订单流失衡、毒性与做市商内部化

PFOF 与内部化：你的订单究竟去了哪里

你的市价单并不会去交易所

当散户通过美国大多数主流券商下达市价单或可立即成交的限价单时，该订单通常不会被路由到公开交易所（NYSE、Nasdaq），而是被送往批发做市商 ——也就是 Citadel Securities、Virtu Financial 以及少数几家其他大型批发商，它们专门"内部化"散户订单流：直接用自己的库存做交易对手，而不是把订单送到公开订单簿。

作为看到并成交这些订单流的权利的对价，批发做市商按每股或每笔订单向券商支付一小笔费用—— 订单流付款 PFOF（payment for order flow） ——这正是许多散户券商能够提供零佣金交易的一个主要原因。这不是什么隐秘或违法的安排；它是公开披露、受监管的，多年来一直是美国散户股票市场结构的一个标志性特征。

批发做市商为什么偏偏想要散户订单流

散户订单流对批发做市商之所以有价值，恰恰是因为它平均而言更不可能是"知情的" ——也就是说，相比来自成熟机构或算法交易者的订单流，它更不可能抢在新闻、财报或短期推动价格的信息之前下单。一家成交大量、分散的散户订单流的批发做市商，通常可以预期平均而言这些交易相对于短期价格方向接近随机，正是这一点让内部化这些订单流、并从中赚取买卖价差，成为一门统计上占优的生意。

SEC Rule 605/606：读懂你券商的执行成绩单

这些披露里究竟有什么

SEC Rule 605 要求市场中心（包括批发做市商）按月发布标准化的执行质量统计 ——有效价差、价格改善率和执行速度，并按订单规模和类型分类列示。 SEC Rule 606 要求券商按季度披露他们把客户订单路由到了哪里 以及为该路由收到的任何订单流付款安排或其他报酬。

价格改善统计并没有讲完整个故事

一个亮眼的价格改善率标题数字看着不错，但它并没有涵盖所有重要的东西 ——它没有说明这种改善在不同订单规模之间如何变化，也没说在波动期成交会差到什么程度，更没说批发做市商是否会系统性地更慢地成交那些内部化不划算的订单（把这些转出路由，只留下有利可图的）。Rule 605 数据是在场所层面汇总的；它并不能保证任何单笔订单的结果。

订单流失衡 OFI 公式

核心思想：订单簿压力可以预测短期价格变动

订单流失衡由学术界的市场微观结构研究正式化（尤其是 Rama Cont、Arseniy Kukanov 与 Sasha Stoikov 的论文《The Price Impact of Order Book Events》），它衡量的是在一小段时间区间内，订单簿最优档上买方压力相对卖方压力的净变化。 核心结论是，OFI 对极短期的价格变化具有强而稳健的统计预测力——明显强于单看成交量或订单簿深度。

OFI_t = ΔBidSize_t - ΔAskSize_t

其中，对于时间 t 上的每个事件：
  ΔBidSize_t = +BidSize_t  若买价上升（出现新的最优买价，价格改善）
             = 0           若买价不变且买盘挂单量增加
             = -BidSize_(t-1)  若买价下降（最优买价被撤单／下移）
             （仅挂单量变化时，适用对称的类似逻辑）

  ΔAskSize_t = 卖方一侧的镜像定义

一个区间内的净订单流失衡：
  OFI = Σ（买方贡献 - 卖方贡献），对该区间内所有
        最优档事件求和

用大白话说：当买方压力相对卖方压力增强时（买盘挂单量变大，或买价上移），OFI 上升；反过来时 OFI 下降。 Cont 等人的研究发现，短区间内的价格变化平均而言与 OFI 近似呈线性关系——最优档上净买方压力越大，就越预示着下一个区间内出现小幅上涨，反之亦然。

识别有毒的知情订单流

对做市商来说"毒性"意味着什么

在做市术语里，"有毒的"订单流指的是更可能带有信息的订单流 ——也就是说，交易对手知道点什么（或者拥有统计上的优势），使得这笔交易在成交后不久很可能朝着不利于做市商的方向走。一个刚成交了一笔大额卖单、紧接着价格就下跌的做市商，就是被逆向选择了：他们恰好在知情卖方的信息反映到价格上之前买入。

VPIN 概念

一种被广泛引用的、用于估计订单流毒性的学术方法是成交量同步知情交易概率 VPIN（Volume-Synchronized Probability of Informed Trading），由 Easley、López de Prado 和 O'Hara 提出。VPIN 按成交量而不是按时钟时间把交易活动分桶，并估算每个桶内被归类为买入与被归类为卖出的成交量之间的失衡，以此作为知情交易存在概率的代理指标。它作为一种针对流动性驱动型压力事件的早期预警信号提议，曾受到特别关注。要理解机构交易台如何思考毒性，它是一个有用的概念框架——但完整的生产级 VPIN 实现需要逐笔分类成交数据，而大多数散户交易者无法持续获取这类数据。

逆向选择："价格改善"里隐藏的成本

为什么"优于 NBBO"的成交不等于就是好成交

价格改善的意思是，你的成交价优于订单到达那一刻的全国最优买卖报价 NBBO（National Best Bid/Offer）——它完全没说价格紧接着会怎么走。 如果你以一点点价格改善买入，而股票随即下跌，因为你的订单恰好在一波卖压积聚时被成交，那么尽管按价格改善这个指标看你技术上拿到了"好"的执行，你实际上还是遭遇了逆向选择。

为什么这件事对更大额或流动性更差的订单更重要

逆向选择成本会随着订单规模相对可用流动性的大小、以及你这笔交易周围的订单流有多"知情"而放大。 在平静的市况下，对流动性极好的大盘股下一笔小额市价单，面临的逆向选择成本微乎其微。同样的订单类型放到成交稀疏的小盘股上，或者放在快速演进的新闻事件当中，被恰好在不利变动之前成交的风险就明显更高——而这正是 OFI 往往强烈偏向单边的那种环境。

Python 实现：OFI 计算器与毒性标记

完整实现： 订单簿事件处理、按 Cont 等人框架计算 OFI、一个简单的滚动毒性标记，以及一个成交后逆向选择的测算工具。

完整 Python 代码

"""
订单流失衡（OFI）与毒性估计
对 Cont、Kukanov、Stoikov（2014）OFI 框架的散户适配实现，
外加一个简单的成交后逆向选择测算。

作者：Plan My Retire
日期：2026 年 3 月
"""

import numpy as np
import pandas as pd


class OrderFlowImbalance:
    """
    依照 Cont、Kukanov 与 Stoikov（2014），从最优档报价更新流中
    计算订单流失衡（OFI）。

    期望输入一个报价快照 DataFrame，包含以下列：
    ['timestamp', 'bid_price', 'bid_size', 'ask_price', 'ask_size']
    """

    def compute_event_ofi(self, quotes_df):
        """
        计算相邻两个最优档快照之间每个事件的 OFI 贡献。
        """
        df = quotes_df.copy().reset_index(drop=True)
        ofi_contributions = [0.0]  # 第一行没有前一个快照

        for i in range(1, len(df)):
            prev, curr = df.iloc[i - 1], df.iloc[i]

            # 买方贡献
            if curr['bid_price'] > prev['bid_price']:
                bid_contrib = curr['bid_size']
            elif curr['bid_price'] < prev['bid_price']:
                bid_contrib = -prev['bid_size']
            else:
                bid_contrib = curr['bid_size'] - prev['bid_size']

            # 卖方贡献（镜像逻辑，符号翻转）
            if curr['ask_price'] < prev['ask_price']:
                ask_contrib = curr['ask_size']
            elif curr['ask_price'] > prev['ask_price']:
                ask_contrib = -prev['ask_size']
            else:
                ask_contrib = curr['ask_size'] - prev['ask_size']

            ofi_contributions.append(bid_contrib - ask_contrib)

        df['event_ofi'] = ofi_contributions
        return df

    def rolling_ofi(self, df_with_ofi, window):
        """在事件的滚动窗口上对事件级 OFI 求和。"""
        return df_with_ofi['event_ofi'].rolling(window=window).sum()

    def normalize_ofi(self, ofi_series, avg_depth_series):
        """
        用平均订单簿深度对 OFI 做归一化，使不同流动性水平的
        标的之间读数可比。
        """
        return ofi_series / avg_depth_series.replace(0, np.nan)


class ToxicityFlag:
    """
    结合 OFI 持续性与订单规模异常的简单滚动毒性启发式规则。
    仅作示意，不是生产级的 VPIN 实现。
    """

    def __init__(self, ofi_zscore_threshold=2.0, size_zscore_threshold=2.5):
        self.ofi_threshold = ofi_zscore_threshold
        self.size_threshold = size_zscore_threshold

    def flag(self, ofi_series, trade_size_series, lookback=100):
        ofi_z = self._zscore(ofi_series, lookback)
        size_z = self._zscore(trade_size_series, lookback)

        toxic = (ofi_z.abs() > self.ofi_threshold) & (size_z > self.size_threshold)
        return pd.DataFrame({
            'ofi_zscore': ofi_z,
            'size_zscore': size_z,
            'toxicity_flag': toxic
        })

    def _zscore(self, series, lookback):
        mean = series.rolling(lookback).mean()
        std = series.rolling(lookback).std()
        return (series - mean) / std.replace(0, np.nan)


class AdverseSelectionMeasure:
    """
    衡量实际发生的逆向选择成本：成交后一小段窗口内价格朝着
    不利于你成交方向的变动，扣除执行时获得的任何价格改善。
    """

    def measure(self, fill_price, side, nbbo_mid_at_fill, mid_price_series_after,
                horizon_events=10):
        """
        side：'buy' 或 'sell'
        mid_price_series_after：成交之后的中间价观测序列
        """
        price_improvement = (
            (nbbo_mid_at_fill - fill_price) if side == 'buy'
            else (fill_price - nbbo_mid_at_fill)
        )

        post_trade_mid = mid_price_series_after.iloc[:horizon_events].mean()
        realized_move = (
            (post_trade_mid - fill_price) if side == 'buy'
            else (fill_price - post_trade_mid)
        )

        return {
            'price_improvement': price_improvement,
            'post_trade_realized_move': realized_move,
            'net_adverse_selection_cost': -realized_move,  # 负向变动 = 成本
            'improvement_offset_adverse_selection': price_improvement > -realized_move
        }


# 使用示例
if __name__ == "__main__":
    # 合成的最优档报价流
    quotes = pd.DataFrame({
        'timestamp': pd.date_range('2026-03-12 09:30:00', periods=8, freq='s'),
        'bid_price': [100.00, 100.00, 100.01, 100.01, 100.01, 100.00, 99.99, 99.99],
        'bid_size':  [500, 700, 300, 450, 200, 600, 800, 900],
        'ask_price': [100.02, 100.02, 100.02, 100.03, 100.03, 100.02, 100.01, 100.01],
        'ask_size':  [600, 550, 500, 300, 250, 400, 700, 750],
    })

    ofi_calc = OrderFlowImbalance()
    df = ofi_calc.compute_event_ofi(quotes)
    df['rolling_ofi'] = ofi_calc.rolling_ofi(df, window=3)

    print(df[['timestamp', 'event_ofi', 'rolling_ofi']])

    toxicity = ToxicityFlag()
    trade_sizes = pd.Series([500, 700, 300, 450, 200, 600, 800, 5000])  # 最后一笔成交是异常值
    flags = toxicity.flag(df['event_ofi'], trade_sizes, lookback=4)
    print("\nToxicity flags:")
    print(flags)

    adverse = AdverseSelectionMeasure()
    result = adverse.measure(
        fill_price=100.015,
        side='buy',
        nbbo_mid_at_fill=100.02,
        mid_price_series_after=pd.Series([100.01, 100.00, 99.99, 99.98, 99.98]),
    )
    print("\nAdverse selection measurement:")
    print(result)

路由算法：限价单与中点挂钩单

表达一笔订单的两种根本不同的方式

标准限价单挂在你指定的固定价格上等待成交——除了价格本身之外，它并不自带任何逆向选择保护。 A 中点挂钩单（midpoint peg order） 则会持续跟踪 NBBO 买价与卖价之间的中点，随着市场波动调整自己的价格，而且通常只与其他寻求中点成交或提供价格改善的订单流成交。

OFI 与毒性概念如何应用于订单类型选择

挂着的限价单最容易被逆向选择的时刻，恰恰是 OFI 正在强烈朝着不利于它那一边积聚的时候 ——卖压加速时还挂在簿上的陈旧买单，正是那种会被更快的参与者吃掉的局面。中点挂钩单通过持续重新定价而不是固定不动来降低（但消除不了）这种风险，代价是当你急需成交时确定性更低。

执行质量影响的示意测算

下面的数字是关于订单类型和时点选择如何影响实际执行成本的假设性示意 ——它们不是任何保证，会随券商、执行场所、标的和市况而变化。列出来只是为了把成本取舍讲具体。

让你损失执行质量的常见错误

你的行动计划

第一阶段：审计你自己的执行质量（2 至 4 周）

时间安排： 在改变任何交易行为之前，先弄清楚你现在的基准水平。

1. 调出你券商最近一期的 Rule 606 报告 弄清楚你的订单流被路由到哪里，以及存在怎样的 PFOF 安排
2. 对比 Rule 605 执行质量统计数据 把你券商的路由场所与竞争对手的作横向比较
3. 记录你自己的成交 ——挑一批你近期的交易，记下成交价与下单时 NBBO 的对比，以及 30 至 60 秒之后的价格

第二阶段：有意识地选择订单类型（1 至 3 个月）

时间安排： 开始按交易的紧迫程度来执行订单类型纪律。

1. 使用限价单或中点挂钩单 （在你券商提供的前提下）来处理任何没有真正时间压力的交易
2. 把可立即成交单留给 那些速度确实比价格更重要的场合
3. 避免在已知的高波动窗口发出大额订单 （开盘、收盘、已排定的新闻），除非这笔交易特别需要
4. 继续记录实际发生的逆向选择 使用上面那套成交后价格变动的框架

第三阶段：系统化的执行复盘（6 个月以上）

时间安排： 只有在你已经跨订单类型积累了一批真实的交易记录样本之后再做。

1. 把逆向选择的测算自动化 用上面那套 Python 框架，跑你自己的交易日志和一份行情数据源
2. 重新评估你的券商选择 如果 Rule 605/606 数据和你自己的记录一致显示执行质量差于同行
3. 把对 OFI 的意识融入交易时点的判断 用于任何对短期执行成本敏感的策略，而不是把它当成独立信号

推荐阅读

• 机构与监管研究：
  • SEC Rule 605/606 披露——公开可得的执行质量与订单路由数据
  • Rama Cont、Arseniy Kukanov、Sasha Stoikov——《The Price Impact of Order Book Events》（订单流失衡框架）
  • Citadel Securities / Virtu Financial——公开的市场结构与执行质量研究
• 相关 PMR 文章：
  • 0DTE 期权微观结构与 Gamma 钉住（配套的交易商对冲框架）
  • HRT：微观结构（关于高频做市的配套篇）