标签： #微观结构

固定时间间隔的 K 线（时间 Bar）有个隐藏毛病：市场安静时一根 Bar 几乎没信息，爆发时一根 Bar 挤满信息，于是『等量时间』等于『不等量信息』，还会撞出人造的自相关与波动聚集。不平衡 Bar（Imbalance Bar）反过来：用订单流不平衡 θ=Σ b·v 触达阈值就截断一根 Bar，于是每根 Bar 都携带约等量的信息。本文用 numpy 从零实现不平衡 Bar，在 6 万 tick 合成盘口上证明：750 根时间 Bar 压缩成 156 根不平衡 Bar，收益滞后1自相关从 0.528 砍到 0.048（接近 iid），每根 Bar 的信息量变异系数从 0.596 降到 0.252。附完整 Python 与四张真实计算图。

小盘股 beta 低得不合理，常被解读成「防御性强」——但这个数字可能大部分是测量假象。300 只股票、1500 天、真实 beta 完全已知的受控模拟，唯一变量是「今天有没有成交」：非交易日占比 55% 时普通 OLS 把真实 1.08 估成 0.49（偏误 -55.14%，20 个种子散布仅 ±1 个百分点）；Dimson 3 阶收回到 -7.28%，相关从 0.783 升到 0.940、RMSE 从 0.383 降到 0.144。但修正不免费：全流动对照组 OLS 偏误仅 +0.14% 而 Dimson 3 阶 RMSE 是它的 2.5 倍——对流动股用 Dimson 是纯亏方差。最狠的是低 beta 异象证伪：在 alpha 严格为零的世界里，仅凭测量误差，按 OLS beta 排序的最低五分位就跑出 +1.65% 伪 alpha，而这组 73.3% 是最不流动股票——按 beta 排序等价于按流动性排序。滞后剖面：t 期只贡献 45.0% 恰好对应 55% 停摆率，领先项等于噪声证明无 look-ahead。置换 200 次无一次超越。

Roll (1984) 隐含交易成本度量，是微观结构里最「反直觉却优雅」的技巧之一：它不依赖任何订单簿数据，只从一段连续的「成交价差分 Δp_t」里，用相邻两期差分的协方差 −Cov(Δp_t, Δp_{t-1}) 反推出有效（全额）买卖价差 s = 2·√{−Cov}。本文用纯 numpy 合成「随机游走中间价 + 含价差 Tick 的成交价」，滚动估计 Roll 成本，对照已知真实成本：价差主导噪声的应激段（6 tick）几乎精确还原（0.0601 vs 0.0600），噪声主导的平静段（2 tick）被向上偏置到 0.030（真实 0.020）；并用一个对照实验证明——成交方向自相关 ρ 越大，Roll 越低估真实成本（ρ=0 才精确还原，ρ=0.7 时低估 −58%）。同时诚实拆穿「非负协方差被丢弃导致的低 SNR 偏置 / Tick 取整 / 趋势市失效 / 漂移污染」四类真实陷阱（中阶）。

同样挂在买一档的限价买单，排在队首和排在队尾，价值天差地别。本文用离散时间队列模型从零量化「队列位置价值」：成交概率随排队深度单调衰减（队首 83% → 队尾 2.3%），但「位置价值」却是非单调的——因为队首成交太快会被知情抛压逆向选择吃掉。最佳位置是第 3 位而非第 1 位。附完整 Python 与五类实战陷阱（高频）。

做市商最大的敌人不是价差而是库存：Avellaneda-Stoikov(2008) 用指数效用推出保留价与最优价差，让报价随库存偏斜、自动把持仓拉回零。模拟里 AS 把终端库存波动从 6.17 砍到 4.14、极端持仓从 36 压到 24，PnL 几乎不丢，附完整 Python 与六类真实陷阱（高阶）

订单簿失衡(Order Flow Imbalance)是高频价格预测里最有信息量的特征之一。本文从零构造 LOB 失衡特征，用 LSTM 捕捉其时序依赖预测秒级价格方向，并用混淆矩阵、训练曲线与含成本回测检验它的真实价值。附完整 PyTorch 风格 Python 与六类真实陷阱（高频）。

Glosten-Milgrom(1985) 用贝叶斯把买卖价差解释为逆向选择成本：知情买盘推高报价、知情卖盘压低报价。本文再加一层库存风险，让报价随持仓整体下移并加宽，附完整 Python。

订单簿排队位置模型:你的限价单何时成交、为何被插队 - halo的技术博客