4. 订单簿动态过程

在上一章中，我们把订单簿看作某一时刻的静态快照：买一到买五、卖一到卖五的挂单量、价差与深度。但真实市场从不停留在一个快照上。限价单不断到达、已有挂单被撤销、市价单或可成交限价单不断吃掉对手盘，价格随之在买卖价之间跳动。要构建短周期预测因子，必须把订单簿理解为一个随机点过程驱动的动态系统，而不是一张静态图片。

本章的核心问题是：如何用概率模型描述订单到达、撤单与成交这三类事件在时间轴上的发生规律？我们将从最基础的泊松过程出发，再引入能刻画“事件聚集”现象的霍克斯过程，并说明它们如何转化为可计算的微观结构因子。

一、核心原理：三类事件与计数过程

订单簿事件可以抽象为带时间戳的离散事件流。设观测区间为 [0, T]，我们关心三类事件：

• 限价单到达：在买侧或卖侧某价位新增挂单，记为 A(t)；
• 撤单：已有挂单被撤销，记为 C(t)；
• 成交：买卖双方撮合成功，记为 T(t)。

若把每类事件的发生次数记为 N(t)，则 N(t) 是一个计数过程：随时间单调不减，每次事件发生跳跃 +1。订单簿的动态本质，就是这三个计数过程在价格维度上的联合演化。价格本身不是连续变量，而是由成交事件推动的离散跳跃。

二、泊松过程：最基础的基准模型

泊松过程假设事件到达具有无记忆性：在任意时刻，下一事件发生的概率只取决于当前强度 λ，与过去历史无关。若事件到达服从强度为 λ 的齐次泊松过程，则在长度 Δt 的区间内发生 k 次事件的概率为：

P(N(t+Δt) - N(t) = k) = (λΔt)^k / k! * exp(-λΔt)

当 Δt 很小时，近似为：
P(发生1次) ≈ λΔt
P(不发生)  ≈ 1 - λΔt

在订单簿场景中，泊松过程常被用作零假设基准：如果订单到达完全随机，那么单位时间到达数应围绕 λ 波动，事件间隔服从指数分布。但真实市场几乎从不满足这一假设——开盘、收盘、新闻发布时事件会密集爆发，午间则明显稀疏。这种“聚集”现象，正是泊松过程失效的地方。

三、霍克斯过程：刻画事件的自激与聚集

霍克斯过程（Hawkes Process）是一种自激点过程：每个事件的发生会暂时提高未来事件发生的强度。其条件强度可写为：

λ(t) = μ + Σ α * exp(-β * (t - t_i))

其中：
μ   : 基础强度（外生到达率）
t_i : 第 i 个历史事件的发生时刻
α   : 激发幅度（事件带来的强度增量）
β   : 衰减速率（激发的记忆长度）
α/β : 分支比，接近1表示强自激、事件高度聚集

直观理解：一次大额成交会吸引更多订单跟进，一次撤单可能引发连锁撤单。霍克斯过程用“历史事件对当前强度的叠加贡献”来建模这种传染效应。在订单簿中，成交事件对后续成交、撤单对后续撤单，往往各自呈现显著的自激特征。

四、方法流程：从事件流到可交易因子

把上述模型落地为因子，需要一条清晰的数据处理链路：

1. 事件抽取：从逐笔委托与逐笔成交数据中，按时间戳提取限价单到达、撤单、成交三类事件，并标注方向（买/卖）与价格档位。
2. 强度估计：对每类事件，用滑动窗口统计单位时间到达数，得到经验强度；或用极大似然估计拟合霍克斯参数 (μ, α, β)。
3. 特征构造：将强度、分支比、事件间隔、买卖不对称性等转化为因子，例如“买侧撤单强度 / 卖侧撤单强度”。
4. 预测映射：用这些因子预测未来 1～10 秒的中间价变动方向或波动幅度。

五、案例与场景：开盘与午间的强度差异

以某流动性较好的股指期货为例。开盘后前 30 秒，成交事件强度可达午间的 8～10 倍，且霍克斯分支比接近 0.85，说明成交高度自激；午间休市前后，强度骤降，分支比降至 0.4 以下，事件接近泊松。若在午间仍用开盘时段估计的固定 λ 做阈值，会频繁误触发信号。

六、误区与复盘

• 误区一：把泊松当默认真相。泊松只是基准，真实订单流几乎总是过离散或聚集的。直接用泊松假设计算“异常到达”，会低估聚集时段的正常波动。
• 误区二：忽略撤单与成交的耦合。撤单往往是对成交的响应，二者强度存在交叉激发。只单独建模一类事件，会丢失重要信息。
• 误区三：参数估计窗口过长。霍克斯参数随市场状态漂移，用全天数据拟合一套参数，在开盘和收盘附近会严重失真。建议用滚动窗口或状态切换模型。
• 复盘要点：每次信号失效时，回看当时三类事件的强度曲线，判断是模型假设失效，还是市场状态发生了结构性切换。

总结来说，订单到达、撤单与成交构成订单簿的动态骨架。泊松过程提供了无记忆的基准，霍克斯过程则用自激机制刻画了真实市场的聚集与传染。理解这两层模型，是后续构造强度类、不平衡类与事件间隔类微观结构因子的前提。