失衡棒 Imbalance Bars：让信息流的不对称决定采样节奏

一句话版本#

美元棒问『市场有多忙』，失衡棒问『市场有多偏』——累计签名成交流突破阈值就切一根 bar，双边均衡时安静，单边知情流出现时密集开火，实测在知情交易时段的采样密度是平静时段的 5-6 倍，而时间棒对此完全失明。

美元棒的盲区：它看得见活跃，看不见方向#

上一篇我们讲了 Dollar Bars：累计成交金额到阈值切一根 bar，让采样节奏跟随市场活跃度。它解决了时钟采样的肥尾和波动聚集问题——但它有一个结构性盲区。

考虑两个交易日：

• A 日：买方成交 1 亿，卖方成交 1 亿，多空缠斗，价格原地踏步；
• B 日：某机构持续扫货，净买入 2 亿，价格被一路推高。

两天的总成交金额相同，美元棒切出同样多的 bar。但从信息含量看，这两天天差地别：A 日是噪声交易者互相交换筹码，B 日是有人知道些什么。

市场微观结构理论（Kyle 1985、Easley-O’Hara 的 PIN 模型）的核心洞察正是：知情交易者的特征不是交易得多，而是交易得偏——他们只站在一边。噪声交易者买卖大致对称，知情者的出现让签名成交流（signed order flow）出现持续的单边失衡。想捕捉「信息到达」而不只是「活跃度上升」，就得追踪这个失衡本身。

失衡棒的机制：θ 的单边狂奔#

失衡棒（Imbalance Bars）是 López de Prado《Advances in Financial Machine Learning》第 2 章 information-driven bars 家族的核心成员。机制一句话说完：

给每笔成交标上方向 $b_i \in \{+1, -1\}$（主动买 / 主动卖），维护累计签名流：

$\theta_T = \sum_{i=1}^{T} b_i \cdot v_i$

其中 $v_i$ 是权重——取 1 就是 tick 失衡棒（TIB），取成交金额就是美元失衡棒（DIB）。当 $|\theta|$ 突破阈值，切一根 bar，θ 清零重来。

为什么这个机制能「闻到」知情交易？看 θ 的两种行走方式：

• 双边均衡（$P(b=+1) = 0.5$）：θ 是随机游走，走 $T$ 步只能漂到 $O(\sqrt{T})$ 的距离，触阈很慢——bar 稀疏，采样节奏放缓；
• 单边失衡（$P(b=+1) = 0.6$）：θ 获得漂移项，以 $O(T)$ 的线性速度冲向阈值——bar 密集，采样节奏骤然加快。

随机游走 vs 带漂移游走的触阈速度差异，就是失衡棒的信息检测器。 它不需要任何模型、任何训练，纯粹靠一阶累加和一个阈值。

右图是一段真实模拟数据：知情流开始前 θ 上下扭动（随机游走），开始后一路单边狂奔——这就是触发采样加速的物理图景。左图是美元失衡棒的 bar 时长分布：从几十 tick 到上千 tick 横跨两个数量级，采样节奏完全由失衡强度接管。

实验设计：在知情交易可控的市场里考试#

真实数据里你不知道知情交易何时发生，所以又是合成市场上场。我们生成 120,000 笔 tick（约 600 分钟），基础状态下每笔成交方向是公平硬币；随机插入 7 段知情交易时段（每段 1500-4000 tick），期间单边方向概率提升到 0.60-0.68，且知情单的规模略大（×1.3）。价格由签名流的永久冲击驱动——这是 Kyle 模型的离散化简版。

四个选手同台，bar 数全部校准到约 600 根（公平对比）：1 分钟时间棒、美元棒、tick 失衡棒、美元失衡棒。

def imbalance_bars(flow, threshold):
    """flow[i] = b[i] * v[i]，|累计流| 突破阈值切 bar。"""
    edges, theta = [], 0.0
    for i in range(len(flow)):
        theta += flow[i]
        if abs(theta) >= threshold:
            edges.append(i)
            theta = 0.0
    return np.array(edges)

结果一：采样密度——失衡棒在知情时段密集开火#

统计每种 bar 在知情时段 vs 平静时段的采样密度（每千 tick 切几根 bar）：

时间棒的 1.00× 是定义使然——它按钟表切分，市场里发生什么与它无关。美元棒的 1.28× 来自知情单规模略大带来的成交金额增量，聊胜于无。失衡棒的 5-6× 是质变：知情时段拿到的 bar 是平静时段的五六倍，意味着任何下游模型在信息最密集的时刻获得最高的时间分辨率。

上图直观展示一段知情交易时段（粉色区域）：时间棒均匀打点，对粉色区域毫无反应；美元失衡棒在粉色区域内密集开火，平静段则大幅放缓。

结果二：检测延迟——从 6 分钟压到 2 分钟#

采样密度是静态指标，更实战的问题是：知情流开始后多久，你能从 bar 序列上确认它？ 定义检测事件为「连续 3 根 bar 方向与知情流一致」，测量从知情流开始到检测事件的延迟：

延迟从 6 分钟压缩到 2 分钟。机制不神秘：知情流让 θ 快速触阈 → bar 变短 → 同样「3 根确认」所需的墙上时间大幅缩短。失衡棒相当于把「确认一个单边流」的采样成本从固定时间预算变成了自适应预算。

结果三（最诚实的一条）：失衡棒的收益分布更肥尾，而这是特性#

如果你以为 information-driven bars 家族都朝「收益更正态」的方向使劲，这组数字会纠正你：

失衡棒的收益分布显著更肥尾。这不是 bug——想清楚它在干什么就明白了：它把知情时段（价格大幅单边移动）压缩进少数几根 bar，每根都承载完整的方向性冲击；平静时段的 bar 则又长又平。方向性信息被浓缩了，而浓缩的代价就是分布的两极分化。

这揭示了一个常被混淆的要点：美元棒和失衡棒的目标是正交的。 美元棒是分布美化器——让收益接近 iid 高斯，伺候对分布假设敏感的 ML 流水线；失衡棒是信息浓缩器——让 bar 的切分与信息到达对齐，伺候需要检测「谁在买」的策略（订单流策略、知情交易预警、事件驱动入场）。选哪个取决于下游要什么，「都是 AFML 第 2 章的所以随便选一个」是常见误用。

三盆冷水#

1. 教科书的 EWMA 自适应阈值有正反馈塌缩缺陷。 AFML 原文的阈值是 $E_0[T] \cdot |E[b]|$，两个期望都用 EWMA 在线估计。这个设计在实务中臭名昭著：当市场长期接近均衡时 $|E[b]| \to 0$，阈值坍缩，bar 长度崩到 1 tick，然后 EWMA 被这些退化 bar 进一步污染——正反馈死亡螺旋。我们最初的实现就踩了这个坑（bar 数直接爆到 12 万根，等于每 tick 一根）。实务建议：用固定阈值 + 定期（如每日/每周）离线再校准 bar 数量，保留经济含义，放弃在线自适应的花哨。开源实现（如 mlfinlab）为此加了大量补丁，恰恰说明原始配方不稳。

2. 真实市场里，b 是猜出来的。 合成实验里每笔成交的方向是上帝视角直接给的；真实数据里你只有价格和量，方向要靠 tick rule（成交价高于前价标买、低于标卖）或 Lee-Ready 算法推断，准确率约 85%。更麻烦的是误差不随机：在价格快速移动、盘口频繁刷新的时段——恰恰是知情交易最活跃的时段——分类错误率系统性升高。你的信息检测器在最需要它的时刻最不可靠，这个折扣必须打进预期。A 股逐笔数据带有买卖方向标记，条件相对好；但对只有分钟线的市场，失衡棒基本没法做——它天生是 tick 级工具。

3. 采样密集 ≠ 可交易信号。 失衡棒告诉你「单边流正在发生」，但价格冲击是即时的——你检测到失衡时，θ 的漂移已经推着价格走了一段。检测延迟 2 分钟意味着入场时冲击的前 2 分钟已经 price-in。失衡采样的价值不在「跟着买」这种朴素策略，而在：为 ML 模型提供信息对齐的样本切分、为做市商提供撤退预警（检测到知情流就拉宽价差——这正是 Easley 等人 VPIN 的用法）、为事件研究提供比时钟更合理的事件窗口。把它当买入信号发生器，是对工具的降维使用。

在工具链中的位置#

至此 information-driven bars 家族的两根支柱都齐了：美元棒管「何时活跃」（分布美化，ML 前处理默认选项），失衡棒管「谁在推」（信息浓缩，订单流与知情交易检测）。再往上一层是 run bars（追踪连续同向序列而非累计失衡，对「温水煮青蛙」式的缓慢单边流更敏感）和 VPIN（把失衡率变成连续的毒性指标）。配合前面讲过的趋势扫描标注和三重障碍法，「怎么切样本」和「怎么贴标签」这两件监督学习的地基工程，都有了比”每 5 分钟一根 + 20 天后涨没涨”严肃得多的答案。