2. 市场微观结构基础

在《市场冲击与流动性成本建模实战》中，理解市场微观结构是构建一切模型的前提。市场微观结构研究的是交易者如何在特定交易机制下，通过订单的提交、撮合与成交，最终形成价格的过程。它决定了你的订单会以什么价格成交、成交多少、以及你的交易行为本身会如何反过来影响价格。本节将围绕订单簿、买卖价差、市场深度、流动性度量指标与交易机制五个核心概念展开，为后续的冲击成本建模打下基础。

一、核心原理：订单簿是市场的“实时供需地图”

现代电子化市场普遍采用限价订单簿（Limit Order Book, LOB）作为核心撮合结构。订单簿本质上是一个按价格优先、时间优先原则排列的买卖订单集合。它分为两侧：

• 买方（Bid）：所有未成交的买入限价订单，按价格从高到低排列。最高买价称为最优买价（Best Bid）。
• 卖方（Ask）：所有未成交的卖出限价订单，按价格从低到高排列。最低卖价称为最优卖价（Best Ask）。

最优买价与最优卖价之间的差额，就是买卖价差（Bid-Ask Spread）。价差是流动性的最直接价格体现：价差越窄，交易者立即成交的成本越低，市场流动性越好。订单簿上每个价位挂单的数量，则构成了市场深度（Market Depth）。深度越厚，大额订单对价格的冲击越小。

二、方法流程：从订单簿到流动性度量

在实际建模中，我们需要将订单簿的静态快照转化为可计算的流动性指标。标准流程如下：

1. 采集订单簿快照：以固定频率（如每100毫秒或每笔成交后）记录前N档买卖价格与数量。
2. 计算价差指标：包括绝对价差（Ask - Bid）和相对价差（(Ask - Bid) / Mid），其中Mid = (Ask + Bid) / 2。
3. 计算深度指标：统计距离中间价一定百分比范围内的累计挂单量，或计算订单簿斜率。
4. 估算冲击成本：模拟一笔市价单吃掉若干档位后的成交均价，与当前中间价的偏离即为冲击成本。
5. 滚动监控与建模：将上述指标作为特征输入冲击成本模型，进行实时预测。

以下是一个简化的Python示例，演示如何从订单簿快照计算价差、深度和一笔市价买单的冲击成本：

import numpy as np

# 订单簿快照：asks和bids均为[(price, size), ...]，按价格优先排列
asks = [(100.01, 3000), (100.02, 2000), (100.03, 1500), (100.04, 1200), (100.05, 800)]
bids = [(100.00, 2500), (99.99, 1800), (99.98, 1400), (99.97, 1000), (99.96, 600)]

best_ask = asks[0][0]
best_bid = bids[0][0]
mid = (best_ask + best_bid) / 2
spread = best_ask - best_bid
relative_spread = spread / mid

print(f"中间价: {mid:.4f}")
print(f"绝对价差: {spread:.4f}")
print(f"相对价差: {relative_spread:.6f}")

# 计算前5档累计深度
ask_depth = sum(size for _, size in asks)
bid_depth = sum(size for _, size in bids)
print(f"卖方前5档深度: {ask_depth}")
print(f"买方前5档深度: {bid_depth}")

# 模拟市价买入5000股，计算成交均价与冲击成本
def market_buy_impact(asks, target_qty):
    remaining = target_qty
    cost = 0.0
    filled = 0
    for price, size in asks:
        take = min(remaining, size)
        cost += take * price
        filled += take
        remaining -= take
        if remaining == 0:
            break
    if remaining > 0:
        return None, None  # 深度不足
    avg_price = cost / filled
    return avg_price, avg_price - mid

avg_price, impact = market_buy_impact(asks, 5000)
print(f"买入5000股成交均价: {avg_price:.4f}")
print(f"相对中间价的冲击成本: {impact:.4f}")

三、案例/场景：不同流动性状态下的冲击差异

假设某股票当前中间价为100.00元，我们分别考虑两种市场状态：

可以看到，低流动性状态下，同样一笔5000股的买单，冲击成本是高流动性状态下的5倍以上。这直接说明：流动性成本建模必须动态考虑订单簿状态，而不能使用静态假设。

四、误区/复盘：常见理解偏差与纠正

• 误区一：价差越小，流动性一定越好。价差只是即时成本，若深度极薄，大单仍会击穿多档，造成巨大冲击。必须结合深度综合判断。
• 误区二：订单簿上看到的挂单量就是真实可成交量。挂单可能被快速撤单（闪单），实际可执行深度往往小于显示深度。建模时应考虑撤单率和订单存活时间。
• 误区三：用日频成交量代替流动性指标。日频成交量无法反映日内流动性波动和即时冲击成本，必须使用高频订单簿数据。
• 误区四：忽略交易机制差异。不同市场采用连续竞价、集合竞价或做市商机制，其订单簿结构和冲击成本特征完全不同。例如，做市商市场中价差包含做市商的风险补偿，而连续竞价市场中价差由限价单竞争形成。