本文基于交易所五只股票的高频限价订单簿数据，研究机构交易者的盘中价格预测能力、流动性提供行为与自营交易盈利之间的关系。研究发现，前两日筛选出的预测能力较强交易者，其执行流在随后三日仍能显著预测价格变动；基于该执行流构建的策略年化夏普比率达到16—63。基于FIFO匹配的买卖执行对分析表明，预测能力每提高一个标准差，单个匹配头寸的P&L增加1.02—1.19货币单位；相较于两次均为主动执行，一次被动执行和两次被动执行分别对应更高的1.28—1.31及5.08—5.13货币单位P&L，显示预测能力与流动性提供均与机构交易盈利显著相关，但结果属于条件相关关系而非因果效应。¹⁷⁵¹

研究问题与数据基础 ²⁹

• 研究聚焦两个问题：机构交易者的盘中价格预测能力是否具有持续性，以及自营交易P&L如何随预测能力和流动性提供强度变化。²³
• 数据覆盖2010年11月22日至11月26日、五只股票的全部限价订单簿事件，包含限价单提交、撤单和成交，并区分客户交易与交易者自营交易。⁹
• 数据同时包含开盘集合竞价、连续交易和收盘集合竞价；开盘及收盘竞价合计交易价值超过连续交易的12%，因此被纳入P&L匹配。⁹¹⁰
• 客户交易量接近总交易量的一半，研究在分析机构交易者盈利时仅保留自营交易订单。¹¹

预测能力因子的构建与筛选 ^5141638

• 在26个预测周期上计算因子：1—10秒按1秒递增，12—30秒按2秒递增，另含1分钟、2分钟、5分钟、10分钟、20分钟和30分钟。¹⁴³⁸
• 对交易者 (n) 和周期 (\delta)，以该交易者区间内净买入成交金额减去净卖出成交金额的执行流，与下一等长区间VWAP变动计算皮尔逊相关系数；相关系数显著为正且双侧检验 (p<0.05) 的交易者归入Group 1，其余归入Group 2。⁵¹⁶
• 各交易者执行流按自身时间序列均值和标准差标准化后加总形成组执行流，再以组执行流与下一周期VWAP变动的相关性定义Group Measure（GM）。⁶¹⁶
• 研究将前两日用于交易者分组、后连续三日作为样本外验证期，以检验预测能力是否持续。⁵¹⁹

预测能力具有持续性 ⁶¹⁹²⁰

• 验证期内，Group 1的GM在1秒至2分钟范围内显著为正，Group 2的GM在相同范围内显著为负，二者执行流差异与未来VWAP变动的相关性也显著为正。¹⁹
• 图中显示Stock-1和Stock-2的Group 1预测能力在短至中等盘中周期内整体高于Group 2，差异度量大多为正；较长周期的显著性有所减弱，可能与可用观测数减少有关。¹⁹²⁰

• 初始两日中，约10%的交易者满足显著正相关筛选条件；在45个股票—周期组合中，有32个组合拒绝“所有交易者真实相关性为零”的联合原假设。¹⁷
• Group 1的执行流在大多数周期占单只股票总交易价值不足15%，且绝对交易量低于Group 2，因此研究认为持续预测结果不太可能主要由Group 1自身交易造成的价格冲击驱动。⁶²⁹

流量跟随策略与回测表现 ^6222326

• Strategy 1跟随Group 1执行流，Strategy 2跟随Group 2执行流，Strategy 3跟随两组标准化执行流之差；每个周期结束时建仓，持有一个相同长度周期，并通过借入无风险资产构造零成本组合。⁶²²²³
• 策略仓位规模等于对应组的标准化执行流，因此执行流为正时做多股票、为负时做空股票；收益以持仓期间股票VWAP超额收益乘以仓位计算。²²²³
• 后三日验证期内，Strategy 1的平均流量加权收益在最长约30秒的周期内显著为正，Strategy 2多数至2分钟周期显著为负，Strategy 3至2分钟周期显著为正。²³
• Strategy 1和Strategy 3在1秒至2分钟测试周期的年化夏普比率约为16—63，结果为扣除交易成本前的表现。²³⁵¹
• 交易成本敏感性分析使用 (1.1\times10^{-5}) 至 (4.7\times10^{-5}) 的成本区间；在5秒周期，Stock-1的Strategy 1和3在成本低于约(2.5\times10^{-5})时仍保持正夏普，Stock-2对应阈值约为(3.5\times10^{-5})，更长周期的成本承受能力更强。²³²⁷²⁸

FIFO匹配的P&L与预测能力关联 ⁶⁷³⁴³⁵

• 单个P&L由同一交易者、同一股票、相同数量、方向相反且先后发生的一对买卖成交构成，并采用FIFO算法持续匹配；回归样本进一步限制为同日连续交易时段内完成的盘中往返交易。⁶⁷³⁴³⁶
• 对每个匹配头寸，将持有期限映射至最接近的26个预测周期，并将对应交易者的相关系数作为期限匹配的预测能力因子 (f_i)。研究比较了三种期限匹配方法以进行稳健性检验。⁷³⁸³⁹
• 回归控制成交前订单簿条件、价差、买压、持仓初始价值、成交持续时间、买入起始标记及隐藏订单指标，并加入交易者和股票固定效应；P&L与连续变量均做标准化。⁴¹⁴²
• 三种期限匹配方法下，预测能力因子均显著为正；预测能力因子提高0.01对应每个匹配头寸增加约0.07—0.16货币单位，提高一个样本标准差对应增加1.02—1.19货币单位。⁷⁴⁶

流动性提供与盈利关系 ^7414951

• 将成交分为被动执行与主动执行：被动限价单先在订单簿中挂单并提供流动性；市价单和可成交限价单跨越买卖价差，归入主动执行。⁴¹
• 以匹配头寸中被动执行次数定义流动性提供强度：MM为0次、SL为1次、LL为2次，MM为回归基准组。⁷⁴¹
• 相较于MM，SL的条件P&L高1.28—1.31货币单位，LL高5.08—5.13货币单位；LL相较于SL进一步高3.79—3.82货币单位，且三类差异均在 (p<0.001) 水平显著。⁷⁴⁹⁵¹
• 交易者层面的描述性比较显示，被动成交金额占比至少50%的交易者，在五只股票中的四只具有更高的平均汇总P&L，但该比较并非合并回归估计，也不代表因果关系。⁴⁹⁵⁰

稳健性与研究边界 ^29344951

• 改变训练期和验证期划分、将VWAP变动替换为收益率、使用最后成交价或TWAP、引入一个区间的交易滞后，以及采用单位名义本金交易等设定后，主要结论总体保持相似。^293462798790
• 研究结论是预测能力、被动成交构成与已实现P&L之间的条件协变关系；作者明确指出，被动执行系数不能直接解释为执行选择的因果影响。⁴¹
• 样本仅覆盖五只股票和2010年连续五个交易日，且策略夏普比率主要来自较短验证期，因此外推至其他市场、时期或实际可交易绩效时需要谨慎。⁹²³⁵¹

一、报告元数据与总体概览

报告标题：《Intraday Forecasting Ability and Liquidity Provision of Institutional Traders》（《机构交易者的日内预测能力与流动性提供》）。
作者：Xinlei Hao、Jiajun Guo、Jussi Keppo、Xianhua Peng。
发布日期：2026年10月23日。报告正文未提供作者所属机构信息，也没有传统券商研究报告中的股票评级、目标价或投资建议。研究对象是股票市场中的机构投资者自营交易，核心议题包括高频交易、日内价格预测、流动性提供以及自营交易盈利来源。¹

报告的核心论点可以概括为两条主线：第一，部分机构交易者的执行流能够在短时间尺度上预测未来价格变化，而且这种能力在样本内识别后能够延续到样本外时期；第二，实际配对交易的利润不仅与交易者的预测能力正相关，也与其在买卖执行中承担流动性提供角色的程度正相关。换言之，报告试图将高频交易利润拆解为两类可观测机制：一类是“预测得准”，另一类是“提供流动性并获得相应补偿”。^{2 8}

最醒目的结果包括：根据前两天数据筛选出的预测能力较强交易者，其执行流驱动的模拟策略在后后三天取得约16至63的年化夏普比率，但这一数字是在交易成本处理之前或仅进行简化交易成本测试的基础上得到的；在实际FIFO配对的交易头寸中，预测能力代理变量每增加一个样本标准差，对应的匹配头寸P&L增加约1.02至1.19货币单位；相较于两次均为主动执行的头寸，一次被动执行的头寸P&L高出约1.28至1.31货币单位，两次被动执行的头寸则高出约5.08至5.13货币单位。^{1 7}

二、研究问题、理论逻辑与文献定位

2.1 利润来源的理论框架

作者从一个重要的市场微观结构问题出发：高频或机构自营交易者的利润究竟来自哪里。报告列举了流动性提供、信息处理、订单流预测以及速度优势等多种可能来源。流动性提供者通过挂出限价单，为其他市场参与者提供即时成交机会，同时承担库存风险和逆向选择风险；预测型交易者则可能利用订单流、局部价格路径或其他信息优势，在价格变动发生之前建立头寸。²

这一区分十分重要，因为两类利润对市场质量的含义不同。流动性提供所得利润可以被视为对承担库存和逆向选择风险的补偿，有利于降低交易摩擦；而预测或提前交易所得利润，可能体现交易者从其他市场参与者身上获得的信息租金。因此，单纯观察某家高频交易机构的总利润，无法判断利润究竟来自做市、信息预测还是速度优势，必须将利润与具体交易行为放在同一个经验观察单位上进行匹配。²

2.2 研究创新

报告的一个主要方法创新，是将“预测能力—具体执行—实现利润”连接到单个匹配头寸层面。作者没有只计算机构每日总利润，也没有只分析市场整体订单流，而是把同一交易者、同一股票、方向相反的买卖执行按照FIFO原则配对，形成一个可观测的买入—卖出或卖出—买入P&L观察值。然后，作者为每个P&L匹配其持有期限、相应时间尺度的预测能力、两次执行的主动/被动属性、订单簿状态和交易控制变量。^{5 7}

这种设计的好处是，预测能力的时间尺度与利润头寸的持有时间相匹配。例如，一个头寸只持有几秒钟，就不应简单地用交易者30分钟尺度上的平均预测能力解释。作者因此使用26个预测期限，从1秒至10秒按1秒递增，再从12秒至30秒按2秒递增，并加入1分钟、2分钟、5分钟、10分钟、20分钟和30分钟。^{14 38}

三、数据与市场制度

3.1 数据覆盖范围

样本来自某股票交易所，包含五只匿名股票Stock-1至Stock-5在2010年11月22日至11月26日五个交易日内的全部限价订单簿事件。数据覆盖限价单提交、限价单撤单和交易执行，并包括开盘集合竞价、连续交易和收盘集合竞价。⁹

每一条事件记录包括时间、事件类型、成交股数、价格、是否为隐藏单、订单提交或撤销者身份，以及执行中的流动性需求方和流动性提供方身份。更关键的是，数据区分订单是为客户交易还是为交易者自身自营交易，这使作者能够排除客户业务，聚焦机构交易者自己的利润。⁹

客户交易量接近总交易量的一半，因此如果不区分客户订单和自营订单，会把经纪执行活动误认为交易者自身的预测能力或盈利能力。报告还强调，开盘和收盘集合竞价的交易价值超过总交易价值的12%，所以如果只使用连续交易数据，FIFO库存和利润匹配会出现明显遗漏。^{9 10}

3.2 表1至表6：交易制度、流动性与交易者活跃度

表1比较五只股票在开盘集合竞价、连续交易和收盘集合竞价中的交易价值。报告没有在所提供文本中列出表1的具体单元格数值，但明确指出集合竞价，尤其是收盘集合竞价，交易价值较高，因此利润计算必须覆盖三个交易阶段。^{10 11}

表2展示买卖价差和最优买卖价位的深度，包括价差的货币单位和tick单位，以及最优买价和卖价上的平均股数。报告据此判断Stock-1和Stock-2是五只股票中流动性最强的股票，因为它们在交易价值、买卖价差和最优价位深度方面表现更优。价差越小、最优价位深度越大，通常意味着主动交易成本更低、被动限价单更容易成交。^{10 12}

表3报告客户限价单和市价单数量及客户交易量占比，支持“客户业务规模很大”的判断。表4和表5分别按执行金额和执行数量，统计限价单执行大于市场单执行的交易者数量及比例；两张表都显示约一半交易者可以被视为自营净流动性提供者。需要注意，按金额和按数量定义可能对大额订单和小额订单赋予不同权重，因此两种表格是互补而不是完全重复的分类。^{11 13 14}

表6展示自营订单和执行数量的分位数。报告指出，活跃度最高的前10%交易者每周自营订单数超过1,853笔，前5%超过4,791笔；前10%交易者自营成交超过163笔，前5%超过295笔，前1%交易者则可能提交数十万笔订单并完成数百至数千笔成交。这说明样本中的交易活动高度集中于少数极活跃机构，也意味着交易者固定效应和订单量差异控制十分必要。^{13 15}

四、预测能力的测量与样本外持续性

4.1 预测能力指标

作者把某交易者在一个时间区间内的执行流定义为买入成交金额减去卖出成交金额。若执行流为正，表示该交易者在该区间净买入；若为负，则表示净卖出。之后，作者计算该区间执行流与下一时间区间VWAP变化之间的Pearson相关系数。¹⁶

例如，在1分钟预测期限下，作者把连续交易日分割为一系列1分钟区间，以每个区间的净执行流预测下一个1分钟区间的VWAP变动。正相关意味着交易者净买入之后价格倾向于上涨，或净卖出之后价格倾向于下跌。该指标是统计相关关系，并不自动等于交易者掌握了外生信息，因为订单流也可能受到共同市场冲击影响。^{5 16}

作者将前两天作为识别期，若交易者的相关系数为正且双侧检验在5%水平显著，就归入Group 1；其余交易者归入Group 2。对于每个交易者，执行流还会按照时间序列均值和标准差进行标准化，再加总形成组级执行流，从而降低不同交易者交易规模差异对结果的影响。^{5 16}

4.2 表7、表8：样本内相关性与筛选结果

表7报告Group 1交易者在前两天的最大、最小和平均相关系数。显著为正的相关系数大致从0.8%到53.9%不等，说明交易者之间的预测能力存在明显异质性；部分交易者的相关性很低但仍然因样本数量或波动结构而达到统计显著，另一些交易者则呈现较高的相关性。^{17 18}

表8报告Group 1占全部可估计交易者的比例。总体上约10%的交易者通过正相关且显著的筛选标准。作者进一步采用二项分布检验，检验显著正相关交易者数量是否超过“所有交易者真实相关性都为零”时的理论数量；在45个股票—期限组合中，有32个组合在5%水平拒绝共同零相关假设。^{17 19}

这一检验的逻辑是：由于单个相关性使用双侧5%检验，同时还要求估计值为正，在零相关假设下单个交易者被选入Group 1的概率约为2.5%，所以理论上Group 1不应占约10%，更不应在多个股票和期限上系统性出现。该结果支持“预测能力不是完全由随机噪声产生”的解释，但由于同时测试了大量股票—期限组合，报告提供的检验仍应结合多重检验问题审慎解读。^{17 99}

4.3 表9与图1：样本外持续性

后后三天是验证期。表9显示，Stock-1和Stock-2中，前两天被识别为Group 1的交易者，在后后三天的组级相关性GM在最长至2分钟的期限内显著为正；Group 2在相同期限内通常显著为负；Group 1与Group 2执行流之差和未来价格变化之间的相关性也显著为正。^{19 21}

图1直观呈现了这一结构：在Stock-1和Stock-2中，Group 1的星号点大多位于零线之上，Group 2的叉号点大多位于零线之下，而Difference圆圈位于较高的正区间。随着预测期限从秒级延长到分钟级，正相关在较长期限上有所波动，2分钟以后统计稳定性下降。作者认为，较长期限的显著性变弱部分源于可用区间数量减少，即期限越长，相关系数的观测点越少。^{19 20}

从研究设计看，这里的核心证据是“按前两天识别、后后三天验证”，避免直接用同一批数据既筛选交易者又检验持续性。报告还称，Stock-3至Stock-5也得到类似结果，但正文主要展示Stock-1和Stock-2，其他股票结果放在在线附录中。^{20 103}

五、模拟交易策略与图表分析

作者设计三种零成本、流量跟随型策略：Strategy 1按照Group 1的标准化执行流持仓，Strategy 2按照Group 2持仓，Strategy 3按照Group 1减去Group 2的执行流持仓。每个区间结束时观察执行流，在下一个区间持有相应方向的头寸，并以股票超额收益计算流量加权回报。^{6 22 23}

表10显示，Strategy 1在最长约30秒期限内平均回报显著为正，Strategy 2在多数不超过2分钟的期限内显著为负，Strategy 3在不超过2分钟的期限内显著为正。表11显示，Strategy 1和Strategy 3在1秒至2分钟期限内的年化夏普比率为正且很高，整体范围约为16至63。^{23 24 26}

夏普比率是平均超额回报除以回报标准差，再按照交易时长、252个交易日和持仓期限进行年化。由于这里的样本验证期只有三天，年化会把很短期的统计差异放大，因此16至63不能简单理解为可长期复制的年化风险调整收益率。报告把这些数字作为经济显著性的说明，而不是长期投资回报承诺。^{23 26}

图2和图3分别与表10、表11相对应，展示平均流量加权收益和年化夏普比率；但在所提供文本中没有单独给出图片路径，因此只能依据表格和正文描述进行解读。图形所要表达的主要关系是：Group 1策略位于正收益区域，Group 2策略位于负收益区域，差异策略通常表现最强。^{23 26}

图4和图5考察交易成本。作者将交易成本设为VWAP的比例，买入价格上调α，卖出价格下调α，并引用1.1×10^-5至4.7×10^-5的交易成本范围。Stock-1在5秒期限下，Strategy 1和Strategy 3在α低于约2.5×10^-5时仍保持正夏普比率；Stock-2的对应阈值约为3.5×10^-5。期限越长，策略能够承受的交易成本通常越高。^{23 27}

这些图支持“预测能力具有经济意义”的观点，但也暴露出短期限策略对成本、延迟和成交价格极其敏感。报告进一步采用滞后一整个区间建仓、用下一时间区间价格成交，以及改用VWAP、TWAP、最后成交价和仅使用方向信号等方式进行稳健性检验，结论总体相似。^{27 34 87}

六、价格冲击、稳健性与识别问题

作者担心，Group 1的执行流之所以能够预测价格，可能不是因为交易者真正预测价格，而是因为其自身交易规模足够大、直接推动了价格。为此，表12至表15比较Group 1和Group 2在第一期和第二期相对总交易流的绝对执行流占比。报告称，Group 1在大多数期限中占总交易价值不到15%，且绝对执行量低于Group 2，因此作者认为Group 1自身造成的价格冲击不足以解释全部持续性。^{29 30 33}

这一证据具有一定说服力，但“占比小于15%”并不等同于价格冲击为零。若Group 1交易集中于流动性薄弱时段、关键价位或新闻发生前后，即使总量占比不高，也可能产生较大边际价格影响。报告主要通过交易流份额进行排除，并没有在正文中提供更细致的工具变量、事件研究或订单簿冲击弹性估计。²⁹

稳健性分析包括：改变第一期和第二期的划分方式；把价格变化改成价格收益率；用最后成交价替代VWAP；用TWAP替代VWAP；将交易执行延后一整个时间区间；以执行流的正负号替代流量大小；以及在在线附录中对其他三只股票重复检验。^{29 34} 这些检验主要说明结果不完全依赖某一个价格定义、样本切分或仓位加权方式，但不能完全消除小样本、市场状态和股票选择造成的外部有效性问题。

七、P&L匹配、持仓期限与图表解读

7.1 FIFO匹配规则

作者将同一交易者在同一股票中、方向相反且数量相等的连续执行进行FIFO配对。例如先买后卖形成买入—卖出P&L，先卖后买则形成卖出—买回P&L。匹配过程中纳入开盘和收盘集合竞价，且交易活动可以跨交易日持续匹配。^{34 35}

由于作者不知道每个交易者在样本开始时的真实库存，因此分别假设第1至第6个交易日开始时库存为零，生成六个条件数据集，再合并结果。这是一个重要的稳健性处理，因为做市商库存不一定每日归零，库存可能需要数日才能消化。³⁵

但最终回归样本只保留买卖两次执行均发生在同一交易日连续交易阶段的日内往返头寸。这样做可以减少开盘竞价受隔夜信息影响、收盘竞价受清仓行为影响所造成的混淆，但也会排除一部分真实的跨时段和跨日盈利。³⁶

7.2 图6、图7与表16

图6用一个具体例子解释FIFO匹配：交易者先在连续交易中以90买入50股，再在收盘竞价以91买入300股，第二天以90.5卖出150股。FIFO会先匹配前50股，得到(90.5−90)×50=25；再匹配收盘竞价买入的100股，得到(90.5−91)×100=−50。该例说明同一次卖出执行可以拆分成多个P&L，而且不同入场执行的价格会形成不同利润。^{35 36}

图7展示Stock-1和Stock-2筛选后日内P&L的直方图。图形整体高度集中在零附近，同时存在向两侧延伸的尾部，说明大量匹配交易的单笔利润较小，但少数交易产生较大的盈利或亏损；Stock-1的分布范围看起来比Stock-2更宽。由于P&L来自高频配对且没有在正文摘要中明确扣除全部费用、返佣和资金占用成本，这些分布更接近实现的毛交易利润，而不是完整的净投资收益。^{36 38}

表16报告交易持续时间、订单持续时间和执行持续时间的分位数。Stock-1和Stock-2中最快的前5%交易者，平均订单间隔低于1毫秒，平均执行间隔低于18毫秒，平均日内交易持有时间低于21分钟。由于数据时间精度也是毫秒，表中显示为零的订单或执行持续时间实际上代表小于1毫秒，而不是真正零间隔。³⁷

八、预测能力与P&L回归

8.1 时间期限匹配

作者为每个P&L寻找与其两次执行间隔相称的预测期限，并设计三种匹配方式。第一种方式，只要两次执行落在某个期限下的相邻时间区间，就使用该期限；第二种方式要求交易者在该期限上确实具有显著预测能力，并选择最短符合条件的期限；第三种方式选择使两次执行落入相邻区间的最短期限，但不要求该期限的预测相关性显著。^{38 39}

图8用时间轴说明这一匹配规则：若第一次执行e1和第二次执行e2分别落在两个相邻区间，就可以把P&L归入对应预测期限；不同方法对多个符合条件的期限采用不同的最短期限选择标准。该设计使回归中的预测能力变量更加贴合实际持有期，而不是把所有交易都用一个平均预测能力衡量。^{39 40}

8.2 主动与被动执行分类

作者将静态挂在订单簿中、等待被成交的限价单定义为被动执行，即流动性提供；将市价单以及主动穿越买卖价差的可成交限价单定义为主动执行，即流动性需求。每个匹配头寸被划分为三类：MM表示两次执行均主动，SL表示一次主动、一次被动，LL表示两次均被动。回归中以MM为基准组。⁴¹

回归控制变量包括两次执行前的订单簿价差、买方压力等状态变量，以及头寸持有期限、初始头寸价值、买入起始虚拟变量、隐藏订单指标等交易特征，同时加入交易者固定效应和股票固定效应。P&L和连续变量被标准化，因此原始回归系数不能直接当作货币单位，作者进一步将结果转换回货币金额。^{41 43}

8.3 表18至表22：控制变量与隐藏订单

表18定义订单簿条件和匹配头寸控制变量；表19报告P&L、SL、LL和控制变量的均值及标准误；这些表的作用是说明回归样本中的交易规模、持有期限和执行组合，而不是单独检验主要假设。^{43 44}

表20和表21比较全部隐藏限价单与交易者自营隐藏限价单。报告指出，几乎所有隐藏限价单都是交易者自身提交的隐藏单。表22比较隐藏订单相关P&L与非隐藏订单P&L，并指出在交易最活跃的三只股票中，仅由非隐藏订单完成的P&L平均值高于涉及隐藏订单的P&L。这意味着隐藏订单可能具有不同的执行环境或策略目的，但报告没有把隐藏订单作为核心解释变量展开结构性分析。^{42 45}

8.4 表23：核心回归结果

表23是报告最重要的统计表。全股票合并回归中，预测能力系数在三种期限匹配方式下均显著为正，系数约为0.0241至0.0280，显著性达到p<0.001；转换为实际经济含义后，预测能力代理变量增加0.01，对应每个匹配头寸P&L增加约0.07至0.16货币单位；增加一个样本标准差，则对应P&L增加约1.02至1.19货币单位。^{42 46}

这一结果支持“预测能力与实际自营利润相联系”，因为它是在控制执行主动/被动组合、订单簿状态、交易者固定效应和股票固定效应之后得到的。合并回归的R²约为7.82%至7.83%，说明模型解释了部分但不是大部分P&L波动，高频交易利润仍有大量未被模型涵盖的来源。⁴⁶

流动性提供变量呈现清晰的单调关系。相较于MM，SL头寸的P&L高出1.28至1.31货币单位；LL头寸相较MM高出5.08至5.13货币单位；LL相较SL还高出3.79至3.82货币单位，且所有差异均在p<0.001水平显著。^{7 49}

作者明确指出，这些是条件相关关系，不是执行选择的因果效应。更高的P&L可能来自更有利的市场状态、更强的交易者、不同的库存风险承受能力或更高的成交选择性，而不一定意味着“只要把主动单改成被动单，就能机械地增加相同金额的利润”。⁴¹

8.5 表24：交易者层面的描述性检验

表24把每个交易者—股票组合按被动执行金额占总执行金额的比例分成两组：Rliq至少50%的主要流动性提供者，以及低于50%的主要流动性需求者。报告发现，前一组在五只股票中的四只具有更高的平均汇总P&L。^{49 50}

这与表23的MM<SL<LL排序相一致，但表24只是交易者层面的描述性比较，不是控制了交易者固定效应的合并回归，也不能建立因果关系。它更适合作为微观配对回归结果的外部一致性证据，而不是独立的因果证明。⁴⁹

九、在线附录及补充分析

在线附录进一步给出执行流、VWAP、交易比例以及统计检验的数学定义。个体相关性使用相关系数的t检验；在零相关假设下，正向显著筛选的理论概率约为0.025，再使用二项分布检验Group 1人数是否异常偏多。^{54 99} 该方法为正文的筛选和组级检验提供了形式化基础。

附录中的图9和图10分析可成交限价单的价格穿透层级。图9统计一笔可成交限价单执行到的最差价位层级，图10统计由可成交限价单造成、分别发生在第1层、第2层及更深价位的成交次数。五只股票中绝大部分成交集中在最优价位第1层，第2层数量明显较少，更深层级极少，这表明把可成交限价单与市价单一起归为主动执行，在样本中具有较强的市场微观结构依据。^{100 101 102}

附录K和L把组级预测、平均策略回报和年化夏普比率扩展到Stock-3、Stock-4和Stock-5，并改变样本切分、相关性定义和超额收益定义，报告称结果总体类似。^{103 104 106} 这说明主要结论并非只由Stock-1和Stock-2驱动，但正文没有完整呈现每个附录表格的数值，因此无法仅根据提供文本逐项复核各股票各期限的具体系数。

附录M还研究交易者自营执行流与自身客户、公司客户之间的领先滞后关系。报告发现，只有少数交易者的客户流能够预测其后续自营流，约有十名左右交易者在公司—客户层面出现类似领先滞后相关性；作者特别强调，这种统计上的领先关系本身不能证明前置交易或违规利用客户信息。^{127 129}

相关图11至图16分别展示交易者执行流与自身客户流、公司客户流在同期、领先一期和滞后一期下的相关关系。它们的主要价值是排查潜在的客户信息利用渠道，而不是证明报告主结论。由于样本中同时从事自营和客户交易的交易者数量很少，相关结果的统计稳定性和监管解释力都应谨慎看待。^{128 130 135}

十、估值分析与风险评估

10.1 估值方法

这不是针对上市公司的证券研究报告，而是一篇市场微观结构和实证金融研究论文，因此没有DCF、P/E、EV/EBITDA、可比公司估值、目标价或评级。报告的“估值”实际上是经济显著性评价：通过货币单位P&L差异、模拟策略平均收益、夏普比率和交易成本阈值，衡量预测能力和流动性提供的财务价值。^{1 23}

10.2 主要风险与局限

第一，样本只有五个交易日，且全部来自2010年，无法保证预测能力在不同市场制度、不同技术基础设施和不同竞争强度下仍然存在。⁹

第二，交易者通过前两天筛选、后三天验证，虽然避免了完全样本内检验，但验证窗口仍然很短，年化夏普比率对三天数据极其敏感。报告也承认较长期限的统计显著性下降可能与有效观测数量减少有关。^{19 23}

第三，交易成本分析主要把成本简化为VWAP的一定比例，并非完整模拟排队位置、成交概率、滑点、撤单、市场冲击、手续费、返佣、资金成本和延迟。因此，策略在成本图中的正夏普比率不能直接等同于实际可交易净收益。^{23 27}

第四，Group 1通过显著性筛选形成，可能存在数据挖掘、极端值筛选和多重检验问题。尽管作者使用二项分布检验并进行多种稳健性分析，但报告没有在正文中说明更严格的多重假设检验校正。^{17 99}

第五，P&L回归的结果是条件相关而非因果效应。被动成交可能只在更有利的订单簿环境中发生，或者高能力交易者更容易获得被动成交，因此“被动执行带来更高利润”的结论不能简单转化为交易策略建议。⁴¹

第六，研究只观察成功成交，而没有完整观察未成交限价单、撤单意图和排队位置。仅依据成交后的主动/被动标签，可能高估被动策略的可复制性，因为没有成交的挂单也构成做市策略的重要成本。^{9 41}

十一、结论性综合

总体而言，报告构建了一条较完整的证据链：首先，在26个日内期限上用交易者执行流与未来VWAP变化的相关性识别预测能力；其次，用前两天识别、后三天验证的方法检验持续性；再次，用流量跟随策略和交易成本图表衡量预测能力的经济意义；最后，通过FIFO配对把预测能力和实际自营P&L连接起来，并进一步比较零次、一次和两次被动执行的利润差异。^{5 51}

最重要的实证结论是，少数机构交易者的预测能力具有一定持续性，Group 1的执行流在样本外仍能预测短期价格变化，主要稳定区间集中在1秒至2分钟或12秒至2分钟，具体取决于股票和检验设定；模拟策略显示很高的年化夏普比率，但该结果依赖极短样本和理想化执行假设。^{8 51}

在实际匹配交易层面，预测能力与P&L正相关，一个标准差的预测能力提升对应约1.02至1.19货币单位的额外匹配头寸P&L；流动性提供强度则呈现MM<SL<LL的单调排序，两次均被动的头寸相较一次被动的头寸高出约3.79至3.82货币单位。^{7 51}

因此，作者的总体立场不是给出某只股票的买入或卖出建议，而是提出一个关于机构高频交易利润来源的经验判断：利润同时与短期价格预测能力和流动性提供有关，且两者在同一匹配P&L观察单位上都具有统计和经济关联。最审慎的解读是，这项研究有力地说明了“谁在预测、谁在提供流动性、谁因此获得更高实现利润”之间存在系统联系，但尚不足以证明预测能力或被动执行选择本身具有完全可复制、跨市场、长期稳定的因果收益。^{8 41}