挂单不是零成本:把 33 万笔 E-mini 成交拆成「队列加权」之后,价格敏感度不再是一个常数

首页 / 海外深读 / 挂单冲击与队列
读 arXiv:2610.38442

挂单不是零成本:把 33 万笔 E-mini 成交拆成「队列加权」之后,价格敏感度不再是一个常数

做市和挂单执行的人常说「挂单没有冲击」。这句话只在「不成交」的前提下成立。一旦成交,挂单改变的是最优档位的队列厚度,而队列厚度决定下一笔吃单能推动多少价格。这篇论文把这件事写成了一个可以回归的价格方程,并在 CME E-mini 上做了样本外检验。

被动冲击限价单队列Hawkes 过程E-mini执行成本
读 arXiv:2610.38442

01原文信息卡

论文
Calibration of Passive Market Impact with a Queue-Sensitive Propagator Model
作者
Yadh Hafsi、Fabrizio Lillo、Grégoire Szymanski
机构
CMAP, École Polytechnique;Deepfin Research;Scuola Normale Superiore;Université du Luxembourg
版本
arXiv:2610.38442v1,2026 年 10 月 28 日提交
样本
CME E-mini S&P 500 期货,2025 年至 2026 年 1 月初;过滤后 263 个常规交易日,193 个测试日
方法
Hawkes 到达过程 + 队列反应式限价单/撤单 + 状态依赖的价格敏感度 κ(Z)
一句话
把价格拆成「传播项 + 队列修正项」,再用两个可观测信号做回归

先给结论:这篇论文没有推翻传播模型,而是把传播模型里那个被当成常数的 κ 拆开了。拆开之后,挂单的累积不再只是「等待成交」,而是持续改变下一笔吃单的价格响应。对做执行的人来说,这意味着挂单成本不能记为零,也不能只记手续费。

02它要解决的不是「大单冲击」,而是「挂单也在改价」

市场冲击研究的传统写法,是把中间价写成对历史签名订单流的线性响应:过去买入多于卖出,价格就往上;影响随时间按某个核函数衰减。这个框架里所有的敏感度都压在一个常数 κ 上,无论盘口是厚是薄,一笔吃单推动的价格都一样。

这个假设在教科书里很方便,在盘口上不成立。最优档位挂着 20 手和挂着 200 手,同样一笔市价单吃掉的东西完全不同。论文用一张图把这件事摆出来:把 E-mini 的交易时段按最优档位的平均可成交量分成三档流动性状态,薄簿状态下单位吃单的价格响应明显更大。

真正的问题在挂单这一侧。限价单不消耗流动性,它只是排队;但排队会改变队列长度,而队列长度就是下一个交易者面对的「深度」。所以挂单的影响是间接的、累积的:单笔看不出来,一批挂单压上去之后,价格对吃单的敏感度已经变了。

论文要回答的就是:能不能用同一个框架,同时容纳「吃单的冲击」和「挂单改变敏感度」这两件事,而不是为挂单另起一套模型。

03价格被拆成两项:传播项与队列修正项

We develop a framework for calibrating passive market impact, defined as the price response to liquidity-providing limit orders, in contrast to the impact of liquidity-consuming market orders.原文
译文:这段话把研究对象钉死了:被动冲击是「提供流动性」的限价单引起的价格响应,与「消耗流动性」的市价单冲击相对。注意它问的不是挂单成交后赚了多少,而是挂单如何改变价格形成。
注释:原文第一句,摘要。原文把 passive impact 与 aggressive impact 明确对立,这是全文的概念基础。

在这个模型里,价格仍然是未来签名订单流的条件期望,但加权系数不再是常数,而是盘口状态的函数:最优档位队列越厚,单位订单流推动的价格越小。作者的表述是价格分解成两项——一项是通用的传播项,由签名订单流不平衡驱动;另一项是状态依赖的修正项,刻画价格敏感度对最优档位数量的依赖。

Within this model, we show that the price decomposes into a universal propagator term driven by signed order-flow imbalance and a state-dependent correction that captures the dependence of price sensitivity on volume at the best quotes.原文
译文:译文:在这个模型内,我们证明价格可以分解为一个由签名订单流不平衡驱动的通用传播项,以及一个状态依赖的修正项,后者刻画价格敏感度对最优报价处数量的依赖。
注释:原文摘要。这是全文的技术核心:κ 从常数变成 κ(Z),Z 是最优档位队列向量。
P_t = P_0 + κ(Z_t) · lim(T→∞) E[ D_T | F_t ] κ(Z) 随最优档位队列长度递减;Z = (q1a,…,qℓa, q1b,…,qℓb)本站按论文第 2 节与式 (1) 的口径整理。原式的 κ 为常数;引入盘口状态后写成 κ(Z),这是论文相对经典传播模型的改动。ℓ 为保留的档位数。

这个改写带来一个很实际的结果:它把「不可观测的冲击」变成了「可回归的两个信号」。一个是传播信号,即按衰减核加权的历史签名订单流;另一个是队列加权订单流不平衡,即用最优档位队列长度去缩放当前的买卖不平衡。两者都是盘口上直接能算的量,不需要估计隐藏的大单。

从建模角度,这一步的价值在于「可比」。以前做执行分析,挂单和吃单是两套成本假设;现在两者被放进同一个价格方程,只是 κ 的取值不同。对做市商来说,这相当于给「我挂的单把盘口变厚了,所以后面的人打不动价」这件事一个可校准的系数。

04数据长什么样:33 万笔成交、97% 一档价差、101 个 AES 的队列

263 天过滤后的常规交易日;剔除缩短时段、FOMC 宣布日与熔断日后保留
193 天进入样本外检验的测试日;16 天滚动估计、次日测试
≈33 万笔单个交易时段(10:00–16:00)的平均成交笔数,买卖几乎各半
1.22 张平均事件规模 AES,即最优档位挂单的平均规模,用作订单流单位
101 AES三个最优价位上等待订单的平均队列长度

数据是 CME 的订单簿消息,标的为 E-mini S&P 500 期货,最小变动价位 0.25 个指数点。样本覆盖 2025 年,加上 2026 年 1 月初的几天以补齐最后一个测试窗口。作者剔除了缩短交易时段、FOMC 宣布日和触发熔断的交易日,剩 263 个常规日。

还有一个细节值得注意:期货每季度到期,到期前几周新旧合约同时交易、价格不同,混在一起会产生与交易无关的价格跳变。作者在每个交易时段只保留成交量最大的合约(前月流),并在到期周的周一切换。同一套规则也用于国债期货。

样本内 97% 的时间里最优买卖价只差一个 tick,这意味着「一档价差」几乎没有信息量,真正的状态变量是队列长度而不是价差宽度。这也解释了为什么论文把状态向量取成各档队列规模,而不是取成 spread。

校准分两步:先用 Hawkes 过程拟合主动订单流的激发核,再用队列反应模型拟合限价单与撤单的到达强度。两步都只用到 10:00 到 16:00 的窗口,理由是避开开盘与收盘的确定性非平稳。

05复算:0.069 的 R² 提升,等于残差缩小 8.9%

论文报告的核心结果是样本外 R² 的提升。以 E-mini 2023 年为例:经典传播字典的日均样本外 R² 是 0.593,加入队列修正后的完整字典是 0.662,提升 0.069,Newey-West t 值 7.92,89.9% 的测试日为正增益。

口径传播模型完整字典提升NW t正增益天数
ES 2023(日均样本外 R²)0.5930.6620.0697.9289.9%
其余 11 个股指单元(2023–2025)——0.06–0.197–1385%–95%
四个国债品种(2025)——0.06–0.097–12—

R² 从 0.593 到 0.662,直观上只是「多解释了 6.9 个百分点」,但换一个口径看更清楚:残差方差占比从 1−0.593=0.407 降到 1−0.662=0.338,残差标准差之比是 √(0.338/0.407)=0.911。也就是说,日均预测误差缩小了约 8.9%。

σ_res(完整) / σ_res(传播) = √[(1−0.662)/(1−0.593)] = √(0.338/0.407) = 0.911本站复算:R² 提升换算成残差标准差的变化。这是算术恒等变形,不是论文给出的数字;换算的前提是同一测试集、同一目标变量。

8.9% 的误差缩小放在高频价格预测里不算小。这类回归的目标变量是分钟级的中间价变化,信噪比本来就低,能被一个「队列加权不平衡」的信号再压掉近一成残差,说明盘口状态确实携带了传播模型没吃进去的信息。

论文同时报告了稳健性:12 个「股指×年份」单元全部为正,国债 2025 年四个品种也全部为正;把预测窗口从 30 秒换到 5 分钟,系数的符号和量级不变。这一点很重要——如果结论只在一个特定 horizon 成立,那更像是调参调出来的。

06100 个 AES 挂 50 秒:0.015 个指数点意味着什么

On the front-month calibration of Section 3, a passive schedule of 100 AES units posted over 50 s displaces the weighted mid by 1.5×10−2 index points, about 6 percent of a tick, permanently and in proportion to the posted volume.原文
译文:译文:按第 3 节的前月合约校准,在 50 秒内挂出 100 个 AES 单位的被动计划,会把加权中间价永久推移 1.5×10⁻² 个指数点,约等于一个 tick 的 6%,且推移幅度与挂出数量成比例。
注释:原文第 5 节。这里的「永久」指挂单成交后不回到原点,不是指影响永不衰减;作者强调的是这部分冲击进入了新的价格水平。

这段话里有三个可以当场验算的量。第一,100 个 AES 按 1.22 张/单位换算,是 122 张合约。第二,0.015 个指数点除以 0.25 的 tick 尺寸,正好是 6%。第三,论文说这个数字比同量市价单的冲击小 22 倍,反推同量吃单的冲击约为 0.33 个指数点,也就是 1.3 个 tick 左右。

100 AES × 1.22 张/AES = 122 张 0.015 / 0.25 = 6% tick 0.015 × 22 = 0.33 指数点 ≈ 1.32 tick本站复算:三个换算都只用论文给出的 AES 均值、tick 尺寸与「22 倍」这一比例,没有引入外部数据。

还有一个方向性结论:薄簿时段的被动冲击约为厚簿时段的 2.2 倍。这意味着「挂单成本」不是账户属性,而是时段属性——同一个策略在流动性差的半小时里,挂单的隐性成本可能是平时的两倍多。

为什么挂单的冲击会比吃单小这么多?机制上说并不神秘:吃单是立刻从队列里拿走流动性,价格必须移动才能找到新的卖家;挂单是往队列里加流动性,只有成交的那部分才转化为持仓,而且它让后续吃单的价格响应变小。论文把这个不对称写进了 κ(Z):队列变厚,κ 下降。

需要提醒的是单位。0.015 个指数点对应 E-mini 的合约乘数 50 美元,名义上约 0.75 美元/张;但论文并没有把它折算成金额,也不主张这是「成本」。它测的是价格位移,不是盈亏。

07对中文读者的用法:四个可以落地的判断

这篇论文不能直接变成策略,但可以改变几件具体的事。下面四条按「今天就能用」到「需要数据」排序。

  • 把挂单成本从「零」改成「随时段变化」。同一套挂单逻辑,在薄簿时段的隐性冲击约为厚簿的 2.2 倍,仓位与挂单节奏应该分时段设置,而不是全天一套参数。
  • 用「队列加权不平衡」而不是「原始不平衡」做盘口信号。原始买卖不平衡把 20 手的队列和 200 手的队列当成一样重,这正是论文要修正的地方。
  • 别把 δ* 当结构参数。论文自己说最优 horizon 是「保留样本与价格代理的调参选择」,不是连续时间模型的结构时间尺度;跨品种照搬 δ* 没有依据。
  • 做执行回测时,把「挂单是否改变后续敏感度」当成一个独立假设去检验。如果回测里挂单成本恒为零,回测出的做市收益会系统性偏高。

08边界与反例:它没有证明什么

第一,样本只覆盖 CME 前月合约,且剔除了 FOMC 宣布日、缩短时段与熔断日。作者写得很直白:这些结果不外推到压力时段。换句话说,2020 年 3 月那种盘口环境下,κ(Z) 的线性近似未必成立。

Our results do not extend to such stressed conditions.原文
译文:译文:我们的结果不外推到这类压力情形。
注释:原文第 3.1 节「Time window」。这句话是作者对自己结论适用范围的限定,引用时不应省略。

第二,R² 提升不等于可交易利润。论文检验的是价格变化的解释力与样本外预测力,没有扣除手续费、没有考虑排队成交概率、也没有做容量分析。0.069 的 R² 在统计上很显著,在盈亏上可能被一个 tick 的滑点吃掉。

第三,模型把 κ 写成队列的仿射函数,这是一个可校准的近似,不是从微观机制严格推出的定理。作者在附录里也讨论了更一般的设定,但主结果依赖这个仿射形式。对使用者来说,这意味着外推到极端队列长度时要格外小心。

第四,反例的方向很清楚:如果某市场的挂单可以被瞬间撤销(大量虚假深度),那么「队列厚度」并不代表真实可成交的流动性,κ(Z) 会用错状态变量。这是所有基于盘口状态的模型共同的软肋,这篇论文没有例外。

09原文链接与访问日期

阅读路径建议:先读摘要与第 2 节的式 (1),确认 κ 从常数变成状态函数这一步;再读第 3.1 节的样本过滤规则,判断自己的市场是否可比;最后看第 4.4 节的表 4 与第 5 节的两个数字(0.015 点、22 倍),这两个数字是全文最容易被引用、也最容易被误引的地方。

10延伸阅读

资料来源与核对方式
· Hafsi, Y., Lillo, F., & Szymanski, G. (2026). Calibration of Passive Market Impact with a Queue-Sensitive Propagator Model. arXiv:2610.38442v1,2026-10-28 提交。https://arxiv.org/abs/2610.38442 (全文 HTML:https://arxiv.org/html/2610.38442v1 )
· 同上:摘要;第 2.1 节(线性传播模型);第 3.1 节(数据与订单簿重建、样本与时间窗);第 4.4 节与 Table 4(样本外 R²、Newey-West t、正增益天数);第 5 节(被动冲击曲线、0.015 指数点与 22 倍对照)。
· 本站复算:AES 换算(100×1.22=122 张)、tick 占比(0.015/0.25=6%)、残差标准差比(√(0.338/0.407)=0.911)。三项均只使用论文公开数字。
· 论文声明其样本为 CME E-mini S&P 500 前月合约,剔除缩短时段、FOMC 宣布日与熔断日;作者明确表示结论不外推到压力情形,本文引用时保留该限定。
访问日期:2026-11-03。文中英文短引均逐字摘自所列公开原文,译文与注释为本站所加;凡标注「本站复算」「本站算例」处,均为按公开公式或公开报表数字所做的算术推导,不属原作者结论。原文版权归原作者与发布方所有,本页为摘译与独立分析,不构成投资建议。

常见问题

挂单为什么会有价格冲击?

挂单本身不消耗流动性,但它改变了最优档位可成交的数量。队列越厚,同样一笔吃单推动的价格越小;队列越薄,敏感度越高。论文把这种依赖写成状态函数 κ(Z),于是挂单的累积会改变后续吃单的价格响应。

这篇论文的样本外提升有多大?

在 12 个股指期货「品种×年份」单元里,完整字典相对经典传播模型的日均样本外 R² 提升为 0.06 到 0.19,Newey-West t 值 7 到 13,85% 到 95% 的测试日为正;2025 年四个国债期货品种提升 0.06 到 0.09。

0.015 个指数点是什么概念?

E-mini S&P 500 的最小变动价位是 0.25 个指数点,0.015 点约为一个 tick 的 6%。论文给出的对照是:同样 100 个 AES 单位用市价单执行,冲击约为其 22 倍。

可以直接拿来做交易信号吗?

不能直接。论文检验的是价格变化的解释力与预测力,不是扣费后的策略收益;样本只覆盖 CME 前月合约、剔除 FOMC 与停牌日,作者也明确说结论不外推到压力时段。

本文为公开论文摘译与独立复算,不构成投资建议。文中标注「本站复算」的数值均为按论文公开口径做的算术推导,不代表原作者结论。 最后更新:2026-11-03。

安装 App