metaindexsummaries

Summaries — 2026-10-1

按入库日期倒序排列的摘要页清单，共 32 条。每条: - 入库日 — 「summaries/<id>/<id>」形式的链接 — 出处 返回: Quant Wiki 总索引

2026-10-23 — 广发金工《海量Level 2 数据因子挖掘系列（八）》— 从高频撤单信息中构建因子 (**成交记的是「谁真的买了」, 撤单记的是「谁曾经想买、后来又缩回去了」**; A 股撤单量与成交量同量级, 2019-2021 约 90%、2024 后反超; 按撤单活跃度与规模 / 买卖方向 / 部分撤单 / 日内时间结构 / 快速与普通对比 / 时长分类六族铺开 **84 个日频因子**, 每个都有原始 / 5 日 / 20 日平滑三版; **活跃度族 9 个因子 IC 全为负** (`diag_log_cancel_count` **−9.24%**), **时间结构族越平滑越强** (`time_close_minus_open_count_share` 3.80% → 20 日平滑 **6.08%**, 与活跃度族相反 = 慢变量); `fast_normal_avg_run_length_diff_vol` IC 胜率 **78.77%** 全篇最高; `spec_share_within_normal_count` 原始 IC **5.44%**、十分档多头全样本年化 **20.03%** 但波动 26.02%; 除 `rel_count_per_active_minute` (Barra 市值 48.9%) 外与风格因子相关性均低于 30%; **全文未给任何因子的构造公式**) — 广发证券研报 (2026-08-07); 分析师张逸飞 / 安宁宁 / 陈原文; 样本 20190101 — 20260630, 全市场选股; 组合口径为十分档多头对比中证全指
2026-10-22 — 兴业金工《高频研究系列六》— 时序信息中的 Alpha (**把「日内数据换个时间顺序, 统计量就会变」做成七个日频因子**: 时序信息判据 $g=f(\mathrm{Reorder}(data))\ne f(data)$; 一阶自相关三族 (lag-1 相关系数 / D-W 统计量 / AR(1) 残差自相关) + 非同步交易程度 `LBQ` (多回望区间 LB 检验 Q 统计量序列的**标准差**; 越大 = 信息消化越慢 = 下行风险越高) + 条件分布 `highStdRtn_mean` (只在高波分钟上取均值) + 自相关修正 VaR `rtn_condVaR` (二元正态把 $\rho$ 装回去) + 泊松概率化的 `flashCrashProb`; `vol_foc` 多空 **67.0%** 夏普 **9.56**; 复合因子全市场周度 Rank IC **6.64%** / 月度 **8.07%**, 国证 2000 周度多空夏普 **5.35**) — 兴业证券研报 (2023-06-29); 公众号 XYQuantResearch; 分析师郑兆磊; 回测 2014-09-01 — 2023-05-04
2026-10-22 — 兴业金工《高频研究系列七》— 高频风险模型构建与应用 (**把风险模型的分析对象从个股换成高频因子组合**: 5 个基本面高频风险因子 (逐次回归取残差保证正交) + 5 个 PCA 统计风险因子; Adjusted $R^2$ 约 **75%**, 强于纯 Barra 模型; 复合因子全市场 IC **0.100** / ICIR **1.364**, 十分位 Top 组年化 **49.82%** (Barra 基准 38.51%), 多空夏普 **8.08** (基准 5.91); 五个股票池内分位数严格单调; 加进中证1000 增强后年化超额提升 **2–3 个百分点**) — 兴业证券研报 (2023-10-25); 公众号 XYQuantResearch; 分析师郑兆磊; 回测 2015 年底 — 2023 年 9 月
2026-10-22 — 兴业金工《高频研究系列九》— 日内分域信息中的 Alpha (**把一天切成几块「交易环境」再比「这只股票跟同一天其他股票差多少」**: 三维度 (时间/价格/成交量) 分域, **分域用的数据与域内刻画用的数据不是同一个**; 显著性算法 (Cosemans & Frehen 2021) 的输入**从收益率换成域内特征**; 股票间一侧走**分域 → 域内标准化 → 域内相关再跨域平均**, 用成对相关性矩阵定义「同伴」; `peerDS_byT` IC **0.043** 多空 **34.22%**; `intraDSVol_byT` 夏普 **5.55**; 同伴因子正交化后与底层因子相关均值降到 **0.1**) — 兴业证券研报 (2024-07-31, 公众号 2024-08-22); 分析师郑兆磊; 回测 2014-12-31 — 2024-06-30
2026-10-23 — 兴业金工《高频漫谈（框架篇）》(2022-01-04) — 整个系列的基础篇与框架篇: 四类高频信息（分布/时序/关联/另类）; 判断「时序信息」的判据 g=f(\mathrm{Reorder}(\mathrm{data}))\neq f(\mathrm{data}); 多空两分组按因子值加权 + IC 半衰期; 自上而下与自下而上的风险识别; 公众号 XYQuantResearch（研报节选）
2026-10-23 — 兴业金工《收益率分布因子构建（系列二）》(2022-01-23) — 六个常见收益率分布因子 + 两个收益率噪声偏离因子 (nos); 是系列三/四的前身; 公众号 XYQuantResearch（研报节选）
2026-10-23 — 兴业金工《收益率分布中的Alpha(2)（系列三）》(2022-05-04) — 极端收益因子 (投资者对极端涨跌的心理承受能力) + 混合高斯分布刻画大额投资者操作能力; gmm_meandif 多空 52.80% / 夏普 8.05; 公众号 XYQuantResearch（研报节选）
2026-10-23 — 兴业金工《成交量分布中的Alpha（系列四）》(2022-08-29) — 7 个常见 + 6 个异构 + 3 个同价 成交量分布因子; vol_maxmean 多空 50.38% / 多头 23.93% / 夏普 6.08; 公众号 XYQuantResearch（研报节选）
2026-10-23 — 兴业金工《市场微观结构剖析（系列五）》(2022-11-09) — 深度 / 紧密度 / 弹性 三个维度的六个分钟级微观流动性指标 + 市场监控与择时; 万得全 A 多空年化 34.92%; 公众号 XYQuantResearch（研报节选）
2026-10-23 — 兴业金工《关联信息中的Alpha（系列八）》(2024-06-05) — 转移熵 刻画量价非线性因果 + 交易时间与聚集性 + 闪电崩盘与日内 V 型特征; 公众号 XYQuantResearch（研报节选）
2026-10-22 — 兴业金工《高频研究系列十》— 成交异常、分歧状态与成交分歧结合中的 Alpha (**条件分位数回归识别异常放量/缩量**: 控制当分钟价格变化 + 上一分钟相对量 + 日内时段; **CSAD 分组回归 + 分钟级稀疏回归**把分钟分成收敛/分歧/线性三态; **分歧命中**看异常成交后 5 分钟市场是吸收冲击还是激活分歧; `vr_quantile_resid_corr` IC **0.048** / 多空 **34.60%**; **贝叶斯收缩对放量有效对缩量有害** —— 放量事件率真实异质性只占 **47.34%**, 缩量占 **61.53%**) — 兴业证券研报 (2026-10-21); 公众号 XYQuantResearch; 分析师郑兆磊 / 陈子轩; 回测 2017-08-29 — 2026-09-30
2026-10-21 — Frey & Sandås 2009/2017 — 冰山委托对限价簿的影响 (**冰山 = 隐藏规模 + 公开吆喝**: 冰山占成交股数 **15.9%**, 规模是普通限价单 **12–20 倍**; 检测到后买单概率 **0.5 → 0.7**、市价单规模 **+40%**; 执行比例越高单位冲击越小 (**约小 30%**); 代价 = 限价单逆向选择成本, 订单簿利润 **+0.76 → −0.14 bp** — CFR WP 09-06 / QJF 7(1); Xetra 2004-01~03, DAX-30
2026-10-21 — Bloomfield-O'Hara-Saar 2012 — 隐藏流动性的实验室证据 (**允许隐藏大幅改变策略但结果指标不变**; 显示价差 Hidden **6.3** vs 真实价差 3.7; 知情者盈利 **160.9** vs Visible **78.4**; 知情者偏好 Hidden (41.7%) 而流动性交易者偏好 Visible (**77.1%**)、公平性 6.30 vs 3.54 — Working paper; 康奈尔 BSL, 96 名被试
2026-10-21 — Zotikov & Antonov 2019 — CME 冰山识别与预测 (**原生冰山靠交易汇总消息**, 占成交量 **4%**; **合成冰山只能启发式** —— 占成交量 **3.3–14.3%**, **超过一半被取消**; **Kaplan–Meier 生存分析**处理右删失; 合成冰山最长链召回率 **83.67%**; 原生用 Mode(3) 而非均值 (F1 **62.93%** vs 8.43%) — Preprint; CME ESU19 FOD MBO, 2019-06
2026-10-21 — Chakrabarty-Comerton-Forde-Pascual 2022 — 不用专有数据识别 HFT (**用 NSE 消息级真值检验九个代理指标**: proxy-true 相关 **74%–99%** (Pearson), 全部时间窗口成立; 流动性供给/需求两侧都可靠; **只有 SRuns 主要由 HFT 驱动** —— 对 AAT/NAT 的第二阶段 $R^2$ 仅 **0.01/0.00**; HFT 占 NSE 成交 **23.02%**、占全部消息 **83.40%** — Working paper; NSE 纳秒逐笔, 纳指 50, 2015-05~07
2026-10-21 — Goudarzi & Bazzana 2023 — 用机器学习识别 HFT (**用 AMF 账户级标签训 RUS boost**: TPR **0.99** 但 TNR 仅 **0.54–0.73**, PPV 99.24% / NPV 83.06%; **逆向工程还原成 15 叶概率树** (样本外 PPV 97.1%); 判别力最强的是 `recs` 与**委托存活期** —— HFT 中位数 **265 秒** vs 非 HFT 4,863,101 秒; ⚠️ **标签与特征同源** — RIBAF 66:102078; BEDOFIH AMF Euronext Paris, 2017-05-04
2026-10-21 — Sato & Kanazawa 2023 — 日本市场账户级拆单行为的定量统计检验 (**首次定量验证 LMF 的 $\gamma=\alpha-1$** —— 误差均值 **0.03** (ACF) / **0.003** (PSD); **25% 的交易者贡献 80% 的市价单**; 由此可**从宏观长程记忆反推微观参数**; 交易台 ID 构造 (Goshima-Tobe-Uno); **修正 Lillo 等 2005 原文自承的 "The model fails this test"** —— 重估斜率仅 0.07 — arXiv:2308.01112; 东交所 2012–2020 全账户数据
2026-10-21 — Dramé 2020 — 异质信息参与者下的 LOB 形态建模 (**知情做市商决定可见订单簿形态** ($L_i\ge L_u$); 抢跑参数 $f$ 越小 → 价差越窄流动性越好 (价差 $=2\phi$); **多个知情做市商竞争时无限流动性不再出现**; **价差来源 = 信息不对称** —— 与 Avellaneda-Stoikov 的库存风险解释不同 — Working paper; CME 美债期货 MBO, 144 天
2026-10-21 — Tao-Day-Ling-Drapeau 2020/2022 — 高频交易中 spoofing 的检测 (**把 spoof 写成可求最优解的静态模型**: **假单被成交概率 $q$ 直接吃掉全部收益**; **失衡接近 1/2 时最容易出现 spoof**; 检测 = 条件化 + **2-Wasserstein 距离** 比较「到合法失衡」与「到 spoof 失衡」的距离; TMX 10 只股票; 作者自陈"**绝不是最终答案，只是第一步**" — Quant Finance 22(8)
2026-10-21 — Fabre & Challet 2025 — 学习订单簿的「可 spoof 性」 (**多尺度 Hawkes + 挂单距离** 特征 (31 维) + 概率神经网络 (1×64 隐藏层); **31% 的大单可以 spoof 市场**; **可疑单挂在盘口顶端占 0%** (正常大单 4.20%); 可疑单规模 2.6×、距离 6.7×; 检测 **< 100 微秒/笔** — arXiv:2504.15908; Coinbase L3, BTC/ETH, 88,327,661 笔委托
2026-10-21 — Lin & Yang 2025 — 级联对比表示学习检测多档操纵 (**级联 Transformer 编码器 + 有监督对比学习** + OC-SVM: AUC-PR **0.252 → 0.675**、AUROC **0.975**; **多档操纵更难** (单档 0.308 vs 5 档 0.260); **原始 LOB 直喂反而变差**; 过采样与对比损失缺一不可; 通用时序模型 FEDformer/TimesNet **反而下降** — arXiv:2508.17086; LOBSTER CSCO/TSLA/INTC 2015-01-02
2026-10-21 — Cont-Cucuringu-Glukhov-Prenzel 2023 — 客户订单流的分析与建模 (**经纪商视角**: 谱聚类分出 **Quant/Day VWAP/Signal/Res** 四类, 24 个月 × 25 只股票稳定; **四类的库存与 OFI 几乎不相关** ($|r|\le0.11$); **OFI_ADV 归一优于 OFI_C** —— 参与率谬误的独立证据; Signal 的 20 日超额 10.63 bp 显著但**夏普全近 0** —— 结构差异 ≠ alpha — Quant Finance 23(2); 经纪商执行数据, STOXX 600, 2018–2019
2026-10-21 — Kirilenko-Kyle-Samadi-Tuzun 2017 — 闪崩 (CME 逐笔审计追踪数据解剖 2010-05-06: **卖压 75,000 张 vs 中介承接上限 HFT 4,000 + MM 1,500** —— 差一个数量级; **闪崩期间只有传统做市商的行为变了** (VAR 交互项 F 检验 1% 水平拒绝), **HFT 没变** (不能拒绝); 且 HFT 与做市商的库存—价格共动**方向相反** —— HFT 是 **quote sniping** 不是做市 (最优卖价上涨事件前激进化占比 34% → 57.7%, 事件后降到 14.8%); ⚠️ **纠正本 wiki 旧写法**「HFT 压力下撤单」 — JF 72(3)
2026-10-21 — Budish-Cramton-Shim 2015 — 高频军备竞赛与频繁批量竞价 (**军备竞赛是市场设计的均衡常数**: 连续时间 + 串行处理把套利租金内建进市场; ES-SPY 相关性 **10ms 0.1016 / 1ms 0.0080**; 套利机会持续时间 **97ms → 7ms** 而**每单位盈利恒定 0.08 指数点** —— 竞争只抬门槛不改奖金; 年化总奖金约 **$7500 万**; 对策 = **时间离散(100ms) + 统一价格批量竞价** — QJE 130(4); NYSE + CME 毫秒 direct-feed
2026-10-21 — Korajczyk & Sadka 2004 — 动量收益对交易成本的稳健性 (**盈亏平衡资金规模**: 收益被成本吃掉需 **$4.5–50 亿**、统计不显著需 **$1.1–20 亿** (1999-12 市值基准); **等权策略成本前最好、成本后最差** —— 等权把最多资金放在小盘股上; **流动性加权策略最好**; 但成本**不足以完全解释**动量持续性 — JF 59(3); 日频 + 日内
2026-10-21 — Hasbrouck 1991 — 成交的信息含量 (**VAR 框架**: 成交「创新项的最终价格影响」= 永久冲击 = 信息份额; 价差 VAR 中 **80 家中 77 家**拒绝交易变量系数为零; **大单使价差暂时走阔** (与 Easley-O'Hara 假说一致); **价差宽时成交冲击更大** — JF 46(1); NYSE
2026-10-21 — Abdi & Ranaldo 2017 — 从日频收盘最高低价估计买卖价差 (**CHL**: 在 Corwin-Schultz 的最高最低价上**再加收盘价**, 用收盘价判定当日收益方向; **无报价数据时最准** —— 横截面相关性 **0.74** (Daily TAQ) / **0.86** (Monthly TAQ) vs 其他日频估计量 0.37–0.83; **低流动性股票上优于 Corwin-Schultz**, 后者对低成交股明显低估; 控制其他 5 个估计量后**偏相关性仍显著为正**; **1993 年起有日终报价时收盘报价更好**, 1993–2000 是 CHL 主场 — RFS 30(12); S/BF-HSG WP 2016/04
2026-10-21 — Corwin & Schultz 2012 — 从日频最高最低价估计买卖价差 (**只需一个或两个交易日的 OHLC**; 两条事实: 日内最高价几乎总是买方成交 + 波动成分随区间长度放大而价差成分不变 → 相减消掉波动; **对 TAQ 有效价差相关性 0.873 vs Roll 0.694**, 平均绝对偏差 **0.97% vs 1.75%**; 给出 NYSE **1926–2005** 全样本价差序列 — JF 67(2); TAQ + CRSP
2026-10-21 — Parkinson 1980 — 用极值法估计收益率方差 (**别只用收盘价**: 用日内最高最低价, 抽样标准差 **116 → 51**, 总体改善 **2½–5 倍**; **只需要日频 OHLC**; 随机游走的扩散常数 = 收益率方差 — JB 53(1)
2026-10-21 — Easley-López de Prado-O'Hara 2012 — VPIN 订单流毒性 (**在成交量时间上更新**, 削弱波动聚集影响; **毒性高 → 剧烈波动**, 绝对收益 >0.75% 的样本中 **>84%** 落在前一桶 VPIN 最高四分位; **崩前 ≥2 小时预警**; 附带贡献 **bulk 成交分类** —— 高频市场里逐笔分类方向不可靠 — RFS 25(5); E-mini S&P + WTI
2026-10-21 — Lee & Ready 1991 — 从日内数据推断成交方向 (**tick test 判买 90.9%**; 指出报价法两个硬伤: **>50%** 报价变动先于成交记录、**35%** 成交价落在价差内; 修正用**延迟 5 秒报价**; **价差内成交不是买卖各半** —— 直接挑战 Roll 1984 的隐含前提 — JF 46(2); NYSE 1988, 150 只股票
2026-10-21 — Sitaru-Calinescu-Cucuringu 2023 — 分解的订单流不平衡 Decomposed OFI (**把 OFI 按订单簿事件类型拆成 add/cancel/trade**, 标准 OFI = 三者之和; 同期解释力持平但**前瞻 PnL 3.15 bp / Sharpe 13.51** —— 至少 5× Cont 2023; **add(挂单)那一支压倒性最重要**, Lasso 选中频率约为其他分量 3 倍; **53% 的回归只有截距非零**; **这是 ClusterLOB 附录 A 的方法来源** — ACM ICAIF '23 pp. 637-645; LOBSTER MBO, 标普 500 前 100, 2017–2019