入门基础体系新手友好
查看详情AI量化基础课程班
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
4.9 (2120评价)2120人学习12小时6节
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
¥4,999
量化技巧liquiditymarket impactspreadexplainable ML
流动性决定因素一旦放开非线性，很多线性点差故事都会变得太简单
解读 Nonparametric Determinants of Market Liquidity，讨论订单特征、成交活跃度和点差之间的非线性关系。
2026-05-038分钟
流动性研究里，大家很熟悉成交量、波动率、市场冲击、券商效率这些变量，但很多工作默认它们和 bid-ask spread 之间关系是大致线性的。这个假设足够方便，也足够容易估计，但在真实执行场景里常常过于粗糙。
本文使用非参数和可解释机器学习去重新看这些关系，得到的结论并不神秘，却很实用：有些变量确实方向稳定，但强度会饱和；有些变量看似重要，却只在某些区间突然起作用。也就是说，流动性问题往往更像曲线问题，而不是斜率问题。
强点在于它把订单层面特征带回了流动性解释框架
论文数据不是抽象市场指数，而是欧洲资管机构的 daily placement orders，因此市场冲击、执行价格偏离、券商效率这些更接近执行现场的变量被放到了模型核心位置。这使得结果比单纯用公共行情变量更贴近实际下单环境。
对执行研究来说，这一点尤其有价值。很多时候不是总成交量决定你能不能成交，而是订单相对 ADV 的比例、冲击成本和执行链路效率共同决定你要付出多大 spread。
边界同样明显：机构订单数据的视角不等于全市场视角
这套结果高度依赖样本来源。机构 placement order 的流动性经历，与零售、做市或高频盘口里的流动性概念并不完全一样。若把它外推到别的市场参与者，容易误以为所有流动性问题都围着同一组变量转。
另外，非参数模型即便更灵活，也会带来稳定性和迁移性问题。变量曲线在一个时间段里很清楚，不代表换了波动 regime 后还保持相同形状。
最值得带走的，是把流动性变量建成分段响应而不是单斜率响应
做流动性预测和执行成本建模时，这篇论文给出的最实际启发是：对关键变量别只估一个全局斜率。成交量、相对 ADV、冲击成本、券商效率等变量更适合做分段响应、饱和区间识别和区间预警。
当研究流程从‘变量重要吗’切换到‘变量在哪个区间突然变得重要’，执行模型才更有机会接近真实交易环境。
关键结论
- 流动性和成交活跃度、冲击成本、券商效率之间常常是非线性关系。
- 线性回归能抓住方向，但会丢掉很多关键的拐点和饱和区间。
- 做流动性预测时，重要的不只是变量名单，还包括变量作用曲线的形状。
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
继续阅读
量化技巧
SABR 波动率近似要想更稳，残差修正比整套黑箱替代更有交易价值
这篇论文的重要性，在于它没有把神经网络当成定价公式的替代品，而是坚持保留 Hagan 公式的解析骨架，只让模型去学剩下那块误差。
量化技巧
量子组合优化眼下更该看的，不是哪种 mixer 更炫，而是哪种计算妥协最诚实
这篇论文有意思的地方，不是把 QAOA 又带回组合优化，而是把不同 ternary mixer 的取舍摊开，逼你承认可算性本身就是模型设计的一部分。
量化技巧
约束式 LLM 因子代理开始有研究价值的前提，是假设、配方和回测门槛都被写成硬规则
这篇加密市场论文值得看的地方，不是“LLM 也能挖因子”这句口号，而是作者把代理的行动空间、实验日志和经验门槛都写死，尽量把会编故事的模型压回到可审计的研究流程里。