Zhang, Gu, Xu, Xiong, Chen & Zhou (2017) — Power-Law Tails in the Distribution of Order Imbalance
一句话：A 股订单不平衡分布有幂律尾，尾指数因股而异、正负尾不对称；时间尺度聚合后分布坍缩。本文不产生 alpha，但决定了订单不平衡因子该用什么分布族建模、要不要做重尾处理。
完整引用: Zhang, T., Gu, G.-F., Xu, H.-C., Xiong, X., Chen, W., & Zhou, W.-X. (2017). Power-law tails in the distribution of order imbalance. arXiv:1707.05550（2017-07-18，投稿 Elsevier）。PDF 9 页。
机构: 华东理工大学（数学系 / 经济物理研究中心 / 金融系）、天津大学管理学院、深圳证券交易所。
数据: 深交所 43 只股票（32 A 股 + 11 B 股），整个 2003 年，时间戳精确到 0.01 秒，每只股票 57,840 个数据点。
核心数字
| 指标 | 整体 \alpha（NLSE） | 正尾 \alpha_+ | 负尾 \alpha_- |
|---|---|---|---|
| OIBNUM（按笔数） | 2.60 | 2.56 | 3.03 |
| OIBVOL（按量） | 2.19 | 2.13 | 2.50 |
| 拟合（偏好 Student 的股票数） | OIBNUM | OIBVOL |
|---|---|---|
| NLSE | 24/43 | 40/43 |
| MLE | 6/43（q-指数更优 37/43） | 42/43 |
中心区拟合都很好：\pm5 覆盖 OIBNUM 的 99.49% 样本，\pm3 覆盖 OIBVOL 的 98.61%。差异在尾部。
三个关于尾形态的发现
- 尾指数因股而异（"fluctuates remarkably from stock to stock"），\alpha 与 \alpha_\pm 正相关，NLSE 的线性关系优于 MLE。
- 正负尾不对称——按数学定义（指数越小尾越重）与 Table 2 数值，正尾比负尾更重。
- A 股 vs B 股尾形态相反：OIBNUM 尾指数 A 股较小、B 股较大；OIBVOL 反之。可能反映投资者结构差异（论文未解释）。
基础统计量
- 重尾确认：峰度显著大于 3（高斯为 3）
- 均值多为负：正值占比小于负值占比
- OIBNUM 与 OIBVOL 偏度方向相反——OIBNUM 左偏、OIBVOL 右偏。含义：大额买单占比高于大额卖单，而小额卖单笔数占比高于小额买单。
时间尺度聚合
\Delta t = 5、10、15、30、60、120、240 分钟：
- 分布基本坍缩到一条曲线（标度信号）
- 负尾存在差异（未完全坍缩）
- 尾指数与 \Delta t 无清晰趋势
- 偏度演化方向相反：OIBNUM 左偏且偏度增大；OIBVOL 右偏且偏度减小
⚠️ 记录的两处问题
1. 原文的内部矛盾
结论段先写「左尾的幂律指数大于右尾」，紧接着又说「正尾比负尾更重」——自相矛盾。按数学定义与 Table 2 数值，正尾更重成立，本 wiki 采信数值并如实标注，未替原文修正措辞。
2. 与同批数据论文的张力
本文称深证成指 2003 年全年上涨 29.39%，并用此论证"买单多于卖单 → 正尾更重"。但同批数据的三篇论文都称 2003 年是"熊市"（五年熊市的中间）。更要紧的是：若全年上涨，为什么订单不平衡均值多为负？
可能意味着订单不平衡的均值与市场涨跌方向不同源——或许反映散户净卖出倾向，而非价格上涨的动因。本 wiki 未收口。
对因子研究的价值（本文的实际用途）
- 不能用高斯分布做统计推断——重尾显著，正态假设会让 t 值与分位数分组系统性失真。
- 尾指数因股而异，去极值阈值必须逐股估计。
- MLE 不适合估尾指数（被小值主导），应用 NLSE——这是估计技术上易踩的坑。
- 聚合到 5–240 分钟不改变分布形状（负尾除外），便于跨尺度统一处理。
在本 wiki 的位置
- 摘要: 中文摘要
- 喂入概念: concepts/microstructure/订单不平衡分布 (Order Imbalance Distribution)（新建）· 更新 concepts/microstructure/Order Flow Imbalance (OFI)
- 作者: Wei-Xing Zhou · Wei Chen
- 同批数据（2003 深交所）: Mu Zhou Chen Kertesz 2010 Order Flow Extreme Price Changes · Ren & Zhong 2011 Institutional Impact Asymmetry
文献对照
Shenoy & Zhang（中国）：订单不平衡总体上不能预测后续收益（包括波动最大的子集），只有同期关系显著。这与 Ait-Sahalia Fan Xue Zhou 2022 High-Frequency Predictability 的美股结论形成对照，详见概念页。
一个自然的延伸
尾指数能否预测冲击？ 本文完全没碰冲击。若尾指数重（\alpha 小）的股票对订单不平衡冲击更大，尾指数本身就是一个因子候选。