order-splittingmetaorderlong-memorylmf-modeljapantokyo-stock-exchangemarket-microstructureequity

Sato & Kanazawa (2023) — 日本市场账户级拆单行为的定量统计检验

作者: Yuki Sato、Kiyoshi Kanazawa（京都大学理学研究科物理系）。

发表: arXiv 预印本，报告日期 2023-08-03。配套 Letter：arXiv:2301.13505；相关工作 arXiv:2306.13378（广义 LMF 模型）。资助：JST SPRING / PRESTO、JSPS KAKENHI、JSPS Core-to-Core。数据由 JPX Group, Inc. 提供（不可再分发）。

数据: 东京证券交易所全部股票，2012-01-04 至 2020-12-30（九年）。逐笔委托级数据，含委托 ID（可追踪全生命周期）、方向、委托类型（限价/撤单/市价）、价格、虚拟服务器 ID。只保留年成交笔数 >5\times10^5 的股票。

一句话总结

首次在定量层面验证 LMF 模型的 \gamma=\alpha-1：微观上元订单长度分布的幂律指数 \alpha 与宏观上订单符号自相关的幂律指数 \gamma 满足线性关系（误差均值仅 0.03）。由此可以从公开的长程记忆反推不可直接观测的微观参数。

LMF 模型

微观：N_{TR} 个交易者各持有一个元订单，长度 L 服从幂律 P(L)\propto L^{-\alpha-1}（\alpha>1）；每步随机选一个交易者执行一个子订单；执行完后其符号与剩余长度重置。

宏观：市场订单符号序列的自相关函数满足 C(\tau)\propto\tau^{-\gamma}，且 \gamma=\alpha-1（LMF 的定量预言）。

方法一：识别拆单者

元订单长度 = 单个交易者委托符号序列（去掉零）中的"游程"长度，定义借用 Wald–Wolfowitz 游程检验。特殊规则：相邻两笔委托间隔超过 1 个交易日则视为不同元订单。

策略聚类用单侧二项检验：原假设 H_0 = 符号序列由对称 Bernoulli 过程生成（游程总数服从二项分布），显著性水平 \theta=0.01；拒绝 H_0 → 判为拆单交易者（ST），否则为随机交易者（RT）。

交易者 ID 的构造：虚拟服务器 ID ≠ 会员 ID（同一交易者可拥有多个虚拟服务器以规避单服务器报单频率限制）。采用 Goshima, Tobe & Uno (2019) 的"交易台 ID"方法：若某委托的报单与撤单来自不同虚拟服务器，则判定二者同属一个交易者。

交易系统升级：arrowhead 反应速度在样本期内三次升级——2 ms → 1 ms（2012-07-17）→ 0.3 ms（2015-09-24）→ 0.2 ms（2019-11-05）。虚拟服务器 ID 在 2015-09-24 与 2019-11-04 系统升级时被重新打乱（正文写 2019-11-05，两处日期不一致）。

时段：仅用连续双向竞价，剔除开盘/收盘集合竞价前后各 10 分钟，实际使用 9:10–11:20 与 12:40–14:50。

方法二：测 \alpha 与 \gamma

\alpha：用 Clauset 算法估计（Clauset-Shalizi-Newman 2009；Alstott 等 2014 的 powerlaw 包），逐股估计。

\gamma：三步法。

  1. 幂律拟合：非线性最小二乘（NLLS）而非普通最小二乘（避免幂律尾部对代价函数贡献被低估）。ACF 侧先用指数型临时拟合找初始衰减时间尺度，据此定幂律区下阈值（\varepsilon_{th}=0.1），再做对数时间轴上的对数平滑（窗口 \delta=0.05）；上阈值由统计显著性给出（|C(\tau)|<N_\varepsilon^{-1/2} 视为不显著）。PSD 侧用周期图法（scipy）、正态平滑（窗口 \delta=5），下阈值 \omega_{th-}=15\Delta\omega，上阈值取小于 10^{-3}。Hurst 指数 H=1-\gamma。
  2. 构造无偏估计量：NLLS 估计量在无限样本下相合（N_\varepsilon=10^8 数值验证），但有限样本下有偏、收敛慢、对 \alpha 非一致。用 LMF 模拟（100 次独立实现取系综平均）回归得 \gamma_{NLLS}\approx\beta_1\gamma+\beta_2，定义 \gamma_{unbiased}=(\gamma_{NLLS}-\beta_2)/\beta_1。
  3. 画 \alpha–\gamma 散点。

LMF 估计子数目的方法：由 ACF 前因子 c_0 反推拆单交易者总数 N_{ST}，N_{ST}^{LMF}(c_0,\gamma)=(\gamma+1)c_0/(\gamma-1)（\gamma=1 处有奇点，需用去奇点形式）。广义 LMF 理论表明该估计量给出的是真值的下界。

主要定量结果

量 值
ST 占交易者比例 约 25%（区间约 10%–50%）
ST 贡献的市价单占比 约 80%
ST 占比随年份上升 趋势原因未量化
\alpha 分布 约 90% 的股票 \alpha<2；典型 1<\alpha<2（LMF 文献常用 \alpha\approx1.5）
偏差系数（ACF 法） \langle\beta_1\rangle=0.592、\langle\beta_2\rangle=0.147
偏差系数（PSD 法） \langle\beta_1\rangle=0.753、\langle\beta_2\rangle=0.083
主结果误差 \eta:=\alpha-1-\gamma_{unbiased} 均值 0.03（ACF 法）、0.003（PSD 法）
N_{ST} 估计量回归系数 ACF 法 \langle\beta_3\rangle=0.847、\langle\beta_4\rangle=0.058；PSD 法 1.117、-0.188
剔除的失败数据点 \gamma<0 的共 16 个

相合性检验：N_\varepsilon=10^8 时 \gamma_{NLLS} 与 \gamma=\alpha-1 一致；实际 N_\varepsilon\lesssim10^7 时出现系统偏离，且 \alpha 越大偏离越严重（非一致收敛），故分析限定在 \alpha\in(1,2)。

DFA 估计量：用 LMF 生成序列、在 N_\varepsilon=10^8 下 \gamma_{DFA} 仍系统性偏离 \gamma=\alpha-1——连相合性都无法确认，作者因此不采用 DFA。

RT 的自洽性检验：RT 的游程长度 CCDF 在主体段 L\lesssim10 服从指数律 P_>(L)\approx2\cdot1^{-L}；衰减长度 L^\star 的经验分布在 L^\star\approx1.8 处有尖峰，与理论预期约 2.0 一致。尾部 L\gtrsim10 偏离指数律，原因是二项检验未控制第二类错误，部分 ST 混进 RT 簇；只保留年下单 >1000 笔的活跃 RT 后尾部偏离消失。

对 Lillo 等 (2005) 原论文数据的重估：作者用 Adobe Illustrator 从原文图 7 提取散点坐标重新拟合，回归斜率仅 0.07（统计上不显著），远偏离理论系数 1；原文自己也承认 "The model fails this test"。

3 年分段的鲁棒性：2012–2014、2015–2017、2018–2020 三段均满足 \gamma=\alpha-1；最近一段拟合更好，可能与成交笔数（尤其 ST 的）增加有关。

结论与机制

首次定量验证 LMF 的 \gamma=\alpha-1。由此得到一个反直觉的推论：\alpha 在公开数据中不可直接观测，但可由公开 ACF 的幂律指数 \gamma 统计估计出来——微观参数可以从宏观长程记忆反推。

流动性含义：\alpha 越小、N_{ST} 越大，订单簿对大额元订单来说越不够厚，许多机构投资者无法一次性成交，必须拆单。参数组 (\alpha, N_{ST}) 可刻画这种"相对于元订单拆单的流动性不足"——这是买卖价差和市场冲击等传统流动性指标无法衡量的。

论文自陈的局限

  • 无偏估计量只是"近似"：基于 LMF 模拟中观察到的 \gamma_{NLLS}\approx\beta_1\gamma+\beta_2 的近似线性关系（限定在 \alpha-1\in(0,1)），这一关系本身尚未被理论证明；且依赖所选微观模型。"寻找最优无偏估计量是当务之急"。
  • 二项检验只控制第一类错误，RT 簇中可能混入少量 ST。
  • DFA 估计量的有限样本偏差原因不明。
  • 交易者 ID 可能把多个不同最终客户合并，也可能把同一客户的多个元订单当成一个。
  • TSE 并非日本唯一的股票市场（PTS 等场外市场存在），数据不覆盖这些场所。
  • LMF 模型不含日内季节性，故必须剔除开盘/收盘集合竞价附近的 10 分钟数据。
  • 成交量信息未使用（只分析符号），故回避了"按恒定成交量拆单"的假设，但反过来限制了结论范围。

对本 wiki 的位置

关键引用

Sato, Y., & Kanazawa, K. (2023). Quantitative statistical analysis of order-splitting behaviour of individual trading accounts in the Japanese stock market over nine years. arXiv:2308.01112.