标签： #限价簿

传统金融模型把市场当作一个代表型参与者，但真实限价簿是数百个异质 Agent（做市商、趋势交易者、套利者、噪音交易者）交互的涌现结果。本文用 Python 构建一个多智能体仿真框架，定量拆解不同 Agent 类型对价差、深度和价格发现效率的贡献。

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。

限价簿的最优报价不是一个价格，是一条排队的队列：价格什么时候动，等价于哪边队列先被吃空。队列反应模型（Huang-Lehalle-Rosenbaum 2015）的核心洞见是三类事件强度都是队列长度的函数——小队列抢着补单、大队列吸引市价单、撤单随队列线性增长，生灭过程的平稳分布可以解析求出并被 12 万秒事件级模拟精确复现（众数 q=3，零智能常数强度模型给出错误的 q=1 单调衰减形态）。队列失衡→价格方向的 S 形概率曲线从首达时间竞赛自然涌现：I=+0.8 时上行概率 73.3%、I=−0.8 时 28.3%，无需任何外生 alpha 假设。全簿模拟 3600 秒 11890 个订单事件只产生 173 次价格变动——价格是队列动态的慢变量。做市、执行算法排队价值评估、短周期方向信号三个应用场景+A 股 Level-2 十档快照的工程适配（高阶）

Almgren-Chriss 假设冲击成本只跟'交易多快'有关，却漏掉了限价簿的一个关键性质——它会恢复。你砸下一笔单，价格被临时推走，但只要停手，挂单会重新涌入，把冲击慢慢填平。Obizhaeva-Wang (2013) 把这个'弹性'写进模型，得出一个 AC 里没有的结论：最优执行不是一条平滑衰减曲线，而是'两端各下一个离散大块 + 中间恒定速率连续吃单'的 U 型轨迹。本文从限价簿动力学出发推导 OW 最优解，用蒙特卡洛证明它在期望成本（43.4bp vs TWAP 45.0bp）与成本方差上双双改善，弹性越低优势越大，并诚实拆解连续模型在离散撮合、日内弹性时变、被猎杀四个方向上的失真（中阶）。