Fabre & Challet (2025) — Learning the Spoofability of Limit Order Books With Interpretable Probabilistic Neural Networks
一句话：先训练一个很小的神经网络学出"插入一笔限价单后价格会怎么动"的概率分布，再站在操纵者的角度算一笔账：挂出去比不挂更划算的单子就标记为可疑。核心数字：31% 的大单可以 spoof 市场；可疑单挂在盘口顶端的占 0%。
完整引用: Fabre, T., & Challet, D. (2025). Learning the Spoofability of Limit Order Books With Interpretable Probabilistic Neural Networks. arXiv:2504.15908v1 [q-fin.TR].
机构: CentraleSupélec / Université Paris-Saclay 的 Laboratoire MICS；SUN ZU Lab。
数据: Coinbase 现货，BTC-USD 与 ETH-USD，Level 3 逐笔委托流。建模用 2022-12-01 至 12-07；检测应用用 2024-12-04 至 12-07，共 88,327,661 笔委托。
方法
- 特征：多尺度 Hawkes，核 \phi_{\beta,\eta}(t,v,\delta)=e^{-\beta t}f(v)e^{-\eta\delta}，\eta 是挂单距离尺度。31 个变量（跨资产 62 维）。论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
- 模型：概率型神经网络，单资产偏斜高斯 / 跨资产二元高斯；输入做 Box-Cox 变换；1 个隐藏层、64 个神经元（刻意做小以便实时）
- 判据：\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、真实单未成交平仓损失、假单被成交平仓损失）
关键数字
| 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 | 0%（可疑全部单 0.13%） |
| 对照：正常大单挂顶端 | 4.20%（正常全部单 10.14%） |
| 可疑单 vs 正常单：规模 | 2.6 倍（25,291 vs 9,661 USD） |
| 可疑单 vs 正常单：挂单距离 | 6.7 倍（6.85 vs 1.03 bp） |
| 检测耗时 | < 100 微秒 / 笔委托 |
局限
无部分成交的假设对大额假单明显不成立；假单对应的真实单 q 不可直接观测；交易所数据缺少匿名化交易者 ID → 只能"识别可疑"不能"确认操纵"；跨资产 spoof 检测因此被放弃；未建模撤单事件；T=1 秒固定。