订单失衡与收益：用成交方向净额预测下一段价格 • halo 的技术博客

问题：知道每笔是买是卖之后，然后呢？#

前面几篇我们花了大力气解决「每笔成交是买方发起还是卖方发起」：Lee-Ready 用报价中点判、BVC 用成交量分布近似。假设你已经拿到了每笔成交的方向标签，接下来最自然的一步是什么？

把它们加总。取一段时间窗口（比如一个 5 分钟 bar），把买方发起的成交量记作 $V^B$ 、卖方发起的记作 $V^S$ ，定义订单失衡（Order Imbalance）：

OI_t = \frac{V^B_t - V^S_t}{V^B_t + V^S_t} \in [-1, +1]

$OI = +1$ 表示这段时间全是买单打上来， $-1$ 表示全是卖单砸下去， $0$ 表示买卖均衡。这是订单流分析里最直白、最不需要解释的一个数。

问题是：当期的 OI 对下一段的收益有没有预测力？ 答案是有，而且机制清楚——但寿命短、毛利薄，这篇文章把三件事都量化出来。

机制：为什么失衡能延续到下一个 bar#

OI 预测未来收益，需要两个环节同时成立：

环节一：净买压推高价格（价格冲击）。 这不需要论证——从 Kyle 的 λ 到 MRR 的 θ，前面每一篇微观结构模型都在说同一件事：订单流带信息，做市商看到净买压就上调报价。当期 OI 与当期收益正相关，是市场的定价机制本身。

环节二：失衡有惯性（订单流自相关）。 这才是预测力的来源。如果 OI 是白噪声，那当期失衡再大也说明不了下一期。但真实市场的订单流有强自相关，原因至少有三个：

拆单：机构要买 500 万股，不会一笔打完，而是切成几百笔在几小时内执行——同一个母单在连续多个 bar 里持续制造买方失衡；
羊群：动量交易者看到价格上行会跟进买入，把失衡延续下去；
信息扩散：利好不是所有人同时知道的，先知先觉者买完之后，后知后觉者接着买。

两个环节串起来：当期 OI 高 → 下一期 OI 大概率还是高（惯性）→ 下一期还有净买压 → 下一期价格继续被推高。预测力的本质不是「失衡预知未来」，而是「失衡自己会延续，而延续的失衡继续冲击价格」。

这也直接告诉你信号什么时候失效：当拆单执行完毕、羊群散去，自相关断掉，OI 就只剩当期解释力、没有预测力了。

模拟验证：单调性、惯性与衰减#

真实逐笔数据难以公开复现，我们按上述机制造一个可控实验：5000 个 5 分钟 bar，订单流按 AR(1) 生成（自相关系数 0.35，模拟拆单惯性），价格收益 = 永久冲击 × OI + 独立噪声。

import numpy as np

rng = np.random.default_rng(42)
n_bars = 5000
lam = 0.0015          # 单位失衡的价格冲击：15bp
phi = 0.35            # 订单流自相关（拆单/羊群）
sigma_noise = 0.0012  # 与订单流无关的价格噪声

# AR(1) 生成订单失衡序列，tanh 压缩到 [-1, 1]
oi = np.zeros(n_bars)
eps = rng.standard_normal(n_bars)
for t in range(1, n_bars):
    oi[t] = phi * oi[t-1] + np.sqrt(1 - phi**2) * eps[t]
oi = np.tanh(oi * 0.8)

# 当期收益由当期失衡驱动
ret = lam * oi + sigma_noise * rng.standard_normal(n_bars)

# 检验：当期 OI 对下一期收益的预测
next_ret = np.roll(ret, -1)[:-1]
oi_now = oi[:-1]
print(np.corrcoef(oi_now, next_ret)[0, 1])   # ≈ 0.21

python

注意这个实验的干净之处：下一期收益只由下一期的 OI 驱动，当期 OI 对它的预测力完全来自订单流的自相关——机制和真实市场一致。

结果一：十分位单调#

把当期 OI 分成十组，看每组下一个 bar 的平均收益：

订单失衡十分位与下一期收益

最低十分位（最强卖压）下一 bar 平均 -6.4bp，最高十分位（最强买压）+4.9bp，中间八组基本单调过渡。方向对、排序对，这个信号在统计上是真的。

结果二：惯性是预测力的全部来源#

订单失衡自身的自相关函数：

订单失衡自相关

滞后 1 阶自相关 0.355（就是我们设的 φ），2 阶之后迅速趋零。这张图就是预测力的「燃料表」——OI 的可预测性完全由这条自相关曲线决定。真实市场里日内订单流的一阶自相关通常在 0.2~0.5 之间，量级与此一致。

结果三：衰减快得残忍#

OI 对未来第 h 个 bar 收益的相关性：

预测性衰减曲线

h=1 时相关性 0.21，h=2 骤降，h=5 之后已经与零无异。5 分钟 bar 意味着这个信号的有效寿命大约十几分钟——它是执行层的信号，不是持仓层的信号。想拿 OI 做隔夜仓，等于用秒表测量季节。

策略实验：毛利真实，净利残酷#

按最直白的方式做策略：OI > 0.3 做多下一个 bar，OI < -0.3 做空，其余空仓。

th = 0.3
pos = np.where(oi_now > th, 1, np.where(oi_now < -th, -1, 0))
gross = pos * next_ret                      # 毛收益
trades = np.abs(np.diff(np.r_[0, pos]))     # 换手次数
net = gross - trades[:len(gross)] * 0.0003  # 单边 3bp 成本

python

策略累计收益对比

结果：5000 个 bar 里毛收益累计 +117%，看起来像印钞机；但策略换手 3476 次，扣掉每边 3bp 的成本后只剩 +12%。九成利润交了过路费。

这与上一篇报价深度失衡的结论形成呼应，但程度不同：深度失衡扣成本后直接转亏，OI 还能剩一点——因为 OI 聚合了一整个 bar 的信息，单次信号的毛利比单次盘口快照厚一些。但结论方向一致：这类微观结构信号的经济价值主要在执行端——

入场择时：你的 alpha 模型说今天该买，OI 持续为负时等一等、OI 转正时进场，能省下真金白银的冲击成本；
执行算法：拆单执行时避开与失衡同向抢流动性，或在失衡反向时加速；
风控预警：持仓股票 OI 持续单边恶化，是比价格下跌更早的警报。

诚实边界#

方向标签本身有错。OI 的地基是成交方向分类，而 Lee-Ready 有 10-15% 错标率、BVC 给的是概率化近似。标签的噪声直接稀释 OI 的信号强度——你测出来的预测力永远是真实预测力的打折版。

失衡可以被制造。知道市场看 OI 的人可以利用它：把大买单拆得更碎去「温和地」制造持续正失衡吸引跟风，然后反手出货。和深度失衡可被幌骗操纵一样，任何公开可算的信号都会被博弈。

参数不可移植。φ=0.35、15bp 冲击是模拟设定；真实市场里不同股票、不同时段的订单流自相关差异巨大——大盘股拆单周期长、失衡惯性强，小盘股一笔大单就是全部故事。换标的必须重估衰减曲线，直接套参数等于闭眼开车。

bar 粒度是隐藏参数。5 分钟 bar 是本文选择；切 1 分钟信号更快但噪声更大，切 30 分钟惯性被平均掉。和 BVC 的 bar 大小一样，这是一个没有免费答案的权衡。

OI 是微观结构信号里性价比最高的入门款：定义一句话说得清，机制两个环节讲得明，计算一行代码写得完。它教会你的最重要一课不是「怎么赚钱」，而是信号的统计显著性和经济可行性是两回事——十分位完美单调的信号，也可能付不起自己的交易成本。