摘要

摘要

相比于成交量而言，订单流不平衡不仅可以反映市场的交易活跃程度，还可
以显示出市场的买卖压力，解释价格运动的方向。订单流不平衡，是指在每一次
限价单订单簿发生变化时，订单簿上新增加的买单（买入的限价单）与新增加的
卖单（卖出的限价单）的差值。国外对订单流不平衡的研究已经十分丰富，而国
内对订单流不平衡的研究还主要集中在日频的股票市场，很少有人对期货市场
的订单流不平衡问题进行研究。
本文主要研究订单流不平衡与我国商品期货市场有效性的关系。具体来说，
本文的研究涉及两个问题，问题 1 通过检验不同时间频率的订单流不平衡作为
一种历史信息对未来期货合约收益率的预测效果，从而估计出中国商品期货市
场收敛至弱式有效的时间；问题 2 对不同市场环境下订单流不平衡对未来期货
合约收益率的预测效果进行比较，探索影响订单流不平衡预测力的因素，进而探
究市场环境对市场有效性的影响。
问题 1 以 2017 年中国商品期货市场成交量最大的三个品种螺纹钢、镍、热
卷为对象，使用非对称效应的 GJR-GARCH 模型进行研究，研究发现日内订单
流不平衡具有正向的自相关性和长期记忆性，此外，通过分析不同频率下订单流
不平衡对未来期货收益率的预测效果，估计出我国商品期货市场收敛至弱式有
效的时间大约为 10 分钟，这比中国股票市场收敛至弱势有效的时间要短。
问题 2 中将流动性水平和波动性水平作为市场环境的衡量指标，分析不同
的流动性和波动性水平下，订单流不平衡对未来期货合约收益率的预测力。本文
引入了新的衡量流动性水平的指标，研究发现流动性水平越低，订单流不平衡对
未来期货合约收益率的预测效果越好，这表明流动性水平越低，市场越无效。同
时，引入了收益率的波动性水平，研究发现波动率水平越高，订单流不平衡对未
来期货合约收益率的预测效果越好。所以根据对问题 2 研究表明，在流动性水平
越低，波动性水平越高的情况下，市场更加具备可预测性，有效性水平越低。

关键字：订单流不平衡 自相关性 长期记忆性 流动性 波动性 市场有效

 Abstract

Abstract

Compared with the volume of transactions, the imbalance of order flow can not
only reflect the trading activity of the market, but also show the trading pressure of the
market and explain the direction of the price movement. Unbalanced order flow refers
to the difference between the newly added buy order (buy limit order) and the newly
added sell order (sold limit order) in the order book when each limit order book changes.
Foreign research on the imbalance of order flow has been very rich, and domestic
research on the imbalance of order flow is mainly concentrated in the daily stock
market. Few people have studied the imbalance of order flow in the futures market.
This paper mainly studies the relationship between the imbalance of order flow
and the effectiveness of China's commodity futures market. Specifically, the research
in this paper involves two problems. Question 1 measures the forecasting effect of
future information on the futures contract rate by examining the imbalance of order
flow at different time frequencies, thus estimating the convergence of China's
commodity futures market to weak Effective time; Question 2 compares the forecast
effect of the imbalance of order flow in different market environments on the future
futures contract yield, explores the factors affecting the unbalanced forecasting power
of the order flow, and then discovers the impact of different market environments on
the market.
Question 1 is based on the three varieties of rebar, nickel, and hot coils with the
largest volume of transactions in China's commodity futures market in 2017. The GJR-
GARCH model with asymmetric effects was used to study. The study found that the
intraday order flow imbalance has a positive self. Correlation and long-term memory.
In addition, by analyzing the forecast effect of the imbalance of order flow at different
frequencies on future futures yield, it is estimated that the time for China's commodity
futures market to converge to weak effective is about 10 minutes, which is better than
the Chinese stock market. The time to converge to the weak is effective.
In question 2, the liquidity level and the volatility level are used as the indicators
of the market environment, and the forecasting power of the futures contract yield is
 Abstract

determined by the imbalance of the order flow under different liquidity and volatility
levels. This paper introduces a new indicator to measure the level of liquidity. The
study finds that the lower the level of liquidity, the better the forecast of the futures
contract yield is due to the imbalance of order flow, which indicates that the lower the
level of liquidity, the more ineffective the market. At the same time, the level of
volatility of the rate of return is introduced. The study finds that the higher the level of
volatility, the better the forecast effect of the imbalance of order flow on the future
futures contract rate. Therefore, according to the research on Question 2, the lower the
level of liquidity and the higher the level of volatility, the more predictable the market
and the lower the level of effectiveness.

Keyword: Order imbalance Autocorrelation Long-term memory Liquidity

Volatility Market efficiency
 目录

目录

第一章 绪论 ............................................. 1

第一节 选题背景和意义 ..........................................1

第二节 国内外研究现状和发展趋势 ...............................2
第三节 市场微观结构与订单流不平衡 .............................5
第四节 研究内容和研究框架 .....................................8

第二章 订单流不平衡的计量方法和统计性质 ................ 10

第一节 订单流不平衡与成交量不平衡 ............................10

一、订单流不平衡与成交量不平衡的计量方法 .......................... 10

二、数据来源以及具体算法 ......................................... 11

三、成交量不平衡与订单流不平衡的统计性质 .......................... 14

第二节 两类不平衡指标在价格变化的解释与预测上的差异 ..........15

第三章 订单流不平衡的自相关性和长期记忆性 .............. 19

第一节 订单流不平衡自相关性的实证检验 ........................19

第二节 订单流不平衡的长期记忆性检验 ..........................22

第四章 订单流不平衡与市场有效性的实证研究 .............. 26

第一节 订单流不平衡与市场有效 ................................27

第二节 流动性和波动性对市场有效性的影响 ......................30

第五章 结论 ............................................ 35

参考文献 ................................................ 36
 第一章 绪论

第一章 绪论

第一节 选题背景和意义

由于成交量不具备方向性，人们在研究价量关系的过程中发现了订单流不
平衡的概念。在早期，人们对订单簿的研究还未深入之前，研究者主要通过成交
量不平衡来衡量市场的买卖压力。成交量不平衡是指将成交量拆分为由买方发
起的成交量和由卖方发起的成交量，这两类由买方和卖方发起的成交量的差值
就是成交量的不平衡。从字面意思可以看出，成交量的不平衡不仅可以像成交量
一样揭示市场的交易活跃度和市场的波动程度，而且还可以展现出市场是处于
买方的压力之下还是卖方的压力之下。随着研究者发现，交易市场的成交量大多
是以限价单的方式成交，人们把研究的方向从成交量转变为订单簿上限价单的
挂单量，所以成交量的不平衡进一步演变成了订单流的不平衡。订单流不平衡是
指在每一次订单簿发生变化时，订单簿中新增加的买单量与新增加的卖单量的
差值。相比于成交量的不平衡，订单流不平衡更加直接的体现了交易者进行买卖
交易意愿的差别。
大多数订单流不平衡的研究主要集中在国外市场，研究者在研究订单流不
平衡的时候发现，订单流不平衡具备一定的正向的自相关性。并且，订单流不平
衡与同期价格变化有很强的正相关性，这也说明了订单流不平衡是推动价格变
化的主要驱动力。而在订单流不平衡与未来资产收益率方面，研究者发现在做市
商驱动市场，订单流不平衡与未来资产收益率呈显著的正相关。而在国内研究文
献中，对订单流不平衡的研究主要集中在股票市场。根据相关文献对我国股票市
场订单流不平衡的研究发现，在日频的时间间隔下，订单流不平衡无法预测未来
的股票收益率，而在日内的时间范围，订单流不平衡对未来的股票收益率具有预
测效果。根据市场有效性假说，在弱式有效的市场上任何历史信息无法对未来的
交易性金融资产的价格进行预测。这也说明，我国股票市场在日内的时间范围内，
不是弱式有效的，这些研究成果也给本文研究我国商品期货市场的订单流不平
衡以及市场的有效性提供了方向。中国商品期货市场较股票市场起步较晚，而交
易机制方面采用的也是和股票市场一样的订单驱动机制，这与国外文献中研究

1
 第一章 绪论

订单流不平衡所在的市场是做市商驱动市场的环境是不同的。所谓订单驱动市
场，是指投资者将下单的指令委托给代理商，代理商将投资者的订单放入订单簿
中，买卖订单通过价格优先时间优先的原则自动撮合成交。而做市商驱动市场，
是指市场中由特定的做市商，根据自己手中的存货和现金以及交易者的报价进
行买卖交易。通过研究订单流不平衡的性质，以及根据订单流不平衡作为历史信
息对未来期货合约收益率的预测效果，估计出中国商品期货市场收敛至弱势有
效所需要的时间，既可以对比我国期货市场和股票市场的有效性，也可以与具有
不同交易机制的国外市场的有效性作对比。
本文从订单流不平衡的计算方法出发，研究在 2017 年中国商品期货市场中
成交量最大的三个品种螺纹钢、镍、热卷三个品种的订单流不平衡，验证订单流
不平衡在商品期货上是否具有自相关性和长期记忆性。随后，通过研究不同频率
下的订单流不平衡对未来期货合约收益率的预测效果，估计出我国商品期货市
场收敛至弱势有效的时间。最后，比较不同的流动性水平和波动性水平下，订单
流不平衡对未来期货合约收益率的预测效果，探索流动性水平和波动性水平如
何影响市场的有效性。这对交易所如何设置交易制度和交易成本以增强市场的
有效性具有很大的理论和实践意义。

第二节 国内外研究现状和发展趋势

之前对金融市场的研究中，资产的成交量和资产价格的波动性一直是人们
研究的主要话题，但是随着技术的进步以及研究深度的加大，人们发现成交量只
能说明市场的波动程度，但是不具备方向性，人们把研究的目光投向了订单流的
不平衡，这种既具有量的性质也具有方向的矢量。
在研究订单流不平衡对金融资产的各种影响之前，有大量的研究者首先对
订单流不平衡的计量方法做出了研究。而计算订单流不平衡的一个关键的基础
就是对交易方向的判别，即我们需要知道此时的成交是由买方发起的成交还是
由卖方发起的成交。对这一问题的研究，产生了最为著名的三种著名的交易分类
算法：第一类是 The quote rule，它往往是通过比较成交价格和买一价与卖一价
的中间价来进行分类，如果成交价格大于买卖的中间价，那么这一笔成交归于由
买方发起，如果成交价格小于买卖中间价，那么这一笔成交量归于由买方发起。

2
 第一章 绪论

第二类是 tick rule，它是通过比较上一个与此时刻不同的成交价格来判断此刻成

交量属于买方发起还是卖方发起，如果此刻成交价大于上一刻成交的价格，则说
明此刻的成交量是由买方发起的成交价格，反之则说明此刻的成交量是由卖方
发起的成交量。如果此刻的成交价与上一刻成交的价格相等，则继续往前面的时
刻进行比较，直到比较出与当前成交价不同的成交价为止。第三类是 Lee(1991)
提出的交易分类算法，此算法主要是结合了 quote rule 算法和 tick rule 算法，在
比较成交价格和买卖中间价后，如果大于或小于中间价，则用 quote rule 的算法
去分类，如果成交价格等于买卖中间价，那么则用 tick rule 的方法去分类。这种
分类方法被广泛应用到许多订单流不平衡的研究中，它分类的准确性也经过了
很多的验证，例如在 Erik（2000）
使用德国法兰克福交易所的股票数据对 Lee(1991)
的分类算法测试发现，Lee(1991)算法在去除掉成交价格等于买卖中间价的情况
下分类的准确性也只有 75.4%，如果是全部样本的测试，算法的精确率是 72.8%。
他还发现在成交价格等于买卖中间价且此刻的成交价与上一时刻的成交价相同
时，Lee(1991)的算法分类的准确性低于 50%。其实，无论是上述哪类算法，他
们研究的对象都是基于成交量而言的，也就是说严格意义上只能算是成交量的
不平衡。对于订单流的不平衡，它不仅仅包括了成交量的不平衡，同时也包括了
订单簿中限价单的不平衡。Rama(2014)中比较了成交量的不平衡和订单流的不
平衡，主要是比较他们对价格变化的解释力度，文章用简单的线性回归模型用订
单流不平衡以及成交量不平衡去解释价格变化，发现在控制了订单流不平衡的
条件下，成交量不平衡对价格变化的解释力度很小。文章中同时提出了基于高频
level one 数据计算订单流不平衡的方法。Shen(2015)对 Rama(2014)中计算订单
流不平衡的方法进行的细微的改进，在对比更加详细的二档数据之后，我们认为
该方法的计算合理性会更加好。因此，本文研究的订单流不平衡打算主要采用
Shen(2015)中计算指标的方法，同时比较成交量不平衡和订单流不平衡在商品
期货价格预测上的区别。
除了对订单流不平衡的计量方法，还有大量的文献研究了订单流不平衡和
股票收益率之间的关系。早期的研究主要是从一些特定的事件发生后研究时间
跨度很小的范围内订单流失衡的影响。Blume(1989)和 Lauterbach(1993)研究发
现 1987 年 10 月股市出现崩盘的时候，订单流不平衡与股票价格变化相关性很
强。Chan(2000)通过研究纽约证券交易所和纳斯达克的股票数据，发现了股票波
动率和订单流不平衡之间的关系。Huang 等 (2014)主要研究股票的公告日订单
3
 第一章 绪论

流不平衡与股价关系的影响，研究结果表明在以中间价格成交的前提下，订单流
的不平衡作为股价的预测指标能够取得正收益率。还有许多研究或者投资策略
是通过订单流不平衡来预测未来资产价格走势的，Tarun(2004)、Han(2014)和
Rahul(2014)通过利用日频周期下的订单流不平衡预测股票平均日收益率而得到
正的收益。Rama(2014)也证明了高频数据下订单流不平衡与未来资产价格变化
存在相关性。Tarun(2002)在研究订单流不平衡与股票收益率和股票流动性的关
系时发现，订单流不平衡和同期的股票收益率有很强的相关性，Tarun 主要从做
市商对自己存货水平的优化决策中论证这一观点。同时，Tarun 还发现在订单流
出现较大的负的不平衡时候，对股票价格的预测会更加显著，并且在控制了成交
量和流动性的条件下，订单流不平衡可以很好的解释股票的波动情况。Stoll(1978)
和 O’Hara(1986)从做市商的角度研究订单流不平衡问题，认为握有存货的做市
商是风险厌恶者，他们会规避存未来的货风险而控制订单流。而 Tarun(2004)中
详细分析了订单流不平衡自相关性的产生原因，认为知情交易者为了避免在交
易中对价格产生的冲击，对自己的订单进行拆分，从而造成了订单流的正向的自
相关性，并且他们发现这种正的自相关性也从侧面证明了滞后期的订单流不平
衡对未来的资产价格变化有正向的预测性，但是这一正向的预测性在控制了当
前订单流不平衡的条件下就不复存在。此外，他们认为只有在具有做市场存在的
市场机制下，订单流的不平衡才对未来的价格具有预测性。以上大多数研究大多
基于 Lee(1991)中对订单流不平衡的定义进行展开的，但是正如之前所提到的，
这种算法主要是基于成交量的不平衡，将成交量拆分为由买方发起和卖方发起。
随着技术的进步，获取的数据也更加多样，从订单簿中提取订单流不平衡而展开
的研究也变得丰富起来。除了 Rama(2014)中比较了成交量的不平衡和订单流的
不平衡对价格变化的影响之外，Hardy(2017)研究了更为细分的订单流不平衡对
股票收益率的影响。Hardy 使用三种方法计量订单流不平衡，并进行计较，方法
一是传统的 Lee(1991)的算法；方法二是未经调整的订单流不平衡，计量的方法
为订单簿中的买一量减去订单簿中的卖一量，再除以买一量和卖一量的和；方法
三是经过调整的订单流不平衡，这种计量方法将投机者挂单意愿的大小以及挂
单的时间考虑进去，通过对挂单价格与订单簿最优的挂单价（买一价和卖一价）
做对比，根据挂单价到最优挂单价的距离产生一个权重对挂单量进行调整，再加
入挂单时间的权重因子，得到调整后的订单流不平衡。其中，方法三中订单流不
平衡的调整主要是为了区分订单簿中的市价单和限价单，经过调整后的订单流
4
 第一章 绪论

不平衡与同期的资产收益率呈负相关关系，而这与 Tarun(2004)中的结论是相反
的。Hardy 由此认为，假设市场中的知情交易者是沿着当前市场价格的方向下达
订单指令的话，那么可以得出市价单比限价单带有更多的知情信息的结论。同时，
在预测未来资产收益率方面，如果考虑交易成本，无论是成交量的不平衡还是订
单流的不平衡，对资产未来的收益率都不具备预测性。在研究不同类型的交易者
对订单流不平衡的自相关性贡献的过程中，Lee(2004)等发现境内和境外的机构
投资者是导致订单流具有持续性的主要角色，并且发现导致订单流的自相关性
不仅由于拆分订单，同时存在着羊群效性。
订单流不平衡在研究市场有效性上也发挥了很大的作用。在弱式有效的市
场下，过去的信息无法解释未来的资产价格变化，但是由于订单流不平衡存在这
自相关性，那么以此推测之后的订单流不平衡会对资产价格由预测效应，而这种
预测效应会随着时间跨度的下降而消失，由此可以估算出市场收敛至有效的时
间。Chordia(2005)在研究美国股票市场有效性中发现，美国股票市场的订单流
不平衡在 5min 频率下与未来股票收益率呈显著正相关，但是到了 10min 以及更
长的时间间隔，相关性从显著正相关变为显著负相关，由此认为聪明的交易者需
要花费 5min 左右的时间来进行反补贴交易以抵消过去订单流的失衡。根据交易
者采取行动的时间，文章得出美国股票市场需要花费 5 分钟左右的时间开始收
敛至有效的结论。在 Chordia(2008)研究美国股票市场的有效性中，发现流动性
因素越低，订单流不平衡对未来股票收益率的预测力越强。而 Lei(2011)在研究
订单流不平衡与中国股票市场有效性检验的过程中，发现我国股票市场在短期
收敛至弱式有效大概需要 10min 到 15min。同时，也发现了订单流不平衡在流动
性水平较低的条件下对未来股票收益率的预测效果更好，也从侧面表明了流动
性水平越低，市场有效性越低。

第三节 市场微观结构与订单流不平衡

著名的市场微观结构理论主要分析影响证券价格的各种因素中，费率和信
息对证券价格的影响，提出了存货模型和信息模型。Demsetz(1968)在《交易成
本》中第一次分析了交易机制对价格行为的影响，这标志者市场微观结构理论的
诞生。Demsetz 提出了一个买卖价差模型，认为市场存在两种均衡价格，一种是

5
 第一章 绪论

交易者希望马上成交的即时成交均衡价格，还有一种是交易者希望等待以获取
更优的成交价格的观望成交均衡价格。而两种成交价格的差值就属于交易者等
待的时间成本。此后，微观市场结构理论就结合这种即时成交的时间成本以及市
场均衡价格与市场交易机制之间的关系。并且，研究的焦点也开始转移至做市商
的报价行为上，逐渐形成了从做市商存货决策和交易者根据私人信息决策两种
角度研究的思路，最终提出了存货模型和信息模型。存货模型主要内容为做市商
需要调整报价以及价差以保证存货处于最优水平，从而在交易过程中获取利润
补偿。Garman(1976)和 Stoll(1978)分别讨论了订单流的性质以及单期只有一个
做市商和一个流动性交易者的情况下，做市商如何优化自己的决策问题。
Ho(1981)则进一步讨论了做市商多期优化决策问题。Gohen 和 Whitcomb(1981)
分析了有多个流动性交易者和一个做市商的市场下，存货的优化决策与价格行
为的关系问题。随着更多市场参与者的进入，不同的参与者拥有不同的信息基础，
市场微观结构理论的研究方向则转向信息不均衡对市场价格影响的问题。信息
模型将市场的参与者分为了知情交易者和不知情交易者，做市商在与知情交易
者的交易中总是会遭受损失，因为他们具有私人信息，知道未来价格的发展方向，
所以做市商只能提高价差来弥补一部分损失，这也从信息成本的角度解释了买
卖价差的存在。Galai(1983)则认为只要有知情交易者存在，买卖价差就一定不会
等于零。Glosten(1985)和 Easley(1987)研究了做市商如何在知情交易者存在的
市场中定价的问题，而 Kyle(1985)则从知情交易者的角度出发，分析拥有私人
信息的知情交易者如何制定自己的交易者策略，发现知情交易者需要隐藏自己，
将自己伪装成不知情的交易者以谋取利润。Holden(1992)研究发现，在有多个知
情交易者存在的情况下，知情交易者的数量越多，市场价格所携带的信息效率就
越高，知情交易者越难伪装，当知情交易者的数量趋于无穷大时，任何知情交易
者都无法获利。Admatiand(1989)分析了不知情交易者的交易行为，并且将不知
情交易者分为聪明的交易者和噪音交易者，聪明的交易者可以根据现有的信息
相机抉择，降低自己与知情交易者交易的过程中遭受的损失。信息模型和存货模
型都是分析在有特定做市商的市场中，不同类型的市场参与者的交易行为以及
其对市场价格的影响。而随着交易机制的发展和改变，有些交易市场并不是由特
定的做市商进行报价撮合成交的，采用的是订单驱动的方式，自动匹配买卖双方
的报价进行撮合成交，比如我国的股票市场和商品期货市场都是采用这种报价
以及成交的方式。所以，在这类市场上，人们研究的对象不在只是不同类型的市
6
 第一章 绪论

场参与者的行为，而更多的是转向交易订单流本身。因为在订单驱动市场下，投
资者主要根据对未来订单流的预期以及订单是否被执行的概率进行下单。
Parburand 和 Seppi(2008)全面地比较了两类市场的不同点，主要从市场有效性、
及投资者的投资策略和市场价格的行为三个方面展开。
从市场微观结构的角度解释订单流不平衡的相关性质的理论研究已十分成
熟，但实证研究方面却很匮乏，最著名的就是 Tarun (2004)。Tarun (2004)在研
究订单流不平衡时，发现知情交易者在更早的时候获取了私人信息而给价格造
成压力从而产生了订单流的不平衡，而流动性交易者为了减少这种价格变化给
其带来的冲击，将订单拆分，这也导致了订单流不平衡具有一定的正向自相关性。
做市商虽然无法获取私人信息，但是当他在与知情交易者的博弈中为了规避存
货风险，不得不提高价格，同时由于做市商了解流动性交易者会拆封订单，给订
单流造成持续性的压力，迫于对存货风险的厌恶性，做市商不得不继续调整价格
向之前订单流不平衡的方向，这就解释了滞后期的订单流不平衡对价格有正向
的预测性。所以 Chordia 认为，只要在做市商交易制度下，且做市商具有风险厌
恶的本质，那么订单流不平衡就会由于存货效应而对未来的资产价格具有正向
的预测性。
对于订单驱动市场，对订单流的理论研究还非常少，但是实证研究也发现即
使不存在做市商，订单流不平衡依然具有持续性或者自相关性。Lee (2004)在研
究台湾股票市场时发现，在没有特定的做市商市场，订单流不平衡依然有着正向
的自相关性，主要造成这种自相关性的市场参与者是境内和境外的机构投资者，
并且拆分订单和羊群效应都是造成持续价格压力的主要原因，这也与 Scharfstein
和 Stein(1990) , Hirshleiferh(1994)提出的羊群效应模型以及 Kyle(1985)的拆分
订单模型向吻合。依据不同类型的市场参与者以及他们下单的类型，研究发现境
内下市价单的机构投资者获得的利润最大，他们属于有私人信息的知情交易者，
他们会拆分自己的订单以至于降低价格冲击对他们投资的影响。同时，研究中还
发现，即使不存在做市商，订单驱动的市场机制对订单流不平衡的吸收作用也非
常强大，因为没有证据表明在频率放到日频的长度下，订单流不平衡对未来价格
有任何的预测作用。除此之外，Andrade 和 Chang(2008)也研究了属于订单驱动
的台湾股票市场下的订单流不平衡与股票收益之间的关系，文章主要以周度数
据作为研究对象，研究发现若做空上周订单流不平衡最高的 20%的股票并且做多
上周订单流最低的 20%的股票，将获得每周平均 0.52%的收益，如果持有 4 周，
7
 第一章 绪论

将每周获得 0.92%的收益。这表明订单流不平衡所造成的价格变化会导致价格偏
离其价值，订单流不平衡之后具有一定的反转效应，但是偏离的时间是短暂的。
中国商品期货市场属于订单驱动市场，结合一些在台湾市场和中国股票市
场这些同为订单驱动市场的研究成果，本文主要通过我国商品期货市场的订单
流不平衡来解决一下问题：
第一、中国商品期货市场的订单流不平衡是否也具有正向的自相关性。
第二、通过研究中国商品期货市场订单流不平衡作为一种历史信息在不同
频率下对期货合约收益率的预测效果，估计出中国商品期货市场收敛至弱势有
效所需要的时间，并且与 Chordia(2005)中研究美国股票市场以及 Lei (2011)中
研究的中国股票市场收敛至弱势有效所用的时间做比较。
第三、在 Lei (2011)和 Chordia(2008)中加入流动性水平的因素后研究得到
的流动性水平如何影响订单流不平衡对未来股票收益率的预测力的基础上，本
文根据获得的高频数据引入了一个新的衡量流动性水平的指标，对流动性水平
影响订单流不平衡的预测效果验证。并且，本文还新引入了波动性水平，同时研
究流动性水平和波动性水平如何影响订单流不平衡对未来期货合约收益率的预
测效果，从而检验流动性和波动性如何影响市场有效。

第四节 研究内容和研究框架

本文以 2017 年中国商品期货市场为研究对象，选取了 2017 年中国商品期

货市场成交量最大的三个品种进行订单流不平衡、流动性、波动性与市场有效性
的相关研究。首先，本文将详细的介绍下订单流不平衡具体算法。由于早期的订
单流不平衡主要是指成交量的不平衡，也就是需要将成交量进行拆分为买方发
起的成交量和由卖方发起的成交量。拆分的方法由很多种，我们先简单介绍几种
著名的拆分方法，最后引用 Lee(1991)的方法作为本文计算成交量不平衡的主要
算法，并且对算法进行具体的解释。随着人们把研究的目光从成交量的拆分转向
订单簿中挂单量的拆分，成交量不平衡也演变成了订单流不平衡。本文引用
Shen(2015)中提到的对订单流不平衡的计算方法，对算法进行解释。根据许多研
究文献显示，两种不平衡指标都能很好的解释价格变化，本文则比较两种不同不
平衡指标在对未来收益率预测方面的差异，以选取适合的不平衡指标做后续的

8
 第一章 绪论

研究。在不平衡的指标确定为订单流不平衡后，本文将验证我国商品期货市场上
订单流不平衡的自相关性和长期记忆性，从实证的角度证实订单流不平衡是否
具备正向的自相关性。并且，通过计算订单流不平衡的赫斯特指数以及估计订单
流不平衡在 ARFIMA(p,d,q)模型中的参数 d，共同检验订单流不平衡是否具有长
期记忆性。
在检验了订单流不平衡的一些统计性质后，本文的主要研究方向在于通过
研究不同频率下订单流不平衡作为历史信息对未来期货合约收益率的预测效果
来反应我国商品期货市场收敛至弱势有效需要的时间。考虑到金融资产的收益
率在面对正负冲击的条件下具有不对称性，以及收益率的分布具有厚尾的性质，
本文通过建立拥有非对称效应的 GARCH 模型即 GJR-GARCH 模型。将当前期
的期货合约收益率作为因变量，滞后期的订单流不平衡作为解释变量放入均值
方程中，检验在 10s、1min、5min 和 10min 四种频率下订单流不平衡对未来期货
合约收益率的预测效果。最后，根据 Lei (2011)以及 Chordia(2008)在研究中国
股票市场和美国股票市场有效性的研究中引入的流动性水平一样，我们也考察
了在不同的流动性水平下订单流不平衡对未来期货收益率的预测效果。这里不
仅引用了 Lei (2011)中提到的 Amihud (2002)中提出的基于成交量和收益率衍生
计算出的衡量流动性水平的指标，同时也引入了自己思考构造出的基于高频数
据的挂单量和收益率而衍生计算的新的衡量流动性的指标，做了一个对比的稳
健性分析，这是本文第一个创新之处。第二个创新之处是在于考虑流动性水平的
同时，还引入了收益率的波动性水平条件，探究波动性水平如何影响订单流不平
衡的预测力，从而如何影响市场有效性。

9
 第二章 订单流不平衡的计量方法和统计性质

第二章 订单流不平衡的计量方法和统计性质

第一节 订单流不平衡与成交量不平衡

在对限价单订单簿研究还未深入之前，研究者研究的订单流不平衡大多为
成交量不平衡。其实质就是将每一笔成交的成交量划分为由买方发起的成交量
和由卖方发起的成交量，它们的差值就是成交量的不平衡。这里的核心就是如何
划分成交量。所谓的买方发起的成交量主要是指该成交量是由想主动买入资产
的交易者发起的且导致价格有可能处于上涨的状态的成交量。而卖方发起的成
交量这是指该成交量是由想卖主动出资产的交易者主动成交的，且导致价格有
可能处于下跌状态的成交量。随着研究发现，大部分的成交量来自于限价单的成
交，研究者把对成交量的划分转向对限价单的划分，成交量的不平衡也就进一步
被订单流的不平衡所取代。与成交量不平衡的定义相类似，订单流不平衡主要是
指在每一次限价单订单簿的变动中，交易者新挂入的买单量与新挂入的买单量
的差值。从两种不平衡的定义可以看出，成交量的不平衡注重成交量的拆分，而
订单流的不平衡注重对限价单的划分。根据 Rama（2014）中研究美国股票市场
的两种不平衡的结果显示，两种不平衡都能很好的解释股票同期价格变化，而在
控制了订单流不平衡的情况下，成交量不平衡对股票价格变化的解释几乎消失。
带着这些前人的研究经验，我们首先在结合具体的高频数据下，详细的介绍两种
不平衡指标的计算方法和一些统计性质。

一、订单流不平衡与成交量不平衡的计量方法

要计算成交量的不平衡，我们需要知道该笔成交是买方发起还是买方发起，
而拆分的算法有很多种，但是拆分的关键是如何区分主动成交与被动成交。最早
的方法由著名的 quote rule，它是通过比较成交价格是否大于买一价和卖一价的
中间价来判断的，如果成交价格大于买一价和卖一价的中间价，那么这一笔成交
量属于买方发起，若小于，则属于卖方发起。如果成交价格等于买一价和卖一价
的中间价，则不加以判断。另外一个著名的算法就是 tick rule，这种算法是比较
这一笔的成交价和上一笔的成交价，如果此笔成交的价格大于上一笔成交的价

10
 第二章 订单流不平衡的计量方法和统计性质

格，那么此笔成交量属于买方发起，若小于则属于卖方发起。特别的是，如果此
笔成交价格等于上一笔成交的价格，那么一直往前推，直到能够比较出与当前成
交价不同的历史成交价为止。而最著名的 Lee(1991)的算法则是结合了以上两种
算法，在成交价格不等于买一价和卖一价的中间价时，用 quote rule，而当成交
价等于买一价和卖一价的中间价时，用 tick 的规则。Lee(1991)中提出的算法很
好的解释了什么是由买方或卖方主动发起的成交量。所谓主动，其实也是根据限
价单和市价单来区别的。交易者如果愿意跨越买卖价差，以最优的卖价去买入资
产，那么买入方属于主动的一方。因为虽然买卖双方都完成了交易，但是买入方
是主动承担买卖价差而购买资产的一方，属于主动买入，而卖出方是挂入限价单
等待买入方来匹配的一方，属于被动的卖出方。Lee(1991)就是根据这样的原理
去判别成交量是属于买方发起还是买方发起的，两者的差值就算成交量不平衡，
本文也采用 Lee(1991)的方法计算成交量不平衡。
随着限价单订单簿的出现，我们不仅仅可以看到成交的订单的价格与数量，
还能在订单簿上看到交易者挂入的限价单。限价单指的是交易者挂入的将以一
定价格买入或卖出资产的订单，如果市场价格触及到限价单的价格或者比限价
单的价格更理想，限价单就会成交。订单流不平衡的计算就是在每一次订单簿发
生变化时，订单簿上新增加的买单与新增加的卖单的差值。Rama(2014)在研究
订单流不平衡的过程中，给了订单流不平衡更加具体的计算方法，而 Shen(2015)
对 Rama 的算法进行了细小的改变，更加具有合理性。本文在计算订单流不平衡
时采用 Shen(2015)的算法，接下来结合具体的高频数据来介绍订单流不平衡和
成交量不平衡的计算方法。

二、数据来源以及具体算法

本文主要研究对象是我国商品期货市场，采用的数据为 2017 年全年 243 个

交易日的高频 Level one 数据。我国有四个商品期货交易所以及 37 个品种，相关
的数据量很大，本文选取了上海期货交易所在 2017 年成交量最大的三个品种的
主力连续合约，分别是螺纹钢(RB)，镍(NI)，热卷(HC)。据相关统计，2017 年，
上海期货交易所的总成交量占中国商品期货市场成交量的 45%，而上期所的这三
个品种的总成交量占上期所成交总量的 70%，因此这三个品种具有较强的代表性。
本文的数据来源主要是 wind 提供的商品期货 tick 级别的数据，也就是 level one

11
 第二章 订单流不平衡的计量方法和统计性质

的高频数据，数据格式类型如下：

表 2.1 高频 level one 数据源文件

交易所 合约 时间 最新 成交额 成交量 买一价 卖一价 买一量 卖一量

sc rb1705 00:00.5 2889 6.1E+07 2116 2886 2888 85 1
sc rb1705 00:01.0 2889 5E+07 1728 2885 2888 327 15
sc rb1705 00:01.5 2889 9.2E+07 3176 2886 2889 1 75
sc rb1705 00:02.0 2886 3.4E+07 1166 2882 2886 241 29
sc rb1705 00:02.5 2885 1.8E+07 632 2883 2885 45 229
sc rb1705 00:03.0 2883 3E+07 1056 2882 2883 78 41
sc rb1705 00:03.5 2882 3.9E+07 1354 2881 2882 90 47
sc rb1705 00:04.0 2881 2.9E+07 1012 2882 2883 11 16
sc rb1705 00:04.5 2883 2.3E+07 786 2883 2885 94 25

根据表 2.1，level one 的高频数据一般的时间间隔是 0.5 秒，有时会到一秒

或者更长，也就是说我们所获取的不是精确到每一笔成交的逐笔数据，而是间隔
至少是 0.5 秒的切片数据。因此在应用 Lee(1991)中计算成交量不平衡的算法时
需要做一些变通，在应用现有可获得数据的基础上将算法的逻辑最大程度的体
现出来。我们采用的做法如下：根据 Lee(1991)中的算法逻辑，我们将原本用于
比较的逐笔成交的成交价变为我们的 tick 切片数据的成交均价𝑉𝑤𝑎𝑝𝑡 ，比较每一
个切片的成交均价与上一个切片的买一价和卖一价作比较。如果当前切片的成
交均价大于上一个切片的卖一价，说明当前切片的所有成交量都是买方主动发
起的成交量，成交量的不平衡就等于成交量本身；如果当前切片的成交均价小于
上一个切片的买一价，说明当前切片的所有成交量都是卖方主动发起的成交量，
成交量不平衡等于成交量的相反数；如果当前切片的成交均价介于上一个切片
的买一价和卖一价之间，我们将通过计算一个比例𝐴𝑙𝑝ℎ𝑎𝑡 ，这个比例是指成交量
中以上一个切片的买一价成交的数量的占比，而 1-𝐴𝑙𝑝ℎ𝑎𝑡 则代表以上一个切片
的卖一价的成交量占比，两个比例的差值再乘以当前切片的成交量就等于成交
量不平衡。具体的公式如下：

𝐴𝑚𝑜𝑢𝑛𝑡𝑡
𝑉𝑤𝑎𝑝𝑡 = ，𝑈𝑛𝑖𝑡是合约乘数 (2.1)
𝑉𝑜𝑙𝑢𝑚𝑒𝑡 ∗ 𝑈𝑛𝑖𝑡

12
 第二章 订单流不平衡的计量方法和统计性质

𝑉𝑜𝑙𝑢𝑚𝑒𝑡 /2 𝑖𝑓 𝑉𝑤𝑎𝑝𝑡 > 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1

𝑉𝑜𝐿𝑡 = { −𝑉𝑜𝑙𝑢𝑚𝑒𝑡 /2 𝑖𝑓 𝑉𝑤𝑎𝑝𝑡 < 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1
(2.2)
(1 − 𝐴𝑙𝑝ℎ𝑎𝑡 ) ∗ 𝑉𝑜𝑙𝑢𝑚𝑒𝑡 /2 − 𝐴𝑙𝑝ℎ𝑎𝑡 ∗ 𝑉𝑜𝑙𝑢𝑚𝑒𝑡 /2

𝑖𝑓 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1 < 𝑉𝑤𝑎𝑝𝑡 < 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1

计算𝐴𝑙𝑝ℎ𝑎𝑡 的公式如下：

𝐴𝑙𝑝ℎ𝑎𝑡 ∗ 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1 + (1 − 𝐴𝑙𝑝ℎ𝑎𝑡 ) ∗ 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1 = 𝑉𝑤𝑎𝑝𝑡 (2.3)

对于订单流的不平衡，Shen(2015)中的算法就是以 level one 的高频切片数

据类型计算出来的，我们则沿用他在文章中计算订单流不平衡的算法。主要是用
到买一价和买一价以及买一量和卖一量，通过根据价格的上涨与下跌或持平将
新的挂单量划分为买方发起的挂单量和卖方发起的挂单量。具体算法如下：

0 𝑖𝑓 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡 < 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1

𝑏𝑣𝑡 = { 𝑏𝑖𝑑𝑣𝑜𝑙𝑢𝑚𝑒𝑡 − 𝑏𝑖𝑑𝑣𝑜𝑙𝑢𝑚𝑒 𝑡−1 𝑖𝑓 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡 = 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1 (2.4)
𝑏𝑖𝑑𝑣𝑜𝑙𝑢𝑚𝑒𝑡 𝑖𝑓 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡 > 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1

0 𝑖𝑓 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡 > 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1

𝑎𝑣𝑡 = { 𝑎𝑠𝑘𝑣𝑜𝑙𝑢𝑚𝑒 𝑡 − 𝑎𝑠𝑘𝑣𝑜𝑙𝑢𝑚𝑒 𝑡−1 𝑖𝑓 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡 = 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1
(2.5)
𝑎𝑠𝑘𝑣𝑜𝑙𝑢𝑚𝑒𝑡 𝑖𝑓 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡 > 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1

𝑉𝑜𝐼𝑡 = 𝑏𝑣𝑡 − 𝑎𝑣𝑡 (2.6)

上式的𝑏𝑣𝑡 指的是当前切片下买方发起的挂单量。当这一切片的买一价大于
上一切片的买一价时，说明当前切片的买一量是交易者新挂在订单簿上愿意以
新的买一价买入期货合约的量，也就是买方发起的挂单量；当这一时刻的买一价
与时刻的买一价相等时，这一时刻的买一量与上一切片的买一量的差值就是当
前时刻下买方新发起的挂单量；最后当买一价下降时，说明上一切片的买一量被
成交了或者被撤单了，由于我们不了解具体的情况，就理解为这一切片下没有买
方发起新的挂单量。而𝑎𝑣𝑡 表示的是当前切片下卖方发起的挂单量，计算的方法
和𝑏𝑣𝑡 的逻辑类似。而𝑏𝑣𝑡 和𝑎𝑣𝑡 的差值就是当前切片下买方发起的挂单量和卖方
发起的挂单量的差值，也就是订单流的不平衡。
以上两种算法都是基于 tick 级别的高频切片数据计算出的每一行的订单流
13
 第二章 订单流不平衡的计量方法和统计性质

或成交量的不平衡，由于每一行的时间间隔是不规则的，所以本文打算严格用
10s, 1min, 5min 10min 四种时间频率下的不平衡数据，而将切片的不平衡指标汇
总成固定时间频率的不平衡指标只需根据从每日开盘到收盘的时间段按照固定
的时间间隔将切片的指标加总得到。

三、成交量不平衡与订单流不平衡的统计性质

根据以上算法，我们计算了再 2017 年 244 个交易日下上期所 RB, NI, HC 三

个品种主力合约的不平衡数据，并且统计了在四个不同频率下订单流或成交量
不平衡的统计性质以及对应时间段期货合约对数收益率的情况。

表 2.2 指标统计性质

VoI VoI_lee log_return

品种
指标 均值 标准差 均值 标准差 均值 标准差
10s 1.60 955.50 3.18 1019.50 7.78E-07 4.63E-04
1min 9.57 2831.18 19.11 3418.01 5.00E-06 1.12E-03
RB
5min 47.87 7354.10 95.53 9845.74 2.20E-05 2.45E-03
10min 94.05 10786.99 188.06 14901.32 4.30E-05 3.39E-03
10s -0.52 90.40 -0.96 85.23 1.19E-07 3.11E-04
1min -3.14 254.54 -5.76 247.76 6.70E-07 7.55E-04
NI
5min -15.71 636.79 -28.82 652.17 3.00E-06 1.67E-03
10min -31.09 933.70 -57.02 987.00 5.00E-06 2.33E-03
10s 0.49 180.19 0.20 153.14 4.61E-07 4.64E-04
1min 2.94 529.13 1.21 481.03 3.00E-06 1.12E-03
HC
5min 14.68 1355.82 6.03 1346.55 1.30E-05 2.45E-03
10min 29.00 2008.00 11.95 2045.01 2.50E-05 3.39E-03

根据表 2.2，螺纹钢和热卷有均值为正的订单流不平衡和成交量不平衡，说
明在 2017 年，这两个品种都具有买单的压力。而镍具有均值为负的订单流或成
交量不平衡，说明它卖单的压力比买单强。通过对比相同频率下不同品种的不平
衡指标，研究发现不平衡指标的均值越大，所对应的同期收益率均值也越大。同
时我们发现，订单流或成交量不平衡的波动性与同期价格对数收益率的波动性
具有一致性，也就是说这种不平衡的波动性越大，价格变化的波动性也越大。从
上述统计数据可以看出，订单流或成交量的不平衡不仅仅可以解释市场的波动
14
 第二章 订单流不平衡的计量方法和统计性质

性，同时对市场价格的运动方向具有一定的解释力度。若不平衡的指标具有平稳
性，则可以通过不平衡指标建立有效的预测模型和解释模型。
我们对不同的频率下的不同品种进行平稳性的 ADF 检验，同时对同期品种
的对数收益率的平稳性进行检验，以便后文研究订单流或成交量不平衡与同期
以及未来收益率的关系，检验的结果如下：

表 2.3 平稳性检验

频率 RB HC NI
10s -65.59*** -61.6*** -74.63***
1min -45.12*** -38.97*** -49.74***
ADF 统计量—VoI
5min -48.94*** -33.04*** -53.72***
10min -49.46*** -33.43*** -25.81***
10s -62.43*** -61.96*** -70.35***
1min -46.20*** -38.40*** -38.72***
ADF 统计量—VoL
5min -50.77*** -50.43*** -34.13***
10min -47.23*** -25.09*** -38.94***
10s -71.517*** -84.512*** -69.757***
1min -50.762*** -62.323*** -47.842***
log_return
5min -56.938*** -154.455*** -57.521***
10min -64.659*** -52.304*** -94.348***
注：*代表在 10%置信水平下显著，**代表 5%置信水平下显著，***代表 1%置信水平下显著

从以上平稳性检验可以看出，无论是订单流不平衡还是成交量不平衡，都在
1%的置信水平下拒绝单位根，我们认为这两种不平衡指标是平稳的。同时，我们
还检验了同期对数收益率的平稳性，结果与不平衡指标相类似，也符合平稳性，
这说明我们可以直接对不平衡指标与收益率的关系进行直接建模分析。

第二节 两类不平衡指标在价格变化的解释与预测上的差异

我们分析了订单流不平衡和成交量不平衡的一些统计性质，发现它们都具
有平稳性。但是仔细看来，它们的算法逻辑还是有些许的不同。在之前的很多实
证和理论的研究中，都证明了订单流不平衡或成交量不平衡是推动价格变化的
重要因素，Rama(2014)中也比较了这两种不平衡在对价格变化的解释上差异。
本文延续了 Rama 的研究方法，并对这两种不平衡的对未来价格预测效果进行比
15
 第二章 订单流不平衡的计量方法和统计性质

较，以便为后文中选取不平衡指标提供依据，同时为价格预测模型的建立提供基
础。为了研究订单流不平衡或成交量不平衡对期货合约对数收益率同期以及滞
后期的影响，本文建立对数收益率、订单流不平衡、成交量不平衡这个三维向量
的向量自回归模型，这样既可以通过回归方程得到当期的期货对数收益率与滞
后期的订单流不平衡以及滞后期的成交量不平衡之间的关系，也可以通过残差
的协方差矩阵看出这三个变量同期之间的相关性。
本文以 10s 频率下的 2017 年螺纹钢主力合约为例，根据信息准则，我们引
入同期以及 5 阶滞后项，建立 VAR(5)模型，模型结果如下：

表 2.4 收益率方程回归结果

变量 回归结果
-0.133713***
L1.return
(-76.576)
0.000067***
L1.voi
(63.536)
0.000001
L1.vol
(0.639)
-0.027963***
L2.return
(-14.758)
-0.000002*
L2.voi
(-1.689)
0.000002**
L2.vol
(2.193)
-0.025226***
L3.return
(-13.343)
-0.000005***
L3.voi
(-5.065)
0.000002*
L3.vol
(1.685)
-0.019294***
L4.return
(-10.271)
-0.000003***
L4.voi
(-3.27)
0.000003***
L4.vol
(2.899)

16
 第二章 订单流不平衡的计量方法和统计性质

表 2.4 收益率方程回归结果（续表）

变量 回归结果
-0.008838***
L5.return
(-.4.817)
-0.000002
L5.voi
(-1.473)
-0.000001
L5.vol
(-1.463)

表 2.5 残差协方差矩阵

return voi voi_lee

return 1.0 0.62 0.59
voi 0.62 1.0 0.75
vol 0.59 0.75 1.0

从以上结果可以看出，在同期的订单流不平衡与成交量不平衡的相关性达
到了 0.748，这也说明这两种算法算出的不平衡具有逻辑上的一致性，都能够很
好的反应买卖压力的方向。同时它们与同期的期货合约对数收益率也有很强的
正相关，这也与 Tarun(2002)和 Chordia 等(2004)研究的结果相同，表明订单流
或成交量的不平衡能够推动价格向不平衡的方向发展，也就是订单流不平衡和
成交量不平衡都能很好的解释价格变化。对比两种不平衡与同期的对数收益率
相关性的大小，我们发现同期的订单流不平衡与同期价格对数收益率的相关性
更大。而对比这两种不平衡的滞后项对期货合约对数收益率的预测能力我们发
现，在控制了滞后一期订单流不平衡的之后，滞后一期的成交量的不平衡对下一
期的期货合约对数收益率的预测力不显著。不仅如此，在加入更多阶的滞后项后，
发现滞后 5 期之后，两种不平衡的指标都无法预测未来的期货合约价格的变化。
同时相同阶数的滞后项对比发现，订单流不平衡的 t 统计量明显比成交量不平衡
的 t 统计量更大，这说明相比于成交量不平衡，订单流不平衡不仅仅在对同期的
价格变化解释上更具有优势，在预测未来期货合约价格变化上也具有更好的预
测效果。所以，在接下来的研究过程中，我们选取订单流不平衡指标作为研究的
主体。首先验证我国商品期货市场是否也像美国股票市场等做市商驱动的市场
上具有自相关性，进一步检验订单流不平衡是否具有长期记忆性，也就是说订单
17
 第二章 订单流不平衡的计量方法和统计性质

流不平衡是否是一个趋势平稳的指标，这对我们研究订单流不平衡与未来商品
期货收益率的关系提供了基础。然后通过对比不同频率下的订单流不平衡对未
来期货合约收益率的预测效果，从而估计出我国商品期货市场收敛至弱势有效
的时间。

18
 第三章 订单流不平衡的自相关性和长期记忆性

第三章 订单流不平衡的自相关性和长期记忆性

在过去的研究中，研究者发现了大量的订单流不平衡自相关性的特点。而从
理论层面，大多数研究都是基于有做市商制度的交易市场，Chordia (2004)中就
从市场微观结构的层面解释了订单流不平衡产生的原因，他认为在做市商市场
下，聪明的流动性交易者拥有私人信息，他们知道价格的发展的方向，为了避免
受到价格变化的冲击，他们往往会选择拆分自己的订单而起到分散下单的作用。
这种拆分订单的做法，导致了订单流不平衡具有正的自相关性。相比做市商市场，
在订单驱动的交易市场下也发现了订单流不平衡具有正向的自相关性。
Lee(2004)在研究台湾市场的过程中，发现境内和境外的机构投资者扮演着聪明
的流动性交易者的身份，他们具有私人信息，对订单流不平衡的持续性贡献最大。
这也从侧面说明了，即使没有特定的做市商，由于拆分订单和羊群效应，在订单
驱动的交易市场订单流不平衡依然具有正向的自相关。所以我们有理由认为我
国商品期货市场的订单流不平衡依然具有正向的自相关性。

第一节 订单流不平衡自相关性的实证检验

本文沿用了第三章对于订单流不平衡的算法，使用 2017 年上海期货交易所

成交量最大的三个品种螺纹钢(RB)、镍(NI)、热卷(HC)的高频 level one 数据为研
究对象，计算出了在 tick 级别、10s，1min，5min，10min 时间频率下订单流的
不平衡指标。由于 tick 级别具有每日不延续的效应，所以在验证 tick 级别数据下
的订单流不平衡的自相关性时，可通过绘制 ACF 自相关图的方式。而对于 10s
到 10min 的订单流不平衡，本文建立了 AR(5)模型的方式，通过检验滞后项的订
单流不平衡的显著性来验证相对低频数据下订单流不平衡的自相关性。
对于高频 level one 的 tick 类型的数据，由于每日不具有延续性，所以在分
析其订单流不平衡的自相关性时，只能先计算每日的自相关性系数，然后将 244
个交易日的每日的自相关系数进行平均，得到这一年中 tick 数据下订单流不平
衡的自相关的 ACF 图。图 3.1 为 RB、NI、HC 三个品种的 2017 年日平均的 tick
订单流不平衡的自相关 ACF 图。

19
 第三章 订单流不平衡的自相关性和长期记忆性

0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
1 2 3 4 5 6 7 8 9

ACF_NI ACF_RB ACF_HC

图 3.1 Tick 数据订单流不平衡 ACF 图

根据图 3.1，在 tick 数据下，三个品种的订单流不平衡的自相关性相对持久，

尤其是螺纹钢(RB)。在如此高频的数据下，订单流不平衡能够呈现出如此的自相
关性，说明在我国商品期货市场存在着许多的知情交易者，他们拥有私人信息，
能够预先了解市场价格的走势。但同时，他们需要将自己隐藏起来，因为如果一
旦他们的行动被人发觉，那么市场的价格将迅速调整回价值，他们将无利可图。
因此，他们必须把自己隐藏成不知情的流动性交易者，即在了解价格走势的情况
下拆分自己的订单，以至于免受市场价格冲击所造成的影响，这就导致了订单流
不平衡具有一定的持续性。在这一点上，我们的假设得到了验证，即使我国商品
期货市场不具有特定的做市商，知情交易者的存在依然使得订单流不平衡具有
自相关性。
而对于稍微低频一些的时间间隔，订单流的不平衡是否依然具有自相关性
呢？我们通过将 tick 的订单流不平衡转化为标准的以 10s、1min、5min、10min
的频率，由于是标准的时间间隔，所以可以将每个交易日的数据拼接起来，得到
一整年的数据。但是考虑到换主力合约的问题，通过绘制 ACF 图观测不够准确，
所以我们建立了 AR(5)模型去检验滞后项的订单流不平衡与当期的订单流不平
衡是否存在相关，回归方程与结果如下：

𝑉𝑂𝐼𝑡 = 𝑐𝑜𝑛𝑠 + 𝛽1 ∗ 𝑉𝑜𝐼𝑡−1 + 𝛽2 ∗ 𝑉𝑜𝐼𝑡−2 + 𝛽3 ∗ 𝑉𝑜𝐼𝑡−3 + 𝛽4 ∗ 𝑉𝑜𝐼𝑡−4

(3.1)
+ 𝛽5 ∗ 𝑉𝑜𝐼𝑡−5

20
 第三章 订单流不平衡的自相关性和长期记忆性

表 3.1 螺纹钢订单流不平衡自相关检验

RB
变量
10s 1min 5min 10min
0.1297*** 0.0723*** 0.0605*** 0.05718***
VoI_lag-1
(91.79) (20.89) (7.81) (5.25)
0.0287*** 0.0574*** 0.0106 0.0386***
VoI_lag-2
(20.12) (16.54) (1.37) (3.54)
0.0172*** 0.0302*** 0.0419*** 0.0211*
VoI_lag-3
(12.08) (8.72) (5.41) (1.93)
0.016*** 0.0187*** 0.0087 0.0138*
VoI_lag-4
(11.21) (5.39) (1.13) (1.26)
0.0191*** 0.0079** 0.0211*** 0.0044
VoI_lag-5
(13.51) (2.27) (2.73) (0.41)
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

表 3.2 镍订单流不平衡自相关检验

NI
变量
10s 1min 5min 10min
0.0884*** 0.0646*** 0.0681*** 0.07***
VoI_lag-1
(72.46) (21.61) (10.18) (7.44)
0.0214*** 0.0379*** 0.0251*** -0.006
VoI_lag-2
(17.45) (12.69) (3.74) (-0.58)
0.0179*** 0.0272*** 0.0081 0.0169*
VoI_lag-3
(14.65) (9.07) (1.20) (1.79)
0.0159*** 0.0248*** 0.0111* 0.0256**
VoI_lag-4
(13.04) (8.28) (1.63) (2.71)
0.0172*** 0.0053* -0.0102* -0.0099
VoI_lag-5
(14.12) (1.76) (-1.52) (-1.05)
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

表 3.3 热卷订单流不平衡自相关检验

HC
变量
10s 1min 5min 10min
0.1141*** 0.0526*** 0.0985*** 0.1278***
VoI_lag-1
(80.78) (15.19) (12.72) (11.73)
0.0349*** 0.0567*** 0.0368*** 0.0309**
VoI_lag-2
(24.58) (16.36) (4.73) (2.82)
21
 第三章 订单流不平衡的自相关性和长期记忆性

表 3.3 热卷订单流不平衡自相关检验（续表）

HC
变量
10s 1min 5min 10min
0.0187*** 0.0392*** 0.0536*** 0.0366**
VoI_lag-3
(13.14) (11.31) (6.89) (3.34)
0.0129*** 0.0316*** 0.0058 0.0254**
VoI_lag-4
(9.06) (9.13) (0.74) (2.31)
0.0163*** 0.0163*** 0.0261** 0.0101
VoI_lag-5
(11.55) (4.71) (3.37) (0.92)
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

根据表 3.1、表 3.2 和表 3.3，随着时间频率的降低，订单流不平衡的自相

关性在慢慢减弱，但即使到了 10min，以上三个品种的订单流不平衡依然具有显
著的正相关。我们认为，在时间跨度比较长的情况下，订单流不平衡出现的自相
关性是由于部分投资者会根据其他投资者的行为来进行自己的投资行为，也是
就我们所说的跟风效应或者是羊群效应。但是时间跨度的拉长，这些投资才会发
现也许自己并没有跟随到具有私人信息的交易者的脚步，而是盲目的跟风。所以
随着时间跨度的拉长，订单流不平衡的自相关性在慢慢减弱。根据我们实证的结
果，到了 10min 的间隔下，订单流不平衡依然具有一阶的正向自相关，我们有理
由认为订单流不平衡具有一定长期记忆性，这也能从侧面反应我国商品期货市
场在吸收订单流失衡时的反应效率。

第二节 订单流不平衡的长期记忆性检验

从自相关性的检验看来，订单流不平衡的自相关性具有较强的持续性，这也
给了我们探索它具有长期记忆性的提供了基础。根据长期记忆性的定义，若时间
序列具有缓慢降低的自相关系数，说明该时间序列具有长期记忆性。长期记忆性
的检验方法有许多种，本文中主要对比两种检验方法，一种是基于 R/S 算法计算
出的赫斯特指数，Peters 应用了 R/S 分析方法对时间许多国家的金融数据进行研
究，发现大多数国家的金融时间序列具有长期记忆性。我们通过 R/S 方法估计赫
斯特指数后判断的标准是：如果时间序列的赫斯特指数大于 0.5，那么说明该时
间序列属于具有趋势性的时间序列，也就是说存在长期记忆性；如果赫斯特指数

22
 第三章 订单流不平衡的自相关性和长期记忆性

小于 0.5 大于 0，那么说明该序列是具有均值回复特性的；如果赫斯特指数等于
0.5，那么说明该序列是单位根。
R/S 算法的主要思想是：假设有一个时间序列，我们将他切分为 P 个长度为
m 的等长区间，例如第 p 个子区间里面 m 个元素，那么：
𝑡

𝑋𝑡,𝑝 = ∑ 𝑥𝑢,𝑝 − ̅̅̅

𝑥𝑝 t = 1,2,3, , , , m (3.2)
𝑢=1

𝑥𝑝
̅̅̅为第 p 个区间的元素均值，而𝑋𝑡,𝑝 表示第 p 个区间中第 t 个元素的累计离
差，这样我们可以得出第 p 个区间的极差为：
𝑅𝑝 = max(𝑋𝑡,𝑝 ) − min(𝑋𝑡,𝑝 ) (3.3)

𝑆𝑝 表示第 p 个区间的样本标准差，𝑅𝑝 /𝑆𝑝 表示第 p 个区间的重标极差，那么

P 个区间的重标极差的均值则可以表示为(R/S)𝑚 ，而随着每个子区间长度 m 的
变化，(R/S)𝑚 的值也在不断的变化，赫斯特通过对尼罗河水文数据的长期总结发
现了(R/S)𝑚 遵从如下等式：
(R/S)𝑚 = 𝐾 ∗ 𝑚𝐻 (3.4)

K 表示常数，而 m 是每次切分区间时候的子区间长度，H 就是我们需要估

计的赫斯特指数，对于以上方程，我们对两边取对数可得：
R (3.5)
log(( ) ) = 𝐾 + 𝐻 ∗ log(𝑚)
S 𝑚
赫斯特指数 H 可以通过估计上面这个线性回归方程得出。
除了计算赫斯特指数，还有一种方法可以检验时间序列的长期记忆性，那就
是通过建立 ARFIMA(p,d,q)模型，也称之为分形自回归聚合滑动模型。模型估计
的方法主要有两种，一种是先根据 R/S 分析方法确定 H，然后利用 Peters 中论证
的 H 与 d 之间存确定的关系，即 H = d + 0.5，可以估计出 d 的值，最后再估计
分数阶差分之后的 ARMA(p,q)的部分。显然，这种方法是利用了已有的关系来
确定 d 的值，如果我们想利用者两种方法来验证时间序列的长期记忆性，这样确
定 d 的方法就不合适。另外一种估计 ARFIMA(p,d,q)模型的方法就是直接利用极
大似然估计，直接确定 p，d，q 的值。这种方法的步骤是首先根据 ARMA 模型
的 AIC，BIC 准则确定 p，q 的阶数，然后利用极大似然估计估计出 d 的值。这
种方法不仅仅有利于我们验证 Peters 种提到的有关 H 与 d 的关系，同时有方便
同时利用赫斯特指数和 ARFIMA 模型的方法同时去验证时间序列的长期记忆性。

23
 第三章 订单流不平衡的自相关性和长期记忆性

根据对订单流不平衡的自相关性检验，以及 ARMA(p,q)模型的 AIC，BIC 准

则，我们确定通过估计 ARFIMA(5,d,1)种的 d 值，来验证时间序列的长期记忆性。
判断的标准为：如果 d 大于 0 小于 0.5，那么该时间序列具有长期记忆性；如果
d 小于 0 大于-0.5，那么该序列具有均值回复特性；如果 d 等于 0，说明该序列
为单位根。
利用以上两种检验长期记忆性的方法，我们同时计算了螺纹钢(RB)，镍(NI)，
热卷(HC)在 10s，1min，5min，10min 四种不同的时间频率下订单流不平衡的赫
斯特指数以及 ARFIMA(5,d,1)中 d 的估计值结果如下：

表 3.4 不同品种订单流不平衡在不同频率下的 Hurst 指数

RB NI HC
10s 0.56 0.54 0.54

1min 0.56 0.55 0.55

5min 0.58 0.57 0.56

10min 0.56 0.55 0.54

表 3.5 不同品种在不同频率下的订单流不平衡 ARFIMA(5,d,1)模型 d 的估计值

RB NI HC

10s 0.0985*** 0.07857*** 0.09593***

1min 0.04125*** 0.03714*** 0.09621***

5min 0.06114*** 0.05568*** 0.08311***

10min 0.06802*** 0.0462*** 0.04378***

注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

根据以上结果显示，在不同的时间频率下，三个品种的 Hurst 指数均大于 0.5，

并且对于 ARFIMA(5,d,1)模型，估计的 d 值以及其显著性且大于 0，所有品种的
所有频率下的订单流不平衡都具有长期记忆性。说明在中国商品期货市场，订单
流不平衡具有一定的长期记忆性，即我国商品期货中的订单流不平衡是一个趋

24
 第三章 订单流不平衡的自相关性和长期记忆性

势平稳性指标。
由于订单流不平衡具有正向自相关，同时同期的订单流不平衡与同期期货
收益率具有很强的正相关性，从理论上我们可以猜想订单流不平衡也许能够预
测未来期货合约的收益率，而且他们的相关性很可能是正的。带着这些猜想，我
们通过研究订单流不平衡作为历史信息对未来商品期货收益率的预测效果，来
研究订单流不平衡与市场有效性的关系。

25
 第四章 订单流不平衡与市场有效性的实证研究

第四章 订单流不平衡与市场有效性的实证研究

在前面的章节中，我们主要对订单流不平衡的定义以及计算方法做了说明，
然后检验了订单流不平衡的自相关性和长期记忆性，得到结论：我国商品期货市
场订单流不平衡是一个具有正向自相关性和长期记忆性的平稳性指标，这与许
多国外的研究结果是类似的。
本章主要研究订单流不平衡与市场有效性的关系。根据市场有效性假说，弱
式有效的市场是指当前的价格反应了所有已经公开的历史信息，也就是说任何
历史信息无法对未来的价格变化进行预测。我们通过将滞后期的订单流不平衡
作为一种历史信息，建立适当的模型对未来期货合约收益率进行预测，根据不同
频率下的预测结果大致估计出我国商品期货市场收敛至弱式有效所需要的时间。
国外相关的研究已比较完善，国内的研究主要集中在日频的股票市场。
Chordia（2005）在研究 1996 年美国股票市场收敛至弱式有效的速度时，以订单
流不平衡具有正向自相关性并且短期的股票收益率呈显著负相关为假设基础，
发现在 5 分钟的时间频率下，订单流不平衡与未来股票收益率呈正相关，而在
10 分钟以及更低的频率下订单流不平衡与未来股票收益率呈显著负相关。他认
为这是因为聪明的交易者这面对订单流失衡时会采取反补贴交易的结果，而聪
明的交易者采取这一行动所需要的时间是 5 到 10 分钟。Chordia（2008）研究了
流动性与市场有效的关系，采用了买卖价差和有效价差作为流动性的衡量因素，
发现在流动性水平越低时，订单流不平衡对未来股票市场的收益率预测效果更
明显。Lei（2011）则通过分析在中国股票市场中不同频率下的订单流不平衡对
未来股票收益率是否具有预测力而估计出中国股票市场收敛至弱式有效所需要
的时间大致为 15 分钟。Lei（2011）同时考虑了不同的流动性水平对订单流不平
衡的预测力，采用 Amihud（2002）中衡量流动性水平的方法，研究发现流动性
水平越低，订单流不平衡与未来股票收益率的相关性更敏感，表明流动性水平越
低，市场有效性越低。
本章在以上三篇文献的基础上，研究订单流不平衡与中国商品期货市场有
效性的关系，同时还引入了流动性因素和波动性因素，考察这两个因子如何影响
市场的有效性。

26
 第四章 订单流不平衡与市场有效性的实证研究

第一节 订单流不平衡与市场有效

在前面的研究内容中，我们检验了订单流不平衡以及期货对数收益率的平
稳性，发现它们都是平稳的时间序列，故可以直接对此建立模型。本节主要研究
不同频率下滞后的订单流不平衡 𝑉𝑂𝐼𝑡−1 对当期的期货对数收益率 𝑅𝑡 的预测效果，
当订单流不平衡对未来的期货合约收益率不具有预测效果时，说明市场收敛至
弱势有效，即历史的订单流不平衡信息以及完全融入当前的价格中。在模型选择
方面，实证研究中如周艳丽和单化玉(2010)发现金融资产的收益率的波动存在
着面对市场冲击的不对称性，因此本文采用具有不对称波动率效应的 GJR-
GARCH 模型对收益率进行预测。同时，考虑到金融资产收益率具有厚尾现象，
故在应用 GARCH 模型时，假设标准化的残差服从 T 分布，具体的模型方程如
下：

均值方程： 𝑅𝑡 = β ∗ 𝑉𝑜𝐼𝑡−1 + 𝜖𝑡 (4.1)

波动率方程： 𝜖𝑡 = 𝑧𝑡 ∗ √ℎ𝑡 (4.2)

2
ℎ𝑡 = 𝜔 + 𝑎1 ∗ 𝜖𝑡−1 + 𝛾1 ∗ 𝐷𝑡−1 ∗ 𝜖𝑡−1 + 𝛿1 ∗ ℎ𝑡−1 (4.3)

𝜖𝑡 : 收益率残差；
ℎ𝑡 : 条件方差；
𝑧𝑡 ： 标准化残差；
𝐷𝑡−1 ：为哑变量，当𝜖𝑡−1 < 0时，其值为 1，否则则为 0。

样本数据方面，采用与第三章相同的三个品种螺纹钢(RB)，镍(NI)，热卷(HC)，
检验这三个品种下在 10s，1min，5min，10min 四个频率下滞后的订单流不平衡
与当期的合约对数收益率之间关系。在观测订单流不平衡数据期间，发现订单流
不平衡波动性比较大，尤其是在涨跌停的时候，订单簿中的买一量或者卖一量会
等于零。为了处理这种异常的情况，我们将对订单流不平衡进行一个去极处理，
处理的标准如下：

27
 第四章 订单流不平衡与市场有效性的实证研究

if 𝑉𝑜𝐼𝑡 > 𝑚𝑒𝑎𝑛(𝑉𝑜𝐼𝑡 ) + 5 ∗ 𝑠𝑡𝑑(𝑉𝑜𝐼𝑡 )：

𝑉𝑜𝐼𝑡 = 𝑚𝑒𝑎𝑛(𝑉𝑜𝐼𝑡 ) + 5 ∗ 𝑠𝑡𝑑(𝑉𝑜𝐼𝑡 )

(4.4)
if 𝑉𝑜𝐼𝑡 < 𝑚𝑒𝑎𝑛(𝑉𝑜𝐼𝑡 ) − 5 ∗ 𝑠𝑡𝑑(𝑉𝑜𝐼𝑡 )：

𝑉𝑜𝐼𝑡 = 𝑚𝑒𝑎𝑛(𝑉𝑜𝐼𝑡 ) − 5 ∗ 𝑠𝑡𝑑(𝑉𝑜𝐼𝑡 )

即控制每个时间间隔下的订单流不平衡在整个样本订单流不平衡的均值加
减 5 倍的标准差之内，这样比较容易去除一些异常的值。
GJR-GARCH(1,1)回归结果如表 4.1、表 4.2 和表 4.3：

表 4.1 螺纹钢 GJR-GARCH(1,1)回归结果

RB
变量
10s 1min 5min 10min
2.69e-05*** -5.51e-05*** -8.70e-05*** -5.57e-05**
𝑉𝑜𝐼𝑡−1
(14.84) (-14.70) (-5.03) (-1.72)
2.14e-08*** 1.25e-07*** 2.99e-06*** 5.73e-06
𝜔
(5.83) (69.26) (1219.6) (1877.57)
0.1*** 0.1*** 0.1*** 0.1***
𝜖𝑡−1
(57.99) (27.471) (6.14) (3.57)
2 0.05*** 0.05*** 0.05** 0.01
𝜖𝑡−1
(21.73) (9.782) (2.23) (0.32)
0.78*** 0.77*** 0.37*** 0.39***
ℎ𝑡−1
(180.17) (198.095) (33.45) (22.11)
Adj-Rsquare 0.0034 0.0024 0.0012 0.0002
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

表 4.2 镍 GJR-GARCH(1,1)回归结果

NI
变量
10s 1min 5min 10min
1.51e-05*** -2.71e-05*** -4.91e-05*** -4.86e-05***
𝑉𝑜𝐼𝑡−1
(11.61) (-12.46) (-4.99) (2.39)
9.60e-09*** 5.70e-08*** 8.40e-07*** 2.72e-06***
𝜔
(2.64) (49.78) (363.13) (868.58)
0.1*** 0.1*** 0.1*** 0.05***
𝜖𝑡−1
(81.11) (28.87) (6.19) (3.5)
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著
28
 第四章 订单流不平衡与市场有效性的实证研究

表 4.2 镍 GJR-GARCH(1,1)回归结果（续表）

NI
变量
10s 1min 5min 10min
2 0.1*** 0.05*** 0.1*** 0.2***
𝜖𝑡−1
(28.39) (9.9) (4.57) (5)
0.75*** 0.78*** 0.55*** 0.35***
ℎ𝑡−1
(188.85) (227.58) (62.83) (23.6)
Adj-Rsquared 0.0024 0.0013 0.0008 0.0003
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

表 4.3 热卷 GJR-GARCH(1,1)回归结果

HC
变量
10s 1min 5min 10min
3.45e-05*** -5.45e-05*** -8.32e-05*** -1.03e-05
𝑉𝑜𝐼𝑡−1
(23.25) (-13.97) (-4.8) (-0.3)
2.13e-08*** 1.25e-07*** 3.00e-06*** 5.73e-06***
𝜔
(5.28) (72.48) (1350.6) (1194.1)
0.1*** 0.1*** 0.1*** 0.1**
𝜖𝑡−1
(58.35) (29.18) (6.8) (2.079)
2 0.05*** 0.01** 0.10*** 0.01
𝜖𝑡−1
(22.38) (2.3) (4.2) (0.235)
0.78*** 0.80*** 0.35*** 0.39**
ℎ𝑡−1
(171.22) (234.68) (30.55) (9.187)
Adj-Rsquared 0.0055 0.0024 0.0011 9.21E-06
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

根据表 4.1、表 4.2 和表 4.3，三个品种在 10s、1min、5min 的时间频率下，

订单流不平衡与未来的期货合约收益率都具有显著的相关关系，并且相关性的
显著性随着时间频率的下降逐渐减弱。到了 10min 的时间间隔下，根据𝑉𝑜𝐼𝑡−1 项
系数的 t 统计量以及回归的 R 方可以看出，订单流不平衡的预测效果几乎消失。
这也说明了我国商品期货市场收敛至弱势有效的时间大于为 10min 左右，比我
国股票市场收敛至弱势有效的时间要短。从具体的相关性来看，在 10s 的时间间
隔下，订单流不平衡与未来的期货合约收益率呈显著的正相关，而到了 1min 和
5min 的时间间隔下，相关性变为显著的负相关。根据 Chordia（2005）研究的美
国股票市场的订单流不平衡与未来股票收益率的相关性结论，我们可以推测，聪
29
 第四章 订单流不平衡与市场有效性的实证研究

明的交易者在我国商品期货市场将会在 1min 左右的时间采取对反补贴的交易方

法以应对抵消订单流的不平衡。这比 Chordia（2005）在研究的 1996 年美国股票
市场中，聪明的交易者采取这一行动的时间还要短。

第二节 流动性和波动性对市场有效性的影响

Chordia(2008)和 Lei(2011)研究美国股票市场和中国股票市场的有效性时，
都引入了流动性水平因素，两者都通过验证不同的流动性水平下订单流不平衡
对未来股票市场的收益率的预测效果。他们采用的流动性指标主要有买卖价差、
有效价差以及 Amihud(2002)中基于成交量和收益率衍生出来的衡量流动性水平
的指标。本文在研究我国商品期货市场有效性中，也引入了流动性水平因素。在
衡量流动性指标的选取方面，本文不仅采用了 Amihud(2002)中衡量流动性的指
标，同时也根据所获取的高频数据构造出一个新的衡量流动性水平的指标，共同
探究流动性水平因素是否影响订单流不平衡对我国商品期货市场未来收益率的
预测效果。同时，本文还引入了波动性因素，探究不同的波动性水平下订单流不
平衡对期货未来收益率的预测效果，进而探究价格的波动性水平是如何影响市
场的有效性。这也是本文的创新之处。
对于流动性水平，本文采取了两种类型的流动性水平衡量方法。一种是与 Lei
(2011)中一样，采用 Amihud (2002)中基于成交量和收益率衍生出来的衡量流动
性水平的指标𝐿𝑖𝑞_𝑣𝑜𝑙𝑡 ，另外一种则是根据高频数据下挂单量水平与收益率水平
衍生出的新的流动性水平的衡量指标𝐿𝑖𝑞_𝑣𝑜𝑖𝑡 。两种指标的计算方法如下：

|𝑅𝑡 |
𝐿𝑖𝑞_𝑣𝑜𝑙𝑡 = (4.5)
𝑉𝑜𝑙𝑢𝑚𝑒𝑡

|𝑅𝑡 |
𝐿𝑖𝑞_𝑣𝑜𝑖𝑡 = (4.6)
𝑣𝑜𝑖𝑡

𝑅𝑡 ：表示当前时间段的期货对数收益率；
𝑉𝑜𝑙𝑢𝑚𝑒𝑡 ：表示当前时间段下的累计成交量；
𝑣𝑜𝑖𝑡 ：表示当前时间段下的累计挂单量；
𝑣𝑜𝑖𝑡 的算法如下：

30
 第四章 订单流不平衡与市场有效性的实证研究

0 𝑖𝑓 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡 < 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1

𝑏𝑣𝑡 = {𝑏𝑖𝑑𝑣𝑜𝑙𝑢𝑚𝑒𝑡 − 𝑏𝑖𝑑𝑣𝑜𝑙𝑢𝑚𝑒𝑡−1 𝑖𝑓 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡 = 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1 (4.7)
𝑏𝑖𝑑𝑣𝑜𝑙𝑢𝑚𝑒𝑡 𝑖𝑓 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡 > 𝑏𝑖𝑑𝑝𝑟𝑖𝑐𝑒𝑡−1

0 𝑖𝑓 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡 > 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1

𝑎𝑣𝑡 = {𝑎𝑠𝑘𝑣𝑜𝑙𝑢𝑚𝑒𝑡 − 𝑎𝑠𝑘𝑣𝑜𝑙𝑢𝑚𝑒𝑡−1 𝑖𝑓 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡 = 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1 (4.8)
𝑎𝑠𝑘𝑣𝑜𝑙𝑢𝑚𝑒𝑡 𝑖𝑓 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡 > 𝑎𝑠𝑘𝑝𝑟𝑖𝑐𝑒𝑡−1

𝑣𝑜𝑖𝑡 = |𝑎𝑣𝑡 | + |𝑏𝑣𝑡 | (4.9)

通过以上两种算法可以看出，两种指标的差别在于分子的部分。Amihud
(2002)中的算法主要是通过计算单位成交量下的涨跌幅度来衡量流动性水平，
指标的直观意义在于每产生一笔的成交量对价格变化的贡献程度。本文根据高
频数据构造的流动性指标主要是通过计算单位挂单量下的涨跌幅度来衡量流动
性水平，这样构造的原因主要是考虑了撤单的情况对流动性水平的影响。对于两
种衡量流动性指标的含义，我们可以看出指标的值越大，说明市场的流动性水平
越低。我们将市场流动性水平分为两类，低流动性水平和正常的流动性水平，主
要划分的原则是将当前的流动性指标的大小和全样本下流动性指标的均值加一
倍的标准差进行比较。如果当前流动性指标大于此阈值，我们认为当前的流动性
水平偏低，反之我们则认为当前的流动性水平正常。因此，我们通过这样的方法
设置流动性水平的哑变量，在流动性水平偏低时哑变量是 1，流动性水平正常时
哑变量为 0。以下是根据两种算法下的流动性指标构造的哑变量的算法规则：

𝑖𝑓 𝐿𝑖𝑞_𝑣𝑜𝑙𝑡 > 𝑚𝑒𝑎𝑛( 𝐿𝑖𝑞_𝑣𝑜𝑙𝑡 ) + 𝑠𝑡𝑑( 𝐿𝑖𝑞_𝑣𝑜𝑙𝑡 )𝑉𝑜𝐼𝑡 :

𝐿𝑖𝑞_𝑑𝑢𝑚𝑡 = 1 else: 𝐿𝑖𝑞_𝑑𝑢𝑚𝑡 = 0 (4.10)
𝑖𝑓 𝐿𝑖𝑞_𝑣𝑜𝑖𝑡 > 𝑚𝑒𝑎𝑛(𝐿𝑖𝑞_𝑣𝑜𝑖𝑡 ) + 𝑠𝑡𝑑(𝐿𝑖𝑞_𝑣𝑜𝑖𝑡 ):
𝐿𝑖𝑞_𝑣𝑜𝑖_𝑑𝑢𝑚𝑡 = 1 else: 𝐿𝑖𝑞_𝑣𝑜𝑖_𝑑𝑢𝑚𝑡 = 0

同时我们还引入了波动性水平因素，探究不同的市场波动性水平与订单流
不平衡对未来期货合约收益率的预测效果。对于如何衡量波动性水平，我们同样
采用了两种指标。一种是用当前最近 20 个周期的期货合约收益率绝对值的均值，
命名为𝑉𝑜𝑡𝑦1。另一种是用最近 20 个周期的期货合约收益率的标准差，命名为
𝑉𝑜𝑡𝑦2。同样，模仿设置流动性水平哑变量的方法，我们也将全样本的波动性均
31
 第四章 订单流不平衡与市场有效性的实证研究

值加上一倍的标准差作为阈值，大于这个阈值说明当前的波动性水平比较高，否
则就认为当前的波动性属于正常的水平，从而得到波动性水平的哑变量
𝑉𝑜𝑡𝑦_𝑑𝑢𝑚1𝑡 和𝑉𝑜𝑡𝑦_𝑑𝑢𝑚2𝑡 ，具体表达式如下：

𝑖𝑓 𝑉𝑜𝑡𝑦1𝑡 > 𝑚𝑒𝑎𝑛( 𝑉𝑜𝑡𝑦1𝑡 ) + 𝑠𝑡𝑑(𝑉𝑜𝑡𝑦1𝑡 ):

𝑉𝑜𝑡𝑦_𝑑𝑢𝑚1𝑡 = 1 else: 𝑉𝑜𝑡𝑦_𝑑𝑢𝑚1𝑡 = 0 (4.11)
𝑖𝑓 𝑉𝑜𝑡𝑦2𝑡 > 𝑚𝑒𝑎𝑛(𝑉𝑜𝑡𝑦2𝑡 ) + 𝑠𝑡𝑑(𝑉𝑜𝑡𝑦2𝑡 ):
𝑉𝑜𝑡𝑦_𝑑𝑢𝑚2𝑡 = 1 else: 𝑉𝑜𝑡𝑦_𝑑𝑢𝑚2𝑡 = 0

最后，我们将两种指标衡量的流动性水平哑变量及波动性水平哑变量和订
单流不平衡的交互项作为新的解释变量放入本章第一节的 GJR-GARCH 模型的
均值方程中：
𝑅𝑡 = 𝛽1 ∗ 𝑉𝑜𝐼𝑡−1 + 𝛽2 𝐿𝑖𝑞_𝑑𝑢𝑚𝑡−1 ∗ 𝑉𝑜𝐼𝑡−1 + 𝛽3 𝑉𝑜𝑡𝑦_𝑑𝑢𝑚1𝑡−1 (4.12)
∗ 𝑉𝑜𝐼𝑡−1 + 𝜖𝑡

𝑅𝑡 = 𝛽1 ∗ 𝑉𝑜𝐼𝑡−1 + 𝛽2 𝐿𝑖𝑞_𝑣𝑜𝑖_𝑑𝑢𝑚𝑡−1 ∗ 𝑉𝑜𝐼𝑡−1 + 𝛽3 𝑉𝑜𝑡𝑦_𝑑𝑢𝑚2𝑡−1 (4.13)

∗ 𝑉𝑜𝐼𝑡−1 + 𝜖𝑡

波动率方程与第一节的方法一样，引用了 GJR-GARCH(1,1)模型，以螺纹
钢(RB)、镍(NI)和热卷(HC)三个品种的 1min 数据为例。在同时考虑了流动性
水平和波动性水平的情况下，检验订单流不平衡对未来期货收益率的预测效果，
回归的结果如下：
表 4.4 方程 4.12 回归结果

1min data
变量
RB NI HC
-4.26e-05*** -1.51e-05*** -4.09e-05***
𝑉𝑜𝐼𝑡−1
(-10.63) (-6.06) (-9.75)
-2.19e-04*** -6.62e-05*** -1.82e-04***
𝐿𝑖𝑞_𝑑𝑢𝑚𝑡−1 ∗ 𝑉𝑜𝐼𝑡−1
(-12.23) (-8.03) (-6.73)
-2.44e-05** -3.28e-05*** -4.41e-05***
𝑉𝑜𝑡𝑦_𝑑𝑢𝑚1𝑡−1 ∗ 𝑉𝑜𝐼𝑡−1
(-1.98) (-5.16) (-3.85)

32
 第四章 订单流不平衡与市场有效性的实证研究

表 4.4 方程 4.12 回归结果（续表）

1min data
变量
RB NI HC
1.24e-07*** 5.69e-08*** 1.25e-07***
𝜔
(68.81) (50.04) (72.73)
0.1*** 0.1*** 0.1***
𝜖𝑡−1
(27.48) (28.79) (29.06)
2 0.05*** 0.05*** 0.01**
𝜖𝑡−1
(9.81) (9.88) (2.29)
0.78*** 0.78*** 0.80***
ℎ𝑡−1
(197.43) (227.824) (234.844)
Adj-rsquared 0.0037 0.0019 0.003
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

表 4.5 方程 4.13 回归结果

1min data
变量
RB NI HC
-4.09e-05*** -2.15e-05*** -4.25e-05***
𝑉𝑜𝐼𝑡−1
(-10.32) (-9.1) (-10.2)
-1.1e-04*** -4.22e-05*** -1.37e-04***
𝐿𝑖𝑞_𝑣𝑜𝑖_𝑑𝑢𝑚𝑡−1 ∗ 𝑉𝑜𝐼𝑡−1
(-6.86) (-3.9) (-5.69)
-3.79e-05*** -1.3e-05** -3.76e-05***
𝑉𝑜𝑡𝑦_𝑑𝑢𝑚2𝑡−1 ∗ 𝑉𝑜𝐼𝑡−1
(-2.67) (-1.97) (-3)
1.24e-07*** 5.69e-08*** 1.24e-07***
𝜔
(68.52) (49.63) (72)
0.1*** 0.1*** 0.1***
𝜖𝑡−1
(27.37) (28.75) (29)
2 0.05*** 0.05*** 0.01**
𝜖𝑡−1
(9.79) (9.9) (2.29)
0.77*** 0.78*** 0.80***
ℎ𝑡−1
(196.53) (227.17) (235.086)
Adj-rsquared 0.0033 0.0015 0.003
注：***表示 1%水平显著，**表示 5%水平显著，*表示 10%水平显著

根据表 4.4 和表 4.5，在流动性水平较低(哑变量等于 1)以及波动性水平较

高时(哑变量等于 1)，订单流不平衡的与未来的期货合约收益率依然呈显著的负
相关，也就是说在流动性水平越低以及波动性水平越高，订单流不平衡与未来的
33
 第四章 订单流不平衡与市场有效性的实证研究

期货收益率的相关性更敏感。在流动性方面，我们得到了与 Chordia(2008)和 Lei

Jiang(2011)两篇研究美国股票市场与中国股票市场的结果一致，都是在流动性
水平越低的情况下，订单流不平衡对未来收益率的预测效果越好，市场可预测性
越强，市场有效性越低。在加入了波动性因素后，我们发现在波动性水平越高时，
市场的可预测能力越强，市场越无效。这也是非常符合我们的交易逻辑的，在流
动性偏低的时候，交易者需要改变自己的报价以完成交易，这也提高了交易的成
本，这种交易成本的提高让打算进行反补贴交易的聪明的交易者需要等待更长
的时间去换取更好的交易价格。同时，波动性水平越高，市场的不确定性越大，
交易者不一定能够在反补贴交易中获取利益。这些结论是非常具有理论意义的，
交易所可以通过控制保证金比例以及费率来增强市场的流动性从而增加市场的
有效性，同时可以采取限定最大涨跌幅的方式来控制市场的波动性以让市场更
加有效。

34
 第五章 结论

第五章 结论

本文以 2017 年中国商品期货市场中成交量最大的三个品种螺纹钢、镍、热

卷做为研究对象，首先给出了订单流不平衡与成交量不平衡的定义以及具体的
计算方法，比较了两类不平衡对未来期货价格预测上的差异，最终选择了订单流
不平衡作为本文研究的主体。
在此基础之上，本文以 Chordia（2005）、Chordia（2008）和 Lei（2011）三
篇国外文献作为参照的对象，这三篇文献分别通过研究美国股票市场和中国股
票市场的订单流不平衡来估计市场收敛至弱式有效所需要的时间。本文通过研
究订单流不平衡对未来期货收益率的预测来估计出中国商品期货市场收敛至弱
势有效所需要的时间，在此基础上，本文进一步引入流动性因素和波动性因素，
分析不同的流动性水平和波动性水平对订单流不平衡预测力的影响。通过以上
研究，最终得到下面的结论：
第一、我国商品期货市场的订单流不平衡在 10 分钟以内的频率下，具有至
少一阶的正向自相关性，同时也具有长期记忆性，是一个趋势平稳性指标。
第二、10s 的订单流不平衡与未来的期货收益率呈显著的正相关，而 1min 和
5min 的订单流不平衡与未来的期货收益率呈显著负相关。在 10min 左右，订单
流不平衡对期货未来收益率的预测性逐渐消失，这说明我国商品期货市场收敛
至弱势有效的时间大致为 10min，比 Lei (2011)研究的中国股票市场收敛至弱势
有效的 15 min 要短。
第三、在流动性水平较低以及波动性水平较高的条件下，订单流不平衡对未
来期货收益率的预测力越强，这也说明了在流动性水平越低，波动性水平越高的
情况下，市场可预测性更强，市场有效性越弱。

35
 参考文献

参考文献

[1] 周艳丽，单化玉，2009，金融危机后中国股市波动研究——基于GJR-GARCH模型的实
证分析, 《时代金融》。
[2] Admati, A., Paul, P., 1989, “Divide and Conquer: A Theory of Intraday Patterns and Day-Of-
The-Week Mean Effects”, Review of Financial Studies, 2, 189-224.
[3] Amihud, Y., 2002, “Illiquidity and stock returns: cross-section and time-series effects”, Journal
of Financial Markets 5: 31–56.
[4] Andrade, S.C., Chang, C., Seasholes, MS., 2008, “Trading imbalances, predictable reversals,
and cross-stock price pressure”, Journal of Financial Economics, 88: 406-423.
[5] Angel, J., 1994, “Limit versus Market Orders”, working paper, School of Business
Administration, Georgetown University.
[6] Biais, B., 1993, “Price Formation and Equilibrium Liquidity in Fragmented and Centralized
Markets”, Journal of Finance 48, 157-185.
[7] Blume, M. E., MacKinlay, A. C., Terker, B., 1989, “Order Imbalances and Stock Price
Movements on October 19 and 20”, Journal of Finance, 44(4): 827-848.
[8] Chan, K., Fong, W. M., 2000, “Trade Size Order Imbalance, and the Volatility-Volume”,
Journal of Financial Economics, 57(2): 247,273.
[9] Chordia, T., Roll, R., and Subrahmanyam, A., “Order imbalance, liquidity, and market returns”,
Journal of Financial Economics, 65:111-130, 2002.
[10] Chordia, T., Roll, R., and Subrahmanyam, A., “Order imbalance and individual stock returns:
Theory and evidence”, Journal of Financial Economics, 72:485-518, 2004.
[11] Chordia, T., Roll, R., Subrahmanyam, A., 2005, “Evidence on the speed of convergence to
market efficiency”, Journal of Financial Economics 76: 271–292.
[12] Chordia, T., Roll, R., Subrahmanyam, A., 2008, “Liquidity and market efficiency”, Journal of
Financial Economics, 87(2):249-268.
[13] Comerton-Forde, C., Hendershott, T., Jones, C.M., Moulton, P.C., Seasholes, MS., 2010,
“Time variation in liquidity: the role of market-maker inventories and revenues”, Journal of
Finance 65: 295–331.
[14] Cohen, Kalman, Steven, M., Robert, S., and David, W., 1981, “Transaction Cost, Order
Placement Strategy, and Existence of the Bid-Ask Spread”, Journal of Political Economy 89(2),
287-305.
[15] Demsetz, H., 1968, “The Cost of Transacting”, Quarterly Journal of Economics 82, 33-53.
[16] Easley, David, and Maureen, O’Hara, 1987, “Price, Trade Size and Information in Securities
Markets”, Journal of Financial Economics 19, 69-90.
[17] Erik, T., 2000, “A test of the accuracy of the Lee/Ready trade classification algorithm”, Journal
of Economic Literature classification: G10

36
 参考文献

[18] Garman, Mark, 1976, “Market Microstructure”, Journal of Financial Economics 3, 257-275.
[19] Glosten, Lawrence, and Paul, Milgrom, 1985, “Bid, Ask and Transaction Prices in Specialist
Market with Heterogeneously Informed Traders”, Journal of Financial Economics 14, 71-100.
[20] Ho, Thomas, and Hans, Stoll, 1981, “Optimal Dealer Pricing Under Transactions and Return
Uncertainty”, Journal of Financial Economics 9, 47-73
[21] Holden, C. W., Subrahmanyam, A., 1992, “Long-Lived Private Information and Imperfect
Competition”, Journal of Finance, 47:247-270.
[22] Harris, Lawrence, 1998, “Optimal Dynamic Order Submission Strategies in Some Stylized
Trading Problems, Financial Markets”, Institutions and Instruments 7, 1-76.
[23] Huang, Han-Ching, Su, Yong-Chern, Liu, Yi-Chun, 2014, “The performance of imbalance-
based trading strategy on tender offer announcement day”, Investment Management and Financial
Innovations, 11(2):38-46.
[24] Hirshleifer, D.A., Subrahmanyam, Titman, S., 1994, “Security analysis and trading patterns
when some investors receive information before others”, Journal of Finance 49, 1665-1698.
[25] Hameed, A., Kang, W., Viswanathan, S., 2010, “Stock market declines and liquidity”, Journal
of Finance 65: 257–293.
[26] Johnson, B., Hardy, Watson, Ethan D., 2017, “The Explanatory Power of Order Imbalance
Measures”, Quarterly Journal of Finance.
[27] Kyle, Albert, 1985, “Continuous Auctions and Insider Trading”, Econometrica 53, 1315-1365.
[28] Lei, Jiang, 2011, “Order Imbalance, Liquidity, and Market Efficiency: Evidence from the
Chinese Stock Market”, MANAGERIAL AND DECISION ECONOMICS, Manage. Decis. Econ. 32:
469–480(2011).
[29] Lauterbach, B., BEN-ZION, “Stock Market Crashes and the Performance of Circuit Breakers:
Empirical Evidence”, Journal of Finance, 1993, 48(5): 1909-1925.
[30] Lee, Ch., Ready, M., 1991, “Inferring Trade Direction from Intraday Data”, Journal of Finance
46, 733-746.
[31] Lee, Yi-Tsung, Liu, Yu-Jane, Richard, R., Subrahmanyam, A., “Order Imbalances and Market
Efficiency: Evidence from the Taiwan Stock Exchange”, Journal of Financial and Quantitative
Analysis 39(02):327-341 ·June 2004.
[32] Madhavan, Ananth, 1992, “Trading Mechanisms in Securities Markets”, Journal of Finance
47(2), 607-641.
[33] Næs, R., Skjeltorp, JA., Odegaard, BA., 2011, “Stock market liquidity and the business cycle”,
Journal of Finance, 66: 139–176.
[34] O’Hara, Maureen, George, Oldfield, 1986, “The Microeconomics of Market Making”, Journal
of Financial and Quantitative Analysis 21, 361-376
[35] Parlour, Christine, 1998, “Price dynamics in limit order markets”, Review of Financial Studies
11, 789-816.

37
 参考文献

[36] Parlour, Christine, and Duane, Seppi, 1998, “Limit Order Markets: A Survey”, Handbook of
Financial Intermediation & Banking, Amsterdam: Elsevier Science.
[37] Rama, Cont, Arseniy, Kukanov, and Sasha, Stoikov, “The price impact of order book events”,
Journal of Financial Econometrics, 12(1):47-88, 2014.
[38] Rahul, Ravi and Yuqing, Sha., “Autocorrelated Order-Imbalance and Price Momentum in the
Stock Market”, International Journal of Economics and Finance, 6(10):39 54, 2014.
[39] Stoll, H., 1978b, “The pricing of security dealer services: an empirical study of NASDAQ
stocks”, Journal of Finance 33, 1153–1，172.
[40] Scharfstein, D., and Stein, J., 1990, “Herd behavior and investment”, American Economic
Review 80, 465-479.
[41] Stoll, Hans, 1978, “The Supply of Dealer Services Markets”, Journal of Finance 33, 1133-
1151.
[42] Shen, Darryl, 2015, “Order Imbalance Based Strategy in High Frequency Trading”, Masters
thesis, oxford university.

38