标签： #买卖价差

Roll (1984) 隐含交易成本度量，是微观结构里最「反直觉却优雅」的技巧之一：它不依赖任何订单簿数据，只从一段连续的「成交价差分 Δp_t」里，用相邻两期差分的协方差 −Cov(Δp_t, Δp_{t-1}) 反推出有效（全额）买卖价差 s = 2·√{−Cov}。本文用纯 numpy 合成「随机游走中间价 + 含价差 Tick 的成交价」，滚动估计 Roll 成本，对照已知真实成本：价差主导噪声的应激段（6 tick）几乎精确还原（0.0601 vs 0.0600），噪声主导的平静段（2 tick）被向上偏置到 0.030（真实 0.020）；并用一个对照实验证明——成交方向自相关 ρ 越大，Roll 越低估真实成本（ρ=0 才精确还原，ρ=0.7 时低估 −58%）。同时诚实拆穿「非负协方差被丢弃导致的低 SNR 偏置 / Tick 取整 / 趋势市失效 / 漂移污染」四类真实陷阱（中阶）。

你下单时看到的成交价，和真实可得的买卖价之间隔着一道隐性成本——买卖价差（bid-ask spread）。Corwin & Schultz (2012) 给出了一招极简的估计法：只靠每日最高价/最低价，对比 1 日与 2 日的高低区间，就能把价差反演出来。本文用纯 numpy 从模型底层实现这套估计，验证它能还原价差的时间变化与排序，并诚实拆穿低频数据病态条件/自相关稀释/小价差衰减/窗口主观/微观结构噪声五类真实陷阱（中阶）。

做市商最大的敌人不是价差而是库存：Avellaneda-Stoikov(2008) 用指数效用推出保留价与最优价差，让报价随库存偏斜、自动把持仓拉回零。模拟里 AS 把终端库存波动从 6.17 砍到 4.14、极端持仓从 36 压到 24，PnL 几乎不丢，附完整 Python 与六类真实陷阱（高阶）

报价价差不是一个数，而是三种成本的叠加：逆向选择成本（信息）、库存成本（做市商风险）、指令处理成本。本文用状态空间模型把价差当成观测，用卡尔曼滤波从单条序列里把前两个隐状态拆出来，样本内复原相关达 0.76，并给出真实数据落地的协方差估计法。

Glosten-Milgrom(1985) 用贝叶斯把买卖价差解释为逆向选择成本：知情买盘推高报价、知情卖盘压低报价。本文再加一层库存风险，让报价随持仓整体下移并加宽，附完整 Python。