Sitaru, Calinescu & Cucuringu (2023) — Order Flow Decomposition for Price Impact Analysis in Equity Limit Order Books
一句话：把标准 OFI 按订单簿事件类型（挂单 / 撤单 / 成交）拆开，同期解释力不变，但前瞻交易的每美元 PnL 达到 3.15 bp、Sharpe 13.51——而且挂单那一支压倒性最重要。
完整引用: Sitaru, B., Calinescu, A., & Cucuringu, M. (2023). Order flow decomposition for price impact analysis in equity limit order books. In 4th ACM International Conference on AI in Finance (ICAIF '23), pp. 637–645. ACM. DOI 10.1145/3604237.3626874.
机构: 三人均在牛津——Sitaru 与 Calinescu 在计算机系，Cucuringu 在统计系 & 数学研究所；后两者兼 Alan Turing Institute。
数据: LOBSTER 的 market-by-order 数据，标普 500 前 100 成分股，2017–2019（三年），NASDAQ。
代码: github.com/bsitaru/project_ofi（5590 个文件；无 README、无 PDF）
方法
| 项 | 设置 |
|---|---|
| OFI 桶 | 10 秒 |
| 档位 | 前 10 档 |
| 样本内 / 样本外 | 30 分钟 / 紧接着的 30 分钟（时间顺序，非交叉验证） |
| 前瞻视界 | 1 分钟 |
| 模型 | OLS、Lasso |
| 交易策略 | Chinco 等 (2019)：只在预测收益 > 买卖价差时交易 |
事件三分法：add（LOBSTER 1）、cancel（2、3）、trade（4、5、6）。标准 OFI = 三者之和。
隐藏限价单成交不改变订单簿 → 对应 trade OFI 为零。
三个核心结果
1. 同期：分解没有提升
分解版与标准 OFI 解释力相当。三种事件在同期是冗余的。
2. 前瞻：统计上没改善，经济上大幅改善
| 模型 | M_3 PnL/SR | M_7 PnL/SR |
|---|---|---|
| FPI[1] (OLS) | 0.22 bp / 1.24 | 0.68 bp / 5.86 |
| FPI[1] (Lasso) | 0.59 / 2.17 | 1.26 / 5.22 |
| FPID[1] (Lasso) | 1.01 / 4.26 | 2.42 / 10.65 |
| FPI[10] (Lasso) | 0.54 / 2.09 | 1.33 / 5.18 |
| FPID[10] | 1.66 / 6.90 | 3.15 / 13.51 |
样本外 R^2 全为负（最优 −0.082），但 PnL 全为正——论文明确指出负 R^2 不等于没有经济价值。
3. 挂单（add）压倒性最重要
Lasso 变量选择频率：add ≫ cancel > trade，add 被选中的频率约为其他分量的 3 倍；时间滞后越长越重要；档位之间差异很小，唯一例外是最优档的 add 变量（贡献显著高于其他组，这也解释了加档位提升有限）。
另有一个值得记住的数字：53% 的回归只有截距项非零——多数预测其实是常数。
在本 wiki 的位置
- 摘要: 中文摘要
- 喂入概念: 分解的订单流不平衡 · 订单流分解 · Order Flow Imbalance (OFI
- 作者: Mihai Cucuringu
- 实证对接: ClusterLOB —— 本文是 ClusterLOB 附录 A 的方法来源
与 ClusterLOB 的差异（别混）
本文的分解不区分参与者；ClusterLOB 的贡献是把分解后的 OFI 再按参与者簇分开算。两者是叠加关系，不是竞争关系。
A 股的障碍
MBO 数据是硬约束。A 股逐笔成交带委托号，能近似还原 cancel 与 trade，但add（挂单未成交）完全丢失——而这恰是本文发现最重要的分量。此外 T+1 使 1 分钟视界策略无法直接复制。