6、订单流分析：从微观结构看市场博弈
订单流分析，说白了就是盯着每一笔交易背后的买卖力量。我做了这么多年量化，越来越觉得K线图只是表象，真正的博弈全藏在订单流里。今天咱们就聊聊几个核心概念：OFI、价格冲击、订单流熵，还有那个经典的PIN模型。
6.1 订单流不平衡（OFI）
OFI这个概念，我第一次接触是在做A股高频策略的时候。当时我盯着Level-2数据，发现单纯看成交量根本不够——你得知道谁在主动买、谁在主动卖。
OFI的核心公式：
OFI = (主动买量 - 主动卖量) / 总成交量嗯，就这么简单。但实际用起来，坑不少。
关键点：OFI的取值范围是[-1, 1]。正值表示买方主导，负值表示卖方主导。绝对值越大，力量越悬殊。
我在项目中遇到过一个问题：某只股票OFI突然飙到0.8，但价格纹丝不动。后来发现是大户在对倒——左手倒右手，制造假象。所以OFI不能单独用，得结合价格变化一起看。
6.2 订单流与价格冲击
价格冲击，就是订单流对价格的影响程度。你想想看，为什么有些股票你买100手就拉涨1%，有些股票买1000手都没反应？这就是市场深度的差异。
价格冲击模型：
ΔP = λ × OFI + ε其中λ就是价格冲击系数。λ越大，说明同样的订单流不平衡，对价格的影响越剧烈。
| 市场类型 | 典型λ值 | 特征 |
|---|---|---|
| 大盘蓝筹 | 0.01-0.03 | 深度大，冲击小 |
| 中小盘 | 0.05-0.15 | 深度中等，冲击适中 |
| 小盘妖股 | 0.2-0.5 | 深度浅，冲击剧烈 |
实战技巧：我习惯用滚动窗口计算动态λ。市场环境变了，λ也会变。比如财报发布前后，λ通常会放大1.5-2倍。
6.3 订单流熵
熵这个概念，是从信息论借过来的。订单流熵衡量的是订单流的不确定性。熵越高，说明订单流越混乱，越难预测。
计算方式：
H = -Σ p(i) × log(p(i))其中p(i)是第i种订单类型的概率。常见的订单类型有：主动买、主动卖、撤单、挂单等。
我曾经用订单流熵做过一个择时策略。发现一个规律：当熵值突然降低时，往往意味着大资金在行动——订单流变得有序了。这时候跟着做，胜率能到65%以上。
注意：熵值计算对数据频率很敏感。用1秒数据和用1分钟数据，结果可能完全不同。我个人建议用Tick级数据算，然后聚合到分钟级别使用。
6.4 基于订单流的信息交易概率（PIN）
PIN模型，全称是Probability of Informed Trading。这是Easley等人在1996年提出的经典模型。说白了，就是估算当前交易中，知情交易者（内幕消息、机构大资金）的比例有多高。
PIN的核心逻辑：
- 市场上有三类交易者：知情交易者、不知情买方、不知情卖方
- 知情交易者只在有信息优势时交易
- 通过买卖订单的不平衡程度，反推知情交易的概率
PIN的计算公式：
PIN = α × μ / (α × μ + 2ε)其中：
- α：信息事件发生的概率
- μ：知情交易者的订单到达率
- ε：不知情交易者的订单到达率
这个模型看着简单，但参数估计很麻烦。我当年用最大似然估计跑一次，要迭代几百次。后来改用贝叶斯方法，收敛快多了。
实战应用：PIN值超过0.3时，我一般会警惕。说明市场上可能有未公开的重大信息在发酵。这时候要么跟着做，要么离场观望——千万别逆着来。
知识体系总览
下面这张图，是我梳理的订单流分析核心框架。你看一眼就能明白各个概念之间的关系。
这四个概念，其实是一个递进关系。OFI是基础指标，价格冲击告诉你市场对订单的反应程度，熵帮你判断市场状态，PIN则直接量化了信息交易的风险。我个人建议，刚开始做订单流分析的朋友，先从OFI入手，慢慢再叠加其他指标。
我的经验：别想着把所有指标都用上。选1-2个核心指标，吃透它，比什么都强。我见过太多人，指标堆了一堆，最后哪个都没用好。