全面详尽分析报告
《No Tick-Size Too Small: A General Method for Modelling Small Tick Limit Order Books》
作者:Konark Jain 等
机构:University College London、Université de Corse、Université Paris-Dauphine PSL、JP Morgan Chase Quantitative Research
主题:基于不同相对tick大小建模限价订单簿(LOB)的微观结构特征与动态,提出一种适用于大/小tick通用的Hawkes过程模型。
发布时间:未注明具体时间
1. 元数据与概览
本报告研究了限价订单簿(Limit Order Book, LOB)中tick大小对市场微观结构的影响,从基于实证数据的多个资产跨市场分析出发,归纳总结了不同相对tick大小下的若干“风格事实”(stylized facts),并针对小tick股票的LOB行为提出了一个改进的多维Hawkes过程模型,以刻画LOB的稀疏性、多tick层级价格变动及订单簿形态。模型通过参数调节可以在大tick和小tick资产的行为之间平滑转换,通过仿真实验验证其普适性和有效性,并探讨了模型的假设条件及未来研究方向。
报告旨在突破以往LOB模型多局限于大tick资产的瓶颈,提供兼顾所有相对tick尺度的统一建模框架,支持不同市场和资产类别的灵活应用。
2. 逐节深度解读
2.1 引言与tick大小影响(Section 1 - 1.1)
关键观点:
LOB中价格的最小变动单元由tick大小决定,不同市场及资产tick大小可能不同。
美国股市通常统一为1美分tick,而欧洲市场采用阶梯式tick大小。
相对tick大小定义为tick-size与平均资产价格的比值,本文以基点(bps)计量。
先前文献表明tick大小影响LOB微结构,如bid-ask spread, 订单行情流量分布, LOB形态等,且小tick资产需使用不同建模方法。
逻辑与假设:
认为相对tick大小是驱动微观结构差异的决定量,而不仅仅是价格本身。
将资产按该指标划分为大tick(相对tick较大)、中tick和小tick三类,以探究其间微结构演变规律。
总结:
本文尝试通过量化多个统一统计量,揭示相对tick大小在微观层面引发的结构与动态差异,奠定后续建模基础。
2.2 风格事实分析(Section 2)
2.2.1 Bid-Ask Spread与相对tick大小
数据与定义:
使用2019年全年数据,15只不同资产,价格区间6 − 1800 6 - 1800 6 − 1800 美元,tick-size 1美分。
以时间加权平均价差(单位为tick数)描述spread,划分类别为大tick(<1.5ticks)、中tick(1.5-5)、小tick(≥5) 4 5 。
主要发现(图1分析):
大tick股票spread基本维持在1tick,形成“tick-constrained”现象,即价格差由tick下限钳制。
中小tick资产spread与相对tick大小ϵ \epsilon ϵ 近似呈幂律关系,s ‾ ∝ ϵ − 1.23 \overline{s}\propto \epsilon^{-1.23} s ∝ ϵ − 1.23 ,即spread与价格呈线性比例关系(log-log斜率约-1)6 。
扩展分析(图2):
采用Weibull分布拟合spread分布形状,定义其形状参数通过方差与均值平方比(CV)刻画。
CV与相对tick大小呈明确负相关关系,幂律斜率约-2.7, 表明随着tick变小,spread分布从较指数型向接近对数正态转变,spread波动性结构变复杂7 。
2.2.2 Mid-Price变化的分布与相对tick
核心观点:
中价移动主要由市场与取消订单影响。价格微调理应以半tick为单位(买卖双方各占半tick)。
实验证明大tick股价格跳动集中于半tick单位(如100%概率变化不超过一tick),而中小tick股价格跳动范围显著扩展,均值与价格近线性相关7 8 。
分布形态(图4):
大tick资产价格变化分布尾部迅速收敛,价格跳动幅度有限。
小tick资产价格变化存在较长尾,大幅价格跳动更常见。
这与小tick资产的订单簿较稀疏及成交量相对较大关联8 。
2.2.3 订单簿形态及最大流动性位置
定义与测量:
LOB形态定义为按距离mid-price划分的价格层上可用订单量的归一化分布(累积为1)。
统计分析发现,大tick资产形态呈典型“密集”曲线,最大流动性处于根部(即top-of-book)9 10 。
小tick资产形态则“扁平”,且最大流动性明显向深层次迁移,且该最大位置与相对tick大小ϵ \epsilon ϵ 呈幂律负相关,指数约为− 3 2 -\frac{3}{2} − 2 3 ,表明深度从根部向更深价格层扩展的速率快于简单比例关系10 11 。
进一步发现:
此发现首次量化了最大流动性深度与相对tick尺寸的统计关系。
最大流动性层位置的分布(图A4)显示随着tick缩小,最大液位位置的波动增大,但大部分时间仍集中于较浅层。
2.2.4 订单簿稀疏性分析
观测:
小tick资产订单簿包含较多空价位,即两个相邻限价间存在缺失价格点(空level),订单簿稀疏11 12 。
图7展示空levels数的分布,在大tick股票中多数时间无空价位,分布集中;而小tick股票分布显著平坦,空位数可达10以上,稀疏度高。
Wasserstein距离测度:
为度量订单簿平均形态与瞬时形态差异,引入Wasserstein(地球搬运距离)指标,反映动态稀疏导致的形态不稳定性。
发现随相对tick减小,该距离增加,说明小tick股票订单簿形态波动更大,流动性分布更加动态且不均匀。
2.2.5 LOB事件激励及统一结构
事件概念与“杠杆效应”定义:
四类核心事件:被动限价单LO,主动限价单IS(价内单),撤销单CO,市价单MO。
计算事件间的条件概率杠杆比率 (Leverage),量化前事件发生对后事件触发概率的影响。
关键发现与意义(图9):
无论tick大小,杠杆效应图呈现相似结构和样式,表明事件间自激和互激动态具有普适性,支持统一基于Hawkes过程构建模型。
细节发现如:顶层LO在激励和抑制其他事件中展现差异,撤销单与LO互相关联,In-Spread订单自激明显,MO只能发生于顶层且模式稳定13 14 。
总结:
事件间依赖结构跨不同tick范畴保持一致,但强度随tick调整,为建模提供理论支撑。
2.3 LOB建模现状及研究差距(Section 1.2)
现有模型回顾:
经典模型包括基于零智力模型、SPDE(随机偏微分方程)、及Hawkes过程等。尤其多维Hawkes过程是LOB事件动态建模的热点3 。
但多数成果专注于大tick股票,难以准确刻画小tick股票对应的高稀疏度、宽价差和深层订单行为。
挑战:
价格水平维度扩大带来高维模型参数标定及计算负担。
顶层与深层期望不同的行为模式需不同建模策略。
本文视角:
目标构建融合tick大小影响,能通用于全tick范围的混合宽队列多维Hawkes模型,克服当前模型的局限。
3. 模型设计与数学表达(Section 3)
3.1 宽队列Hawkes模型提出
核心思想:
LOB分为顶层“fat-queue”和深层“fat-queue”,顶层宽度时间动态变化以涵盖稀疏出现的空level。
度量指标包括顶层宽度m T ( ζ ) ( t ) m_T^{(\zeta)}(t) m T ( ζ ) ( t ) 、深层宽度m D ( ζ ) ( t ) m_D^{(\zeta)}(t) m D ( ζ ) ( t ) 及其订单量Q T ( ζ ) ( t ) , Q D ( ζ ) ( t ) Q_T^{(\zeta)}(t), Q_D^{(\zeta)}(t) Q T ( ζ ) ( t ) , Q D ( ζ ) ( t ) 。
把同一区域所有订单事件汇聚成维度,避免多维Hawkes模型维数爆炸问题。
规定逾越最大中位宽度M 1 / 2 M_{1/2} M 1/2 时触发订单池折叠(purge),将多余深层订单合并或剔除。
宽队列宽度定义与示例(图10):
举例GOOG LOB,顶层宽度涵盖空价位,深层至中位宽度~M 1 / 2 M_{1/2} M 1/2 ,具备灵活结构15 16 。
事件类型(共12类)涵盖宽队列各动作:
包括各边深层/顶层 LO,CO,主动IS,MO,共12类,用Hawkes过程建模其激励机制17 。
3.2 各事件动作及状态更新
In-Spread LO(IS):
价格位置η I S \eta_{IS} η I S 从分布(如几何)采样,映射到顶层与对侧顶层之间价差。
订单大小κ I S \kappa_{IS} κ I S 同时采样。
IS造成spread收窄,顶层宽度增大,触发必要的purge动作维持模型约束。
顶层LO:
价位η T \eta_T η T 选自顶层范围内,一般顶层涵盖空价位,该参数与实际稀疏性分布相关。
若地址为顶层首价,增加其容量,否则将其纳入顶层宽度调整。
顶层CO及MO:
若未触发排队耗尽(QD),直接减少容量;触发QD则重采或缩减顶层宽度,触发深层purge。
MO可跨层耗尽多价位订单,模拟实际成交行为。
深层LO和CO:
深层LO容量累加。
深层CO则需采样新的深层队列宽度与容量,保持限制18 –20]。
Hawkes多维模型构建:
事件激励表达式区分IS和非IS事件,引入两个额外参数α , β \alpha, \beta α , β 控制IS事件强度对动态spread的依赖。
完整表达为12维多维互激点过程,强度函数具体形式见文中公式21 。
3.3 模型动态特征分析
spread与mid-price跳动描述:
spread跳跃由IS单减少及顶层耗尽事件引起,mid-price变化对两边的权重符号反向,体现价格对称性。
对大tick资产,移动幅度相对恒定(单位tick);小tick资产体现多tick跳动幅度。
LOB形态与稀疏度模拟:
形态由宽度动态和容量分布决定,模型可自然反映小tick订单簿空洞区行为。
数值表现为特定距离处流动性归一化量分布,零容量反映价位稀疏。
4. 仿真结果与模型验证(Section 4)
4.1 Ergodicity验证
设定一组近似AMZN参数(小tick形态),初始化不同spread与宽度进行多组仿真。
观察结果表明,spread和深层宽度分布随时间趋于平稳,且不受初始化扰动影响,支持过程为概率稳定马氏过程22 –22]。
4.2 参数敏感性分析
重点考察IS事件两参数( α , β ) (\alpha,\beta) ( α , β ) ,调节其会导致模型模拟的LOB形态和价格跳动显示明显从大tick向小tick切换。
(\alpha)越小、(\beta)越大,系统表现更大tick特征,反之表现为小ticker类型,完成了一条从大tick到小tick连续过渡路径24 –24]。
4.3 稀疏参数(\hat{\eta})影响
调整稀疏相关参数(\hat{\eta})改变跨level下订单分布及价格跳幅,该参数调节高,表现为秩序较密集、价格跳动较小,而(\hat{\eta})低则导致稀疏、价格跳幅大,增加尾部厚度26 。
强调此稀疏参数需与IS参数联合调节完成对实际LOB特征的最佳拟合。
4.4 与Poisson过程的比较
将观测事件强度从Hawkes过程换为Poisson过程做对比。
虽然二维spread分布形状相似,但Poisson模型无法重现尾部厚度明显的returns分布及多峰的价格变动时间分布27 。
多峰特征代表市场活动的高频和低频切换,Hawkes模型能更精细捕获市场内在“自激”结构。
5. 模型参数校准与假设检验(Section 5)
5.1 参数校准
利用最大似然估计与非参数方法(结合Kirchner 2017等),将事件强度参数与订单大小、位置等分布解耦校准。
典型稀疏性参数(\hat{\eta}_{IS})采用几何分布,标定显示大tick对应接近1(低稀疏),小tick对应接近0(高度稀疏)28 。
5.2 模型假设与实证测试
假设事件激励参数与LOB状态变量(二者独立),订单大小、位置独立同分布。
数据显示顶层队列大小与事件强度相关,尤其大tick股票(SIRI)明显,深层对小tick股票(AMZN)影响显著。
订单大小序列存在显著自相关,非独立同分布,IS位置序列自相关较弱,尚有支持独立假设29 –29]。
表明当前模型简化假设在真实市场存在一定偏差,提出未来模型需引入队列-事件依赖及订单大小序列相关性。
3. 图表深度解读(重要精选)
图1:平均Bid-Ask Spread与相对Tick大小
横坐标:相对tick大小(log scale),纵坐标:平均spread(tick数,log scale)。
大tick股票(蓝点)spread维持在1tick附近,基本无变化。
中/小tick股票(橙点)spread随相对tick大小近似幂律下降,斜率约-1。
说明:当tick较小时,保证最小价差的tick限制不生效,spread与价格成线性比例,tick变小使spread升高。
图2:Spread系数变异数(CV)与相对Tick大小
CV刻画spread分布形状,从指数衰减到更偏重尾的分布变化。
CV与相对tick大小呈负幂律关系,说明小tick股票spread的波动性结构更复杂。
图3-4:Mid-Price价格跳动均值及分布
随tick变小,价格平均跳动幅度从约半tick跃迁到多tick,价格跳动分布尾部更厚,表明市场价格变动频率与跳动幅度整体放大。
图5-6:LOB流动性形态与最大流动性位置随相对tick变化
流动性分布从密集向稀疏转变,最大流动性从顶端逐渐向深价位迁移。
最大liquidity位置与相对tick大小的幂律关系被首次具体量化为幂指数-3/2。
图7-8:订单簿稀疏分布与形态变异度
空level分布由大tick的集中分布向小tick的厚尾分布转换。
Wasserstein距离量化即时形态与平均形态差异,距离随tick缩小迅速增大,体现小tick订单簿流动性波动更剧烈。
图9:杠杆效应(事件间条件概率激励)
不同tick股票均呈现类似的事件间自激及互激结构。
各类订单形成复杂的交叉激励与抑制模式,为基于Hawkes过程的统一模型构建提供实证依据。
图12-16:仿真模型形态与参数敏感性
模拟LOB能多维刻画顶层与深层宽队列动态,仿真结果与实测LOB高度吻合。
通过调整α , β \alpha,\beta α , β 及稀疏参数能够实现模型在大tick与小tick行为间平滑切换,展现模型普适性。
与Poisson模型对比显示,Hawkes模型能更好重现价格跳动尾部特征及事件时间多峰分布。
图17-19及附录图:模型参数估计及假设测试
稀疏参数拟合为几何分布,参数随tick类型系统性变化。
顶层队列容量与事件强度存在线性依赖,订单大小非独立,IS价格跳动位置序列支持独立。
模型简化假设存在偏差,未来改进方向明确。
4. 估值分析
报告不涉及财务估值方法,主要聚焦于LOB微观结构的统计建模与仿真。
5. 风险因素评估
报告讨论风险集中于模型本身限制和假设:
参数独立性假设弱化 :实验表明事件激励与LOB状态变量及订单大小存在依赖或自相关结构,独立性假设不完全成立。
单一分布简化风险 :订单大小、位置及深层未观察变量的分布假定简化,可能忽略市场实际多样性。
高维参数估计复杂性 :通过宽队列降维后仍存在大量参数,实际估计带来统计不确定性和过拟合风险。
以上均影响模型稳定性和泛化能力,报告建议未来研究着重对这些点逐步完善。
6. 批判性视角与细微差别
模型在实现处理多tick级别、小tick股票较复杂现象上做出突破,但仍基于若干实证显示存在松散的独立性假设,忽略了部分队列实时反馈和序列相关性。
模型对深层信息通过宽队列及出队池折叠简化处理,虽避免维度灾难,但可能丧失部分微细流动性信息,且依赖对深层分布的先验假设。
实际市场中存在更多订单产品及策略复杂性,四类基础订单的覆盖或简化程度有限。
Hawkes过程虽能捕捉到多峰分布及事件自激,但仿真参数调试和模型稳定性尚需大量尝试和验证。
尽管如此,报告系统整合多维事件激励,提供了一种可调控flexible的普适模型,有望启发未来LOB建模方向。
7. 结论性综合
本报告系统地从实证角度提取影响限价订单簿(LOB)微结构的相对tick大小关键统计特性,详细分析跨15只不同属性股票的包括spread、价格跳动、订单簿形态、空价层分布及事件cross-excitation的“风格事实”,确认小tick与大tick资产存在明显微观结构差异。基于这些发现,报告提出了一种创新的多维宽队列Hawkes过程模型,灵活刻画顶层与深层订单簿事件及动态,能够自然模拟小tick稀疏、宽spread及多tick价格跳动特征,同时兼容大tick密集场景。
通过丰富的模拟实验,报告验证该模型参数可控地在大tick与小tick特征间平滑切换,并且比起传统Poisson事件模型更准确捕获价格跳动尾部分布及事件自激多峰特征。模型参数可分步校准且支持实证检验。尽管现存模型假设(如事件强度和队列状态独立)在实证中被部分挑战,报告明确指出了这些局限与未来研究重点。
综上,该研究拓宽了LOB微结构建模的理论与实践边界,提出了首个针对全tick量级的统一且可扩展Hawkes过程框架,对高频交易、市场微观结构分析及算法定价等领域具有切实推动作用。1 –30]34 –39]
重要图表链接示例(请查阅对应页码):
Figure 1:
Figure 2:
Figure 9:
Figure 12:
Figure 16:
Figure 18:
该报告为高度专业化长文,融合先进统计学与金融微观结构技术,适合顶尖金融工程师、市场微结构研究员及量化模型开发者深度阅读。