price-impactliquidityorder-book-gapsfat-tailsevent-timelsemarket-microstructureequity

Farmer, Gillemot, Lillo, Mike & Sen (2004) — What Really Causes Large Price Changes?

作者: J. Doyne Farmer（Santa Fe Institute）、László Gillemot（Budapest University of Technology and Economics）、Fabrizio Lillo（INFM, Palermo）、Szabolcs Mike（Budapest）、Anindya Sen（芝加哥大学数学系）。

发表: arXiv:cond-mat/0312703（v2, 2004-04）；正刊 Quantitative Finance 4(4), 2004, 383-397，DOI 10.1080/14697680400008627。PDF 15 页。

一句话总结

「大单造成大波动」是错的。实测显示：给定的市场单规模下，价格变动的分布几乎与订单规模无关——大波动来自订单簿里的价格空隙，而最优价旁边恰好有个空隙时，一个普通大小的单子就能移走最优价、让中间价跳一大步。

数据

  • 伦敦证券交易所（LSE） 的 SETS（全电子化场外柜台市场），16 只高成交量股票，1999-2002 四年
  • 事件总数 40,734 千（市场单 20,033 千、限价单 14,196 千、撤单 6,505 千）
  • 剔除开盘竞价，只用连续竞价时段
  • 论文用 TAQ 做了 NYSE 的小样本对照，结论一致——所以不是 LSE 特有

为什么选 LSE SETS：论文列了三条理由——它是完全自动化的电子市场、我们有其记录每个交易者每个动作的完整流水、订单簿完全透明（所有订单完全可见）。

核心：事件时间而非钟表时间

论文坚持在事件层面研究，中间价 m(t)=(a(t)+b(t))/2 的变动 r_\tau(t) = \log m(t) - \log m(t-\tau)。

三个理由：

  1. 消除时间尺度歧义，便于比较活跃度不同的股票
  2. 最小化波动聚集的影响（|r| 的正自相关）——波动聚集本身也由事件到达率的变异驱动，所以当时间滞后用「间隔事件数」度量时影响减弱
  3. 事件是最基础的描述层次——更长时间尺度的收益可以从事件尺度构建出来

一个方法论依据（论文的论证）：若两个独立变量 X,Y 都有幂律尾、指数分别为 \alpha_X,\alpha_Y，则 Z=X+Y 的幂律尾指数是 \min(\alpha_X,\alpha_Y)。所以只要在事件层面证明幂律尾、且没有强而持续的相关性，任何更长时间尺度也应有同样的指数。

核心结论一：大波动不是大单造成的

分解（式 1）：

p(r|\omega) = \left(1-g(\omega)\right)\delta(r) + g(\omega)f(r|\omega)

g(\omega) 是「中间价随订单规模 \omega 移动的概率」；f(r|\omega) 是「在中间价确实移动的条件下，价格变动 r 的条件分布」。

关键发现：

量 对 \omega 的依赖
g(\omega) 强依赖，LSE 上 g(\omega)\sim\omega^{0.3}
f(r\mid\omega) 几乎不依赖——无条件波动压过了对 \omega 的依赖

实证：把订单按规模分五组，每组的 F(r>X|\omega) 曲线在大 r 处几乎重合，都趋向同一条幂律。

反向检验（更有说服力）：固定「大变动」阈值 X，算 p(\omega \mid r>X)——对不同的 X，得到的曲线几乎相同。也就是说「多大变」与「多大单」关系不大。

结论（论文原话大意）：由大单引起的大价格变动非常罕见，在决定价格变动的统计性质上作用微不足道。

核心结论二：订单规模与流动性确实相关，但不是主因

无条件相关很小（AZN 约 1%），但只对「改变了中间价」的订单，相关飙升到 86%。

表 II 的关键数字（16 只股票平均）：

量 平均值
变价的市场单恰好等于最优价挂单量 V_{\text{best}} 的比例（买单） 85.6%
同上（卖单） 86.0%
非零最优价变动等于第一空隙的比例（卖方） 95.6%
同上（买方） 99.5%

这意味着：对触发价格变动的市场单，它几乎总是「正好吃光最优价」。

存在这种相关的战略理由（论文的解释）：想交易大额的交易者会拆单、看着订单簿、有什么流动性就拿什么。订单簿里量大时他们下大单，量小时下小单。

但论文强调这不是主因——见下一节。

核心结论三：虚拟冲击揭示了答案

虚拟市场冲击 (virtual market impact) 的定义：在时点 t 存于订单簿的限价单定义了显示的供给函数 S(\pi,t)=\sum_{i=\pi}^{a(t)}V(i,t)；虚拟冲击 = 如果此刻投下一个规模为 S 的假想订单，价格会移动多少。

实测结果（AZN）：对 4 个不同假想规模（市场单规模的 0.1 / 0.5 / 0.9 / 0.99 分位数）画出虚拟冲击的累积分布，得到一组大致平行的曲线——它们平移是因为大单的虚拟冲击更大。

最关键的一句：

对市场单规模的中位数（0.5 分位），虚拟冲击曲线与实际收益的分布几乎完全相同。

这说明：典型的价格变动 = 对典型规模订单的价格响应——价格分布是由订单簿的性质决定的，与订单规模的关联不重要。

（论文注明：已剔除虚拟冲击未定义的情形，即假想订单过大时，这些只占约 3% 的事件。）

机制：订单簿的粒度

第一空隙（first gap） 定义为最优价与下一个有报价的价格之间的对数距离：

g = \left|\log\pi_{\text{best}} - \log\pi_{\text{next}}\right|

机制：最优价旁边存在价格空隙 → 一笔（普通规模的）市场单吃光最优价 → 新的最优价跳到空隙的另一端 → 中间价跳了一大步。

论文说这就是几乎所有大回报背后的典型行为。

一个精心设计的检验（图 7）：把第一空隙的累积分布 P(g>x) 与市场单产生的收益的累积分布 P(r>x) 对比。

  • AZN 单只股票：两个分布非常相似
  • 16 只股票平均：甚至更惊人

更强的跨股票检验（图 8）：算 16 只股票各自的收益尾指数与第一空隙尾指数，用 Hill 估计量取最大的 \sqrt{n} 个观测。

检验结果 数值
相关系数 R^2 0.93
最小二乘斜率 0.98 ± 0.05
原假设（尾指数来自同一分布） 无法拒绝

结论：收益的尾指数就是订单簿空隙的尾指数。

一个附加发现：论文还研究了更高阶的空隙 g_n = |\log\pi_{n-1}-\log\pi_n|，发现高阶空隙的尾部行为与第一空隙相同。

对「多空数量级不一致」的定性解释：这是一个有限尺寸效应，由订单流的粒度造成。在一个参与者把许多小单均匀撒在各价格上的市场里，这样的价格大幅波动不会发生。

核心结论四：三类事件产生的收益分布统计上无法区分

市场单、限价单、撤单造成的收益分布高度相似。16 只股票上三者的 Hill 估计尾指数全部落在彼此的 95% 置信区间内。

市场单 vs 撤单：容易理解——撤掉最优价的量与用市场单吃光最优价，对最优价的效果完全一样，都产生一个等于第一空隙的价格变动。

限价单 vs 市场单：这一点不显然，因为落在价差内部的限价单会收窄价差、让中间价朝与市场单相反的方向移动。

论文的解释路径：限价单虽然方向相反，但它同时贡献了「订单簿中存在这个价位」这件事——而第一空隙的分布正是由被占用的价格位置的分布决定的。所以三类事件的收益尾部最终反映的是同一个东西。

核心结论五：尾指数不是普适的

这是本文一个容易被忽略但很重要的结论。

尾指数与成交活跃度的关系（图 9）：

  • 尾指数取值范围 1.6 到 2.8
  • 误差棒比变化范围小十倍以上
  • 线性拟合的斜率（正收益与负收益两条线）都高度统计显著

结论：尾指数不是普适常数；成交越清淡的股票风险越极端（尾指数越小、尾部越重）。

这与 Gabaix 等 (2006) 的「\delta \approx 1/2」形成直接对照——后者主张尾指数有普适常数。

论文否定的两个已有理论

论文明确点名两个「值得特别提及因为它们给出可检验假设」的理论：

理论 主张 论文的否定
Clark (1973) subordinately 随机过程 订单到达率高度间歇性，固定时间区间聚合导致肥尾 在 LSE 上不成立
Gabaix 等 (2006) 大额订单造成大幅价格变动 在 LSE 上不成立——见第三节

与 Bouchaud 一脉的关系

Bouchaud-Gefen-Potters-Wyart 2004 Farmer 等 2004
问的问题 冲击函数 G_0(\ell) 为何衰减 大波动从哪来
答案 两个对抗力量（流动性提供者 vs 索取者）在临界点精确抵消 订单簿的空隙——流动性本身在波动
数据 Euronext Paris，逐笔 LSE SETS，事件级
时钟 逐笔时间 事件时间（更细）
是否否认大单的作用 不否认（G_0 里含 \ln V） 明确否认——大单引起的大变动「作用微不足道」

两篇的结论并不冲突但侧重点不同：Farmer 等说的是给定 \omega 时，f(r|\omega) 与 \omega 无关；Bouchaud 等说的是给定 \omega 时，G_0 的时间结构 \ell^{-\beta}。前者解释「为什么会跳一大步」，后者解释「跳完之后还会不会回来」。

论文自陈的边界

  • 只研究了市场单/限价单/撤单三类事件，没有考虑大额市价单拆单的完整序列（脚注 10 承认：「在大的买价或卖价变动之后，下来的订单倾向于是限价单，但我们还没能详细研究后续事件序列的统计性质」）
  • 虚拟冲击有约 3% 的事件未定义（假想订单过大时）
  • SHEL 这只股票的行为异常（71% 的限价单挂在簿内、撤单 86% 在簿内），论文说「不知道原因」，但注意到它交易量最大且尾指数第二高
  • NYSE 只做了小样本对照（TAQ 数据）
  • 未给出「如何预测」——只解释机制

对本 wiki 的位置

数值速查

量 值
股票数 / 期间 16 只 LSE，1999–2002
事件总数 40,734 千（市场单 20,033、限价单 14,196、撤单 6,505）
g(\omega) 的标度 \sim\omega^{0.3}
变价市场单恰好吃光最优价的比例 85.6%（买）/ 86.0%（卖）
第一空隙与收益尾指数的 R^2 0.93
回归斜率 0.98 ± 0.05（无法拒绝斜率为 1）
尾指数范围 1.6 – 2.8（与成交量正相关）
虚拟冲击未定义的事件占比 约 3%
限价单挂单位置分布 簿内 35% / 最优价 33% / 价差内 32%