标签： #市场微观结构

中间价被锁死在 tick 网格上，价差以内的信息它一点都看不见。受控模拟 6 万个盘口快照（隐藏有效价格已知）量化：追踪真实有效价格，中间价 RMSE 0.288 分，挂单量加权中间价 0.142 分（改善 50.8%），非参数校准后的微观价格 0.106 分（改善 63.0%）。信号方向命中率下一个快照 85.2%，但衰减极快——h=10 掉到 59.9%，h=100 只剩 52.4%，几乎回到抛硬币。价差越宽越有用：1 tick 时改善 50.7%，8 tick 时 53.6%。五项对抗式检验全过：去掉信息机制的安慰剂盘口改善转为 −2.32%、相关系数 0.007 干净归零；买卖方向标反 RMSE 恶化 58.15%；样本内 63.08% 与样本外 63.04% 几乎无差（大样本下不过拟合），但 200 个样本配 40 个分箱时校准表直接退化成中间价。最容易被误读的是命中率 85% 这个数字——它预测的是价差内部的抖动，不是能覆盖成本的方向性行情（中阶）

用固定种子（20260801）、200 步 tick 级受控模拟，从零复现 Avellaneda-Stoikov (2008) 最优做市模型：保留价格随库存线性偏移，最优价差由「库存风险项」与「成交激励项」两部分构成。核心结论：A-S 的库存偏移报价把终端库存方差相对对称做市砍掉 86.3%（库存标准差 8.14→3.01），代价只是期望利润小幅下降（60.9→57.1），但夏普从 4.71 翻到 9.04——控住库存换来的风险调整收益几乎翻倍。风险厌恶 γ 是一根旋钮：γ 从 0.01 升到 1.0，期望利润从 60.3 单调降到 28.2、库存标准差从 5.35 压到 1.68、夏普在 γ≈0.1 处见顶（9.18）。但最冷的水在最后：教科书参数下这个策略是台印钞机（夏普 9、破产概率 0%），这恰恰是危险信号。一旦注入未知趋势（毒性流）与每笔成本，边际瞬间崩塌——趋势把夏普从 9.3 压到 5.1，而每笔 0.6 的成本（竞争+逆向选择）直接把夏普打到 0.84、破产概率抬到 14%，成本升到 0.9 时 99% 的路径都在亏钱。对抗式检验三项全过：库存为 0 时保留价=中间价、零波动率时价差退化为纯激励项 1.29、γ→0 时价差收敛到 2/κ=1.33。

用固定随机种子（20260801）的受控模拟验证 Garman-Klass (1980) 波动率估计量。核心发现：GK 同时吃掉 OHLC 全部四个价格，在纯日内 GBM 下方差效率达到 CC 的 8.42x（远超 Parkinson 的 5.31x、Rogers-Satchell 的 6.50x），标准差从 3.99e-5 压到 1.37e-5——用 200 天数据换到相当于 1680 天 CC 的信息量。但代价藏在假设里：GK 推导默认零漂移，当日漂移升到 0.02 时 GK 从 -11.6% 偏差翻成 +0.2%、再到 0.04 时上偏 34%，而 Rogers-Satchell 从头到尾锚在 -12% 附近纹丝不动——这正是 RS 存在的唯一理由。第二个陷阱与 Parkinson 同源：隔夜跳空对 GK 完全不可见，隔夜/日内比升到 1.0 时 GK 对总方差低估 55.8%，而 CC 始终无偏。四项对抗式检验全过。

本文通过受控模拟验证 Hawkes 过程能否从成交时间戳中估回参数。结果显示：样本量达 2000 事件时，MLE 可将分支比 α̂/β̂ 收敛至真值 0.700 ± 0.109，偏差 <1%；而打乱事件后分支比塌至 0.34，证实估计有效。强度-波动率相关性达 0.81，说明成交密度可预测已实现波动，但方向预测仍是开放问题。分支比 n→1 时方差爆炸、近临界行为在模拟中清晰可见。文章包含 4 张真实模拟图表、4 组对抗式检验。

用固定种子（20260801）、20期离散时间模型的受控模拟，从零复现 Obizhaeva & Wang (2013) 最优执行模型：暂时冲击以速率ρ指数恢复，最优策略在首尾加速、中间放缓，形成与 TWAP 截然不同的节奏。核心结论：当弹性ρ=10时，OW 策略相对 TWAP 节省2.2%的期望成本，首期交易速度高出均值24.5%、末期低15.5%；弹性越高，优势越大——ρ从0.5升到50，成本节省从-1.3%升到7.2%。关键洞察：OW 的价值不在降低总交易量，而在利用冲击恢复的时间结构，通过改变下单节奏吃掉限价簿的弹性红利。对抗式检验两项通过：ρ→1000时策略退化为接近匀速（变异系数0.14），单期执行成本比率0.80符合预期。

用固定随机种子（20260801）的受控模拟验证 Parkinson (1980) 高低价波动率估计量。核心发现：在纯日内 GBM 下，Parkinson 方差为 CC 的 5.30x（经验效率比），标准差从 3.69e-5 压到 1.60e-5；但离散采样导致约 14.9% 系统性下偏；最关键的陷阱是隔夜跳空完全被忽略——当隔夜/日内波动比升至 1.5 倍时，CC 估计量上偏 197%，而 Parkinson 依然锚定在 -14.8%，两种估计量给出完全相反的诊断。三项对抗式检验全部通过：高频采样偏差收敛、效率比验证、无偏性方向正确。

两个人在同一秒、同一个价位挂同样的买单，一个成交了，一个挂到收盘也没动——差别不在价格，在队列位置。本文用事件驱动的限价单簿仿真（市价单消耗、队尾新增、前方撤单、价格跳走四类事件）量化这件事：排在队首成交概率 84.0%、中位等待 0.75 秒；前方压 20 手时掉到 55.1%、3.48 秒；前方 150 手时只剩 4.2%，前方 300 手基本归零（0.4%）——同一个挂单价格，成交概率跨度 83.7 个百分点。延迟的真实代价也由此翻译成可量化的钱：低延迟排到 q=3 成交率 77.2%，慢 300 毫秒排到 q=25 就掉到 49.1%（差 28 个百分点），中位等待从 1.18 秒拉长到 4.12 秒，订单因价格跳走而作废的比例从 22.8% 翻到 50.9%。最反直觉的是成交质量：队首成交并不更「干净」，各档位的逆向选择率都稳定在 60.5%~64.3%——因为成交本身就是被大单扫中的信号。四项对抗式检验全过：关掉队列机制后位置影响从 83.7pp 塌缩到 1.6pp、独立解析式与仿真相关 0.979、12 个种子成交率标准差仅 0.009、市价单流量翻倍也救不回深队列（前方 150 手仍仅 15.2%）（高阶）。

用固定随机种子（20260801）的受控模拟验证 Yang-Zhang (2000) 波动率估计量。核心发现：GK 和 Parkinson 有一个共同盲区——隔夜跳空完全测不到，隔夜=日内时对总方差低估 55.8%；YZ 把波动拆成隔夜项+开收项+Rogers-Satchell 日内项三块加权，同一场景下只低估 5.4%，是唯一能还原『总波动率』的高效估计量。而且它继承了 RS 的抗漂移能力：日漂移升到 0.04 时 CC 上偏 319%、GK 从 -29% 翻到 +7%，YZ 始终锚在 -8% 到 -12% 之间。效率上 YZ 对 CC 的方差比稳定在 7.8x–8.1x（含隔夜场景）。代价是三项估计的复杂度、需要 n>1 的窗口、以及对第一天前收的依赖。四项对抗式检验全过。这是波动率估计量族谱的终点站。