Zhang, Gu, Xu, Xiong, Chen & Zhou (2017) — 订单不平衡分布的幂律尾
作者: Ting Zhang、Gao-Feng Gu（顾高峰）、Hai-Chuan Xu（许海川）、Xiong Xiong（熊熊）、Wei Chen（深交所）、Wei-Xing Zhou（周伟星）。通讯：华东理工大学经济物理研究中心。合作单位含天津大学管理学院。
发表: arXiv:1707.05550（2017 年 7 月 18 日，投稿 Elsevier）。PDF 9 页。
一句话总结
A 股订单不平衡的分布有幂律尾，但尾指数在股票之间剧烈波动，且正负尾不对称。这是一个分布形态的发现——它本身不产生 alpha，但决定了订单不平衡因子该用什么分布族去建模、以及要不要做重尾处理。
数据
- 深交所 43 只股票，整个 2003 年：32 只 A 股 + 11 只 B 股。
- 记录所有委托与撤单，时间戳精确到 0.01 秒。
- 交易时段分三段：开盘集合竞价（9:15–9:25）、冷却期（9:25–9:30）、连续竞价（9:30–11:30 与 13:00–15:00）；本文只用连续竞价。
- 每只股票 57,840 个数据点（= 2003 年的交易分钟数）。
A 股 vs B 股：A 股以人民币计价、境内投资者交易；B 股以外币计价、境外投资者交易。这是本文的一个横截面对照维度。
一、两种订单不平衡的定义
| 指标 | 定义 |
|---|---|
| OIBNUM（按笔数） | 1 分钟内买方主动委托笔数 − 卖方主动成交笔数 |
| OIBVOL（按量） | 1 分钟内买方主动委托量 − 卖方主动委托量 |
两者都按分钟计算（本文基准时间尺度）。
二、基本统计量（Table 1）
| 发现 | 内容 |
|---|---|
| 均值多为负 | 大多数股票订单不平衡为负，正值占比小于负值占比——与 2003 年市场的熊市状态一致 |
| 偏度方向相反 | OIBNUM 倾向负偏（长尾在左），OIBVOL 更可能正偏（长尾在右） |
| 峰度远大于 3 | 高斯分布峰度为 3；本文各股峰度显著大于 3 → 重尾 |
| 标准差 | 股票间差异大 |
注意 OIBNUM 与 OIBVOL 的偏度相反——按笔数看长尾在负侧，按量看长尾在正侧。这个差异本身有信息量：大额买单的占比高于大额卖单，而小额卖单的笔数占比高于小额买单。
三、尾指数估计：Student 分布 vs q-指数分布
论文用两种有幂律尾的分布族拟合标准化后的订单不平衡：
| 分布 | 尾指数 | 物理含义 |
|---|---|---|
| Student (t) 分布 | \alpha | \alpha 越小尾越重 |
| q-指数分布 | 1/(q-1) | 同上 |
两个估计方法：
- MLE（极大似然）：被小不平衡值主导，尾部拟合差
- NLSE（非线性最小二乘）：更好地捕捉尾部行为 → 尾指数应以 NLSE 结果为准
NLSE 拟合的结果（核心数字）
| 指标 | 整体尾指数 \alpha | 正尾 \alpha_+ | 负尾 \alpha_- |
|---|---|---|---|
| OIBNUM | 2.60 | 2.56 | 3.03 |
| OIBVOL | 2.19（正文写 2.16） | 2.13 | 2.50 |
模型比较（按拟合残差均方根）：
| 拟合 | 偏好 Student 的股票数 |
|---|---|
| NLSE · OIBNUM | 24/43 |
| NLSE · OIBVOL | 40/43 |
| MLE · OIBNUM | 6/43（q-指数更优：37/43） |
| MLE · OIBVOL | 42/43 |
两个分布在中心区拟合都很好——\pm5 范围覆盖 OIBNUM 的 99.49% 样本，\pm3 覆盖 OIBVOL 的 98.61% 样本。差异主要在尾部。
非参数方法确认：论文另用极大似然 + KS 检验的非参数技术独立确认幂律尾的存在。
四、尾指数的三个发现
1. 尾指数在股票之间剧烈波动
论文明确："the tail index fluctuates remarkably from stock to stock"。散点图显示 \alpha 与 \alpha_\pm 之间有正相关，且 NLSE 的线性关系明显优于 MLE（因为 NLSE 更能捕捉尾部）。
2. 正负尾不对称
| 指标 | 正尾 vs 负尾 |
|---|---|
| OIBNUM | 负尾 \alpha_- = 3.03 大于正尾 \alpha_+ = 2.56 |
| OIBVOL | 负尾 \alpha_- = 2.50 大于正尾 \alpha_+ = 2.13 |
尾指数越小 = 尾越重。 按此读法，正尾比负尾更重——正向极端不平衡出现得更频繁。
3. A 股 vs B 股的差异
| 指标 | A 股 | B 股 |
|---|---|---|
| OIBNUM 的尾指数 | 较小 | 平均更大 |
| OIBVOL 的尾指数 | 更大 | 较小 |
| 异常值 | — | 三只 B 股有 \alpha_- 为负；两只 B 股有 \alpha_+ 很大 |
A 股与 B 股的尾形态相反——可能反映投资者结构差异（A 股境内散户为主，B 股境外投资者为主）。论文未展开解释。
五、时间尺度聚合：分布坍缩（scaling）
改变聚合时间 \Delta t（5、10、15、30、60、120、240 分钟），比较聚合后的订单不平衡分布。
核心发现：不同 \Delta t 的分布基本坍缩到一条曲线上——这是标度（scaling）的信号。
但负尾存在一定程度的差异（没有完全坍缩）。
尾指数与 \Delta t 无清晰趋势——这是论文的明确结论（"no clear trend in the tail index with respect to \Delta t"）。
偏度随 \Delta t 的演化方向相反：
| 指标 | 偏度方向 | 随 \Delta t |
|---|---|---|
| OIBNUM | 左偏 | 偏度增大 |
| OIBVOL | 右偏 | 偏度减小 |
峰度在所有 \Delta t 下都显著大于 3。
六、⚠️ 一处原文的内部矛盾（本 wiki 如实标注）
论文结论段（末段）写道：
"订单不平衡分布的不对称性，即左尾的幂律指数大于右尾，可能与市场条件有关。"
但紧接着的解释却是：
深证成指 2003/01/02 为 2689.49，2003/12/31 为 3479.80，全年上涨 29.39%。……买单多于卖单，正向不平衡的数据点多于负向不平衡，因此正尾比负尾更重。
这两句自相矛盾：
- 前句说「左尾指数 大于 右尾」
- 后句说「正尾更重」
按数学定义（尾指数越小尾越重），Table 2 的数值（\alpha_- > \alpha_+）支持的是正尾更重，即后句与数据一致、前句应为表述错误。
本 wiki 采信 Table 2 的数值与后句的解释，但把矛盾如实记录在此，不替原文修正措辞。
七、⚠️ 一个需要重新审视的市场状态描述
末段称深证成指 2003 年全年上涨 29.39%。
但同一批数据的三篇论文都称 2003 年是"熊市"：
- Mu Zhou Chen Kertesz 2010 Order Flow Extreme Price Changes：引用的背景文献写明 2003 年"处于五年熊市的中间"
- Ren & Zhong 2011 Institutional Impact Asymmetry：明确写"2003 年处于五年熊市中，样本未覆盖连续的牛熊两市"
"全年涨 29.39%"与"熊市中间"并不必然冲突——单年上涨不等于多年牛市，但"买单一侧驱动"的解释前提（用全年涨幅论证正尾更重）因此变得可疑：若全年是上涨的，为什么这 43 只股票的订单不平衡均值多为负（Table 1 的明确发现）？
这两点存在张力，本 wiki 未收口。 已记入下方 Open Questions。
八、对因子研究的实际含义（这是本篇的价值所在）
本文不产生 alpha，但它决定了订单不平衡因子该怎么建模：
- 不能用高斯分布做统计推断——峰度远大于 3，重尾显著。若用正态假设算 t 值、算分位数分组，结论会系统性失真。
- 尾指数因股而异——不能用一个统一的指数估计假设。若要对订单不平衡做去极值或重尾化处理，阈值必须逐股估计。
- 分布族可选 Student 或 q-指数——NLSE 下 Student 在 OIBVOL 上明显更优（40/43），但 OIBNUM 上两者接近。
- MLE 不适合估计尾指数——会被小值主导；论文明确说应以 NLSE 为准。这是估计技术上很容易踩的坑。
- 聚合到更长时间尺度后分布坍缩——若做因子，聚合到 5–240 分钟的量纲差异不会改变分布形状（负尾除外），便于跨尺度统一处理。
对本 wiki 的位置
- 入口概念: concepts/microstructure/订单不平衡分布 (Order Imbalance Distribution)（新建）、 concepts/microstructure/Order Flow Imbalance (OFI)（更新：重尾与估计方法）
- 源论文: 本文
- 作者: Wei-Xing Zhou · Wei Chen（深交所）— 已建
- 同批数据: Mu Zhou Chen Kertesz 2010 Order Flow Extreme Price Changes · Ren & Zhong 2011 Institutional Impact Asymmetry（2003 深交所）
- 对照: concepts/microstructure/订单流分解 (Order Flow Decomposition) · concepts/microstructure/平方根冲击定律 (Square-Root Impact Law)
Open Questions
- "左尾指数大于右尾"与"正尾更重"自相矛盾（见上）。本 wiki 采信 Table 2 的数值，但原文措辞需要作者澄清。
- "全年上涨 29.39%"与"五年熊市中间"如何共存？ 更要紧的是：若全年上涨，为什么订单不平衡均值多为负（Table 1）？这可能意味着订单不平衡的均值与市场涨跌方向不同源（或许反映的是散户净卖出倾向，而非价格上涨的动因）。这个方向值得深挖。
- A 股与 B 股尾形态相反的机制未解释。投资者结构差异（B 股以境外投资者为主）是一个合理假设，但论文未验证。
- 负尾为什么在时间尺度聚合时不坍缩？ 正尾完全坍缩、负尾有差异——这个不对称本身可能与极端下跌时的机制有关（如跌停封板导致流动性消失）。
- 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，那尾指数本身就是一个因子候选。这是一个自然的延伸。
- 2010 年后数据是否仍如此？ 本文数据为 2003 年。此后涨跌停限制、程序化交易都改变了极端不平衡的产生方式。尤其是涨跌停会直接截断订单不平衡的极值（涨停时买单堆积但无法成交）——论文 Fig 1 已提到 000001 在 2003/01/14 与 2003/04/16 两天触及涨停且买一档队列为空，导致极端的订单不平衡值。这正是涨跌停截断的实例。
关键引用
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（投稿 Elsevier）。
主要参考文献：Chordia 等（NYSE 订单不平衡，反转行为、与流动性/收益的关系）；Chordia & Subrahmanyam（订单不平衡强自相关、滞后一天与收益显著正相关）；Lee 等（台湾交易所，无做市商仍能有效吸收订单不平衡）；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）。