标签： #市场微观结构

报价价差 10 个 tick，做市商真能赚到 10 个 tick 吗？Stoll (1989) 给出了否定答案和一套识别方法：价差由三种成本构成——逆向选择（信息）、库存持有、订单处理，三者在成交后的价格行为上留下完全不同的指纹。信息成分让价格一去不回，库存成分让报价先偏移再均值回复，订单处理成分产生纯粹的 bid-ask bounce。本文推导「成交价串行协方差 + 报价中点串行协方差」这对识别工具，用可复现 Python 模拟验证：θ=0.45 的市场里，报价价差 0.10 元中做市商真正落袋的已实现价差只有 0.06 元。并给出三个落地应用：横截面毒性排序、TCA 里有效价差与已实现价差的正确用法、以及为什么高换手做市策略要盯已实现价差而不是报价价差（中阶）。

直觉告诉你：数据越密、频率越高，估计应该越准。但相关性在高频世界里恰恰相反——同一对资产，用日线算相关是 0.6，切到 1 分钟变 0.3，切到 1 秒几乎归零。这就是 Epps 效应：不是市场关系变了，是异步成交把相关性『稀释』掉了。两只股票的 tick 从不落在同一时刻，你为了对齐用旧价前向填充，就在每个细格点里塞进了大量人造的零收益，相关性被这些零拖向 0。本文用纯 numpy 合成两条 latent 相关 0.6 的高频价格路径，泊松稀疏成交 + last-tick 填充完整复现 Epps 塌陷曲线（1 秒 ρ≈0.03、30 分钟才恢复到 0.59）；量化流动性对衰减速度的影响（成交越稀疏塌陷越狠）；最后给出解药 Hayashi-Yoshida 估计量——用重叠区间累加协方差，不需要同步、不丢数据，在异步稀疏数据下几乎无偏。附完整 Python 与四类真实陷阱。

开盘半小时的涨跌方向，会在收盘前一小时被部分复刻——这是 Gao-Han-Li-Zhou (2018) 在 SPY 上记录的日内动量效应，来源不是玄学而是三股结构性资金：对冲 Gamma 的做市商、盯收盘价的被动基金、日内趋势跟随者都在尾盘同向交易。本文在自洽合成数据上植入传导系数 β=0.10 并完整复现检验流程：开盘-尾盘收益相关性 0.108（t=3.8）、五分组尾盘收益单调递增、策略年化 8.3%（Sharpe 0.73）显著跑赢被动持有尾盘（0.37）；同时用无效应对照组证明——β=0 时同一策略被 2bp 成本磨到年化 -7.9%。β×成本 Sharpe 热力图画出这类高频率低赔率策略的生死线，附完整 Python 与四类真实陷阱（中阶）。

两只关联资产里，谁先动、谁跟随？大盘 ETF 涨了，成份股几秒后跟上；期货动了，现货滞后半秒——这个『谁领先谁』的时间差，是高频交易里最值钱的信息之一。但要从真实 tick 数据里量出这个 lag 极难：两条序列的成交时刻从不对齐，你一旦重采样到固定网格，就把秒级的领先滞后模糊进了分钟级的格子，lag 直接消失。本文把 Hayashi-Yoshida 估计量升级成领先滞后探测器：给一条序列的时间轴整体平移 L 秒再算 HY 交叉相关，扫描所有 L、峰值所在即领先滞后时间。用纯 numpy 造 leader/follower 结构（follower=leader 滞后 8 秒+噪声），完整复现交叉相关峰值精准锁定 8 秒；对比固定网格 last-tick 如何被粗粒度模糊掉 lag；量化样本量与信号强度对 lag 估计稳健性的影响（一天数据 vs 一周数据、ρ=0.2 的平峰 vs ρ=0.8 的尖峰）。附完整 Python 与四类真实陷阱。

单一 Hurst 指数假设市场只有一种记忆——大波动和小波动遵循同一个标度律。但真实收益序列的大涨大跌聚集成串、小波动却近似随机游走，一个 H 根本装不下。MF-DFA（多重分形去趋势波动分析）把波动函数升级成 q 阶矩：q>0 放大大波动的标度行为、q<0 放大小波动，得到广义 Hurst 曲线 h(q)，再经 Legendre 变换画出多重分形谱 f(α)，谱宽 Δα 一个数度量『记忆结构的丰富度』。本文用纯 numpy 从零实现 MF-DFA（profile 累积、双向切段、多项式去趋势、q 阶波动函数、谱变换），三类合成序列对照：白噪声 h(q) 水平线且 Δα≈0.006、长记忆 fGn(H=0.7) 整体抬高但仍是单分形（Δα=0.024）、二项级联序列 h(q) 从 0.76 弯到 0.43、Δα=0.61——多重分形性一眼可辨。滚动窗口应用：谱宽在白噪声段均值 0.11，切入波动级联段跳到 0.35，可做 regime 检测的补充仪表。诚实拆穿关键陷阱：打乱检验显示级联序列打乱后 Δα 仍有 0.55——谱宽大部分来自收益分布厚尾而非时序相关，不做打乱对照就把厚尾当记忆是 MF-DFA 文献里最泛滥的错误。另拆穿谱宽=可预测性/小样本负 q 发散/去趋势阶数选择三类坑（中高阶）。

把一天的收益按『收盘到次日开盘』和『开盘到收盘』切成两段，会发现同一只股票戴着两副面孔：隔夜段延续、日内段反转，两股力量方向完全相反却都能赚钱。这不是站内那篇讲权益溢价集中在隔夜的时间序列拆解，而是 Lou-Polk-Skouras (2019, JFE) 的『拔河』横截面视角——散户情绪在隔夜发酵、机构资金在日内逆向承接。本文在植入动量 β=0.055、反转 β=0.042 的 200 股×5 年合成面板上完整复现 Fama-MacBeth 检验：隔夜动量斜率 0.045（t=9.9）、日内反转斜率 -0.042（t=-10.7）、五分组隔夜段单调递增而日内段单调递减；隔夜动量多空年化 12.9%（Sharpe 1.47）、日内反转多空年化 10.4%（Sharpe 1.33）、合并策略 Sharpe 1.56。用 β×成本热力图画出这类日换手策略的生死线，附完整 Python 与四类真实陷阱（中高阶）。

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）。

BTC/USDT、ETH/USDT、ETH/BTC 三个价格必须满足一个乘法恒等式，否则沿环路换一圈就能白赚——这是教科书里最接近『无风险利润』的东西。但教科书不告诉你的是：这条环路上蹲着三重摩擦。本文用纯 numpy 模拟 50000 秒的三交易对 tick 数据（交叉盘偏离建模为 OU 均值回复 + 偶发再定价跳跃），把三角套利从幻觉到现实完整算一遍账：无摩擦视角下 25392 个 tick 存在『机会』，套上 0.1% taker 费率×3 腿后机会数直接归零，VIP 费率 0.02%×3 下只剩 484 个；成本瀑布显示毛偏离均值 6.9bp，而普通 taker 三腿费用就要 30bp——费率不是成本，是判决书。延迟衰减实验：信号触发时平均净利 4.5bp，慢 5 秒剩 1.3bp，慢 10 秒转负（-1.0bp），30 秒 -6.5bp。VIP 费率+1 秒延迟的完整回测：83 笔、胜率 95%、单笔均值 0.43 USDT——真实但薄如刀片。另拆穿腿风险（第三腿成交前你持有裸头寸）、余额预置 vs 顺序执行、机会共灭（对手也是机器人）三类结构性坑（中高阶）。