Stoll 已实现价差分解：把买卖价差拆成信息、库存与订单处理成本 • halo 的技术博客

报价价差是纸面富贵#

一只股票买一 99.95、卖一 100.05，报价价差 0.10 元。天真的算术：做市商一买一卖，每轮赚 0.10 元。

现实是赚不到。你在 100.05 卖给对手之后，如果这笔买单是知情交易——价格接着涨到 100.20，你要么高价补回库存，要么干挂着浮亏。成交后的价格移动会吃掉一部分甚至全部价差。

那么问题来了：报价价差里，多少是真能落袋的补偿，多少是要还给市场的「过路费」？Stoll (1989) 的回答成为交易成本分析（TCA）的基石：把价差拆成三种经济成本，每种成本在成交后的价格行为上留下不同的指纹，因此可以从数据里识别出来。

三种成本，三种指纹#

1. 订单处理成本（order processing）：交易所费用、终端、人力——做市的固定开销。这部分是纯粹的服务费，与信息无关。指纹：成交价在 bid 和 ask 之间来回弹跳（bid-ask bounce），价格变化呈强负串行相关，但报价中点纹丝不动。

2. 库存持有成本（inventory holding）：接了单边货之后承担的价格风险（Ho-Stoll 模型的主题）。做市商的应对是偏移报价引导库存回归。指纹：报价中点先随成交方向移动、随后均值回复——买单把整套报价推高，但过一会儿会落回来，因为移动不是信息，只是库存压力。

3. 逆向选择成本（adverse selection）：对手可能知道你不知道的事（Glosten-Milgrom 的主题）。指纹：报价中点随成交方向永久移动、不回复——买单之后中点上台阶再也不下来，因为做市商从订单流里学到了真信息。

Stoll 的核心识别思想：成交价的串行协方差和报价中点的串行协方差携带不同信息。

成交价变化的负自协方差 = bounce（订单处理）+ 库存回复，两种暂时成分都会造成反转；
报价中点变化的负自协方差 = 只有库存回复（订单处理不动中点，信息成分不回头）；
两者之差，识别出订单处理成分；中点协方差识别库存成分；剩下的就是信息。

已实现价差：做市商真正赚到的#

把这套逻辑落到可计算的指标上，就是 TCA 里的标准三件套。设 q_t = +1 为买方发起、−1 为卖方发起，m_t 为成交前报价中点：

有效价差（你付出的全部）： $ES_t = 2\,q_t\,(p_t - m_t)$

价格冲击（信息成分，市场拿走的）： $PI_t = 2\,q_t\,(m_{t+\tau} - m_t)$

已实现价差（做市商落袋的）： $RS_t = 2\,q_t\,(p_t - m_{t+\tau}) = ES_t - PI_t$

τ 通常取 5 分钟或若干笔成交之后。恒等式 有效价差 = 价格冲击 + 已实现价差 就是 Stoll 分解的现代形态：付出的总成本，一部分变成永久价格移动（补偿逆向选择），一部分留给流动性提供者（补偿库存与订单处理）。

Python 模拟：从指纹里把成本估回来#

构造一个三成本齐全的市场：每笔成交让有效中点永久移动 θ·S/2（信息），让报价整体偏移 w·S/2 后按 0.7 的速度均值回复（库存），成交本身发生在中点 ± S/2（订单处理）：

import numpy as np

def simulate(n, S, w_info, w_inv, seed):
    r = np.random.default_rng(seed)
    half = S / 2
    mid, inv_shift = 100.0, 0.0
    trades, prices, qmids = np.zeros(n), np.zeros(n), np.zeros(n)
    for i in range(n):
        qm = mid + inv_shift                    # 成交前报价中点
        p_buy = 0.5 - 0.35 * np.tanh(inv_shift / half)
        q = 1 if r.random() < p_buy else -1     # 库存偏移抑制同向成交
        trades[i], prices[i], qmids[i] = q, qm + q * half, qm
        mid += q * w_info * half                # 信息：永久
        inv_shift = (inv_shift + q * w_inv * half) * 0.7  # 库存：暂时
        mid += 0.01 * r.standard_normal()       # 公共信息噪声
    return trades, prices, qmids

S, tau = 0.10, 5
trades, prices, qmids = simulate(100_000, S, w_info=0.45, w_inv=0.25, seed=31)

es = (2 * trades * (prices - qmids)).mean()                          # 有效价差
rs = (2 * trades[:-tau] * (prices[:-tau] - qmids[tau:])).mean()      # 已实现价差
print(f"有效价差 {es:.4f} = 价格冲击 {es-rs:.4f} + 已实现价差 {rs:.4f}")
# 有效价差 0.1000 = 价格冲击 0.0398 + 已实现价差 0.0602

python

报价价差 0.10 元，其中约 40% 被信息成分拿走，做市商真正落袋 0.06 元——还没扣库存风险的资金占用。

价差分解柱状图

三种成本结构下的成交价路径肉眼可辨：

三种成本结构的价格路径

纯订单处理市场的成交价在水平带内密集弹跳、串行协方差深度为负；信息为主的市场价格大步游走、反转微弱；库存为主的市场介于两者之间——有波动但总被拉回。

Stoll 的识别核心也直接可验证：

成交价与中点的串行协方差

成交价变化的串行协方差 −0.00109（bounce + 库存回复都在里面），报价中点的串行协方差 −0.00015（只剩库存回复）。两者的差距就是订单处理成分的贡献。

信息占比 θ 越高，已实现价差被侵蚀得越狠：

已实现价差随信息占比下降

θ 超过 0.7 之后，已实现价差逼近零——报价价差再宽，做市商也只是在给知情交易者搬运价格。

三个落地应用#

一、横截面毒性排序。 对一篮子股票分别估「价格冲击 / 有效价差」的比值，就得到订单流毒性的横截面排名。毒性高的股票，被动做市和挂单捕获策略要么撤、要么把报价挂得离中点更远；执行算法则相反——毒性高说明价差里信息占比大，慢拆单省下的价差会被信息泄露吃回去，该快就快。

二、TCA 别只看有效价差。 有效价差衡量「你付了多少」，已实现价差衡量「对手赚了多少」。如果你的母单执行后有效价差正常、但对手的已实现价差持续为负——说明你的订单流毒性高（对手总在你成交后被价格碾过），券商和做市商迟早给你拉宽报价。监控自己订单流的「对手已实现价差」，是机构维护执行质量的隐蔽但关键的指标。

三、做市策略的盈亏基准。 高换手做市的期望收益不是报价价差乘以成交量，而是已实现价差乘以成交量减库存成本。回测做市策略时用报价价差算收益，是新手最常见的高估来源，θ=0.45 的市场里直接虚增 66%。

诚实的边界#

方向判定误差。 真实数据用 Lee-Ready 类算法给成交定方向，错标率 10-15%，会同时低估有效价差和价格冲击，且偏差方向不对称；
τ 的选择是自由参数。 τ 太短，库存回复没走完，已实现价差被低估；τ 太长，无关的公共信息噪声进来。5 分钟是惯例不是真理，日内不同时段最优 τ 不同；
三成本并非正交。 库存偏移本身会被其他参与者学习（我的库存暴露也是信息），Stoll 分解假设三者可加可分，现实中信息与库存成分互相纠缠；
报价中点未必是公允价。 碎片化市场里 NBBO 中点滞后于真实价格发现（期货、暗池领先），用滞后中点算冲击会把跨市场价格发现误记为逆向选择。

价差分解不是精确科学，是一套让你把「交易成本」从一个数字拆成三个可归因来源的语言。知道钱被谁拿走了，才知道下一步该优化什么。

参考文献#

Stoll, H. R. (1989). Inferring the Components of the Bid-Ask Spread: Theory and Empirical Tests. Journal of Finance, 44(1), 115-134.
Huang, R. D., & Stoll, H. R. (1997). The Components of the Bid-Ask Spread: A General Approach. Review of Financial Studies, 10(4), 995-1034.
Glosten, L. R., & Harris, L. E. (1988). Estimating the Components of the Bid/Ask Spread. Journal of Financial Economics, 21(1), 123-142.