Gu, Xiong, Zhang, Chen, Zhang & Zhou (2014) — 订单簿价格间隙的经验规律
作者: Gao-Feng Gu（顾高峰）、Xiong Xiong（熊熊）、Yong-Jie Zhang（张永杰）、Wei Chen（深交所）、Wei Zhang、Wei-Xing Zhou（周伟星）。合作单位：华东理工大学（商学院 / 数学系）、天津大学管理学院、中国社会计算与分析中心。
发表: arXiv:1405.1247（2014 年 5 月 6 日，投稿 Elsevier）。PDF 12 页。
一句话总结
订单簿最优价与次优价之间的"间隙"有三个统计特性：分布有幂律尾（尾指数约 3.2）、时间序列有强长程记忆（Hurst 指数约 0.75）、且具多重分形性质（谱宽约 1.46）。这三个特性都因股而异，不具普适性，并存在买卖不对称。
关键：为什么研究价格间隙（price gap）
间隙 = 最优价与次优占用价之间的落差（买一与买二之间、卖一与卖二之间）。
论文引用的一条重要背景链条：
| 研究 | 结论 |
|---|---|
| 传统的量价关系研究 | 价格波动幅度与成交量在 1 分钟到 1 个月的各种尺度上都正相关 |
| 宏观层面 | 卖出量的价格冲击大于同规模买入量（Karpoff 1987） |
| 微观层面 | 不存在买卖不对称（Zhou 2012c） |
| Farmer 等 (2004)，LSE | 大幅价格波动本质上与订单量无关，而是由对手方订单簿前几档之间的间隙驱动 |
| Weber & Rosenbaum (2006) | 大成交量本身不足以解释大幅价格变动，流动性匮乏是大幅波动的必要前提 |
| Joulin 等 (2008)，163 只美股 | 新闻与成交量在造成大幅价格变化中作用很小 |
| Zhou (2012a)，中国 | 成交量对价格波动起显著作用（与上述西方结论相反） |
这最后一条是重要的中西方对照：中国市场中成交量是显著驱动因素，而欧美研究中它不是。
数据与重建方法
- 深交所 26 只 A 股，整个 2003 年（平安银行 000001、中兴… 实际含五粮液 000858、长安汽车 000625 等）。
- 记录所有委托与撤单：提交时间、委托价格、委托数量、订单标识（买/卖/撤单），时间戳精确到 0.01 秒。
- 重建方法：按价格-时间优先规则，从委托与撤单重建完整订单簿（Gu et al. 2008a,b,c 的方法）。
- 在每个事件时刻（委托提交或撤单）得到买卖两侧的 LOB：
- 卖方 LOB 从低到高：a_1, a_2, a_3, \dots
- 买方 LOB 从高到低：b_1, b_2, b_3, \dots
- 价格间隙定义：最优占用价与次优占用价的绝对对数差。
- 只用连续竞价时段（开盘价由集合竞价形成，不计入）。
一、基础统计量
| 指标 | 发现 |
|---|---|
| 订单流率 \mu（每分钟委托数） | 股票间差异极大；\mu_b 与 \mu_a 强相关；22 只股票 \mu_b < \mu_a，4 只相反 |
| 等于 tick 的间隙占比 \omega（tick = 0.01 元） | 买方 0.73–0.99，卖方 0.70–0.99；\omega_b 与 \omega_a 强相关；24 只股票 \omega_b > \omega_a |
| 均值与中位数 | 买卖两侧强相关；22 只股票买侧均值间隙更大 |
| 偏度 | 全部右偏（因均值间隙不足两个 tick）；24 只股票买侧偏度更大 |
| 峰度 | 全部很大；23 只股票买侧峰度更大 |
注意：其他统计量（偏度、峰度、\omega）的买卖相关性远弱于均值与中位数。
一个结构性含义：\mu_b < \mu_a（22/26 只）意味着卖方订单簿的委托到达更频繁，但买方间隙反而更大（22/26 只）——流动性与订单流频率不同向。
二、性质一：幂律尾，尾指数约 3.2
累积分布函数在尾部遵循幂律，所有股票的尾指数接近 3.2。
与欧美对比（重要的方法论对照）：
| 市场 | 研究 | 尾指数 |
|---|---|---|
| 深交所（本文） | — | 约 3.2 |
| LSE | Farmer 等 (2004) | 1.6 – 2.8 |
| EUR/USD、USD/JPY（EBS Spot） | Lallouache & Abergel (2013) | 小数化间隙随价格水平递减，买卖两侧不随时间变化 |
尾指数 3.2 vs LSE 的 1.6–2.8 差异明显——A 股的间隙尾部比 LSE 轻。
三、性质二：强长程记忆
用两种方法估计（DMA 去趋势移动平均、DFA 去趋势波动分析），结论一致：
| 方法 | 买方 H | 卖方 H |
|---|---|---|
| DFA | 0.714–0.797，均值 0.747\pm0.019 | 0.697–0.881，均值 0.769\pm0.032 |
| DMA | 与 DFA 线性相关 | 同 |
全部显著大于 0.5 → 26 只股票的间隙序列都有强长记忆。
多数股票 H_s > H_b（卖侧记忆更强）。
一个重要的方法论检验：打乱对照
论文把间隙序列随机打乱 100 次，重算指数 H_{\text{SFL}}：
- 打乱后指数趋近 0.5（明显小于原值）
- 结论：间隙的边际分布不影响它的记忆效应，长记忆是序列内在的
这是把"分布的重尾"与"序列的相关性"区分开的标准做法，结论对因子研究有意义：不能把重尾造成的假象当作长记忆。
四、性质三：多重分形
用 MF-DFA（多重分形去趋势波动分析）估计，通过 Legendre 变换得到多重分形谱 f(\alpha)。
谱宽 \Delta\alpha = \alpha_{\max} - \alpha_{\min} 度量多重分形强度（越大越强）：
| 侧 | 范围 | 均值 |
|---|---|---|
| 买方 \Delta\alpha_b | [1.25, 1.86] | 1.46 \pm 0.16 |
| 卖方 \Delta\alpha_s | [1.12, 1.91] | 1.46 \pm 0.20 |
26 只股票全部有多重分形。
关键的排除性检验（打乱对照）
论文同样把序列打乱 100 次，算 \Delta\alpha_{\text{SFL}}：
- 打乱后 \Delta\alpha_{\text{SFL}} 也大于零——这是有限尺寸效应造成的虚假多重分形（Zhou 2012b）。
- 但原始序列的 \Delta\alpha 显著大于 \Delta\alpha_{\text{SFL}}
- 结论：多重分形是内在的，不是强线性相关造成的
五、不普适性（论文明确强调）
论文对三个性质都做了跨股票检验，结论一致：这些特征因股而异，不是普适的。
具体地，多重分形谱宽的买卖回归系数在 5% 水平显著（\Delta\alpha_b 的 p 值接近零）→ 多重分形性质随股票变化，不具普适性。
但买卖两侧共享相似的多重分形性质（回归显著）。
六、买卖不对称（个股层面）
论文在个股层面揭示了买卖两侧的不对称：
- 22 只股票买侧平均间隙更大
- 24 只股票 \omega_b > \omega_a（买侧等于 tick 的间隙占比更高）
- 24 只股票买侧偏度更大
- 23 只股票买侧峰度更大
与宏观发现的对比：
| 层次 | 结论 |
|---|---|
| 宏观（聚合层面） | 卖压冲击 > 买压冲击（Karpoff 1987） |
| 微观（单笔成交层面） | 无买卖不对称（Zhou 2012c） |
| 本文（订单簿间隙层面） | 买侧间隙普遍更大（22–24/26 只） |
三个层次给出三种不同的答案。 这说明买卖不对称是尺度依赖的现象——本 wiki 记录为待辨析。
七、本文的用途：为 agent-based 模型提供校准事实
论文明确指出用途：
这些经验发现可以为 agent-based 计算金融模型提供校准依据。
具体背景链条：
- Mike & Farmer (2008) 的订单驱动股票市场模型能复现收益的幂律尾与收益序列无长程相关，但无法复现波动聚集。
- Gu & Zhou (2009) 改进该模型，加入委托价格的长期相关后，能复现波动聚集。
- 本文则提供检验标准：如果人工市场在价格间隙上与真实市场不符，就说明模型缺少了某些成分。
这是本文最实用的价值——与本 wiki 的 Q-Reactive 队列反应模型 是同类思路（用实证事实校准/检验订单簿模型）。
对本 wiki 的位置
- 入口概念: concepts/microstructure/订单簿价格间隙 (Price Gap)（新建）
- 源论文: 本文
- 作者: Wei-Xing Zhou · Wei Chen（已建）
- 同批数据: Mu Zhou Chen Kertesz 2010 Order Flow Extreme Price Changes · Ren & Zhong 2011 Institutional Impact Asymmetry · Zhang Gu Xu Xiong Chen Zhou 2017 Power-Law Tails
- 方法论对照: Q-Reactive 队列反应模型（同属"用实证校准模型"路线）
- 冲击机制: concepts/microstructure/流动性漏斗 (Liquidity Funnel) · concepts/microstructure/市场深度与冲击反比
Open Questions
- 尾指数 3.2（A 股）vs 1.6–2.8（LSE）差这么多，为什么？ 可能是 tick size 固定（0.01 元）与价位高低的关系——固定 tick 使高价股的间隙（以 log 差衡量）系统性地小。论文未解释。这是一个容易检验的假设：把间隙改用"tick 数为单位"衡量，看尾指数是否收敛。
- 买卖不对称在三个层次给出三种答案（宏观：卖压冲击更大；微观成交：无不对称；订单簿间隙：买侧间隙更大）。哪个层次对做因子最相关？ 本 wiki 未收口。
- 多重分形的谱宽 \Delta\alpha \approx 1.46 相当大——这意味着间隙序列有很强的多重分形结构。这本身能否做因子？（例如"当前处于高波动多重分形状态"的预测力）
- 长记忆 H ≈ 0.75 与 Bouchaud 学派的订单流长记忆 H ≈ 0.7 是否相关？ 间隙的长记忆若来自"大单被缓慢消化"，则两者可能是同一现象在不同变量上的表现。这是一个值得验证的联系。
- 2003 年后是否仍如此？ 涨跌停会直接改变间隙形态（触板时限价单堆积，间隙被压缩到 0）。
关键引用
Gu, G.-F., Xiong, X., Zhang, Y.-J., Chen, W., Zhang, W., & Zhou, W.-X. (2014). Stylized facts of price gaps in limit order books: Evidence from Chinese stocks. arXiv:1405.1247（投稿 Elsevier）。
主要参考文献：Farmer 等 (2004) LSE 间隙幂律（1.6–2.8）与其"间隙驱动大波动"的核心论点；Weber & Rosenbaum (2006)；Joulin 等 (2008)；Lallouache & Abergel (2013) EBS Spot；Zhou (2012a) 中国成交量显著驱动波动（与西方相反）、Zhou (2012b) 有限尺寸效应与多重分形成分、Zhou (2012c) 微观无买卖不对称；Gu et al. (2008a,b,c) 订单簿重建；Mike & Farmer (2008) 与 Gu & Zhou (2009) 的 agent-based 模型；Shao 等 (2012) FA/DFA/DMA 在合成长程相关序列上的性能比较；Halsey 等 (1986) 多重分形形式；Muzy 等 (1991) 小波多重分形。