spoofing 的检测与识别 (Spoofing Detection)
大白话：spoofing（挂假单）= 挂上一大笔根本不打算成交的限价单，把价格推到自己想要的方向，等别人改价之后撤单，再反向成交赚钱。2010 年《多德-弗兰克法案》把它列为重罪（每次 spoofing 最高罚 100 万美元、10 年监禁）。
三篇论文代表三条完全不同的技术路线：从市场结构推导（经济模型 + 统计距离）、从操纵者收益出发（成本函数 + 神经网络）、从数据表示出发（对比学习 + 异常检测）。它们给出的可操作结论高度一致——spoof 几乎不在盘口顶端做。
三条路线的分工
flowchart TB
A["spoof 事件"] --> B["Tao et al. 2020<br/>多档失衡 + Wasserstein 距离"]
A --> C["Fabre & Challet 2025<br/>成本函数 + 概率神经网络"]
A --> D["Lin & Yang 2025<br/>对比表示学习 + 异常检测"]
B --> E["共同结论：<br/>① spoof 藏在深档<br/>② 失衡被压到特定区间<br/>③ 需要多档而非单档信息"]
C --> E
D --> E
路线一：经济模型 + 统计距离（Tao, Day, Ling & Drapeau 2020/2022）
核心量：加权多档失衡
按档位权重 w_k 对各档买卖量加权后取失衡 \iota。w_k 表示"第 k 档挂单对失衡的相对影响"。
核心机制：假单被成交的概率吃掉全部收益
策略成本对比（论文算例）：
| 策略 | 成本 |
|---|---|
| 立即市价买入 | 21 |
| 延迟一周期买 | (1-\bar p)19+\bar p\,23（仅当 \bar p<1/2 更好） |
| 挂假卖单 + 延迟买入 | (1-\bar p)19+\bar p\,23+\boldsymbol{q} |
最后那个 q 是全文的关键：假挂单被成交的概率直接抵消全部 spoof 收益。
由此得出的"更容易出现 spoof"的市场条件：
- 被成交概率 Q_k 小
- 初始失衡接近 1/2——\bar\iota(1-\bar\iota) 在 1/2 处最大，价格朝有利方向移动的杠杆最大
- \mu_+ 大（价格对失衡敏感）
- w_k 相对 Q_k 大
- \rho 大（相对簿深买得太多）
TMX 校准（10 只股票）：市价单量/流动性 \bar\rho 从 BB 的 17.8% 到 CNR 的 89.5%；\mu_+ 从 PPL 的 0.076 到 BB 的 0.467。
检测方法
核心观察：成功的 spoof 必须有一笔市价单成交。所以比较市价单前的失衡 \iota^- 与后的失衡 \iota^+：
- 合法市价单 → 联合分布 (\iota^-, \iota^+) 服从长期稳态
- spoof → 市价单前失衡被压到 \iota_{spoof}(\iota^-)，成交后撤单、失衡回到稳态 → 联合分布明显偏左
三个递进的监控方案：
| 方案 | 做法 | 结论 |
|---|---|---|
| 1 | 只监控短窗 \hat\iota^-_N 偏离长期值 | 不够好（可能只是别的市场模式） |
| 2 | 监控短窗联合分布 vs 长期联合分布 | 仍然非 iid |
| 3 | 条件化监控：给定 \hat\iota^+_N 条件下监控 \hat\iota^-_N | 序列接近 iid，本文采用 |
度量：非参数 2-Wasserstein 距离，比较"到合法失衡的条件分布 K(y,\cdot) 的距离"与"到 spoof 失衡条件分布 K_{spoof}(y,\cdot) 的距离"，前者大于后者即报警。短窗 N\approx100，把 \hat\iota^+_N 分成 L 个等基数桶。
结果（TMX 2017-06-05 至 06-09）：整体上"到 spoof 失衡的距离更小"很少发生交叉；交叉时多为孤立事件。TD 是例外（交叉很多），但 TD 的 \mu_+=0.118 特别低，按论文自己的判据大部分时间 spoof 并不划算。
路线二：成本函数 + 概率神经网络（Fabre & Challet 2025）
思路转变：不问"这笔单子后来撤了没有"，而问"以操纵者视角，这笔单子是否让整体交易更划算"。这是无标签的、逐笔实时的判据。
特征：多尺度 Hawkes + 挂单距离
\phi_{\beta,\eta}(t,v,\delta) = e^{-\beta t} f(v) e^{-\eta\delta}
\beta = 时间尺度、\eta = 距离尺度（挂单离盘口越远权重衰减越快）。本文的首要贡献被作者定位为：第一个研究价格形成对挂单距离依赖结构的非参数研究。31 个变量（跨资产 62 维）。
模型：概率型神经网络
目标 \Delta p\sim D(\Theta(x))，损失为负对数似然；单资产用偏斜高斯、跨资产用二元高斯；输入做 Box-Cox 变换（\lambda_i 由最大化高斯对数似然选出）+ z-score。
网络刻意做小以便实时：1 个隐藏层、64 个神经元、ReLU。
检测判据
\Delta C(Q,\delta)=E[C^a_{spoof}(0,\delta_a,0,q)|x_0]-E[C^a_{spoof}(\delta,\delta_a,Q,q)|x]
\Delta C(Q,\delta)>0 即表示挂这笔假单平均而言比不挂更划算。成本函数含四项：真实单成交收益、假单成交损失、真实单未成交的到期平仓损失、假单被成交的到期平仓损失。
三个最有监管价值的数字
| 指标 | 值 |
|---|---|
| 可 spoof 的大单占比 | 31% |
| 占全部委托 | 7% |
| 可疑单挂在盘口顶端的比例 | 0%（可疑全部单 0.13%） |
| 对照：正常大单挂在盘口顶端 | 4.20%（正常全部单 10.14%） |
可疑单规模约为正常单的 2.6 倍、挂单距离约为 6.7 倍、之后 1 秒的价格变动约为 5.5 倍。
检测耗时 < 100 微秒 / 笔委托（Python + 代码优化）。
路线三：对比表示学习 + 异常检测（Lin & Yang 2025）
研究对象升级：从"单笔假单"到"跨多档的 spoof/layering 事件"；方法论从经济学模型换成表示学习。
架构
- Multilevel LOB Encoder：Transformer，单独预训练重建原始 LOB，预训练后冻结
- Contrastive Fusion Encoder：拼接隐向量与人工特征
- 混合损失 L=(1-\alpha)L_{MSE}+\alpha L_{SCL}（\alpha=0.8 最优；\alpha=0 或 1 都明显更差）
- 过采样（\beta>0）：\beta=0 时对比损失完全无法训练
- 下游用 OC-SVM / Isolation Forest 判别
四条结论
| 结论 | 数字 |
|---|---|
| 最好结果 | JFDS + OC-SVM：AUC-PR 0.675、AUROC 0.975、F4 0.881（原始模式 0.252 / 0.854 / 0.653） |
| 多档操纵更难 | 单档注入 AUC-PR 普遍高于 5 档注入（JFDS 0.308 → 0.260） |
| LOB 必须先被表示好 | 仅用 MSE 损失加 LOB 反而变差（JFDS 0.260 → 0.252） |
| 深档更难 | 只统计第 2–5 档时 AUC-PR 明显下降（JFDS 0.675 → 0.451） |
反例：FEDformer 与 TimesNet 在部分指标上反而下降——通用时间序列模型与 LOB 数据不兼容。CNN2 在级联架构下也性能退化。
三条路线的共同结论
| 结论 | Tao et al. | Fabre & Challet | Lin & Yang |
|---|---|---|---|
| spoof 藏在深档而非盘口顶端 | 实证 w_k 不随深度递减 | 可疑单挂顶端 0% | 深档异常更难检出 |
| 需要多档而非单档信息 | 加权多档失衡是核心信号 | 31 维多尺度特征 | 5 档 LOB 编码器 |
| 单笔行为指标不够，要看联合分布/成本 | 条件化 + Wasserstein | 操纵者成本函数 | 对比表示 + 异常分 |
本 wiki 已有内容与这条线的接口
- 多档失衡的理论源头是 concepts/microstructure/多档订单簿不平衡 (Multi-Level Order Book Imbalance)（Cont 等 2023 的 PCA 整合 OFI）；Tao 等的加权多档失衡 w_k 是同一条线的更早版本，但权重是估计出来的而非 PCA 得到的。两者的 w_k 与 PCA 第一主成分的关系是一个可以做的对照实验。
- Hawkes 特征的方法论谱系见 concepts/microstructure/OFI 的 Hawkes 与 OU 建模路线。
- LOB 深度学习的评价方法论见 concepts/microstructure/LOBFrame 与可交易性评估（p_T 指标）与 concepts/microstructure/LOB 深度学习序列 (Deep LOB Literature)。
- A 股的账户标识缺失是这条路线的最大障碍，见 concepts/microstructure/交易网络与异常模体——没有账户标识就无法确认"这些假单来自同一主体"。本文三篇都依赖某种账户或主体推断（Fabre & Challet 用"规模为整数 + 短时间内集中出现"作代理）。
- 监管背景与 延迟套利与速度军备竞赛 属同一族市场结构问题。
Open Questions
- 三篇论文都不依赖真实操纵事件标签。Lin & Yang 明确说所选 LOBSTER 数据中不存在被报告的操纵，只能合成注入。在有真实执法案例的数据上重做，是这条线最缺的一步。
- A 股能否做 spoof 检测：需要逐笔委托 ID + 完整生命周期（沪市配对缺失 14.2%），且没有交易所的冰山/隐藏标记。Fabre & Challet 的成本函数路线是无账户 ID 下唯一可行的，但它要求 Level-3 逐笔委托流——A 股与港股的 Level-3 门槛极高。
- 多档加权失衡 w_k vs PCA 第一主成分：Tao 等估计的 w_k 与 Cont 等的整合 OFI 权重 w 是否指向同一方向？这可以在同一份数据上直接比较。
- 检测判据的制度敏感性：Fabre & Challet 的 \Delta C 依赖费率假设（Coinbase taker 5 bp / maker 0 bp）。在 maker-taker 倒挂或点差补贴的市场上，阈值会完全不同——A 股 2023 年后部分品种有无券商提供交易费优惠，这对"大单是否值得 spoof"的结论有直接影响。
Sources
- summaries/200914-tao-day-ling-drapeau-detecting-spoofing/200914-tao-day-ling-drapeau-detecting-spoofing — Tao 等，经济模型 + Wasserstein 距离
- summaries/202504-fabre-challet-spoofability/202504-fabre-challet-spoofability — Fabre & Challet，成本函数 + 概率神经网络
- summaries/202508-lin-yang-multilevel-manipulation/202508-lin-yang-multilevel-manipulation — Lin & Yang，对比表示学习 + 异常检测