5D Library › 高杠杆衍生品清算瀑布、订单簿深度衰竭与协整统计套利 · English

第一章 订单簿深度与价格冲击

订单簿是什么

在大多数电子化市场里,价格由一张限价订单簿撮合产生。想以某个价格或更好价格买入的人挂出买单(bid),想卖出的人挂出卖单(ask);最高的买价与最低的卖价之间的距离叫价差,每个价位上挂着的数量叫这一档的深度。一笔市价单不指定价格,它从最优价开始,逐档吃掉对面的挂单,直到成交完毕。所以,一笔市价卖单把价格压下去多少,取决于它的大小与买方一侧的深度分布。

对此有两种看法:信息的看法认为,做市者无法分辨对手是否掌握信息,只好按订单流的方向调整报价;机械的看法认为,订单簿就是一张阶梯,大单走得越深,价格变得越多。本章先讲前者的经典模型,再讲后者。

凯尔的 λ

凯尔 1985 年的模型 (Kyle 1985) 只有三类参与者:一个知道资产真实价值 vv 的内幕交易者,一群下单数量随机的噪声交易者,以及竞争性的做市者。在单次拍卖的版本里,v∼N(p0,Σ0)v \sim N(p_0, \Sigma_0),噪声交易量 u∼N(0,σu2)u \sim N(0, \sigma_u^2)。内幕交易者下单 xx,做市者只看到总订单流 y=x+uy = x + u,并按线性规则定价 p=p0+λyp = p_0 + \lambda y。

推导分两步。内幕交易者知道 vv,最大化期望利润 E[(v−p)x]=x(v−p0−λx)\mathrm{E}[(v-p)x] = x(v – p_0 – \lambda x),得到 x=β(v−p0)x = \beta(v-p_0),β=1/(2λ)\beta = 1/(2\lambda)。做市者是竞争性的,价格等于条件期望 E[v∣y]\mathrm{E}[v\mid y],所以 λ=Cov(v,y)/Var(y)=βΣ0/(β2Σ0+σu2)\lambda = \mathrm{Cov}(v,y)/\mathrm{Var}(y) = \beta\Sigma_0/(\beta^2\Sigma_0 + \sigma_u^2)。两式联立:

λ=Σ02σu,β=σuΣ0,Var(v∣p)=Σ02.\lambda = \frac{\sqrt{\Sigma_0}}{2\sigma_u}, \qquad \beta = \frac{\sigma_u}{\sqrt{\Sigma_0}}, \qquad \mathrm{Var}(v \mid p) = \frac{\Sigma_0}{2}.

λ 是价格冲击系数:每单位订单流使价格移动多少。它的倒数 1/λ1/\lambda 常被叫作市场「深度」。噪声交易越多(σu\sigma_u 越大),做市者越难从订单流里读出信息,λ 越小,市场越「深」;而价格在一次拍卖后恰好吸收了内幕信息的一半。

用 20 万次模拟核对这三个结论,再模拟一位分析者只有 250 次拍卖(约一年的日度数据)时,从「价格变动对带符号订单流」的回归中能把 λ 估得多准。

推导

# Kyle (1985), one auction: lam = sqrt(S0)/(2 su), beta = su/sqrt(S0), Var(v|p) = S0/2.
import math, random
from statistics import fmean

def equilibrium(S0, su):
    return su / math.sqrt(S0), math.sqrt(S0) / (2 * su)

def simulate(S0, su, n, rng, p0=100.0):
    beta, lam = equilibrium(S0, su)
    ys, dv, profit = [], [], []
    for _ in range(n):
        v = rng.gauss(p0, math.sqrt(S0))
        x = beta * (v - p0)
        y = x + rng.gauss(0, su)
        p = p0 + lam * y
        ys.append(y); dv.append(v - p0); profit.append(x * (v - p))
    return ys, dv, profit

def ols_slope(xs, ys):
    mx, my = fmean(xs), fmean(ys)
    sxx = sum((a - mx) ** 2 for a in xs)
    b = sum((a - mx) * (c - my) for a, c in zip(xs, ys)) / sxx
    res = [c - my - b * (a - mx) for a, c in zip(xs, ys)]
    se = math.sqrt(sum(r * r for r in res) / (len(xs) - 2) / sxx)
    return b, se

rng = random.Random(1985)
S0 = 4.0                                    # prior variance of value (sd 2)
print("noise sd | theory lam  simulated  | Var(v|p)/S0 | insider profit theory / sim")
for su in (0.5, 1.0, 2.0):
    beta, lam = equilibrium(S0, su)
    ys, dv, prof = simulate(S0, su, 200000, rng)
    b, _ = ols_slope(ys, dv)                # E[v - p0 | y] is linear with slope lam
    post = fmean((d - lam * y) ** 2 for d, y in zip(dv, ys)) / S0
    print(f"  {su:4.1f}   |   {lam:.4f}    {b:.4f}   |    {post:.3f}    |"
          f"   {math.sqrt(S0) * su / 2:.3f} / {fmean(prof):.3f}")
# 250 auctions (about a year of daily data): regress price change on order flow
lam = equilibrium(S0, 2.0)[1]
for noise in (1.0, 3.0):                    # unrelated price noise (news, other flows)
    est = []
    for rep in range(400):
        ys, dv, _ = simulate(S0, 2.0, 250, rng)
        dp = [lam * y + rng.gauss(0, noise) for y in ys]
        est.append(ols_slope(ys, dp)[0])
    est.sort()
    print(f"250 auctions, extra noise sd {noise:.0f}: lam (true {lam:.2f})"
          f" median {est[200]:.3f}, 90 % in {est[20]:.3f} to {est[379]:.3f}")
# noise sd | theory lam  simulated  | Var(v|p)/S0 | insider profit theory / sim
#    0.5   |   2.0000    2.0040   |    0.502    |   0.500 / 0.503
#    1.0   |   1.0000    0.9987   |    0.502    |   1.000 / 1.002
#    2.0   |   0.5000    0.4996   |    0.499    |   2.000 / 1.993
# 250 auctions, extra noise sd 1: lam (true 0.50) median 0.500, 90 % in 0.464 to 0.538
# 250 auctions, extra noise sd 3: lam (true 0.50) median 0.498, 90 % in 0.395 to 0.611

模拟与公式一致:噪声交易的标准差从 0.5 增加到 2,λ 从 2.0 降到 0.5,内幕交易者的期望利润从 0.5 增加到 2.0(这部分利润正是噪声交易者的损失),价格吸收的信息始终是一半。估计 λ 时,若价格只受订单流影响加少量无关噪声,250 次观测的 90% 区间约为 0.46 到 0.54;若无关噪声的标准差增加到 3,区间就放宽到约 0.40 到 0.61。凯尔模型的 λ 是一个均衡概念,现实中的「λ 估计」还混入了新闻、其他资产的联动与订单簿本身的变化。

证据

订单流不平衡与深度。 孔特、库卡诺夫与斯托伊科夫用纽约证券交易所 50 只美国股票的逐笔报价与成交数据发现,在短时间间隔内,最优买卖价上的「订单流不平衡」能解释大部分价格变动,二者呈线性关系,斜率与市场深度成反比 (Cont et al. 2014)。这与凯尔模型中「深度越大,λ 越小」的定性结论一致,但机制不同:这里是订单簿的机械性质,不需要假设内幕信息。

平方根冲击律

线性的 λ 只适用于小订单。对于机构的大额交易,实证上反复出现的是一条凹的规律。

证据

平方根冲击律。 一笔被拆成许多小单、在一段时间内执行完的「元订单」,总量为 QQ,它带来的平均价格冲击近似为 Δ(Q)≈YσQ/V\Delta(Q) \approx Y\sigma\sqrt{Q/V},其中 σ\sigma 是日波动率,VV 是日成交量,常数 YY 的量级为 1 (Tóth et al. 2011)。托特等人汇总的研究中,指数在约 0.4 到 0.7 之间;他们自己用约 50 万笔期货交易(2007—2010 年)得到的指数在小跳动单位合约上约为 0.5,大跳动单位合约上约为 0.6。阿尔姆格伦等人用一家大型银行的股票交易数据,取临时冲击的指数为 3/5 (Almgren et al. 2005)。佐藤与金泽 2025 年用东京证券交易所 2012—2019 年全部账户层面的订单记录,把数据分成两段时期、只取流动性足够的股票(合计 2,299 个「股票—时期」样本),逐只估计指数:截面平均为 0.489(截面标准差 0.071),他们认为各股的指数在统计误差内都等于 1/2 (Sato and Kanazawa 2025)。综述见布绍、法默与利洛 (Bouchaud et al. 2009) 及布绍等人的专著 (Bouchaud et al. 2018)。

平方根律有两点常被误读。第一,它是元订单的平均冲击,不是一笔市价单打穿订单簿的冲击。第二,它不是从可见订单簿的形状直接推出来的。托特等人的解释是:在价格附近,潜在的供求(尚未挂出、但价格一到就会出现的订单)呈「V 形」,在当前价格处趋于零,并随距离线性增加 (Tóth et al. 2011);作者本人也说这个论证是「相当朴素」的。实证的可见订单簿则往往是另一种形状:平均深度的峰值不在最优价,而在离它若干档之外 (Bouchaud et al. 2002),而且可见深度的总量有限。

深度衰减与跳空

把订单簿简化成三种形状,看一笔市价卖单走多深。平坦:每档 10 手。V 形:第 kk 档有 2k2k 手。衰减:第 kk 档有 20e−k/820e^{-k/8} 手,可见总深度只有约 150 手;可见部分之外,下一批挂单在 60 档以下。

推导

# A market sell of Q lots walks down a static bid side; depth q(k) at k ticks below best.
# Beyond the visible book the next resting bids sit 60 ticks down. Illustrative shapes.
import math

GAP = 60

def walk(Q, depth, levels=40):
    """Fill Q against levels 1..levels; return (ticks moved, average fill in ticks)."""
    left, cost, k = Q, 0.0, 0
    while left > 1e-12 and k < levels:
        k += 1
        take = min(left, depth(k))
        left -= take; cost += take * k
    if left > 1e-12:                      # visible book exhausted: price gaps down
        cost += left * GAP; k = GAP
    return k, cost / Q

books = {"flat": lambda k: 10.0, "V-shaped": lambda k: 2.0 * k,
         "decaying": lambda k: 20.0 * math.exp(-k / 8)}
print("visible depth in 40 levels:",
      ", ".join(f"{n} {sum(f(k) for k in range(1, 41)):.0f}" for n, f in books.items()))
print("order Q |" + "|".join(f" {n:>8s} move/avg " for n in books))
Qs = (5, 20, 80, 140, 160, 200, 400)
for Q in Qs:
    cells = []
    for f in books.values():
        m, a = walk(Q, f)
        cells.append(f" {m:5d} / {a:5.1f}   ")
    print(f"  {Q:5d} |" + "|".join(cells))

def slope(f, q1, q2):                     # log-log slope of the final price move
    return math.log(walk(q2, f)[0] / walk(q1, f)[0]) / math.log(q2 / q1)
print("log-log slope of move vs Q, Q = 20 -> 160: " +
      ", ".join(f"{n} {slope(f, 20, 160):.2f}" for n, f in books.items()))
# "Kyle lambda" read off small orders: ticks per lot for the first few lots
for n, f in books.items():
    print(f"{n:>9s}: depth at best level {f(1):5.1f} lots -> small-order lambda"
          f" ~ {1 / f(1):.3f} ticks per lot")
# visible depth in 40 levels: flat 400, V-shaped 1640, decaying 149
# order Q |     flat move/avg | V-shaped move/avg | decaying move/avg 
#       5 |     1 /   1.0   |     2 /   1.6   |     1 /   1.0   
#      20 |     2 /   1.5   |     4 /   3.0   |     2 /   1.1   
#      80 |     8 /   4.5   |     9 /   6.0   |     7 /   3.2   
#     140 |    14 /   7.5   |    12 /   7.9   |    22 /   6.9   
#     160 |    16 /   8.5   |    13 /   8.4   |    60 /  11.7   
#     200 |    20 /  10.5   |    14 /   9.4   |    60 /  21.4   
#     400 |    40 /  20.5   |    20 /  13.3   |    60 /  40.7   
# log-log slope of move vs Q, Q = 20 -> 160: flat 1.00, V-shaped 0.57, decaying 1.64
#      flat: depth at best level  10.0 lots -> small-order lambda ~ 0.100 ticks per lot
#  V-shaped: depth at best level   2.0 lots -> small-order lambda ~ 0.500 ticks per lot
#  decaying: depth at best level  17.6 lots -> small-order lambda ~ 0.057 ticks per lot
一笔市价卖单的价格移动与订单大小。平坦的订单簿给出线性冲击,V 形潜在订单簿给出近似平方根的凹形冲击,深度随距离衰减的薄订单簿在可见深度被吃光时出现跳空。

三种形状给出三种规律。平坦的订单簿给出线性冲击(对数斜率 1.00),就是一个常数 λ。V 形订单簿给出凹的冲击(斜率约 0.57,离散档位使它略高于连续情形的 0.5)。衰减的订单簿最值得注意:小单的冲击最小(「小单 λ」只有 0.057 档每手,比平坦订单簿还「深」),但订单一旦超过约 150 手的可见总深度,价格就直接跳到 60 档以下,140 手时价格只动了 22 档,160 手时却动了 60 档。只看最优价附近的深度,会严重低估大单与连续强平单的冲击。 这正是第二、三章清算瀑布模型的起点。

证据

闪电崩盘。 基里连科、凯尔、萨马迪与图尊用审计追踪成交数据研究了 2010 年 5 月 6 日及此前三天的标普 500 电子迷你期货:当天一个大型的自动卖出程序在该市场被迅速执行,价格在几分钟内急跌后又回升;他们发现,最活跃的日内中介者(高频交易者)在价格下跌时并没有改变交易模式 (Kirilenko et al. 2017)。这是一个「卖压超过了可用深度」的真实例子,但它是股指期货,不是本书第二章讨论的高杠杆永续合约,二者的机制不能直接等同。

注

模型的限制。 本章的订单簿是静态的。真实订单簿会在几秒到几分钟内部分恢复,挂单也会因价格下跌而撤走或补入,所以现实中的「跳空」可能更小,也可能更大。

本章小结

凯尔模型给出价格冲击系数 λ=Σ0/(2σu)\lambda = \sqrt{\Sigma_0}/(2\sigma_u):噪声交易越多,市场越深。实证上,小订单流的冲击近似线性且与深度成反比;大额元订单的冲击近似服从平方根律,指数约在 0.4 到 0.7 之间,近年的完整账户数据支持 1/2。平方根律描述的是潜在流动性,而可见订单簿的深度有限,当一笔大单或一连串强平单吃光可见深度时,价格会跳空。下一章讨论这种连串卖单从哪里来:永续合约的杠杆与强制平仓。

参考文献

Almgren, Robert, Chee Thum, Emmanuel Hauptmann, and Hong Li. 2005. “Equity Market Impact.” Risk 18 (7).
Bouchaud, Jean-Philippe, Julius Bonart, Jonathan Donier, and Martin Gould. 2018. Trades, Quotes and Prices: Financial Markets Under the Microscope. Cambridge University Press.
Bouchaud, Jean-Philippe, J. Doyne Farmer, and Fabrizio Lillo. 2009. “How Markets Slowly Digest Changes in Supply and Demand.” In Handbook of Financial Markets: Dynamics and Evolution, edited by Thorsten Hens and Klaus Reiner Schenk-Hoppé. Academic Press.
Bouchaud, Jean-Philippe, Marc Mézard, and Marc Potters. 2002. “Statistical Properties of Stock Order Books: Empirical Results and Models.” Quantitative Finance 2 (4): 251–56.
Cont, Rama, Arseniy Kukanov, and Sasha Stoikov. 2014. “The Price Impact of Order Book Events.” Journal of Financial Econometrics 12 (1): 47–88. https://doi.org/10.1093/jjfinec/nbt003.
Kirilenko, Andrei, Albert S. Kyle, Mehrdad Samadi, and Tugkan Tuzun. 2017. “The Flash Crash: High-Frequency Trading in an Electronic Market.” Journal of Finance 72 (3): 967–98. https://doi.org/10.1111/jofi.12498.
Kyle, Albert S. 1985. “Continuous Auctions and Insider Trading.” Econometrica 53 (6): 1315–35. https://doi.org/10.2307/1913210.
Sato, Yuki, and Kiyoshi Kanazawa. 2025. “Strict Universality of the Square-Root Law in Price Impact Across Stocks: A Complete Survey of the Tokyo Stock Exchange.” Physical Review Letters 135: 257401. https://doi.org/10.1103/65jz-81kv.
Tóth, Bence, Yves Lempérière, Cyril Deremble, Joachim de Lataillade, Julien Kockelkoren, and Jean-Philippe Bouchaud. 2011. “Anomalous Price Impact and the Critical Nature of Liquidity in Financial Markets.” Physical Review X 1 (2): 021006. https://doi.org/10.1103/PhysRevX.1.021006.

Fan, Y. (2026). Liquidation Cascades, Order-Book Depth Depletion and Cointegrated Statistical Arbitrage: Ornstein-Uhlenbeck Processes and Kalman-Filter Dynamic Hedging [高杠杆衍生品清算瀑布、订单簿深度衰竭与协整统计套利] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23796776 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).