所有股票的间隙分布累积函数在尾部遵循幂律，尾指数接近 3.2。

跨市场对照：

市场 研究 尾指数
深交所 本文 约 3.2
LSE Farmer 等 (2004) 1.6 – 2.8
EUR/USD、USD/JPY（EBS Spot） Lallouache & Abergel (2013) 小数化间隙随价格水平递减，买卖两侧不随时间变化

A 股的间隙尾部比 LSE 轻。可能与固定 tick（0.01 元）和价位高低的关系有关——以 log 差衡量时，高价股的间隙系统性偏小。本 wiki 记录为未验证假设。

二、强长程记忆

方法 买方 H 卖方 H
DFA 0.714–0.797，均值 0.747\pm0.019 0.697–0.881，均值 0.769\pm0.032
DMA 与 DFA 线性相关 同

全部显著大于 0.5 → 26 只股票都有强长记忆。多数股票 H_s > H_b（卖侧更强）。

三、多重分形

用 MF-DFA 估计，谱宽 \Delta\alpha 度量强度：

侧 范围 均值
买方 [1.25, 1.86] 1.46 \pm 0.16
卖方 [1.12, 1.91] 1.46 \pm 0.20

\Delta\alpha \approx 1.46 相当大——间隙序列有很强的多重分形结构。

两个方法论要点（比结论更重要）

1. 打乱对照：区分"重尾造成的假象"与"序列的真实相关"

论文把间隙序列随机打乱 100 次再重算：

检验 打乱后 结论
记忆效应 H_{\text{SFL}} 趋近 0.5 边际分布不影响记忆效应，长记忆是序列内在的
多重分形 \Delta\alpha_{\text{SFL}} 仍大于零 有限尺寸效应造成虚假多重分形；但原始 \Delta\alpha 显著更大 → 多重分形也是内在的

这是标准做法：有限样本的重尾序列本身就会表现出虚假的多重分形，必须用打乱对照排除。

对因子研究的含义：不能把重尾造成的统计假象当作真实的序列相关。

2. 不普适性

三个性质都因股而异，不是普适的。多重分形谱宽的买卖回归系数在 5% 水平显著 → 多重分形随股票变化。

但买卖两侧共享相似的多重分形性质（回归显著）。

买卖不对称（三个层次，三种答案）

本文的发现（订单簿间隙层面）

统计量 买侧更大的股票数
平均间隙 22 / 26
等于 tick 的间隙占比 \omega 24 / 26
偏度 24 / 26
峰度 23 / 26

但其他层次结论相反

层次 结论
宏观（聚合层面） 卖压冲击 > 买压冲击（Karpoff 1987）
微观（单笔成交层面） 无买卖不对称（Zhou 2012c）
订单簿间隙层面 买侧间隙更大（本文）
机构交易层面（A 股） 卖出冲击 > 买入冲击（Ren & Zhong 2011 Institutional Impact Asymmetry）

买卖不对称是尺度依赖的现象。 本 wiki 记录为未收口——哪个层次对做因子最相关，仍待辨析。

一个结构性观察

  • 订单流率：22 只股票 \mu_b < \mu_a（卖方委托到达更频繁）
  • 平均间隙：22 只股票买侧更大

即：卖方订单流更频繁，但买方间隙反而更大。 流动性与订单流频率不同向。

用途：为 agent-based 模型提供校准事实

论文明确指出这些经验发现可为 agent-based 计算金融模型提供校准依据：

  • Mike & Farmer (2008) 的订单驱动模型能复现收益幂律尾与收益无长程相关，但无法复现波动聚集。
  • Gu & Zhou (2009) 加入委托价格的长期相关后，能复现波动聚集。
  • 本文提供检验标准：若人工市场在价格间隙上与真实市场不符，说明模型缺少成分。

与本 wiki 的 Q-Reactive 队列反应模型 属同类思路——用实证事实校准/检验订单簿模型。

待验证

  1. 尾指数 3.2 vs LSE 的 1.6–2.8 为什么差这么多？ 简单假设：把间隙改用"tick 数为单位"衡量，尾指数是否收敛。
  2. 多重分形 \Delta\alpha \approx 1.46 能否做因子？（例如"当前处于高波动多重分形状态"的预测力）
  3. 间隙的长记忆 H ≈ 0.75 与 Bouchaud 学派的订单流长记忆 H ≈ 0.7 是否相关？ 若间隙的长记忆来自"大单被缓慢消化"，两者可能是同一现象在不同变量上的表现。值得验证。
  4. 2003 年后是否仍如此？ 涨跌停会直接改变间隙形态（触板时限价单堆积，间隙被压缩到 0）。

Cross-ref