标签： #订单流

大多数交易成本模型把市场冲击当成瞬时的一锤子买卖——你砸单、价格跳、结束。但真实市场里，一笔成交的冲击是有『余韵』的：它推高价格后会慢慢消退，而不是立刻弹回或永久留存。Bouchaud 的传播子模型（Propagator Model）把这件事写成一个衰减核 G(t)，价格 = 所有历史成交冲击按 G(t) 衰减后的叠加。本文从零推导为什么这个核必须存在——订单流方向有惊人的长记忆（自相关拖到上百笔仍显著），如果冲击是永久的，长记忆会让价格产生可预测趋势、无风险套利机会遍地；传播子的幂律衰减核恰好抵消这种记忆，让价格回到接近鞅的无套利状态。用纯 numpy 复现冲击核（幂律 vs 指数 vs 永久）、价格叠加构造、订单流长记忆自相关、以及从模拟成交数据反推响应函数 R(l)。附完整 Python 与四类真实陷阱（高阶）。

为什么同样买一亿的单，大盘蓝筹几乎不动、小盘冷门股却拉涨停？答案藏在一个系数里——Kyle lambda，价格对净订单流的冲击斜率。它同时是流动性的倒数和信息含量的温度计：λ 越高，说明市场越浅、订单里的知情信息越浓。本文从 Kyle (1985) 的做市商模型出发，用纯 numpy 从零把 λ 用 OLS 回归估出来（R²=0.98 还原真值 0.8），验证信息占比越高 λ 越大、信息事件期间滚动 λ 从 0.5 飙到 1.5、横截面上成交量越低 λ 越高（幂律斜率 −0.53），并诚实拆穿订单符号分类误差/回归内生性/时变结构/流动性口径混淆/样本频率五类真实陷阱（中阶）。

Hawkes 自激点过程把「事件会触发更多同类事件」写成条件强度 λ(t)=μ+∫αβe^{-β(t-s)}dN_s。用 Ogata thinning 与精确簇采样仿真订单流：分支比 α 决定自激强度，α→1 时事件数发散、平稳性破裂；MLE 能从一段事件序列还原 μ/α/β。附完整 Python 与六类真实陷阱（高阶）。

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）。

VPIN 把 Easley 的 PIN 模型从「逐笔交易」搬到「成交量柱」，用买卖成交量不对称实时度量订单流毒性。高 VPIN = 知情交易者正在单边扫货、做市商被逆向选择，往往领先于闪崩与流动性枯竭。从零实现 Tick Rule 分类、VPIN 计算，并回测「毒性升破阈值就减仓」的防护规则。

冰山订单检测与交易策略 - halo的技术博客