标签： #市场微观结构

同一只股票在纽交所、纳斯达克、暗池同时交易，同一份 ADR 在两地挂牌，同一个标的有现货有期货——当价格几乎同步跳动时，究竟是谁先动、谁在跟随？Hasbrouck (1995) 用协整与 VECM 把这个问题变成一个可度量的数字：信息份额（Information Share），衡量每个市场对共同有效价格新息的贡献占比。本文从零复现 VECM 估计、Cholesky 排序带来的上下界、与 Gonzalo-Granger 成分份额的分歧，用合成两市场 tick 流证明快市场吃下约 71% 的价格发现，并诚实指出信息份额区间在残差高度相关时会宽到无法定论（中高阶）。

做市商的利润来自买卖价差，但风险来自库存：接了太多单边货，价格一个反向跳动就把几天赚的价差全吐回去。Ho-Stoll (1981) 把这个问题写成了一个随机最优控制：报价不该围绕市场中间价对称摆放，而应该围绕「保留价格」摆放——库存越偏多，整套报价越往下压；越偏空，越往上抬。本文从效用最大化出发推导保留价格与最优价差的闭式近似，用可复现 Python 模拟对比「无库存管理」与「库存偏移报价」两种做市商：后者把库存从随机游走驯化成均值回复过程，库存标准差从 16 股压到 1 股以内。并诚实拆解模型的失效场景：趋势市中的逆向选择、参数校准的现实困难、以及它和 Avellaneda-Stoikov 的关系（中阶）。

报价价差 0.10 元里，多少是逆向选择的保险费、多少是做市商的库存补偿、多少纯粹是订单处理费？Huang-Stoll (1997) 用一个两步回归框架把这三块拆干净：信息成分造成永久价格冲击、库存成分制造暂时且均值回复的报价偏移、订单处理成分只产生 bid-ask bounce。本文从 Roll 的一阶负串行协方差直觉出发，讲清三种成分各自的「指纹」，用 10 万笔模拟数据跑通两步回归还原价差结构（隐含半价差 0.0501 对上真值 0.0500），并验证核心恒等式：有效价差 = 价格冲击 + 已实现价差（0.104 ≈ 0.042 + 0.063）。给出三个落地读法：横截面毒性排序、TCA 归因、做市回测的收益虚增陷阱。诚实边界：Lee-Ready 方向标错、成分时变、τ 是自由参数（中阶）。

把一天的交易切成几十个 5 分钟 bin，你会发现波动率不是均匀的：开盘一柱擎天、午间死气沉沉、收盘再抬头，画出来是一条 U 型曲线。这条 U 型不是噪声，是每天都重演的日内季节性。不把它剥掉，你的日内波动预测、跳跃检测、VWAP 拆单全会被它系统性带偏——固定阈值会在开盘漏报一堆假信号、在午间漏掉真跳跃。Andersen-Bollerslev 的柔性傅里叶形式（FFF）用低阶多项式加少数谐波，几个参数就能把这条 U 型曲线拟合出来。本文从零推导 FFF、演示阶数如何影响拟合、如何用它去季节化，以及季节性校正如何改变跳跃检测的结论。并诚实拆解它的过拟合边界与 A 股制度差异（中阶）。

Kyle (1985) 的连续时间版本回答了一个更狠的问题：手里握着私有信息的交易者，不是「买不买」，而是「以什么速度买」。答案出奇优雅——最优交易强度 β(t) 与剩余时间成反比，知情者匀速释放信息，让价格误差 Σ(t) 严格线性衰减到零，而价格冲击系数 λ 全程恒定。本文从离散版单期直觉讲到连续时间均衡的三个核心结论，用可复现 Python 模拟验证：价格向真实价值收敛、β 在收盘前发散、知情者期望利润恰好等于 σ_u·√Σ₀。并讨论它对算法交易的三个实际启示：为什么 TWAP 是 Kyle 均衡的影子、为什么临近收盘的订单流毒性最高、以及 λ 作为流动性度量的估计陷阱（中阶）。

微观结构里几乎所有模型——从 Roll、Glosten-Harris 到 Huang-Stoll 价差分解、订单流失衡、VPIN——都要先回答一个原始问题：这笔成交是买方主动还是卖方主动？可交易所的 tick 数据往往不标方向。Lee-Ready (1991) 给出了一套两步规则：报价规则（成交价高于中间价判为买、低于判为卖）先处理绝大多数价内成交，Tick 规则再救那些恰好打在中间价上的疑难成交。本文用 5 万笔模拟成交跑通完整算法，实测整体准确率 89.8%（价内成交 100%、价差内成交 80%），拆解误差全部来自中点成交与价格改善；再演示分类误差如何传导到下游订单流失衡信号（相关系数掉到 0.76），以及报价陈旧化如何快速侵蚀准确率——这正是 Lee-Ready 建议报价前移 5 秒的原因。诚实边界：错标率 10-15% 会污染所有下游模型、算法在不同市场结构下需重标定、高频碎片化市场中点滞后（中阶）。

每一笔成交价的变动里都混着两种完全不同的东西：一部分是市场真的学到了新信息（永久冲击），另一部分只是买卖价差的弹跳（暂时冲击）。MRR (1997) 模型用一条结构方程把两者干净地拆开：信息成分 θ 度量逆向选择，流动性成分 φ 度量订单处理与库存补偿，副产品还包括订单流自相关 ρ。本文从模型设定推到矩条件估计，用可复现 Python 生成 2 万笔模拟成交并把参数估回来（θ、φ 误差在 1% 以内），展示估计精度按 1/√N 收敛、不同股票的成分占比差异、以及信息成分的日内衰减模式。最后诚实拆解：交易方向标注错误的偏差、参数非平稳性、以及它对执行成本归因的实际价值（中阶）。

Almgren-Chriss 假设冲击成本只跟'交易多快'有关，却漏掉了限价簿的一个关键性质——它会恢复。你砸下一笔单，价格被临时推走，但只要停手，挂单会重新涌入，把冲击慢慢填平。Obizhaeva-Wang (2013) 把这个'弹性'写进模型，得出一个 AC 里没有的结论：最优执行不是一条平滑衰减曲线，而是'两端各下一个离散大块 + 中间恒定速率连续吃单'的 U 型轨迹。本文从限价簿动力学出发推导 OW 最优解，用蒙特卡洛证明它在期望成本（43.4bp vs TWAP 45.0bp）与成本方差上双双改善，弹性越低优势越大，并诚实拆解连续模型在离散撮合、日内弹性时变、被猎杀四个方向上的失真（中阶）。