报价斜率流动性：用限价簿弹性度量瞬时深度 • halo 的技术博客

问题：价差一样、深度一样，成本可以差三倍#

两只股票，买卖价差都是 1 分钱，买一卖一挂单量都是 2000 股。它们的流动性一样好吗？

对一笔 500 股的小单来说，一样。但你要买 2 万股，答案取决于卖二、卖三、卖五、卖十挂了多少：

股票 A 的挂单量沿价格档位缓慢衰减，卖十档还有几千股——2 万股吃进去，价格只推高 3 分钱；
股票 B 的挂单集中在前两档，往后骤减——同样 2 万股要扫到十几档开外，价格推高 1 毛。

价差度量的是第一股的成本，最优档深度度量的是第一档的数量，而一笔像样规模的订单真正面对的是整个簿本的形状。把这个形状压缩成一个数，就是报价斜率（quote slope）——这个思路可以追溯到 Engle-Lange 的市场深度研究和 Kyle (1985) 的 λ：市场的流动性本质上是一条供给曲线的斜率。

同样的价差，完全不同的弹性

左图是深盘口：累计深度曲线平缓上升，价格每偏移一分钱能多吃到大量挂单。右图是浅盘口：曲线贴着地板走，想多买就得大幅让价。两图的价差完全相同——这就是为什么只看价差会把 B 误判成和 A 一样流动。

定义：累计深度对价格偏移的回归斜率#

操作化定义非常直接。取一个盘口快照，对卖侧（买侧同理）：

计算每一档距中间价的偏移 $\Delta p_k = p_k^{ask} - m$ ；
计算到第 $k$ 档为止的累计挂单量 $Q_k = \sum_{j \le k} q_j$ ；
对 $(\Delta p_k, Q_k)$ 做穿过原点的最小二乘：

S = \frac{\sum_k \Delta p_k \, Q_k}{\sum_k \Delta p_k^2}

$S$ 的单位是”股/元”：价格每让一元，市场愿意多给你多少股。S 越大，簿本越有弹性，同样规模的订单造成的位移越小。

import numpy as np

def quote_slope(ask_px, ask_qty, mid):
    """报价斜率：累计深度对价格偏移的过原点回归斜率（股/元）"""
    dp = np.asarray(ask_px) - mid          # 各档距中间价的偏移
    cq = np.cumsum(ask_qty)                # 累计可成交量
    return np.sum(dp * cq) / np.sum(dp ** 2)

# ---- 两个盘口：价差相同，形状不同 ----
mid, tick = 10.00, 0.01
levels = np.arange(1, 11)
ask_px = mid + tick * levels

rng = np.random.default_rng(7)
deep_ask = 7800 * np.exp(-0.07 * levels) + rng.normal(0, 200, 10)   # 深盘口
shal_ask = 1400 * np.exp(-0.22 * levels) + rng.normal(0, 60, 10)    # 浅盘口

S_deep = quote_slope(ask_px, deep_ask, mid)
S_shal = quote_slope(ask_px, shal_ask, mid)
print(f"深盘口 S = {S_deep:,.0f} 股/元, 浅盘口 S = {S_shal:,.0f} 股/元")
# 深盘口约为浅盘口的 6-8 倍

python

报价斜率的操作化定义

为什么用回归而不是直接拿”总深度除以总价格范围”？因为回归对近端档位加权更合理——过原点最小二乘天然给远离中间价的点更大权重是个特性而非缺陷：远端档位才是大单真正要触碰的区域，近端一两档的数字游戏（后面会讲）对 S 的影响被稀释。

与 Kyle λ 的关系：一枚硬币的两面#

熟悉 Kyle 模型的读者会立刻认出来：λ 是”每单位订单流推动多少价格”（元/股），S 是”每单位价格让步换来多少量”（股/元）。S 就是 λ 的簿本侧倒数近似：

\lambda \approx \frac{1}{S}

区别在测量来源：λ 从成交后的价格回归里估计（事后的、已实现的冲击），S 从盘口快照里直接读出（事前的、承诺中的流动性）。两者的差值本身有信息——如果实际成交的 λ 系统性大于 1/S，说明可见挂单在你到达之前撤掉了，簿本承诺的流动性是幻觉。这个”承诺 vs 兑现”的差距，正是高频做市环境里 fleeting liquidity（闪现流动性）的度量思路。

横截面验证：冲击成本 ∝ 1/S#

如果 S 真是流动性的标尺，那么固定规模订单的即时冲击应该和 S 成反比。模拟 120 只斜率横跨两个数量级的股票，每只吃一笔 2 万股市价单：

n_stk = 120
true_slope = 10 ** rng.uniform(4.2, 6.3, n_stk)      # 股/元，跨两个数量级
order = 20_000                                        # 固定 2 万股

# 即时冲击（bp）：走完簿本所需价格位移 / 中间价，叠加 25% 实现噪声
impact_bp = order / true_slope / mid * 1e4 * (1 + rng.normal(0, 0.25, n_stk))

python

横截面上斜率与冲击成本的关系

双对数坐标下 120 个点整齐地贴着”冲击 ∝ 1/S”的理论线。这意味着 S 可以直接进成本预估模型：交易前用当前盘口算出 S，除一下就是这笔单子的即时冲击预算——不需要历史回归，不需要等成交回报，一个快照就够。这是 S 相对 Amihud、Kyle λ 这类”事后估计量”的最大实用优势：它是实时的。

动态：日内 U 形与压力坍缩#

斜率不是股票的常数，它随时间剧烈变化——而且变化本身就是信号。

n_min = 240
t = np.arange(n_min)
# 价差的日内 U 形 → 斜率的倒 U 形（开收盘弹性最差）
inv_spread = 1.0 + 0.5 * np.exp(-t / 30) + 0.4 * np.exp(-(n_min - 1 - t) / 25)
slope_norm = (1 / inv_spread) / (1 / inv_spread).max()

# 第 150 分钟负面消息：流动性提供者瞬间撤单，斜率坍缩 55% 后缓慢恢复
stress = slope_norm.copy()
shock = t >= 150
stress[shock] *= 1 - 0.55 * np.exp(-(t[shock] - 150) / 20)

python

斜率的日内 U 形与压力坍缩

正常日的斜率呈倒 U 形：开盘后信息不确定性高、做市商挂单谨慎，斜率低；午盘最厚；尾盘再度变薄。这和价差的 U 形是同一枚硬币——执行算法把子单堆在午盘的理由，用斜率语言重新讲了一遍。

更重要的是红线：负面消息落地的瞬间，挂单是被撤掉的，不是被吃掉的。斜率在一两分钟内蒸发过半，然后随着做市商重新评估、试探性挂回而缓慢恢复。这揭示了流动性最阴暗的性质：它在你最需要的时候消失。价差在消息瞬间可能只扩大一点（最优档还挂着象征性的 100 股），但斜率已经坍缩——用价差做流动性风控会在最关键的时刻给出假安全信号，用斜率不会。

对风控的直接含义：把 S 的滚动 z-score 接进执行系统，斜率突然跌破近期分布的下沿时暂停子单发送——这是比价差更早、比成交量更干净的流动性枯竭预警。

已知边界#

三个必须说清的坑：

可见深度 ≠ 真实深度。冰山单只显示一小片，暗池流动性完全不在簿本上——S 系统性低估真实弹性，且低估程度在股票之间不均匀（机构重仓股冰山单更多）。反方向的污染同样存在：幌骗（spoofing）挂单会让 S 虚高，那些挂单在你的市价单到达前就撤了。S 度量的是”簿本声称的弹性”，与真实弹性之间隔着一层博弈。
对档位截断敏感。用 5 档算和用 10 档算，S 可以差几十个百分点，因为远端累计深度的贡献在回归里权重不小。横截面比较必须固定同一档位口径；只有 Level-1 数据时退化成”最优档深度/半价差”的粗糙版本，噪声大得多。
快照频率决定你能看到什么。压力坍缩发生在秒级。用 3 秒快照（A 股 Level-2 的常见频率）能抓到；用分钟快照，坍缩-恢复可能整个发生在两个观测点之间，你看到的斜率序列平滑得虚假。研究结论对快照频率的依赖，必须在使用前测试。

小结#

报价斜率把限价簿的形状压缩成一个实时可算的数：累计可成交量对价格偏移的回归斜率，单位是股/元，本质是 Kyle λ 的簿本侧倒数。它相对价差的增量信息在于弹性——价差相同的两个盘口，S 可以差几倍，而 S 才决定像样规模订单的真实成本。横截面上固定订单的冲击 ∝ 1/S 的关系干净到可以直接进成本预估模型；时间序列上 S 的坍缩比价差更早暴露流动性枯竭。它的原罪是只能看见簿本愿意展示的东西：冰山单让它低估、幌骗让它虚高。把 S 当作”承诺的流动性”，把成交后实测的冲击当作”兑现的流动性”，两者的裂缝里住着高频市场的全部秘密。