Hayashi-Yoshida 领先滞后估计：在异步 tick 里找谁先动

先问一个高频交易里价值连城的问题：两只关联资产同时波动，到底是谁先动、谁在跟随？

沪深 300 ETF 涨了，成份股会在几秒内跟上；股指期货动一下，现货指数滞后半秒才反应；一只大盘龙头拉升，同板块的小弟们排队跟进。这个”谁领先谁”的时间差——哪怕只有几秒——就是套利者的饭碗：你看到 leader 动了，抢在 follower 反应过来之前下单，吃的就是这几秒的确定性。

但问题在于：从真实 tick 数据里把这个 lag 量出来，出奇地难。 难点还是那个老敌人——异步成交。两条序列的成交时刻从不对齐，你一旦为了对齐把它们重采样到固定网格（比如 1 分钟），就把秒级的领先滞后关系直接碾进了分钟级的格子里，lag 消失得无影无踪。

结论先放这：解法是把 Hayashi-Yoshida 估计量从”算协方差”升级成”探测领先滞后”。 给其中一条序列的时间轴整体平移 L 秒，再算 HY 交叉相关；扫描所有可能的 L，交叉相关的峰值出现在哪个 L，那个 L 就是领先滞后时间。本文从零把这套方法和代码走一遍。

（如果你还不熟悉 Epps 效应和 HY 估计量的基本原理，建议先看上一篇《Epps 效应与高频相关性》，本文默认你知道”异步成交为什么会毁掉高频相关性”以及”HY 如何用重叠区间绕开它”。）

先造一个 leader / follower 世界#

要验证方法对不对，得先有一个”上帝视角下已知答案”的数据。我造一个明确的领先滞后结构：follower 的收益 = leader 收益平移 8 秒 + 自身噪声。 也就是 follower 落后 leader 整整 8 秒。

import numpy as np

rng = np.random.default_rng(7)
n = 20000          # 秒（约等于一个交易日多一点）
true_lag = 8       # follower 落后 leader 8 秒
rho = 0.7          # 领先-滞后关系的强度
sigma = 0.15 / np.sqrt(n)

# leader 的 latent 收益
r_leader = sigma * rng.standard_normal(n)

# follower：把 leader 收益平移 true_lag，再混入自身噪声
noise = rng.standard_normal(n) * sigma
r_follower = np.zeros(n)
r_follower[true_lag:] = rho * r_leader[:-true_lag] + np.sqrt(1 - rho**2) * noise[true_lag:]
r_follower[:true_lag] = noise[:true_lag]

p_leader = 100 * np.exp(np.cumsum(r_leader))
p_follower = 80 * np.exp(np.cumsum(r_follower))

把两条价格叠在一起看，follower 的走势就像 leader 平移 8 秒后的回声：

肉眼能感觉到”红线在跟蓝线”，但感觉不出来到底滞后几秒。这正是我们要量化的东西。

核心思想：平移 + 交叉相关，扫出峰值#

普通相关性只回答”两者相不相关”，不回答”谁先谁后”。要挖出方向和时间差，得引入交叉相关（cross-correlation）：把其中一条序列相对另一条平移 L，再算相关。

• 如果 leader 真的领先 follower 8 秒，那么把 leader 往后推 8 秒、正好和 follower 对齐时，相关性最高。
• 扫描所有 L（从领先到滞后），交叉相关会在 L = 真实 lag 处出现一个尖峰。

def shifted_corr(ra, rb, shift):
    # 正 shift：把 b 相对 a 往后挪，检验 a 是否领先 b
    if shift > 0:
        a, b = ra[:-shift], rb[shift:]
    elif shift < 0:
        a, b = ra[-shift:], rb[:shift]
    else:
        a, b = ra, rb
    return np.corrcoef(a, b)[0, 1]

lags = np.arange(-25, 26)
cc = [shifted_corr(r_leader, r_follower, s) for s in lags]
peak = lags[int(np.argmax(cc))]   # 峰值位移 = 估计的领先滞后

画出来，峰值精准落在 8 秒：

峰值位置 = 8 秒，和真实滞后完全吻合。峰的位置告诉你时间差，峰的高度告诉你关系强度，峰在正轴还是负轴告诉你谁领先谁。一张图三个信息。

这在同步、稠密数据上很干净。但真实 tick 是异步稀疏的——这才是 HY 登场的地方。

异步 tick 下：HY 平移法 vs 固定网格#

真实市场里，leader 和 follower 的成交时刻各自独立、稀疏、错位。现在把上面的思想搬到异步数据上：给 follower 的成交时间轴整体平移 L 秒，再用 HY 估计量算这条平移后的交叉协方差。

def hy_cross(times_a, ret_a, times_b, ret_b, shift):
    # 把 b 的时间轴整体平移 shift 秒后做 HY 交叉协方差
    tb0, tb1 = times_b[:-1] + shift, times_b[1:] + shift
    ta0, ta1 = times_a[:-1], times_a[1:]
    cov = 0.0
    for i in range(len(ret_a)):
        overlap = (tb0 < ta1[i]) & (tb1 > ta0[i])   # 时间重叠即累加
        cov += ret_a[i] * ret_b[overlap].sum()
    return cov

HY 的精髓和上一篇一样：不对齐、不填充、不丢数据，只靠”时间区间是否重叠”来配对累加。加一个平移量 L，它就从”算协方差”变成”探测领先滞后”。

对比 HY 平移法和传统的”重采样到 10 秒固定网格再算交叉相关”：

差距一目了然：

• HY 平移法（绿）：在异步稀疏数据上，峰值依然稳稳落在 8 秒附近。它保留了成交的原始时间戳精度，秒级的 lag 就能秒级地测出来。
• 10 秒固定网格（灰）：峰被彻底模糊。因为你把数据重采样到 10 秒格子的那一刻，8 秒的领先滞后就被压进了一个格子里——你的测量精度不可能高于你的采样粒度。 想测秒级 lag，却用 10 秒网格，等于用米尺量头发丝。

这是全文最关键的一点：领先滞后的可测精度，取决于你有没有保住 tick 的原始时间戳。 一旦重采样，秒级信息就永久丢失了，再精巧的算法也救不回来。HY 平移法的价值就在于它原生吃异步 tick，不需要经过那道有损的重采样。

lag 估计有多稳？样本量与信号强度#

复现出峰值很爽，但实盘里你得问一句：这个 8 秒是真的，还是噪声凑出来的巧合？ 峰值定位的稳健性取决于两个东西——你有多少数据，以及信号有多强。

**左图——样本量的作用：**用不同长度的数据各跑 60 次，看 lag 估计的均值和波动。数据少（500 个 tick，约几分钟）时，估计在真值附近剧烈抖动，误差棒很长——你今天测出 8 秒、明天可能测出 3 秒或 14 秒。随着样本增加到几千、上万个 tick，估计迅速收敛到 8 秒且波动收窄。结论：几分钟的数据测领先滞后几乎没意义，至少要积累到相当规模的成交才谈得上可信。

**右图——信号强度的作用：**关系越强（ρ=0.8），峰越尖锐、越好辨认；关系越弱（ρ=0.2），峰几乎被噪声淹没，你根本挑不出一个可靠的峰值位置。结论：领先滞后关系本身弱的资产对，别指望测出稳定的 lag——平峰意味着任何”峰值”都可能是随机波动的产物。

这两张图合起来给的实务准则很清楚：只在关系够强、数据够多的资产对上做领先滞后套利。 弱信号 + 短样本，你测出来的 lag 是纯噪声，照着它下单等于给市场送钱。

四类真实陷阱（进阶）#

陷阱一：领先滞后关系不是常数，会随 regime 漂移甚至反转。 你今天测出 A 领先 B 8 秒，可能是因为最近 A 的流动性更好、价格发现更快。一旦市场结构变了（B 上了新的做市商、A 遇上流动性枯竭），领先滞后可能缩短、消失甚至反向。把某天测出的 lag 当成永恒常数去下单，是领先滞后套利最常见的死法。 必须用滚动窗口持续重估，并监控峰值高度——峰一变平就说明关系在衰减，该停手了。

陷阱二：因果幻觉——领先不等于”leader 导致 follower”。 交叉相关峰值告诉你的是”A 的波动在时间上先于 B”，不是”A 引起了 B”。真实原因可能是第三方共同驱动（一条宏观新闻同时影响两者，但因为 A 流动性好先反应），或者纯粹是成交频率差异造成的假象——流动性高的资产天然显得”领先”，因为它 tick 更密、价格更新更快，这是采样效应不是价格发现。 把这种伪领先当真信号去套利，会在关系不存在的地方反复亏损。判别的办法之一：控制流动性后再看 lag 是否还在。

陷阱三：平移量的符号和时间轴方向极易搞反。 hy_cross 里那个 shift 到底是”把 B 往前推”还是”往后推”、正号代表”A 领先”还是”B 领先”，差一个符号，你的结论就完全反了——本来该在 leader 动之后抢 follower，结果你去抢 leader，方向反了稳亏。上线前必须用已知答案的合成数据（像本文这样注入一个确定的 lag）反复校验符号约定，确认代码测出来的方向和你注入的方向一致，再碰真实数据。这种符号错误在回测里往往不报错、还能跑出”盈利”曲线（因为你其实在用未来信息），最阴险。

陷阱四：可测的 lag 不等于可交易的 lag。 就算你精确测出 leader 领先 follower 8 秒，能不能吃到取决于你的下单链路够不够快。如果你从看到 leader 信号、到订单真正打进 follower 的簿子需要 5 秒，那你只剩 3 秒的可利用窗口；如果链路延迟 10 秒，这 8 秒 lag 对你完全无效——别人比你快，早就把价差吃没了。 领先滞后套利本质是延迟竞赛，测出 lag 只是入场券，你的执行延迟必须显著小于 lag 才有意义。回测里加上真实的下单延迟和滑点，很多看着诱人的 lag 会瞬间归零。

一句话总结#

领先滞后估计要回答的不是”两者相不相关”，而是”谁先动、领先多久、关系多强”。核心工具是交叉相关的峰值——峰的位置给你时间差，峰的高度给你关系强度，峰的符号给你方向。

而在真实的异步 tick 世界里，这一切的前提是保住成交的原始时间戳。一旦重采样到固定网格，秒级的领先滞后就被碾成了粉末。Hayashi-Yoshida 平移法的价值就在于它原生吃异步数据，用”时间重叠”绕开对齐难题，把秒级 lag 秒级地测出来。

但测出 lag 只是开始。它会随 regime 漂移、会被流动性差异伪装成因果、符号一错方向全反、更要命的是你的执行速度得快过这个 lag 才吃得到。领先滞后从来不是一个静态的数字，而是一场关于速度、稳健性和因果判断的持续博弈。