不平衡 Bar 信息驱动采样：让每根 K 线携带等量信息而非等量时间

绝大多数人画 K 线，用的是时间 Bar：每固定 N 秒（或 N 分钟）砍一刀，把这段时间的成交价拼成一根 OHLC。它简单、直观，但有一个被所有人习以为常、却让很多策略偷偷掉坑的毛病：市场安静时一根 Bar 几乎没信息，爆发时一根 Bar 挤满信息，而你用「等量时间」去切，等于在切「不等量的信息」。更糟的是，时间 Bar 会凭空制造出自相关和波动聚集——这些「信号」其实是切片方式人为造出来的，不是真实价格过程的特征。

结论先放这：不平衡 Bar（Imbalance Bar，Almgren-Chriss 2000 体系下的信息驱动采样）反过来——不等时间，等「信息」。它用累计订单流不平衡 θ = Σ b·v 触达阈值就截断一根 Bar，于是每根 Bar 都携带约等量的订单流信息。本文用 numpy 从零实现不平衡 Bar，在 6 万 tick 合成盘口（含爆发段与平静段）上证明：750 根时间 Bar 被压缩成 156 根不平衡 Bar，收益滞后 1 自相关从 0.528 砍到 0.048（接近 iid），每根 Bar 的信息量变异系数从 0.596 降到 0.252。附完整 Python 与四张真实计算图。

一、时间 Bar 的三个「人造病」#

时间 Bar 切出的收益序列，常出现三件怪事，而它们都来自切片本身：

1. 自相关：一根时间 Bar 跨了爆发段，下根 Bar 还在延续，于是相邻 Bar 收益正相关。本文合成数据里时间 Bar 的滞后 1 自相关高达 0.528——这不是趋势，是「一根信息被切成两半」的假象。
2. 波动聚集：爆发全落在少数几根 Bar 里，平静全落在另一些里，于是「波动大的 Bar 后面还是波动大」——典型的 EMA/ARCH 会去拟合这个伪聚集。
3. 信息密度不均：平静段一根 Bar 的累计订单流不平衡可能接近 0，爆发段一根能到几十倍，你却用同一根「K 线」去平等对待它们，等于给噪音和信号一样的权重。

二、核心思想：用订单流不平衡当「信息计量表」#

不平衡 Bar 的计量表是 tick imbalance：

$\theta_t = b_t \cdot v_t,\qquad b_t = \text{该 tick 的买卖方向（+1 买 / −1 卖）},\; v_t = \text{成交量}$

累计到时刻 t：

$\Theta_t = \sum_{i=1}^{t} b_i v_i$

当 |Θ_t| 触达阈值 $\Theta^* = E_T \cdot E_v$（$E_T$ 期望 tick 数，$E_v$ 期望每 tick 量）就截断一根 Bar。直觉：买压持续压过卖压（或反过来），直到「信息被消化够了」就收一根——爆发段方向单一，很快触阈、切得密；平静段来回拉锯，很久才触阈、切得疏。

阈值用 EWMA 在线更新（α=0.005），让采样随市场节奏自适应：

$E_T \leftarrow (1-\alpha)E_T + \alpha\,(\text{本根实际 tick 数})$ $E_v \leftarrow (1-\alpha)E_v + \alpha\,\big(\text{本根实际平均每 tick 量}\big)$

还要设一个上限 max_T（本文取 5×E_T）兜底：极端平静时别让一根 Bar 长得无限，触顶也砍。

三、从零实现：numpy 滚动累计即可#

import numpy as np

def build_imbalance_bars(b, v, E_T0=80.0, alpha=0.005, max_mult=5.0):
    """
    b: (M,) tick 方向（+1/-1）
    v: (M,) tick 成交量
    返回: ib_ends —— 每根不平衡 Bar 的结束 tick 索引列表
    """
    E_T = E_T0
    E_v = float(np.mean(v))
    max_T = int(max_mult * E_T)
    threshold = E_T * E_v
    cum_theta, cum_v, cum_t = 0.0, 0.0, 0
    ib_ends = []
    for t in range(len(b)):
        cum_theta += b[t] * v[t]
        cum_v += v[t]
        cum_t += 1
        if abs(cum_theta) >= threshold or cum_t >= max_T:
            ib_ends.append(t)
            E_T = (1 - alpha) * E_T + alpha * cum_t
            E_v = (1 - alpha) * E_v + alpha * (cum_v / cum_t)
            threshold = E_T * E_v
            cum_theta, cum_v, cum_t = 0.0, 0.0, 0
    return ib_ends

# 计算每根 Bar 的 log 收益
def bar_returns(mid, ends):
    ends = [0] + ends
    return np.array([np.log(mid[e]) - np.log(mid[s]) for s, e in zip(ends[:-1], ends[1:])])

mid 是逐 tick 中间价。合成里我用 GBM 加「爆发段」：18% 概率启动一段 40–260 tick 的单向漂移（80% 概率向上），成交量放大 1.6×——模拟真实盘口里「信息来了就有序流入」的结构。

四、结果：信息密度均匀了，伪自相关消失了#

6 万 tick 跑下来：750 根时间 Bar（每 80 tick 一刀）被压缩成 156 根不平衡 Bar。平均一根不平衡 Bar 含 383 tick（中位 400，最短 116，最长被 max_T 兜在 400）——长短不一，正是信息驱动的样子。

最刺眼的是自相关：滞后 1 从 0.528 掉到 0.048，几乎贴着 iid 线。这说明时间 Bar 那 0.53 的自相关，绝大部分是「一根信息被切两半」的切片假象，不是价格过程的真实记忆。不平衡 Bar 让每根 Bar 独立承载一段「被消化的信息」，相邻 Bar 之间不再有这种人为粘连。

信息量均匀度那张图更直观：时间 Bar 每根累计订单流不平衡的变异系数 0.596（平静段≈0、爆发段几十倍）；不平衡 Bar 在「未触顶」的 Bar 上，每根都恰好在阈值处截断，累计不平衡几乎恒等于阈值，变异系数只有 0.252——每根 Bar 携带的订单流信息量基本相等。触顶的少数 Bar（25/156）是极端平静段被 max_T 强制收尾，属于必要兜底，不影响主体结论。

五、它和「等交易量 Bar」的关系#

不平衡 Bar 是信息驱动采样家族的一员，另外两个常见兄弟：

• 等交易量 Bar（Volume Bar）：累计成交量触阈就切。简单，但不区分买卖方向，买压卖压对消时它还在傻等。
• 不平衡 Bar（本文）：用带符号的 θ=Σb·v，买压卖压对消时累计值几乎不动，只对「净方向性信息」响应——这正是它比 Volume Bar 更贴近「信息到达」的原因。

还有一个更激进的 Run Bar（运行 Bar）：连续同向 tick 数触阈就切，对微观结构噪声更敏感。三者都遵循同一哲学：用「事件/信息」而非「时钟」给序列分段。

六、三个诚实的坑#

1. 它不消灭真实自相关，只消灭切片造的伪自相关。如果你的价格过程本身有真实记忆（比如缓慢均值回归），不平衡 Bar 不会把它抹掉，只会把「切片假象」那部分去掉。本文合成数据的滞后 5 仍 0.10，就是残余真实结构 + 少量触顶 Bar 的贡献。
2. 阈值 α 和 max_T 是超参。α 太大阈值抖、太小自适应慢；max_T 太小会造出一堆「信息不足」的触顶 Bar（本文 25 根），太大又退化回时间 Bar。实务里 α 取 0.005–0.02、max_T 取 3–5×E_T 是常见区。
3. tick 方向 b 的判定依赖数据质量。本文用「tick 收益符号」近似买卖方向，真实盘口要用成交价相对买一/卖一的方向或成交单的主动买卖标志；错标方向会让 θ 失效，不平衡 Bar 退化。

七、结论#

固定时间间隔的 K 线，切的是「时钟」不是「信息」——市场安静时一根 Bar 空空如也，爆发时一根 Bar 挤满信号，还会凭空造出自相关和波动聚集。不平衡 Bar 把采样规则翻过来：用订单流不平衡 θ=Σb·v 触达阈值就收一根，让每根 Bar 携带约等量的方向性信息。本文 6 万 tick 合成盘口上，750 根时间 Bar 被压成 156 根不平衡 Bar，收益滞后 1 自相关从 0.528 砍到 0.048、每根 Bar 信息量变异系数从 0.596 降到 0.252——伪序列相关被切掉、信息密度被抹平。对做事件研究、微观结构策略、或单纯想喂给模型更 iid 的序列的人来说，这往往比「多切几根细时间 Bar」更对症。完整生成脚本与四张计算图见 gen_two_articles_sep01.py（仓库内），所有数值固定 seed 可复现。