本文研究有限期限内、部分信息条件下单一股票的最优清算问题,构建由标记Hawkes订单流、隐藏马尔可夫流动性状态、永久与暂时价格冲击共同驱动的限价订单簿模型,并通过随机滤波将问题转化为脉冲控制框架。研究证明滤波器与候选强度构成有限维PDMP,价值函数可由递归辅助函数局部一致逼近,并据此建立动态规划、验证定理及可实施的最优交易策略。数值结果表明,市场状态信念、买卖订单强度、库存水平及价格冲击参数会显著影响清算时机和订单规模。
报告标题:《Optimal Execution under Incomplete Information》(不完全信息下的最优执行)。
作者:Etienne Chevalier、Yadh Hafsi、Vathana Ly Vath。
发布日期:2026年8月13日。原文未明确列出作者所属大学、研究机构或期刊信息,因此无法进一步确认发布机构。报告主题是:在高频交易环境下,利用带有隐藏流动性状态的马尔可夫调制 Hawkes 过程,研究单一资产在有限期限内的最优清算问题。
报告没有给出股票评级、投资评级或目标价,其性质更接近金融数学和市场微观结构领域的理论研究,而非传统券商公司研究报告。其核心论点是:交易者无法直接观察市场流动性,只能通过买卖订单及其成交量信息进行统计过滤,并据此动态决定何时交易、交易多少以及是否继续等待。 作者将限价订单簿、永久价格冲击、暂时性价格冲击、固定交易成本、订单流自激励以及隐藏流动性状态整合到同一模型中,并通过脉冲控制、随机过滤和动态规划构造最优清算策略。
从报告的研究贡献来看,最关键的创新有三点:
报告首先指出,大额订单会消耗订单簿中的即时深度,从而造成价格冲击,因此将大订单拆分为多个小订单通常更有利。 传统最优执行模型通常在交易成本、价格波动和市场冲击之间进行权衡,例如 Almgren–Chriss 模型同时考虑永久冲击和临时冲击,而本文进一步将订单到达过程刻画为具有自激励特征的 Hawkes 过程。
对于高频交易者而言,其持仓规模通常较小,交易成本主要由短期订单流不平衡和瞬时流动性决定,而不是由长期成交量效应决定。 因此,作者没有采用仅由连续价格扩散驱动的传统模型,而是让价格直接由买卖订单流产生,使模型更贴近订单驱动市场的微观结构。
Hawkes 过程的关键含义是:一次订单到达会改变未来订单到达的概率。比如买单集群可能提高后续买单的到达强度,或者买单和卖单之间存在交叉激励,这能够描述高频市场中常见的订单聚集、成交簇集和短期反馈效应。 与早期将订单到达设为独立 Poisson 过程的模型相比,本文的订单流更具历史依赖性。
报告假设市场流动性由一个有限状态连续时间马尔可夫链表示,但该状态对交易者不可见。 不同流动性状态会影响订单量分布和订单到达强度,因此交易者必须根据已观察到的订单流推断当前处于哪一种流动性状态。
这种设定反映了现实中的一个重要问题:订单簿的“真实可交易深度”并不总能被观察到,且流动性往往存在明显的日内变化。 如果忽视这种隐藏状态,交易者可能错误估计市场深度、价格冲击和破产风险,从而采取过于激进或过于保守的交易策略。
模型设置了有限状态空间 (E={1,\ldots,d}) 的连续时间马尔可夫链 (I),其转移速率矩阵为 (\psi(t))。不同状态代表不同的流动性或市场活跃程度。 买单和卖单分别由带成交量标记的点过程 (n^+) 和 (n^-) 表示,成交量的分布依赖于当前隐藏状态,状态 (i) 下的成交量分布记为 (\nu_i)。
每个隐藏状态都有对应的候选订单强度 (\lambda^{i,+}) 和 (\lambda^{i,-})。这些强度以均值回复形式回到基准水平 (\lambda_i),同时受到过去买单和卖单的自激励、交叉激励影响。 由于所有候选强度都由可观测订单流驱动,所以虽然状态 (I) 不可观测,但候选强度本身是订单流信息的函数,这一结构使得滤波器能够在有限维状态空间内表示。
模型要求 Hawkes 分支矩阵的谱半径小于1,并要求成交量分布具有有限的一阶和二阶矩,同时要求激励核满足相应的可积性条件。 这些条件的经济含义是:单个订单可以激发后续订单,但整体激励不能强到导致订单流爆炸,否则有限时间内会出现无限多次订单到达,模型和清算问题都无法定义。
作者证明了模型存在路径唯一解,买卖订单过程不会爆炸,并且马尔可夫链跳变与订单到达几乎不会同时发生。 这为后续过滤方程和动态规划提供了技术基础。
报告没有局限于平坦的订单簿,而是引入一般深度密度函数 (f)。距离中间价 (\Delta p) 处的累计可用数量为:
[ F(\Delta p)=\int_0^{\Delta p} f(x),dx, ]
价格冲击函数则是其反函数:
[ Q(v)=F^{-1}(v). ]
因此,交易规模越大,所需穿透的订单簿深度越深,价格冲击由订单簿形状内生决定。
报告讨论了两种典型订单簿形状。第一种是 block-shape,即 (f(x)=q),此时价格冲击近似线性;第二种是 power-shape,即 (f(x)=cx^{-1+e}),能够产生凹形价格冲击。 凹形冲击意味着交易量增加时价格冲击仍上升,但边际冲击逐渐下降,这与经验研究中常见的平方根冲击相一致。
价格由基本价格 (S) 和价格偏离项 (D) 构成。订单流对价格的影响分为永久部分和暂时部分:永久冲击比例为 (\nu),其余 (1-\nu) 以速率 (\rho) 指数衰减。 这种分解使模型同时体现了订单流对价格趋势的长期影响和短期流动性冲击的回归。
报告还定义了资产破产时间 (\tau_S):当价格跌破零时,交易过程提前结束,否则最晚在期限 (T) 结束。 这一设定使问题具有状态依赖的终止时间,增加了模型的复杂性,也意味着价格越接近零,交易者面临的清算风险越高。
图1展示了一个两状态马尔可夫链调制下的 Hawkes 过程,包括蓝色的订单强度、黑色的累计订单数量和红色虚线标出的状态转换时点。 图中可以观察到,强度在部分时间段快速上升,随后逐步衰减;这正是指数 Hawkes 过程“事件冲击—强度上升—均值回复”的典型形态。
红色虚线表示隐藏流动性状态发生转换。状态转换后,强度可能突然改变,说明即使没有新的订单事件,市场状态本身也可能改变订单到达倾向。 黑色累计计数过程在强度较高的区间变得更加陡峭,反映单位时间内订单数量增加。该图直观支持了报告的核心假设:订单流的活跃程度既受过去订单影响,也受隐藏流动性状态影响。
图2左侧显示两个状态的后验概率 (\pi_t(0)) 和 (\pi_t(1)),右侧同时展示真实状态、买卖累计订单过程以及状态切换。 滤波概率在订单到达时出现明显跳变,在无订单期间则沿确定性轨迹平滑演化,这正对应滤波器作为 PDMP 的数学结构。 当某一方向订单突然密集出现时,后验概率会迅速偏向与该订单模式相匹配的市场状态。
该图也显示,滤波器并不会始终准确识别真实状态,尤其是在两个状态的订单强度相近或订单稀疏时,后验概率会频繁摇摆。因此,策略并非基于确定的“当前状态”,而是基于对不同状态的概率加权判断。
图3考察买卖强度 (\kappa^{1,+})、(\kappa^{1,-}) 与交易区域之间的关系,并分别设置状态1概率为0.9、0.5和0.1。 当交易者高度相信处于状态1时,较高的买单强度意味着上行趋势,交易者倾向等待;较高的卖单强度则意味着价格下行风险增加,蓝色交易区域扩大。
当状态1概率仅为0.1时,状态2更可能成立,而状态2中买卖强度相互交换,因此图形呈现近似对称关系。作者据此认为,策略会在预期价格下跌时积极清算,而不会简单地在所有高波动环境下交易。 在中间图中,交易者缺乏明确先验判断,只有当两类强度都较高时才更倾向交易,这反映了高强度订单流意味着更大的市场风险和趋势不确定性。
图4以库存和状态1后验概率为坐标,分别考察不同买卖强度组合下的交易区域。 图形显示,库存越大,交易区域总体越广,说明较大持仓会促使交易者更积极清算。 当市场下行状态的后验概率上升时,清算动机进一步增强,因为持仓暴露于潜在价格损失的时间成本更高。
这一结果体现了库存风险与市场风险的交互作用:即使市场状态判断不明确,大库存也会降低等待的价值;而在明确的下跌预期下,即使库存不大,交易者也可能提前执行。
图5比较了 (c=0.7) 和 (c=1.0) 时的价格冲击函数。两条曲线均为凹函数,订单量增加时冲击上升但边际增幅下降;较高的冲击参数对应更不利的执行价格。
图6显示最优订单量随库存和状态信念变化的情况,并比较两组冲击参数。 总体上,库存较小时,最优订单量大致随库存增加;库存达到一定水平后,订单量趋于稳定,而不是无限扩大。 这说明凹形冲击和固定交易成本共同作用:交易者不会把所有库存一次性卖出,因为大额交易会造成较强价格损失;但也不会频繁拆成无限多个小单,因为每次交易都要支付固定成本。
作者使用滤波器 (\pi_t(i)) 表示在观察到订单流后,市场处于状态 (i) 的条件概率。 每当买单或卖单带着成交量标记到达时,后验概率按照贝叶斯规则更新:
[ \pi_t(i)\propto \pi_{t-}(i)\lambda_t^{i,k}\nu_i(v), ]
其中 (k) 表示订单方向,(v) 表示成交量。 直观而言,如果某状态更容易产生当前观察到的订单方向和成交量,那么该状态的后验概率就会上升。
在两次订单到达之间,后验概率按照由马尔可夫转移率和各状态订单强度共同决定的常微分方程演化。 因此,((\pi,\bar\lambda^+,\bar\lambda^-)) 联合构成一个 PDMP:连续时间内确定性演化,订单到达时发生离散跳变。 这一结论非常重要,因为它将原本带有历史依赖和不可观测状态的系统转化为可用于动态规划的有限维 Markov 状态。
固定交易成本 (c_0>0) 使连续交易不再可行,因为无限频繁交易会产生无限总成本。 因此,作者将控制变量设为一系列交易时刻 (\tau_k) 和交易数量 (\xi_k),形成脉冲控制问题。剩余库存必须在破产时刻或期限 (T) 前清算。
价值函数的目标是最大化交易收入,交易收入同时受到成交价格、库存、价格冲击、固定费用和终端清算的影响。 分离原则允许交易者仅使用可观测状态——库存、价格、候选强度和后验概率——来进行控制,而不必直接观察隐藏流动性状态。
理论上,该问题对应一个高维 HJB-QVI。继续区域表示等待,交易区域表示立即进行脉冲交易;干预算子则比较立即交易后的收益与继续持有的价值。 由于状态维度高、订单强度无界、破产时间依赖状态且固定成本破坏了简单二次结构,作者没有直接求解 HJB-QVI,而是构造最多允许 (N) 次干预的价值函数 (V_N),并证明其在紧集上一致收敛于原始价值函数 (V)。
该方法具有实际意义:数值算法只需逐次计算“等待下一次订单”或“在某一时刻交易”的价值,并通过插值和数值积分逼近连续状态空间。
报告证明价值函数对基本价格和暂时冲击具有单调性,并且在破产概率为零的区域内,对基本价格的导数等于库存量。 这意味着如果不存在破产风险,基本价格每上升一个单位,持有库存的清算价值也相应增加库存单位。
数值计算对状态空间和时间区间进行离散化,采用 (N=20) 次最大干预,但作者观察到大约13次迭代后价值函数已经基本收敛,连续迭代之间的最大绝对差低于预设容差。 一维积分采用数值求积,时间上的确定性上确界在时间网格上计算,非网格点通过插值获得。
作者最终通过验证定理构造最优策略:当当前状态进入交易区域时,根据干预算子选择使“立即交易收益加交易后续价值”最大的交易量;当状态处于继续区域时则等待。 该策略几乎必然在破产前进行有限次交易,避免了固定成本导致的无限交易问题。
报告模型中最主要的风险因素包括:
从批判性角度看,报告的理论结构十分完整,但其数值结果主要是示例性模拟,不能直接证明该策略在真实市场中优于 TWAP、VWAP 或 Almgren–Chriss 等基准策略。图3至图6展示的是特定参数下的规则,而不是广泛参数敏感性测试。 此外,报告使用的“状态1上行、状态2下行”设定具有较强对称性,有助于解释图形,但可能弱化真实市场中多状态、非对称和时变流动性的复杂性。
总体而言,本文建立了一个高度综合的最优执行框架:订单流由带有自激励和交叉激励的 Hawkes 过程产生,流动性由不可观测的马尔可夫状态控制,价格同时承受永久和暂时冲击,交易者则通过滤波器推断市场状态,并以脉冲控制方式决定交易时机和交易规模。 理论上,作者解决了过滤器有限维化、价值函数递归逼近、动态规划、连续性和最优策略验证等关键问题。
图表揭示的核心经济结论是:交易者会根据隐藏状态概率调整交易方向;库存越大,清算越积极;预期价格下跌时,清算区域扩大;而价格冲击越强,最优单笔订单量越小,并在库存增加到一定程度后趋于稳定。 因此,本文的总体立场不是简单地“尽快卖出”,而是强调在不完全信息下,根据订单流、隐藏流动性信念、市场趋势、库存和非线性冲击共同决定动态清算策略。
2411.04616.pdf