market-microstructure-traditional

市场微观结构（传统）

市场微观结构研究订单如何转化为交易，以及交易如何形成价格。了解这些机制对于优化执行、做市和检测信息型订单流至关重要。本技能介绍应用于中心化交易所加密市场的限价订单簿（LOB）理论，并对比 LOB 机制与基于 AMM 的 DEX 结构。

核心概念

概念	含义
买卖价差	即时交易的成本——现在交易与稍后交易之间的成本差异
价格冲击	你的订单对市场价格的影响
订单簿失衡	根据队列规模预测短期价格方向
逆向选择	与知情交易对手交易的风险
库存风险	做市商因累积头寸而承担的风险
执行质量	你的成交与基准相比的表现

---

买卖价差分解

买卖价差并非单一组成部分，而是可分解为三个部分（Roll，1984；Glosten & Harris，1988）：

1. 逆向选择 — 与知情交易者交易所获得的补偿
2. 库存持有 — 承担风险所获得的补偿
3. 订单处理 — 提供流动性的固定成本（费用、基础设施）

价差指标

# Quoted spread: what you see on the order book
quoted_spread = best_ask - best_bid
quoted_spread_bps = (best_ask - best_bid) / midprice * 10_000

# Effective spread: what you actually pay (accounts for price improvement)
effective_half_spread = abs(trade_price - midprice_at_trade)
effective_spread_bps = effective_half_spread / midprice_at_trade * 10_000

# Realized spread: market maker's actual profit (after price moves)
# Measured at trade_price vs midprice N seconds later
realized_spread = trade_sign * (trade_price - midprice_after_delay)

有效价差对执行质量最为重要。有效价差与实现价差之间的差异衡量了逆向选择——即做市商因信息型订单流而蒙受的损失。

---

价格形成模型

Glosten-Milgrom（1985）

这是一个序贯交易模型，做市商设定买入价和卖出价，以便在知情交易者与非知情交易者的混合交易中实现盈亏平衡。

• 做市商的报价反映了基于交易方向的条件期望值
• 价差完全由逆向选择造成
• 随着交易逐步揭示信息，价格会收敛至真实价值

关键见解：以下情况会导致价差扩大：

• 知情交易的概率（PIN）较高
• 信息不对称程度较大
• 非知情交易量较低

Kyle 的 Lambda（1985）

Kyle 模型包含一名知情交易者、噪声交易者和一名做市商。做市商将价格设定为净订单流的线性函数：

price_change = lambda * net_order_flow

**Lambda（λ）**衡量单位签名交易量带来的永久价格冲击。Lambda 越高，市场流动性越差。可通过对价格变化与签名交易量进行回归来估算 Lambda：

import numpy as np
from numpy.linalg import lstsq

def estimate_kyle_lambda(
    price_changes: np.ndarray,
    signed_volumes: np.ndarray,
) -> float:
    """Estimate Kyle's lambda from trade data.

    Args:
        price_changes: Midprice changes between trades.
        signed_volumes: Trade volume * trade_sign (+1 buy, -1 sell).

    Returns:
        Estimated lambda (price impact per unit volume).
    """
    X = signed_volumes.reshape(-1, 1)
    beta, _, _, _ = lstsq(X, price_changes, rcond=None)
    return float(beta[0])

完整的模型推导以及用于衡量知情交易概率的 PIN 模型，请参阅 references/price_formation.md。

---

价格冲击模型

暂时性冲击与永久性冲击（Almgren-Chriss）

执行大额订单时：

• 暂时性冲击 — 订单执行后会回归的价格偏移，由消耗挂单流动性造成。
• 永久性冲击 — 交易所包含的信息使均衡价格发生变化，且不会回归。

total_impact = permanent_impact + temporary_impact
permanent = gamma * (shares / ADV)
temporary = eta * (shares / time_horizon) ^ alpha

典型的 alpha 值为 0.5-0.7（平方根冲击是稳健的经验发现）。

平方根冲击定律

经验表明，价格冲击与订单规模相对于日交易量的比值的平方根成正比：

def square_root_impact(
    order_size: float,
    daily_volume: float,
    volatility: float,
    impact_coefficient: float = 0.1,
) -> float:
    """Estimate price impact using the square root model.

    Args:
        order_size: Number of units to trade.
        daily_volume: Average daily volume.
        volatility: Daily return volatility (decimal).
        impact_coefficient: Empirical constant (typically 0.05-0.20).

    Returns:
        Expected price impact as a fraction.
    """
    return impact_coefficient * volatility * (order_size / daily_volume) ** 0.5

---

订单簿失衡

订单簿顶部附近买方与卖方的深度比值可预测短期价格方向：

def order_book_imbalance(
    bid_qty: float,
    ask_qty: float,
) -> float:
    """Compute order book imbalance.

    Returns:
        Imbalance in [-1, 1]. Positive = more bids (bullish).
    """
    total = bid_qty + ask_qty
    if total == 0:
        return 0.0
    return (bid_qty - ask_qty) / total

第 1-5 档的失衡是强有力的短期预测指标（Cont 等人，2014）。更深档位能提高预测能力，但这种能力会迅速衰减。

---

交易到达过程

泊松过程

最简单的模型：交易以恒定速率 λ 到达。到达间隔时间服从指数分布。该模型可用作基准，但对于真实订单流而言过于简单。

Hawkes 过程

一种自激点过程，每笔交易都会提高后续交易发生的概率，能够捕捉订单流中的聚集现象：

intensity(t) = mu + sum(alpha * exp(-beta * (t - t_i)))

• mu：基准到达率
• alpha：激发幅度（每个事件使强度提高多少）
• beta：衰减率（激发效应消退的速度）
• alpha/beta < 1：平稳性条件（分支比）

分支比 α/β 表示交易中属于反应而非创新的比例。在加密货币市场中，典型值为 0.5-0.8（反应性较高）。

---

做市商经济学

做市商从价差中获利，但面临三种风险：

1. 逆向选择——输给知情交易者
2. 库存风险——累积的方向性敞口
3. 竞争——其他做市商缩窄价差

Avellaneda-Stoikov 模型

库存为 q 的做市商的最优买卖报价：

reservation_price = midprice - q * gamma * sigma^2 * T
optimal_spread = gamma * sigma^2 * T + (2/gamma) * ln(1 + gamma/k)

其中：

• q：当前库存（正数 = 多头）
• gamma：风险厌恶参数
• sigma：波动率
• T：剩余时间
• k：订单到达率参数

关键洞察：保留价格会向远离库存的方向偏移——多头做市商会降低报价，以鼓励卖出。

---

执行质量衡量

VWAP 基准

成交量加权平均价格是被动执行的标准基准：

def vwap(prices: list[float], volumes: list[float]) -> float:
    """Compute VWAP from trade prices and volumes."""
    pv_sum = sum(p * v for p, v in zip(prices, volumes))
    v_sum = sum(volumes)
    return pv_sum / v_sum if v_sum > 0 else 0.0

# Execution quality vs VWAP
slippage_vs_vwap = (avg_fill_price - vwap_benchmark) / vwap_benchmark * 10_000

实施缺口

衡量相对于决策价格的执行总成本（Perold，1988）：

implementation_shortfall = (execution_price - decision_price) * quantity

分解如下：

• 延迟成本：决策与首次成交之间的价格漂移
• 市场冲击：由你的订单造成的价格变动
• 时机成本：将订单拆分成多个批次所产生的成本
• 机会成本：未成交部分的价值

完整方法请参见 references/execution_quality.md。

---

CEX 订单簿与 DEX AMM

维度	CEX（LOB）	DEX（AMM）
价格发现	限价订单表达交易意愿	算法曲线（x·y=k）
价差	由相互竞争的做市商设定	由池深度和费率档位决定
深度	可见订单簿	根据 TVL 和曲线形状隐含得出
逆向选择	做市商根据新信息重新定价	LP 承受无常损失
执行	价格优先、时间优先	按区块收录顺序先到先得
延迟	微秒	区块时间（Solana 为 400ms，Ethereum 为 12s）
MEV	抢先交易更困难（做市商集中部署）	三明治攻击屡见不鲜
费用	Maker/Taker（通常 Maker 可获得返佣）	固定费率档位（例如 5、30、100 bps）

适用 CEX 的场景：大额订单、对延迟敏感的策略、需要较窄价差、BTC/ETH/主流交易对。

适用 DEX 的场景：长尾代币、抗审查、与 DeFi 的可组合性、透明执行。

详细的结构比较请参见 references/cex_vs_dex.md。

---

Maker/Taker 费率结构

CEX 费率档位会形成激励不对称：

档位	Maker 费率	Taker 费率	盈亏平衡所需净价差
VIP 0	0.10%	0.10%	20 bps
VIP 5	0.02%	0.05%	7 bps
VIP 9	-0.005%	0.03%	2.5 bps + 返佣收入

在较高档位，Maker 返佣意味着做市商提供流动性还能获得报酬。这从根本上改变了策略的经济性：

def maker_pnl_per_trade(
    spread_captured_bps: float,
    maker_fee_bps: float,
    adverse_selection_bps: float,
) -> float:
    """Compute market maker P&L per round trip.

    Args:
        spread_captured_bps: Half-spread captured on each side.
        maker_fee_bps: Maker fee (negative = rebate).
        adverse_selection_bps: Expected loss to informed flow.

    Returns:
        Net P&L in basis points per round trip.
    """
    gross = 2 * spread_captured_bps  # earn half-spread on each leg
    fees = 2 * maker_fee_bps         # pay/receive fee on each leg
    return gross - fees - adverse_selection_bps

---

文件

参考资料

• references/price_formation.md — Glosten-Milgrom、Kyle 模型、PIN 模型、价差分解
• references/execution_quality.md — VWAP、TWAP、实施缺口、滑点分解
• references/cex_vs_dex.md — LOB 与 AMM 的结构比较、混合模型、路由决策

脚本

• scripts/spread_analysis.py — 分析买卖价差，根据交易数据计算有效价差、已实现价差和报价价差（使用合成订单簿的 --demo 模式）
• scripts/market_maker_sim.py — 带库存管理和 P&L 的做市商模拟（使用合成价格路径的 --demo 模式）

---

依赖项

uv pip install numpy pandas scipy matplotlib

---

相关技能

• market-microstructure — 链上 DEX 微观结构（特定于 AMM）
• slippage-modeling — 执行成本估算与建模
• liquidity-analysis — 池和订单簿深度分析
• order-execution — 实用执行算法
• mev-analysis — 链上执行中的 MEV 风险