订单流与流动性 (Order Flow & Liquidity)

OFI、订单不平衡、买卖价差估计、价格发现——从逐笔数据读出流动性状态。共 43 篇论文 entity。 每条格式: 「entities/页名」形式的链接 — 一句话要点。 返回: Entities 总索引 · Quant Wiki 总索引

• entities/Guangfa 2026 Level 2 Cancel Factors — A 股每成交 1 手就几乎有 1 手被撤单, 撤单不该被当成成交的边角料: 基于 Level 2 逐笔订单的撤单记录构造 84 个日频因子, 分六族 (活跃度与规模 / 买卖方向 / 部分撤单 / 日内时间结构 / 快速与普通对比 / 时长分类); 每个因子都有原始 / 5 日 / 20 日平滑三版; 活跃度族 9 个因子 IC 全为负 (diag_log_cancel_count −9.24%), 时间结构族越平滑越强 (time_close_minus_open_count_share 3.80% → 20 日 6.08%); spec_share_within_normal_count 原始 IC 5.44%、十分档多头全样本年化 20.03%; 全文未给任何因子的构造公式
• entities/Xingye 2022 Return Distribution Factors — 日内收益率分布的六个常见因子 + 两个噪声偏离因子 (nos): 从分钟收益率的分布形态刻画投资者行为; 是系列三「极端收益因子」与系列四「成交量分布因子」的共同前身
• entities/Xingye 2024 Intraday Domain Information Alpha — 把一天切成几块「交易环境」再比「这只股票跟同一天其他股票差多少」: 三维度 (时间/价格/成交量) 分域, 分域用的数据与域内刻画用的数据不是同一个; 显著性算法 (Cosemans & Frehen 2021) 的输入从收益率换成域内特征; 股票间一侧走分域 → 域内标准化 → 域内相关再跨域平均, 用成对相关性矩阵定义「同伴」; peerDS_byT IC 0.043 多空 34.22%, intraDSVol_byT 夏普 5.55; 同伴因子正交化后与底层因子相关均值降到 0.1
• entities/Xingye 2023 Time Series Information Alpha — 把「日内数据换个时间顺序统计量就会变」做成七个日频因子: 时序信息判据 g=f(\mathrm{Reorder}(data))\ne f(data); 一阶自相关三族 (相关系数 / D-W / AR(1) 残差) + 非同步交易程度 LBQ (多回望区间 LB 检验 Q 统计量序列的标准差) + 条件分布 highStdRtn_mean + 自相关修正 VaR rtn_condVaR (二元正态, \rho = 前后分钟对数价格相关) + 泊松概率化的 flashCrashProb; vol_foc 夏普 9.56; 复合因子全市场周度 Rank IC 6.64% / 月度 8.07%
• entities/Xingye 2022 Market Microstructure — 深度/紧密度/弹性三维度 × 六个分钟级指标刻画微观流动性: 订单比率 OR / shallowLIX / 报价差 QS / 有效价差 ES / 交易弹性 / 修正 Roll; 统一转过去一年历史分位数消掉市值影响; 紧密度与涨跌同向、深度与市场位置反向; 微观看盘多空年化 34.92% / 多头 20.02% / 收益风险比 1.344
• entities/Xingye 2022 Volume Distribution Alpha — 只看一天的成交量怎么分布, 不分买卖方向: 7 个常见因子 (对数 / 15 分钟变化率 / 累计) + 6 个异构因子 (分桶熵 / 极大值 / 同价成交量); vol_maxmean 多空 50.38% 多头 23.93% 夏普 6.08; vsa_ratio 夏普 5.02 回撤仅 −4.89%
• entities/Xingye 2022 Return Distribution Alpha — 从日内收益率分布里挖三类因子: 极值 (展望理论: 亏损冲击 > 盈利) 拆偏度成涨/跌两端; 混合高斯 (Clark 1973 + EM) 把「震荡期」与「跳价期」分开, 刻画大额投资者操作能力; gmm_meandif 多空 52.80% 夏普 8.05; 但与 real_skew 时序相关 0.76, 正交化后多空掉到 23.63%
• entities/Xingye 2024 Association Information Alpha — 把「关联信息」拆成全局 / 局部 / 典型形态三层: 全局用转移熵刻画量价的非线性有向因果 (价格变动反过来成为供求变化的「因」); 局部把自然时间按成交量重切成 50 个「交易时间」, 转换后分钟收益峰度 26.78 → 16.94; 典型形态把日内深 V 的下跌腿减去上涨腿再概率化, flashCrashProbV IC 0.031 (原版 flashCrashProb 仅 0.014); te_Comb 多空 48.72% 夏普 5.17
• entities/Xingye 2026 Trading Anomaly and Divergence Alpha — 异常成交 + 分歧状态 → 分歧命中: 条件分位数回归识别异常放量/缩量; CSAD 分组回归 + 分钟级稀疏回归识别收敛/分歧/线性三态; vr_quantile_resid_corr IC 0.048 / 多空 34.60%; 贝叶斯收缩对放量有效对缩量有害 (真实异质性 47.34% vs 61.53%)
• entities/Tao Day Ling Drapeau 2020 Detecting Spoofing — 把 spoof 写成可求最优解的静态模型: 假单被成交概率 q 吃掉全部收益; 失衡接近 1/2 时最容易出现 spoof; 检测 = 条件化 + 2-Wasserstein 距离; TMX 10 只股票; 作者自陈"绝不是最终答案，只是第一步"
• entities/Hasbrouck 1991 Information Content Stock Trades — VAR 框架下的成交信息含量: 成交「创新项的最终价格影响」= 永久冲击 = 信息份额; 价差 VAR 中 80 家中 77 家拒绝交易变量系数为零; 大单使价差暂时走阔 (与 Easley-O'Hara 一致)
• entities/Abdi Ranaldo 2017 CHL Estimator — CHL 价差估计量 (日频 OHLC + 用收盘价判定方向); 无报价数据时最准: 横截面相关性 0.74 (Daily TAQ) / 0.86 (Monthly TAQ) vs 其他日频估计量 0.37–0.83; 低流动性股票上优于 Corwin-Schultz (后者对低成交股明显低估); 控制其他 5 个估计量后偏相关性仍显著为正
• entities/Corwin Schultz 2012 High-Low Spread Estimator — 从日频最高最低价估买卖价差; 对 TAQ 相关性 0.873 (Roll 仅 0.694), 平均绝对偏差 0.97%; 闭式解; 给出 NYSE 1926–2005 全样本价差序列
• entities/Lee Ready 1991 Trade Direction — 成交方向推断的起点: tick test 判买 90.9%; 指出报价法两个硬伤 (>50% 报价变动先于成交记录, 35% 成交价在价差内); 价差内成交不是买卖各半 —— 挑战 Roll 1984 的前提
• entities/Hasbrouck Seppi 1998 Common Factors in Prices Order Flows and Liquidity — 订单流的共同性解释收益共同性的约一半 (典型相关 0.83; 收益第一特征值 6.32 = 30 的 21%); 但流动性共同因子很弱; 正常交易日不表征危机时
• entities/Brogaard Hendershott Riordan 2014 HFT and Price Discovery — HFT 拆成吃单与挂单得到相反结论: 吃单提升价格效率, 挂单被逆向选择
• entities/Nagel 2012 Evaporating Liquidity — 短期反转 = 流动性供给报酬; VIX 系数 0.22, R^2=0.07; 危机期收益涨 10 倍
• Li Chen Liu 2025 CFFEX Tick Lead-Lag Spreads — 中金所股指期货跨期逐笔领先滞后; Level-1 500ms 快照即可; 扣成本后每笔盈利 > 1 tick
• Hu & Zhang 2025 CSI 300 OFI Response Ratio — CSI300 股指期货 OFI 冲击的随机动态; OU+Lévy 建模; 指标匹配与状态依赖
• Zhang Gu Xu Xiong Chen Zhou 2017 Power-Law Tails — 深交所订单不平衡分布形态: 重尾、正负尾不对称、A/B 股相反; 决定了因子该用什么分布族建模
• Zhang Zohren Roberts 2018 DeepLOB — Inception+LSTM 订单簿预测; FI-2010 F1≈75; 跨品种迁移是核心证据
• Anantha Jain 2024 Forecasting OFI Hawkes — Hawkes 预测 OFI 近端分布; 指数和核最优 (马尔可夫→计算便宜)
• Sungwoo Kang 2025 Matched Filter Normalization — 订单流该除以什么; 匹配滤波原则; 参与率谬误 + 知情执行者假说
• Garleanu Pedersen 2012 LQ-Dynamic MVO
• Nagel 2012 Arbitrage Capital
• Bennett Cucuringu Reinert 2022 Lead-Lag Network Clustering
• Cucuringu Li Sun Zanetti 2020 Hermitian Adjacency
• Cartea Cucuringu Jin 2023 SPONGE
• Collin-Dufresne Daniel Saglam Moallemi 2014 Dynamic Asset Allocation
• Hauptfleisch Putnins Lucey 2016 Who Sets Price of Gold
• Lu Malliaris Qin 2023 Overnight Intraday Spread
• Shanghai Stock Exchange (上交所)
• Shenzhen Stock Exchange (深交所)
• Sobti Sehgal Ilango 2021 Price Discovery 24h Gold
• Heston Korajczyk Sadka 2010 Intraday Periodicity — 同一半小时隔日延续 40 天; 首日 +3.01 bp; 非 13 倍数滞后的反转全是跳动; JF 65(4)
• Chordia Subrahmanyam 2004 Order Imbalance — 日频订单不平衡; 滞后正向预示收益, 控制当期后反号; NYSE 1988-1998; JFE 72(3)
• Wei Wenling 2026 Trading-Session Decomposition
• Xiang 2023 THGNN Price Direction
• Madhavan 2000 Market Microstructure Survey — 本 wiki 唯一的入口级综述 (JFM 3(3), 约 1800 次引用); 提出网络外部性谜题与做市商谜题; ⚠️ 2000 年综述, 未覆盖 LOB 主流化/算法交易/碎片化全面展开
• Roll 1984 Implicit Effective Spread — 价差 = 2√(−cov), 只需日频价格序列; 一阶自相关 −1/2; ⚠️ 扫描件 OCR
• Hasbrouck 1995 Information Share — 信息份额度量跨市场价格发现; NYSE 中位数 92.7%; 论文自承三个方法论弱点
• Keim Madhavan 1995 Anatomy of Trading — 下单行为解剖; 卖出更急躁 (被动比例 27.0% vs 30.6%); 95% 完全成交
• Keim Madhavan 1996 Upstairs Market — 大宗交易前 4 周信息泄露; 临时冲击凹函数; 交易日永久冲击 −1.50%