标签： #知情交易

不足一手（美股 100 股）的碎股交易，曾被当作散户零钱噪音直接过滤掉——直到研究者发现高价股里碎股占成交笔数一半以上，且碎股买卖失衡对未来收益的预测力显著强于整手失衡。原因反直觉：算法拆单把大机构的知情订单切成了碎股，'最小的单'反而藏着'最大的钱'。本文用受控模拟复现三层结构：碎股占比的长期抬升（高价股 >50%）、碎股失衡十分组的单调预测力（vs 整手失衡的平坦线）、以及 2014 年碎股并入公开磁带后因子 alpha 的衰减——信息优势的半衰期。附完整 Python 与四类真实陷阱（中阶）。

「这一笔成交，是买方砸出来的还是卖方砸出来的？」逐笔数据不带主动方标签，Tick Rule 用最朴素的规则补上它：价格上跳判买、下跳判卖、无变化沿用上一次方向。模拟实测其准确率约 75%，且随报价噪声增大衰减到 62%——它是有偏的测量仪，但足够支撑上层结构。真正的主角是 Easley-López de Prado-O'Hara 的 VPIN：先把时间轴换成成交量时钟（每桶等成交量），再算每桶买卖失衡的滚动均值——知情交易者带方向、带体量地进场时，失衡持续偏向一边，VPIN 从 0.09 抬升到 0.25。200 次模拟的分位数测试：VPIN 最高分位组随后的价格波动是最低分位组的 2.3 倍，信号在波动实现前抬升——这是它被称为『流动性危机温度计』的原因。同样诚实交代争议：Andersen-Bondarenko 质疑 VPIN 的预测力主要来自与成交量和波动本身的相关、2010 年闪崩中 VPIN 报警时点存在事后拟合嫌疑；tick rule 误分类在失衡计算中部分对消但在极端行情中系统性偏乐观。A 股逐笔成交带 BS 标志可跳过 tick rule 直接构造，是少数比美股数据条件更好的场景（中高阶）。

PIN 知情交易概率：用买卖单不平衡估计市场里有多少内幕单 - halo的技术博客

为什么做市商要挂买卖价差？经典答案是「补偿库存风险」——但 Glosten 和 Milgrom 在 1985 年给出了更深刻的解释：价差的核心是补偿逆向选择。当你面对一个可能比你知道得多的对手方时，每次成交都在传递信息。模型用贝叶斯更新把这个问题形式化：做市商根据订单流不断修正对真实价值的信念，报出的 bid/ask 逐步收敛。本文从模型设定推到 Python 实现，模拟展示报价如何随交易序列收敛到真实价值、价差如何随知情交易者占比放大、以及逆向选择成分在价差中的主导地位。最后诚实拆解：方向标注问题、参数非平稳、以及模型对真实市场的简化假设（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）。

市场透明度能被一个数字量化吗？PIN(知情交易概率)用 EKOP 订单流模型，把「每天多大概率有人在靠信息交易」变成可估计概率，并从 MLE 实现到滚动监控验证它捕捉透明度突变（高阶）。