标签： #领先滞后

两个高度相关的资产几乎从不同时动：期货先于现货、大盘股先于小盘股、美股 ETF 先于亚洲镜像。领先滞后估计要回答的是「谁先动、领先多少秒」。受控模拟（真实滞后 θ=2 秒、泊松异步观测）实测：1 秒网格滞后互相关函数峰值精确落在 +2 秒，同期相关只有 0.066 而峰值 0.120——同步相关严重低估了这对资产的真实耦合。HRY 估计器（Hoffmann-Rosenbaum-Yoshida 2013）按区间重叠配对无需网格，峰值 0.80 落在 2 秒，信号强度是网格法的 6.7 倍。采样频率扫描给出实操上最重要的曲线：h=5s 时不对称度 0.200 最大，h=60s 时只剩 0.020——领先滞后是尺度依赖信号，网格必须与 θ 同数量级，粗网格把先后关系压扁成同期相关。方向性 IC 检验：领先者过去 2 秒预测跟随者未来 2 秒，15 日 IC 均值 0.215（t=125），反向对照只有 0.074。诚实边界：领先滞后利润与延迟军备竞赛绑定、θ 本身随市场状态漂移、Epps 效应与领先滞后互为混杂因素。A 股注记：沪深 300 期货 vs ETF、AH 股是天然领先滞后对，但 T+1 与两融门槛限制了收割方式（高阶）

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。

相关系数只说『一起动』，不说『谁先动』。转移熵(Transfer Entropy, Schreiber 2000)用条件互信息量，量的是『加入 X 的历史后，Y 的下一刻不确定性下降了多少 bits』——天然非对称。本文用符号化估计在合成领先-滞后链 X→Y→Z 上复现：TE(X→Y)=0.214 对 TE(Y→X)=0.030（比值 7×）、TE(Y→Z)=0.218 对 TE(Z→Y)=0.037；而共同因驱动的 U/V 虽然相关 0.32，双向 TE 却几乎对称(0.045 vs 0.041)——正是相关说不清、TE 能分开的那类结构。再沿信息流方向下注，Sharpe 5.05 碾压反向 −5.05；信息流方向就是 alpha 方向。附完整 Python 与六类真实陷阱（高阶）。