高频收益可预测性 (High-Frequency Return Predictability)
大白话：在秒级以下的尺度上，股价的未来方向和大小是可以被预测的，而且比日频/月频的因子预测强得多、也稳得多。但这个能力衰减极快——五分钟后就是抛硬币，而且八成的预测力来自最近 10 毫秒。
核心命题. Ait-Sahalia Fan Xue Zhou 2022 High-Frequency Predictability：与低频段"可预测性稀少且不稳定"相反，高频段的收益与持续时间可预测性大、系统、普遍。
与低频预测的根本差异
| 低频、长周期 | 高频、超短周期 | |
|---|---|---|
| 可预测性 | 稀少、不一致、难识别 | 大、系统、普遍 |
| 信噪比 | 低 | 高 |
| 预测关系稳定性 | 不稳定 | 稳定 |
| 是否随竞争消失 | 会（资产管理竞争 + 投资者学习） | 更可能持续 |
为什么高频可预测性更持久：技术成本高、进入壁垒高、且超短预测力的保鲜期极短（几分钟就衰减完），竞争者来不及套利就已经失效。低频因子则相反——一旦被发现就会被迅速套利掉。
间接证据：HFT 公司过去十五年持续的高额盈利（Virtu 2014 IPO 文件称 1,238 个交易日仅 1 天亏损）不太可能仅靠做市服务费获得，必然包含对短期订单流或价格方向的某种预测能力。
预测力有多强（美股基准）
Ait-Sahalia Fan Xue Zhou 2022 High-Frequency Predictability，101 只标普 100 成分股，2019–2020 全量 TAQ（约 2.3 TB），117 个构造特征：
| 任务 | 中位数股票的样本外表现 |
|---|---|
| 5 秒收益预测 | R^2 \approx 10.5% |
| 下一笔成交方向 | 准确率 64% |
| 到下一批 10 笔成交的持续时间 | R^2 \approx 9.8% |
几乎所有关心的量都强而一致地可预测：价格变动、方向、幅度、动量，以及订单与成交到达之间的持续时间。
这是一个下界：论文只用该股票自身的成交与报价，而市场参与者还能在多个关联交易所异步观察订单流。
哪些变量有用
| 预测目标 | 主要有效变量 |
|---|---|
| 收益与方向 | 订单簿不平衡、近期成交不平衡、过去成交收益 |
| 持续时间 | 近期成交量的统计量 |
关键且反直觉的一条：源自订单簿状态与演化的变量，预测未来收益的效果不如源自成交记录的变量。
这与 Cont Kukanov Stoikov 2014 Price Impact Order Book Events 的"OFI 解释力 65% ≫ TI 32%"看似相反，但两者不矛盾——见下方辨析。
什么决定可预测性的横截面差异
收益与方向的可预测性更高，当股票：
- 股价较低
- 流动性较差
- 波动率较低
- 与市场整体相关性较低
加上股票与日期固定效应，解释了 5 秒收益 R^2 近四分之三的变异。
方向相反：持续时间的可预测性在流动性好、波动率高时更高。
"低流动性、低波动、低相关股票更可预测"是反直觉的——直觉上活跃大盘股更好预测。合理解释是信噪比：这类股票信息含量分散、订单流模式更独特，模型更易捕捉。
衰减速度与延迟代价（本文最实用的部分）
| 结果 | 数字 |
|---|---|
| 80% 的总可预测性 | 来自最近 10 毫秒 / 10 笔成交 / 10 手 |
| 日历钟延迟 10 ms | 样本外 R^2 从 14% 跌到 2.5% |
| 收益可预测性完全消失 | 5 分钟内（约 2,000 笔成交 / 2,000 手） |
5 分钟后二元的方向预测与抛硬币无异。
这量化了"为什么 HFT 花数亿美元建微波塔把纽约到芝加哥单程延迟砍掉约 0.5 毫秒"。
方法论要求：任何高频策略的回测必须显式建模数据延迟，否则结果不可用于实盘。
偷看未来订单流的收益
模拟 HFT 的（不完整的）前瞻能力——在 5 秒窗口内偷看未来成交方向：
| 指标 | 无偷看 | 有偷看 |
|---|---|---|
| 5 秒收益样本外 R^2 | 14% | 27% |
| 方向准确率 | 68% | 79% |
预测力几乎翻倍。 论文明确不判断交易者现实中能否推断未来订单流方向，但这种能力非常有价值。
方法论：特征工程 > 算法选择
论文对比了统计模型（LOB 概率模型，需先假定函数形式）与机器学习方法（神经网络、随机森林、LASSO）：
具体算法选择影响很小，只要训练数据相同、调优程度相当。
即：算法之间的差别，远小于数据质量与特征工程的差别。
与 Cont 2014 的辨析（重要，不是矛盾）
| Cont 2014 | Ait-Sahalia 等 2022 | |
|---|---|---|
| 问的问题 | 同期价格变动的解释力 | 未来收益的预测力 |
| 口径 | R^2（解释） | 样本外预测 |
| 结论 | OFI 65% ≫ TI 32% | 成交侧变量优于订单簿侧 |
三点理由说明两者可同时成立：
- 对象不同——Cont 解释"这一秒内价格为什么动了"；Aït-Sahalia 预测"下一秒会不会涨"。
- 同期最优 ≠ 预测最优——一个变量可以极好地解释当期价格变动，却不提供前瞻信息。Cont 论文自己就强调 OFI 是 contemporaneous 的。
- Aït-Sahalia 也把 OFI 列为收益预测的有效变量之一，并非说订单簿信息无用，只是不如成交侧。
A 股对照（待验证）
| 维度 | 美股 | A 股 |
|---|---|---|
| 主动方判定 | TAQ 无信息，需 Lee-Ready 类规则推断 | 逐笔成交自带双向委托号，可直接判定 |
| LOB 分辨率 | 事件级 | 沪市快照约 3 秒一帧，事件级 LOB 重建受限 |
| 涨跌幅限制 | 无 | 触板后价格被锁定，可预测性可能呈现"平台上再跳" |
| T+1 | 无 | 日内无法卖出，做市与方向策略受限 |
"成交侧优于订单簿侧"在 A 股可能更极端——成交质量更高、LOB 侧分辨率更低。这是一个干净的对照实验。
"低流动性、低波动、低相关股票更可预测"能否在 A 股复现，若成立对选股有直接含义。
跨资产扩展：A 股的 tick 级实证
Li Chen Liu 2025 CFFEX Tick Lead-Lag Spreads 在中金所股指期货上把可预测性扩展到跨资产：最流动的近月合约领先其余月份合约一个 tick（500 毫秒），且领先-滞后价差是预测领先合约收益的盈利信号（样本外 Sharpe 4.86–9.68，扣成本后每笔仍超 1 tick）。
两个对本 wiki 特别相关的点：
- Level-1 快照就够——该研究只有 Level-1 500 毫秒快照，无逐笔数据，仍做出 Sharpe 9.68。A 股沪市快照约 3 秒一帧（见 concepts/data-features/Level-2 档位与委托队列 (L2 Depth and Order Queue)），逐笔数据理论上空间更大。
- 盈利高度集中在极端行情（波动率 >80%、日跳 >5%）。这是"高频 alpha"的普遍警示：A 股做类似回测必须检查盈利是否同样集中在少数极端时段，否则容量不可信。
详见 concepts/microstructure/跨资产领先滞后。
Cross-ref
- 源论文: Ait-Sahalia Fan Xue Zhou 2022 High-Frequency Predictability · 中文摘要
- 作者: Yacine Aït-Sahalia
- 对照: Cont Kukanov Stoikov 2014 Price Impact Order Book Events · concepts/microstructure/Order Flow Imbalance (OFI) · concepts/microstructure/订单流分解 (Order Flow Decomposition)
- A 股数据前提: concepts/data-features/逐笔成交的双向委托引用 (Bid-Offer Order Reference) · concepts/data-features/Level-2 档位与委托队列 (L2 Depth and Order Queue)
- 跨资产领先滞后: concepts/microstructure/跨资产领先滞后（tick 级 A 股实证）· concepts/data-features/Geographic Lead-Lag（日频横截面）