Sitaru-Calinescu-Cucuringu (2023) — 分解的订单流不平衡（Decomposed OFI）
作者: Bogdan Sitaru（牛津计算机系）、Anisoara Calinescu（牛津计算机系 / Alan Turing Institute）、Mihai Cucuringu（牛津统计系 & 数学研究所 / Oxford-Man Institute / Alan Turing Institute）
发表: 4th ACM International Conference on AI in Finance (ICAIF '23), Brooklyn NY, 2023-11-27–29, pp. 637–645；DOI 10.1145/3604237.3626874。9 页正文。
数据: LOBSTER 的 market-by-order 数据，标普 500 前 100 成分股，2017-01-01 至 2019-12-31（三年）。
代码: github.com/bsitaru/project_ofi（作者本人仓库，5590 个文件）
一句话总结
把标准的订单流不平衡（OFI）按订单簿事件类型拆成三份——挂单（add）、撤单（cancel）、成交（trade）——分别算各自的 OFI；同期解释力与标准 OFI 持平，但前瞻预测的每美元交易 PnL 达到 3.15 bp、Sharpe 13.51，是此前文献（Cont 等 2023）的至少 5 倍。
为什么需要分解
concepts/microstructure/Order Flow Imbalance (OFI) 的标准定义把最优档买卖价与挂单量的变化合在一起算——不管这个变化来自挂单、撤单还是成交。本文利用 MBO（逐笔委托）数据独有的信息：订单簿事件的三种类型。
事件分类（并给出 LOBSTER 7 种事件类型到 3 类的映射）：
| 类别 | 含义 | LOBSTER 类型 |
|---|---|---|
| add | 提交限价单，进入订单簿 | 1 |
| cancel | 撤单（部分或全部），从订单簿移除 | 2（取消）、3（删除） |
| trade | 成交（买卖单匹配），双方都从订单簿移除 | 4（可见限价单成交）、5（隐藏限价单成交）、6（交叉成交） |
关键性质：标准 OFI = 三者之和。
注意：隐藏限价单的成交不改变订单簿，因此对应的 trade OFI 为零——这一点在 A 股尤其重要（见下）。
实验设计
| 项 | 设置 |
|---|---|
| OFI 桶 | 10 秒（h=10 秒） |
| 档位 | 前 10 档 |
| 样本内窗口 | 30 分钟（180 个观测） |
| 样本外窗口 | 紧接着的 30 分钟（时间顺序，不用交叉验证） |
| 每日回归数 | 10 个 |
| 时段 | 剔除首尾各 30 分钟（09:30–16:00 开市，实际用 10:00–15:30） |
| 模型 | OLS 与 Lasso 正则化 |
| 前瞻视界 | 1 分钟 |
方法学上比前作严格的一点：样本外是时间上紧接着的下一段，而不是交叉验证——更贴近实盘。
结果一：同期解释力——分解没有帮助
| 场景 | 结论 |
|---|---|
| 同期（用同一时段的 OFI 解释同一时段的收益） | 分解版与标准 OFI 解释力相当，分解没有带来提升 |
这与直觉相反：既然 add/cancel/trade 的经济含义不同，为什么分开算反而没帮助？论文的解释是：同期解释力主要来自最优档的净不平衡，三种事件的信息在同期是冗余的。
结果二：前瞻预测——统计上没改善，经济上大幅改善
这是全文最重要、也最反直觉的一处。
统计结果（Table 4）
| 模型 | 拟合 | 样本内 R^2 | 样本外 R^2 |
|---|---|---|---|
| FPI[1] | OLS | 0.001 / 0.045 | −0.197 / −0.675 |
| FPI[1] | Lasso | −0.071 / −0.241 | −0.082 / −0.094 |
| FPID[1] | Lasso | −0.373 / −1.685 | −0.116 / −0.116 |
| FPI[10] | Lasso | 0.085 / 0.097 | −0.108 / −0.092 |
| FPID[10] | Lasso | 0.091 / 0.098 | −0.133 / −0.119 |
（上排为 M_3 三个滞后 / M_7 七个滞后）
样本外 R^2 全是负的——分解版没有改善统计预测力。论文自己说：负 R^2 不等于没有经济价值（引 Cont 等、Ait-Sahalia 等）。
经济结果（Table 5）
| 模型 | M_3 PnL (bp) | M_3 SR | M_7 PnL (bp) | M_7 SR |
|---|---|---|---|---|
| FPI[1] (OLS) | 0.22 | 1.24 | 0.68 | 5.86 |
| FPI[1] (Lasso) | 0.59 | 2.17 | 1.26 | 5.22 |
| FPID[1] (Lasso) | 1.01 | 4.26 | 2.42 | 10.65 |
| FPI[10] (Lasso) | 0.54 | 2.09 | 1.33 | 5.18 |
| FPID[10] (Lasso) | 1.66 | 6.90 | 3.15 | 13.51 |
最佳模型 FPID[10]_{M_7}：每美元交易 PnL 3.15 bp，Sharpe 13.51——论文说「至少是 Cont 等 2023 的 5 倍」。
交易策略（Chinco 等 2019 的标准做法）：只在预测收益超过买卖价差时交易；预测越大、模型自身波动越小，配仓越大。忽略交易成本（用 bp 计价以便读者自行对比）。
结果三：哪种事件类型最重要——挂单（add）压倒性领先
对最佳模型做 Lasso 变量选择频率分析（Figure 2、3）：
| 发现 | 细节 |
|---|---|
| add 的贡献最大 | 每个时间滞后下，add 变量被选中的次数都明显高于 cancel 和 trade |
| cancel 居中 | 第二 |
| trade 极少被选中 | 最低 |
| 更长的时间滞后更重要 | 滞后从 1 增到 30 分钟，选择频率单调上升（三个分量都是） |
| 档位之间差不多 | 唯一例外是最优档的 add 变量，贡献显著高于其他任何组——这解释了为什么加档位带来的提升有限 |
这个「add 最重要」的发现是本文的真正贡献，论文在结论里专门指出：add OFI 是预测未来收益的关键元素，值得进一步研究。
另一个值得注意的数字：53% 的回归里只有截距项非零——即大多数预测其实是常数（样本内收益均值）。论文把这当作「为什么经济收益这么高要谨慎看」的一个隐含说明。
与 ClusterLOB 的关系
这篇是 ClusterLOB 附录 A 的方法来源。ClusterLOB 原文写：
"The order flow imbalance decomposition (Decomposed OFI), introduced by Sitaru et al. (2023), integrates insights from order book event types with order flow information. This work resulted in a notable enhancement in forward-looking predictive scenarios... Therefore, we adopt similar ideas as presented in this line of work."
两点必须说清的差异：
- ClusterLOB 的贡献不是这个分解本身，而是把分解后的 OFI 按参与者簇分开算（每簇单独算 add/cancel/trade OFI）。本文的分解是不分参与者的。
- 本文的前瞻结论是「统计上没有改善、经济上大幅改善」——ClusterLOB 直接在这个基础上再叠一层聚类，得到 Sharpe 1.34。两者是叠加关系，不是竞争关系。
A 股落地
| 障碍 | 说明 |
|---|---|
| MBO 数据是硬约束 | 本文的核心增量就是「利用 MBO 数据独有的事件类型信息」。A 股没有完整 MBO（见 concepts/data-features/Level-2 档位与委托队列 (L2 Depth and Order Queue)），add/cancel/trade 三分法就无从谈起 |
| 逐笔成交数据是可行的替代 | A 股逐笔成交带委托号，能还原「哪笔委托成交了」→ 可构造 cancel 与 trade 的近似，但 add（挂单未成交的部分）完全丢失。而这恰恰是本文发现最重要的分量 |
| 隐藏单在 A 股是常态 | 本文指出隐藏限价单成交不改变订单簿（trade OFI 为零）。A 股有独立的匿名大宗/盘后交易，需单独处理 |
| T+1 与涨跌停 | 1 分钟视界的前瞻策略在 T+1 下无法当日平仓，Sharpe 13.51 的策略在 A 股不可直接复制 |
Open Questions
- 为什么统计上没改善、经济上却大幅改善？ 论文承认这个张力但没给出机制解释。一个可能的读法：分解后的变量更适合 Lasso 做变量选择（把共线的混合信号拆开，add 那一支被选中的频率接近三倍），从而选出更好的变量子集——但这需要验证。
- 53% 的回归只有截距非零，说明这个「Sharpe 13.51」很大程度来自少数有信号的时段。稳健性未做进一步检验。
- 交易成本完全忽略，论文用 bp 计价规避。3.15 bp 的 PnL 在真实成本下还剩多少？ 论文没有回答。
- 视界只有 1 分钟。更长的视界下分解是否还有优势，未知。
- 样本是 NASDAQ 100 成分股 2017–2019。作者自己在结论里把「更大数据集」列为首要未来工作。
Cross-ref
- 概念: Order Flow Imbalance (OFI · 订单流分解 (Order Flow Decomposition · 多档订单簿不平衡 · LOB 深度学习序列
- 作者: Mihai Cucuringu · entities/Sitaru Calinescu Cucuringu 2023 Decomposed OFI
- 配套: ClusterLOB —— 本文是 ClusterLOB 附录 A 的方法来源
关键引用
Sitaru, B., Calinescu, A., & Cucuringu, M. (2023). Order flow decomposition for price impact analysis in equity limit order books. In 4th ACM International Conference on AI in Finance (ICAIF '23) (pp. 637–645). ACM. https://doi.org/10.1145/3604237.3626874
主要对照: Cont, Cucuringu & Zhang (2023) Cross-impact of order flow imbalance in equity markets（本文复现其实验设置）
关键数字: FPID[10]_{M_7} PnL 3.15 bp / Sharpe 13.51 · add 变量被 Lasso 选中频率约为其他分量的 3 倍 · 53% 的回归只有截距非零