Roll 价差估计量：只用收盘价的自协方差反推有效价差#

想估计一只股票的买卖价差，最直接的办法是拿报价数据：ask 减 bid，完事。但很多场景下你根本没有报价数据——1960 年代的美股历史、新兴市场小票、场外公司债、加密货币的早期历史。你手里只有一列收盘价。

Richard Roll 在 1984 年给出了一个近乎魔术的答案：只用收盘价序列的一阶自协方差，就能反推出有效价差。

$s = 2\sqrt{-\text{Cov}(\Delta p_t, \Delta p_{t-1})}$

这个公式后来成为微观结构领域被引用最多的结果之一。本文用模拟把它的机制、精度和命门全部跑一遍。

一、机制：买卖跳动如何制造负自协方差#

Roll 模型的世界观极简：

1. 存在一个不可观测的有效价 $m_t$，它是随机游走（有效市场假设）；
2. 每笔成交以等概率来自买方或卖方，买方成交在 $m_t + s/2$（付 ask），卖方成交在 $m_t - s/2$（打 bid）；
3. 观测价 $p_t = m_t + q_t \cdot s/2$，其中 $q_t \in \{+1, -1\}$ 独立同分布。

灰线是有效价，蓝线是观测价——它在有效价上下来回弹跳，这就是 bid-ask bounce。关键在于这种弹跳的统计指纹：

$\Delta p_t = \Delta m_t + \frac{s}{2}(q_t - q_{t-1})$

有效价增量 $\Delta m_t$ 无自相关，但 $(q_t - q_{t-1})$ 项在相邻两期共享一个 $q$：

$\text{Cov}(\Delta p_t, \Delta p_{t-1}) = -\frac{s^2}{4}$

直觉版本：这一笔打在 ask 上，下一笔打回 bid 的概率是一半——价格刚跳上去就倾向于跳回来，涨跌交替出现，一阶自协方差必然为负。价差越宽，弹跳越猛，负得越深。反解即得 Roll 公式。上图那 120 笔成交实测：真实 s=0.20，自协方差 −0.0128，估出 0.226——魔术成立。

def roll_estimator(p):
    dp = np.diff(p)
    cov = np.cov(dp[1:], dp[:-1])[0, 1]
    return 2 * np.sqrt(-cov) if cov < 0 else np.nan   # cov>=0 时失效

# 模拟：有效价随机游走 + 等概率买卖跳动
def simulate(T, s, sigma_e, rng):
    m = np.cumsum(rng.normal(0, sigma_e, T))          # 有效价
    q = np.where(rng.random(T) < 0.5, 1, -1)          # 买卖方向
    return m + q * s / 2                              # 观测价

注意那个 np.nan：当样本自协方差算出来 ≥ 0 时，根号里是负数，价差变成虚数，估计量直接失效。这不是边角情况，而是 Roll 估计量的命门，第三节专门处理。

二、精度：一年日线能估多准#

T=250 天（一年日线）、日有效价波动 σe=0.015，扫真实价差从 0.01 到 0.30，每档 2000 次蒙特卡洛：

两个结论。第一，在模型假设成立且价差足够宽时，Roll 估计量几乎无偏，估计点齐刷刷贴着 45 度线，相对误差 7% 左右——对一个只吃收盘价的估计量来说，这个精度堪称慷慨。第二，注意最后一行：价差窄到与噪声同量级时，失效率开始冒头。这是下一节的主角。

三、命门：流动性越好，越容易算出虚数价差#

自协方差的两个组成部分在打架：跳动项贡献 $-s^2/4$，而有效价波动 $\sigma_e^2$ 贡献采样噪声。当 $s/\sigma_e$ 太小，采样噪声完全淹没跳动信号，样本自协方差有接近一半的概率落在正区——根号下负数，估计失效。

扫信噪比 $s/\sigma_e$ 从 0.25 到 4，三种样本长度：

最扎心的一行是信噪比 0.25：即使给整整四年日线，仍有 30% 的概率估计失效。信噪比 0.25 是什么概念？大盘蓝筹股价差 2bp、日波动 1.5%，信噪比只有 0.13——比表格里最差的情况还差一倍。

这构成一个辛辣的反讽：Roll 估计量恰恰在它最不被需要的地方最好用。价差宽的非流动资产（正是没有报价数据的那些）估得又准又稳；价差窄的流动股票（反正有报价数据）根本估不出来。这个「巧合」正是它在学术界用于历史数据和新兴市场研究、而从不用于实时交易的原因。

实务中对失效样本的三种处理都有人用，各有偏差：置零（低估截面平均）、取绝对值再开根（高估）、直接丢弃（幸存者偏差——被丢掉的恰恰是最流动的股票，且丢弃与流动性相关，不是随机缺失）。Hasbrouck (2009) 的贝叶斯 Gibbs 版本从后验分布采样，把非负约束内生进模型，是截面研究的标准救场方案。

四、滚动 Roll：危机温度计#

单点估计之外，Roll 更实用的形态是滚动窗口时间序列。模拟一段 750 天的行情：平静期价差 0.06，第 300-460 天流动性危机、价差冲到 0.40 后回落，用 60 日滚动窗口估计：

win = 60
roll_series = np.full(T_days, np.nan)
for t in range(win, T_days):
    roll_series[t] = roll_estimator(p[t-win:t])

滚动 Roll 从平静期的 0.059（真实 0.06，几乎精确）飙升到危机峰值 0.359（真实峰值 0.40，略滞后且低估——60 日窗口的平滑代价），随后跟随真实路径回落。整段序列无一天失效，因为危机把信噪比推高了。

这和我们此前写过的 Zeros 流动性度量 是同一家族——只要收盘价的流动性代理。两者常被并列使用：Zeros 数「价格不动的天数」，Roll 量「价格弹跳的幅度」，前者对交易成本带宽敏感，后者直接给出价差的货币单位估计。在 Goyenko et al. (2009) 的横向评测里，两者与高频基准的相关性各有胜场，组合使用优于单用。

五、假设的裂缝：真实世界会系统性偏离#

Roll 模型的三条假设在真实市场没有一条完全成立，每条裂缝都有明确的偏差方向：

1. 有效价与买卖方向独立——被逆向选择打破。知情交易者买入后有效价会上移（这正是 Glosten-Milgrom 模型 的机制），$q_t$ 与 $\Delta m_t$ 正相关，抵消一部分负自协方差，Roll 系统性低估价差。它量的只是价差中的订单处理成分，量不到逆向选择成分。
2. 买卖方向独立同分布——被订单流持续性打破。真实订单流有强正自相关（大单拆分、跟风交易），$q_t$ 的持续性直接压扁 $(q_t - q_{t-1})$ 的方差，同样导致低估。
3. 价差恒定——危机中价差本身在跳，滚动窗口给出的是窗口内均值，峰值被平滑（上图危机峰值 0.359 vs 真实 0.40 正是此效应）。

方向一致的结论：把 Roll 估计读作有效价差的下界比读作点估计更诚实。

六、工程落地清单#

1. 先算信噪比再决定用不用：用粗略价差猜测除以日波动，低于 0.5 就换 Zeros / Amihud 或 Hasbrouck Gibbs 版，别硬跑。
2. 失效处理方式必须全文统一且在结果里报告失效率——置零、取绝对值、丢弃给出的截面排名可以差很远。
3. 滚动窗口不小于 60 观测，且危机检测场景选短窗（响应快）、截面比较场景选长窗（方差小）。
4. 日线之外，Roll 同样适用于交易级数据（用逐笔价格），此时信噪比大幅改善——tick 级有效价波动远小于价差。
5. 与 Zeros 组合使用：Zeros 高而 Roll 失效的股票，大概率是「不怎么成交」型非流动；Zeros 低而 Roll 高的是「常成交但价差宽」型——两个维度拼出的流动性画像比任何单指标都完整。

七、诚实边界#

• 全文基于模拟数据，模型假设自我实现——真实数据中逆向选择和订单流持续性会让估计系统性偏低，幅度依资产而异。
• 失效样本非随机缺失，截面回归直接丢弃会引入与流动性相关的选择偏差。
• 收盘价还携带日末效应（收盘竞价、做市商甩库存），日线 Roll 对此照单全收。
• 价差非平稳时，滚动估计是窗口均值，峰值被低估、拐点被滞后。

一句话总结：Roll 用一个负自协方差把「看不见的价差」从收盘价里拧了出来——在价差够宽的地方它近乎无偏，在价差窄的地方它干脆罢工；幸运的是，需要它的地方恰好是它好用的地方，把它当作有效价差的下界和危机温度计，而不是精密仪器。

参考文献：

• Roll, R. (1984). A Simple Implicit Measure of the Effective Bid-Ask Spread in an Efficient Market. Journal of Finance, 39(4), 1127-1139.
• Hasbrouck, J. (2009). Trading Costs and Returns for U.S. Equities: Estimating Effective Costs from Daily Data. Journal of Finance, 64(3), 1445-1477.
• Goyenko, R., Holden, C., & Trzcinka, C. (2009). Do Liquidity Measures Measure Liquidity? Journal of Financial Economics, 92(2), 153-181.