long-memoryorder-flowmarket-efficiencyliquiditysign-autocorrelationorder-booklsemarket-microstructureequity

Lillo & Farmer (2004) — The Long Memory of the Efficient Market

作者: Fabrizio Lillo（Santa Fe Institute；INFM 与巴勒莫大学）、J. Doyne Farmer（Santa Fe Institute）。

发表: arXiv:cond-mat/0311053（v2, 2004-07）；正刊 Studies in Nonlinear Dynamics & Econometrics 10(3), Article 1, 2004，DOI 10.2202/1558-3708.1226。

⚠️ 作者名更正：本库早期记录误记为「Lillo, Mike & Farmer」，错误。正刊署名是 Lillo & Farmer 两人（无 Mike）。

PDF 19 页。

一句话总结

买卖订单的方向序列有长记忆——同一方向会持续成千上万笔，可预测性高达 75%。按理说价格应该跟着涨，但订单规模与订单簿深度会朝相反方向变动，把这个可预测性抵消掉，于是价格仍是「白色」的。这解释了「有效市场为什么可以有长记忆」。

数据

  • 伦敦证券交易所（LSE）SETS，20 只高成交量股票，1999-2002 四年
  • 事件总数 51,752 千（市场单 25,441、限价单 17,277、撤单 9,034）
  • 完整记录每一笔订单与撤单，且订单簿完全透明
  • 事件时间：一步 = 一个事件（市场单 / 限价单 / 撤单）发生一次

为什么用事件时间（论文明确说明）：这样观察到的长记忆不是日内交易不均匀造成的，而是交易者下单方式的战略性体现。

核心发现一：订单符号有长记忆

每个事件标为买或卖（\pm 1）。自相关以幂律衰减：

C(\tau) \sim \tau^{-\alpha}

股票 \alpha
典型值 ≈ 0.6
范围 0.36 < α < 0.77
对应的 Hurst 指数 H ≈ 0.7

正自相关在跨越数千个事件（跨越数天）的滞后上仍统计显著。论文的形容：「市场的记忆长得出奇。」

两个独立的发现：Bouchaud 等 (2004) 在巴黎交易所独立发现了同样的性质（论文脚注 1 说 Bouchaud 等感谢他们在 2003 年 5 月的口头报告）。

论文强调这是首次在「微观」时间序列上证明长记忆——即不是由众多个体事件聚合而成的时间序列（价格收益就是聚合的），而是市场形成的输入。因为时间尺度极短、数据量大，统计置信度很高。

谜题：这么强的可预测性，为什么不赚钱？

长记忆 + 订单有价格冲击 ⇒ 价格收益也该有长记忆 ⇒ 强烈的可预测性 ⇒ 应当能赚到大钱。这与市场有效性矛盾。

论文明确界定它说的「有效」是什么（这个界定很重要）：

这里专指线性有效性，即价格收益序列不含可忽略的时间自相关。这允许存在其他更复杂的非线性模式，并假定存在一个平凡的参照均衡（IID 随机价格过程）。

这个界定是 Fama (1970) 意义上的强有效性，因为信息集就是「近期买卖订单符号的序列」——对 LSE 而言这段时期这些信息是实时公开的。

核心论证一：如果流动性固定，价格必然低效

论文用代理数据（surrogate）做证明。

假设价格对市场单的响应只依赖订单规模、是确定的。市场单下单是长记忆过程，所以生成的价格序列也该是长记忆。

代理数据构造：用 Vodafone 的真实市场单流（规模与符号），配确定性的冲击函数

\Delta p_i = \varepsilon_i V_i^{0.3}

（\beta = 0.3 是为 Vodafone 实测的冲击指数，\lambda 任意取 1）

结果：

序列 Hurst 指数
代理价格序列（确定性冲击） H = 0.66（周期图法）；Lo 检验拒绝短记忆原假设
真实市场单驱动的价格变动 H = 0.53（接近短记忆的 0.5）

这是全篇最有力的对照：用同一批真实订单流，只是改了冲击的假设，得到一个明显低效的市场和一个接近有效的市场。

表 II 的 Hurst 指数（按事件类型分解）：

股票 市场单 限价单 撤单 全部事件
AZN 0.54 0.54 0.53 0.47
LLOY 0.54 0.54 0.51 0.50
SHEL 0.52 0.50 0.43 0.41
VOD 0.54 0.50 0.51 0.50

每一类事件单独看都是接近有效的，而全部事件合起来反而 Hurst 更低——论文说这提示「一种协同效应：一类事件对另一类事件均值回归」，与 Bouchaud 等 (2004) 的解释一致。

一个重要的方法论坦白：Lo 检验在这个数据上给出不确定的结果——因为 (i) 市场单价格变动的分布有幂律尾、尾指数较小，Lo 检验所需的四阶矩是否有限不确定；(ii) 一阶自相关估计 \hat\rho 为负，无法用式 (5) 找最优 q。所以论文改用周期图法算 Hurst 指数，结论更清晰。

核心论证二：流动性（不相关的）也不足以保证有效性

模型：E(r|V) = \text{sign}(V)|V|^\beta/\lambda。令 \ell_i \equiv 1/\lambda_i（流动性的倒数），假设它与订单符号和规模都不相关。

价格变动 a_i \equiv \varepsilon_i V_i^\beta 是长记忆的，于是（式 10）：

\gamma_{\Delta p}(\tau) = E(\Delta p_{i+\tau}\Delta p_i) = \gamma_a(\tau)\left(\gamma_\ell(\tau) + E(\ell)^2\right)

因为 \ell > 0、E(\ell) > 0，括号项不可能为零，所以 \gamma_{\Delta p}(\tau)\neq 0。

结论：流动性波动与订单流不相关时，市场不可能是有效的。 流动性必须是相关地变动。

核心发现二：相对流动性反向响应可预测性

相对流动性的定义（本篇的关键构造）：市场单的规模 ÷ 对面最优价的挂单量（例如买单相对最优卖价的量）。

检验方法：构造一个自回归模型预测下一笔订单的符号

\hat\varepsilon_t = \sum_{i=1}^{N} a_i \varepsilon_{t-i}

（N 通常约 50，普通最小二乘拟合）

数值例子：\hat\varepsilon_t = 0.5 时，下一笔是买单的概率为 75%。

核心结果（图 8，穿透概率随符号可预测性的变化）：

情形 预测正确时的穿透概率 预测错误时的穿透概率
符号不可预测（\hat\varepsilon_t \approx 0） 约 58% 约 56%
符号高度可预测（\|\hat\varepsilon_t\| \approx 0.5） 约 48% 约 61%

读法：当可预测性高时，市场会降低「预测符号的那一笔单穿透最优价」的概率。

机制有两种可能：对面最优价的挂单量更大，或下一笔市场单的规模更小，或两者都有。

图 9 的另一个证据：市场单规模与对面最优价挂单量之比的对数，其条件期望在符号不可预测时更大、可预测时更小。

效果量级：论文在结论里说这是「很大的效应，相对流动性的变化在 20% 的量级」。

诚实交代：论文说无法确定这主要由市场单规模驱动还是由最优价挂单量驱动——测试结果不确定。有些迹象显示最优价挂单量的变化是主导，但效应只有 1.5%，远小于上述 20% 的效应。论文解释了原因：挂单量与流动性存在大的共同水平漂移，而它们的比值不受水平漂移影响，是更敏感的指标。

核心发现三：订单规模与流动性本身也是长记忆

市场单规模与最优价挂单量都是长记忆过程，自相关函数与订单符号的相似。

论文明确拒绝主张因果方向：

我们并不是要说订单符号的长记忆是「首要的」、规模与流动性的长记忆是它的「后果」，而是说这些现象是紧密关联的——同样可以说，是订单符号的长记忆在调整以抵消规模与流动性的长记忆。

关键点（论文原话大意）：

要增强线性有效性，尽管这三个过程都有长记忆，它们必须在某种意义上「异相」，使它们对价格的作用大致抵消。

论文诚实声明：没有证明这些效应足以保证线性有效性，只证明了它们相当强、方向正确。

核心发现四：机构层面的异质性

LSE 数据库能追踪到机构代码（出于隐私，不同股票代码不同，且每个日历月重新洗牌）——所以分析只能限于单个交易月。

案例：Vodafone 2002 年 7 月，45,774 笔市场单，分布在 155 家交易机构。

集中度极高：最活跃的 12 家机构贡献了超过 70% 的市场单。

结果（修改后的 R/S 检验的 Q_n）：

  • 12 家最活跃机构中有 7 家拒绝短记忆原假设
  • 在 AZN 2001 年 8 月重复：前十家机构中 5 家有明显长记忆，5 家没有

两类机构的画像：

类型 例子 论文的解释
有长记忆 3589（24% 买单，最活跃）、1886（51% 买单） 「相关的下单符号可能是在拆大单——分成小单逐笔下，以最大化利润而不付太多冲击成本」
无长记忆 3007、823 「不相关的下单符号可能表明不同策略，例如做市」

对市场冲击的实际含义（延迟冲击）

这是全篇对交易者最直接有用的一节。

两笔连续市场单的冲击分解（式 12）：

\Delta p_{1\to 2} = \underbrace{\Delta p_1}_{\text{第一笔的即时冲击}} + \underbrace{\Delta p_i}_{\text{期间的限价单/撤单}} + \underbrace{\Delta p_2}_{\text{第二笔的即时冲击}}

若订单流是随机的，应有 E(\Delta p_{1\to2}|V_1) = E(\Delta p_1|V_1)。

实测（图 12a）：

  • E(\Delta p_i|V_1) 几乎为零 → 限价单与撤单在两笔市场单之间的价格回退作用是边际的
  • E(\Delta p_2|V_1) 明显为正且随 V_1 上升 → 来自市场单符号与规模的强时间相关
  • 所以 E(\Delta p_{1\to2}|V_1) 明显大于 E(\Delta p_1|V_1)

推广到多笔（图 12b）：固定 V_1，E(\Delta p_{1\to m}|V_1) 是 m 的递增函数（m=2,3,4,5,6,10）。

但对足够大的 m，它变得与 m 无关。

交易含义：一笔市场单之后的延迟冲击会持续累积，因为后续同向订单会继续推价格——这与「冲击大部分是永久的」的直觉相反，但也与「平台期」的观察一致。

与 Bouchaud 等 (2004) 的对照（论文自己列的）

论文详细对比了两种解释，这是理解两篇关系的关键：

Bouchaud-Gefen-Potters-Wyart 2004 Lillo & Farmer 2004
流动性怎么处理 假设一个常数均值回归的传播子——等价于假设流动性不与订单流趋势相关地变动 研究流动性如何反向变动以对抗订单流
冲击的时变来源 冲击本身随时间衰减（很多在几小时到一天内消失） 相对流动性（订单规模 ÷ 对面最优价量）的反向变动
效率靠什么保证 限价单的逆向挂单——后来的限价单抵消掉市场单造成的长记忆永久价格变动 流动性波动——穿���概率随符号可预测性下降
数据 巴黎交易所 LSE
是否都认为限价单/撤单重要 是（核心机制） 否——实测 \Delta p_i 几乎为零

论文明确说自己的结果对 Bouchaud 一派是个修正：「我们提出了两方面的结果，……」（后文未完整读到，但已给出对照表）。

论文自陈的局限

  • 机构分析只能限于单月（隐私保护导致代码每月重洗）
  • Lo 检验在主数据上不确定（四阶矩是否有限存疑 + 一阶自相关为负），改用周期图法
  • 不能说清 20% 的效应主要来自订单规模还是流动性——「我们做了各种测试，结果不确定」
  • 没有证明这些效应足以保证线性有效性，只说它们「相当强、方向正确」
  • 定义上的自我克制：论文说「在不对交易成本做详细估计的前提下，我们对『可忽略』做一个主观判断」
  • 论文明确表示不处理 Lo (1991) 与 Willinger-Taqqu-Teverovsky (1999) 关于 R/S 检验的争论：「我们不会处理这个问题」

对本 wiki 的位置

数值速查

量 值
股票数 / 期间 20 只 LSE，1999–2002
事件总数 51,752 千
符号自相关的指数 \alpha 典型 0.6，范围 0.36–0.77
对应 Hurst 指数 H ≈ 0.7
代理价格序列的 Hurst（确定性冲击） 0.66
真实市场单价格变动的 Hurst 0.53
冲击指数 \beta（VOD） 0.3
\hat\varepsilon_t = 0.5 时的预测准确率 75%
穿透概率（不可预测 → 可预测，正确时） 58% → 48%
穿透概率（不可预测 → 可预测，错误时） 56% → 61%
相对流动性效应的量级 20%
机构集中度 前 12 家占 70%+ 的市场单
有长记忆的机构比例 12 家中 7 家（VOD）；前十中 5 家（AZN）