本文提出Shadow-PPOV,一种基于订单级跟随的无模型被动执行方法:策略观察市场中的新增限价单,在相同价格和交易场所挂出影子订单,并依据被跟随订单的交易所标识同步撤单或延迟撤单。基于2025年全年CME ES期货回放,Shadow-PPOV在零延迟下每份合约相对到达中价的往返滑点约为0.0955跳,同时与激进POV的成本几乎一致;延迟会单调恶化执行成本,且激进POV的敏感度约为被动策略的四倍。研究将该方法定位为被动订单摆放的无模型基准,而非最优策略,并指出其表现受到市场冲击未建模、单一品种样本和父订单规模等限制。
在实现参与率接近的配置下,被动Shadow-PPOV与激进POV使用相同的ES期货数据、父订单和零延迟设置进行比较。
| 指标 | Shadow-PPOV(被动) | Aggressive POV(激进) |
|---|---|---|
| 实现参与率 | 4.46% | 4.86% |
| 相对到达中价滑点(跳/合约) | +0.0955 ± 0.0130 | +0.0952 ± 0.0135 |
| 相对立即执行的成本改善(跳/合约) | 0.4236 | 0.4239 |
| 成交时立即跨价比例 | 约1% | 约50% |
对订单、撤单和行情 feed 同时施加相同延迟后,两种策略的滑点均随延迟单调上升,但激进POV恶化速度明显更快。
| 往返延迟 | Shadow-PPOV滑点(跳/合约) | Aggressive POV滑点(跳/合约) |
|---|---|---|
| 0 ms | +0.097 | +0.087 |
| 5 ms | +0.150 | +0.296 |
| 父订单子成交数Q | 实现参与率/模型均值的10%—90%区间 |
|---|---|
| 1 | 0.44—9.5 |
| 10 | 0.70—1.61 |
| 100 | 0.89—1.14 |
| 1000 | 0.96—1.04 |
论文的核心论点是:传统TWAP、VWAP、POV和Implementation Shortfall等执行算法,都依赖某种时间表、成交量预测、反馈控制或市场冲击模型;Shadow-PPOV则不预测未来成交量,也不估计某个价位的成交概率,而是在观察到其他市场参与者刚刚提交限价单后,以相同价格、相同交易场所提交自己的订单,并通过交易所订单编号将自己的订单绑定于被跟随订单的生命周期。
该方法的“无模型”并不意味着没有信息。它读取完整的订单簿消息,包括新增、撤单和成交,但不从这些信息中构建显式模型;它直接继承其他参与者已经通过自身研究、策略或判断所做出的流动性提供决策。 论文最终报告的立场是:在零延迟条件下,被动Shadow-PPOV与主动Aggressive POV的成本几乎相同;随着延迟增加,两者都会恶化,但被动方法恶化得明显更慢。因此,Shadow-PPOV更适合作为被动下单基准和低复杂度执行组件,而不是被宣称为具有预测优势的独立交易策略。
论文首先区分了两类自动执行方法:计划型执行(schedule-based)和流动性搜寻型执行(liquidity-seeking)。
论文指出,POV如果想保持被动,存在一个结构性困难:已经成交的交易量无法再以静态限价单加入,因此算法必须对短期未来成交量进行预判,或者在落后时主动吃单。这意味着传统POV虽然不像VWAP那样预测完整的日内曲线,却仍然需要短期预期,并且其跟踪对象是总成交量,而不是构成订单簿的单个 resting orders。
被动订单的基本难题是:挂得越靠前,成交概率越高,但越容易在价格即将不利变化时被选中,即所谓逆向选择(adverse selection);挂得越深,逆向选择可能降低,但成交概率也下降。 传统方法通常通过订单簿模型、队列位置模型、成交强度模型或预测特征来解决该问题。
Shadow-PPOV的不同之处在于,它不计算“应该挂在哪里”,而是将一个刚刚进入订单簿的第三方限价单作为可观察参照,直接复制其价格和交易场所。它不是在订单簿上独立报价,而是“附着”到某个具体订单上。
输入消息包括ADD、DELETE、TRADE和MODIFY,并至少带有消息类型、交易所订单编号、交易场所、买卖方向、价格和数量。由于订单编号在交易场所内可追踪,算法可以识别订单从进入订单簿到被撤销或成交的完整生命周期。
当观察到满足条件的ADD消息时,算法:
这种映射是方法的关键。算法并不保存被跟随订单的价格、数量、时间戳、队列位置或完整订单簿状态,只保存交易场所和交易所订单编号,以及对应的自身订单编号。因此,取消逻辑在结构上不可能依据复杂的市场状态进行决策。
论文特别强调,Shadow-PPOV控制的是订单摆放率,而不是传统POV意义上的成交量参与率。若ρ为摆放率,则算法对符合条件的ADD以概率ρ跟随。新增订单频率高时,Shadow订单数量增加;新增订单稀疏时,Shadow数量减少。
但由于每个Shadow不一定成交,实际成交量参与率并不等于ρ。实际参与率受到队列位置、后续主动成交、订单生命周期以及父订单是否提前完成等因素影响,因此是一个随机结果。 这也是论文第9节讨论父订单规模与参与率稳定性的原因。
Shadow订单数量并不简单等于触发它的第三方订单数量。参考实现可以根据此前窗口的平均成交规模随机确定目标数量,然后受到以下限制:
因此,ES实验中常见的是约1手的子成交,100手母单大约由85次成交完成,平均每次约1.18手。
取消机制区分两种情况:
这种设计解决了一个实际矛盾:交易消息既可能意味着参考订单已经消失,也可能意味着攻击该价位的主动流正在继续。如果无条件立即撤单,就会在最有可能成交的时刻把自己的订单撤走。
对于MODIFY,论文将其视作原订单生命周期终止:Shadow立即撤销并解除绑定;只有在之后出现新的ADD消息时,才重新跟随。这是算法约定,不是对所有交易所修改语义的普遍判断。
报告提供的算法图展示了完整的状态转移逻辑:
算法状态包括映射表M、目标方向、摆放率、宽限窗口、自己的订单集合等。ADD触发建立映射;DELETE触发立即取消;TRADE触发延迟取消;MODIFY触发拆除映射。算法还规定,在宽限窗口结束或安全条件触发时取消Shadow,母单完成后取消所有剩余订单。
这张算法图的重要含义是:Shadow-PPOV并不是传统意义上根据最佳买卖价持续重新报价的做市策略。它的每一张订单都有明确的“父对象”,订单管理以订单编号为中心,而不是以当前订单簿状态为中心。
论文将Shadow-PPOV与几类相近机制区分开来。
第一,Quote matching通常在大额限价单前面抢占一个更优价位,将对方订单转化为一种“免费期权”;而Shadow-PPOV在相同价格排队,主动放弃抢先权,也从不与被跟随订单直接交易。
第二,智能订单路由(SOR)会比较各交易所深度、手续费、返佣、成交率和延迟,并优化跨市场分配。Shadow-PPOV不计算任何路由评分,而是直接将订单发送到被跟随订单的原始交易场所。因此,其跨市场分配是“流量继承”,不是成本最优分配。
第三,隐藏或跟踪订单专利可能通过NBBO或市场状态持续调价,也可能复制特定账户的交易,或者在交易所内部实现隐藏流动性。Shadow-PPOV则是客户端策略,跟随的是匿名订单级ADD消息,使用订单编号同时管理入场和取消。
kaspar-hft是以C++编写的低延迟交易系统和订单簿模拟器。其核心优势是重建完整的逐订单市场(MBO),而不是只有聚合深度,因此能够判断Shadow在FIFO队列中的位置及其可能成交情况。
模拟器可分别设置:
这一点很重要,因为只给下单增加延迟、却让策略瞬时看到市场,会高估实际系统表现。论文在延迟实验中将三条路径同时延迟。
参考实现比核心算法多了安全防护:
这些保护措施读取最佳价和近期成交大小,但论文认为它们是风险限制,而不是预测模型:它们限制算法“能做什么”,却不决定“应该在哪里下单”。不过,从严格的术语角度看,参考实现并非完全不读取市场状态;“无模型”主要适用于核心下单逻辑,而不是整个生产实现。
实验使用2025年全年CME ES期货常规交易时段,CME频道310的逐订单数据,共覆盖246个交易日左右。算法同时运行买卖两侧,每个10分钟窗口分别买入100张、卖出100张。
窗口边界大约从美东时间09:29至16:00,每10分钟开启一个窗口。窗口必须同时满足“至少经过10分钟”和“买卖两侧都完成100张”才结束,因此成交慢时窗口会拉长,但不会留下未完成的部分。
买卖两腿同时启动,以窗口起始中间价m0为arrival price。买入和卖出分别计算相对于m0的损益方向,再取两腿平均。由于两腿都从同一中间价出发,市场整体漂移对称抵消,因此比单独观察买腿或卖腿更稳定。
ES一个最小跳动为0.25指数点,即每张合约12.50美元。报告还指出,ES在96.3%的窗口开盘时价差为1跳,平均价差为1.038跳,因此立即成交的理论滑点约为半个价差,即0.519跳。
参与率定义为算法成交量F除以算法成交量与市场其他成交量V之和,即F/(F+V)。报告没有使用各窗口参与率的简单平均,而是使用全年汇总比率,因为小成交量窗口会过度影响简单平均,甚至颠倒排序。
成交时间是每侧完成100张所需的平均墙钟时间。该指标不仅反映执行速度,也会影响按工作区间计算的VWAP比较和参与率计算。
表3将被动和主动两种方法的实际参与率调到接近水平:被动为4.46%,主动为4.86%。零模拟延迟下:
这意味着两者在价格成本上几乎完全一致,差异小到第四位小数。其理论解释是:被动订单获得了半个价差,但被逆向选择抵消;主动订单支付了半个价差,却避免了部分逆向选择。对于没有方向预测的策略,两者的期望价格结果趋于相同。
表3还显示,被动执行约99%的成交量是“resting”完成,而主动执行约一半成交量在到达时立即成交;然而最终round-trip滑点仍然相同。这一结果支持论文的核心论断:零延迟、无预测条件下,选择主动还是被动更多是速度和成交量参与问题,而非纯粹价格优势。
VWAP列则不能直接用于比较。被动方法工作时间更长,每条腿相对自己的工作区间计算VWAP;工作时间更长会覆盖更宽、更有利的市场片段。因此,被动0.621跳与主动0.404跳的差异可能主要来自区间定义,而不是被动方法具有可交易Alpha。
图1展示成交后1秒、5秒和30秒的中间价变化:
被动和主动两条曲线在三个时间点几乎无法区分,约为0.08—0.10跳;曲线基本平坦,说明价格不利变化在成交后约1秒内已经完成,之后29秒没有明显回归。
这被作者解释为逆向选择而非临时冲击:订单之所以成交,是因为主动交易者可能拥有信息或有迫切交易动机;这种价格影响不是短暂的,因而不会快速反转。表4覆盖约163万次被动成交和164万次主动成交,并使用按交易日聚类的95%区间,避免把同一天内高度相关的窗口当成完全独立观测。
图2用柱状图比较两种执行方式,二者均约为+0.095跳,误差区间高度重叠。视觉上,这不是“被动明显优于主动”,而是两种无方向执行方式在零延迟下具有相同的平均成本。
图3将窗口级相对滑点与逐笔Mark-out并列。两者不是同一指标:前者基于整窗买卖价格,后者基于每笔成交后的中间价;但二者在约0.08—0.10跳范围内一致。这说明不同数据粒度和计算方式得到的结果相互吻合,增强了测量一致性,但不能证明模拟器的成交推断绝对正确。
图4显示,延迟从0增加到5毫秒时,两种方法的滑点均单调上升:
被动平均每增加1毫秒损失约0.011跳,主动约0.042跳,主动对延迟的敏感度约为被动的四倍。零延迟时主动略便宜,但在约500微秒时,主动已经比被动贵0.055跳,说明执行方式的优劣会在极短延迟内反转。
更重要的是,延迟使两种方法的“风格”发生转换。被动订单因为到达时市场已经移动,越来越多在到达时变成可成交订单,arrival fill比例从1.1%上升到27.3%;主动订单则因原本价位被消耗而可能落后成为被动订单,随后又随着价格继续移动而提高可成交比例。
图5显示两种方法的参与率方向相反:
这并非简单表示被动方法“越慢越好”。被动延迟加大后,更多报价到达时已经跨价,变成主动成交并更快结束;主动方法则更容易错过原先要成交的价位,因此成交和参与率下降。参与率本身又按各自实际工作区间计算,所以这种指标受到执行持续时间变化的影响。
表6将同一被动配置分别以零延迟和30秒延迟运行。30秒不是现实低延迟参数,而是用来摧毁信息新鲜度的控制实验。
结果显示成本增加约3.9倍,参与率降至约三分之一,单腿子成交数从约85次降至37次,成交时间反而缩短。原因是30秒前观察到的价格已经明显过时,订单到达时更容易直接成交,而不是在簿中被动等待。
这一实验证明,Shadow-PPOV确实依赖被跟随订单的时效信息;但它没有告诉我们该信息相对于完全不观察订单流的随机下单到底创造了多少价值,因为30秒延迟下价格仍然继承自真实订单,只是信息已经陈旧。
图6和表7基于一个简化模型:母单由Q个一手子订单组成,每个子订单等待成交所需的市场成交量服从指数分布。实际参与率相对于模型均值的比例为Q/Gamma(Q,1)。Q很小时,参与率分布极不稳定;Q增加时,分布向1集中。
具体而言:
右图显示变异系数大致按1/√(Q−2)下降。这表明Shadow-PPOV更适合作为大母单的稳定基准;对很小的母单,实际参与率主要由少数订单的队列位置随机性决定。
但论文明确承认该模型不是对CME数据的拟合,指数分布、独立成交间隔和逐一成交假设都过于简化,现实中存在相关性、波动状态聚类和并行Shadow同时成交。因此,图6是理论缩放关系,不是ES市场实际参与率预测。
本文没有传统股票研究意义上的DCF、P/E、EV/EBITDA或目标价,因此不存在公司估值区间。其“估值”实质上是执行成本评价。
最重要的成本单位是tick。论文报告零延迟被动相对arrival mid的成本约为+0.0955 tick;ES每tick为12.50美元,因此约等于每张合约1.19美元。 相对立即跨价,被动改善约0.4236 tick,即约5.30美元/张,但该改善不是无风险Alpha,因为相对于中间价的正成本仍然存在,而且没有计入市场冲击、手续费、返佣、排队机会成本和真实交易中的自我影响。
论文的理论基础是Glosten–Milgrom价差模型:做市方通过价差补偿与信息更充分的交易者交易所承担的风险。因而无预测的被动策略不应系统性优于中间价;若结果长期显著优于中间价,反而可能说明测量错误或存在未解释的额外优势。
主要风险包括:
此外,跨市场流量继承机制尚未被真正测试,因为实验只有一个交易场所。论文也承认,尚未与触价下单、被动TWAP/VWAP/POV或预测型下单模型进行同条件比较,因此“基准”的价值目前是理论上提出的,而不是经完整横向实验验证的。
论文最有说服力的部分是机制定义清楚、取消逻辑具有可实现性,并且通过同时延迟行情、下单和撤单路径,避免了只延迟执行而保留“神奇的即时信息”的不现实设定。零延迟下主动与被动成本高度接近,以及延迟下主动成本恶化更快,构成了内部一致的结果链条。
但也应审慎理解以下几点:
Shadow-PPOV的核心创新不是提出一个预测市场方向的策略,而是把被动下单从“预测哪个价位会成交”改写为“跟随已经被其他参与者选择的具体限价订单”。它通过订单级价格与交易场所继承、交易所编号关联、撤单/成交生命周期镜像以及成交后的宽限窗口,构成了一个计算轻量、易于复现的被动执行机制。
实验显示,在2025年全年ES数据中,零延迟被动执行100张买单和100张卖单的平均arrival-mid成本约为0.0955 tick,即约1.19美元/张;相对于立即跨价,节省约0.4236 tick。主动POV在匹配参与率下得到几乎相同的成本,说明无预测策略无法仅凭选择“挂单”或“吃单”获得稳定价格优势。
图表进一步表明,成交后的不利价格变化在约1秒内完成并持续到30秒,支持逆向选择而非临时冲击解释;延迟会使两类策略成本单调上升,但主动POV的恶化速度约为被动方法的四倍。母单规模分析则显示,小规模订单的参与率高度随机,只有在子成交数量足够大时,参与率才会稳定收敛。
因此,作者的总体判断是:Shadow-PPOV不应被看作最优执行方案,而应被看作一个“无预测、无订单簿模型”的被动基准。未来预测型模型若要证明复杂性、训练成本和过拟合风险值得承担,就应在同一数据、同一母单规模、同一参与率和可比延迟下,同时击败Shadow-PPOV与Aggressive POV。论文已经提出了这一评价框架,但由于尚未完成与其他被动规则、预测型模型、多市场和含冲击模拟器的充分比较,其基准地位仍属于有理论依据、但尚待更广泛验证的研究主张。
2609.18019.pdf