知情交易機率（PIN）：公式、計算示例與局限

每筆已成交交易都有買方和賣方，但通常無法觀察雙方各自為何交易。買方可能因私人資訊而行動，也可能是在調整投資組合、滿足現金需求或執行基準策略。PIN 使用多個重復時期中買方發起和賣方發起的交易數量，估計模型會把多少訂單流歸因於根據私人資訊進行交易的參與者。

Easley、Kiefer、O’Hara 和 Paperman 提出這一結構模型，用於研究資訊驅動交易和流動性。在他們的模型中，每日買賣訂單數量取決於一個未觀察到的資訊狀態。沒有私人資訊事件時，不知情的買家和賣家產生訂單；好消息或壞消息到達時，知情交易者會順著消息方向增加訂單。跨越許多日期的買賣數量不對稱，有助於估計潛在狀態的機率和訂單到達率（Easley 等，1996）。

因此，PIN 是針對特定樣本和指定模型估計出的屬性。它不是貼在某一筆成交上的標籤，不是知情者人數的直接統計，也不是下一筆交易由知情者發起的機率。在定義和假設相同的情況下，較高的估計值表示配適模型將更多的預期訂單到達歸於其知情交易者成分。

經典 PIN 模型將每個交易期劃分為三個潛在狀態之一。以 1 − α 的機率，不發生資訊事件；以 αδ 的機率，事件帶來好消息；以 α(1 − δ) 的機率，事件帶來壞消息。參數 α 是資訊事件發生的機率，δ 是在資訊事件發生的條件下消息為好的機率。

每一期中，不知情買方和賣方的訂單到達率各為 ε。發生資訊事件時，知情交易者以期望到達率 μ 進入市場，並按消息所指方向交易：好消息日買入，壞消息日賣出。在最簡單的版本中，給定一個狀態，買入和賣出數量是條件獨立的泊松隨機變量。模型看不到狀態或交易者類型，只能從觀測到的成交數量模式推斷其參數。

這些是建模假設，並非已知適用於所有市場的事實。它們使混合模型可以估計和解釋。如果模型沒有考慮交易聚集、相互關聯的流動性需求、不同公告帶來的到達模式、交易方向誤分類或交易場所碎片化，這些因素就可能被誤認為資訊驅動的訂單流。

在對稱版本中，每期知情訂單的預期到達數為 αμ。不知情訂單的預期到達數則是買方的 ε 加賣方的 ε，即總共 2ε。PIN 是知情成分佔全部預期到達數的比例：

PIN = αμ / (αμ + 2ε)

δ 會影響知情交易者使用買方還是賣方一側，但在計算這一總佔比時會約掉。此外，α 與 μ 雖以乘積進入分子，經濟意義卻不同：α 較大表示每期出現資訊事件的機率較高，μ 較大表示事件發生後知情委託到達得更頻繁。在其他參數相同的前提下，兩者上升都會提高 αμ；但只報告 PIN，無法區分這兩種原因。不同樣本即使得到相同 PIN，也可能對應不同的資訊事件頻率和事件日交易強度。因此，報告 PIN 時還應一併列出 α、δ、μ、ε，並檢查這些參數的變化。解讀時還應區分 μ 與 αμ：μ 是資訊事件已發生時的條件到達率，αμ 才是合併有事件期與無事件期後，每期平均的知情委託到達數。兩者雖同以「每期」為單位，意義卻不同；都稱為知情交易率會混淆事件發生頻率與事件日的交易強度。比較日頻和小時頻結果前，也應統一期間定義，因為 α 表示每個期間內發生資訊事件的機率。部分擴展模型允許買入和賣出的到達率更靈活，或採用不同的交易生成過程。若使用這些擴展，應該說明公式和解釋的區別，不能不加說明地把它們替換進經典公式。

假設某個虛構時期的參數是：α = 0.20，發生資訊事件日的知情訂單預期到達數 μ = 12，每一期每一側的不知情訂單到達率 ε = 40。知情訂單預期到達數為 0.20 × 12 = 2.4；不知情訂單預期到達數為 40 + 40 = 80。模型隱含的佔比為 2.4 / (2.4 + 80) = 0.0291，即約 2.9%。

這個例子只演示計算過程。它不表示實際觀察到的交易中恰好有 2.9% 是知情交易，不表示每筆交易客觀上有 2.9% 的機率屬於知情交易，也不表示任何參與者掌握了內幕資訊。示例中的到達率和事件機率都是假設值；實際應用必須用資料估計，並報告樣本時期和模型設定。

PIN 也受到分母影響。保持 α 和 μ 不變，將每一側的不知情訂單到達率從 40 提高到 60，PIN 會變成 2.4 / (2.4 + 120)，約為 2.0%。知情訂單的預期到達數並未改變；只是增加的不知情訂單降低了知情訂單在總量中的佔比。因此，PIN 下降並不自動意味著資訊到達風險降低。尤其在不同時期基礎交易量變化時，應逐個檢查估計參數。

對每一期 t，令 Bₜ 為買方發起的交易到達數，Sₜ 為賣方發起的交易到達數。經典模型中，這些數量的似然由三個狀態混合而成。無事件狀態的權重為 1 − α，買賣兩側的泊松到達率均為 ε。好消息狀態的權重為 αδ，買方到達率為 ε + μ、賣方為 ε。壞消息狀態的權重為 α(1 − δ)，買方到達率為 ε、賣方為 ε + μ。在每個狀態內將相應的泊松機率相乘，再對三個狀態求和，就得到該期的似然。

估計時選擇 α、δ、μ 和 ε，使樣本各期的對數似然之和最大化，再用配適出的參數計算 PIN。研究者通常使用一個季度之類的窗口估計，因為單日的兩個數量對混合結構提供的資訊很少。最終 PIN 是窗口級估計。較長窗口可能讓數量更加穩定，但也會把不同市場狀態平均在一起。

PIN 不是簡單地計算買入數量減去賣出數量後的淨差，再對差值求平均。淨數量本身無法區分好消息日與流動性需求同時抬高買賣活動的時期。最大概似法會利用整個樣本，聯合評估每個日期的買入和賣出數量與三個潛在狀態的吻合程度。窗口過短會使混合狀態難以識別；窗口過長則可能迫使模型用固定到達率描述截然不同的交易環境。

優化也不是可以忽略的常規細節。似然可能存在多個局部最大值，參數可能落在邊界，大量交易計數還可能讓計算出現浮點下溢或上溢。Yan 和 Zhang 記錄了邊界解可能造成的顯著偏差，並提出改進估計的方法（Yan 和 Zhang，2012）。可信的估計應使用數值穩定的似然、多個合理起始值、符合模型的參數約束，並報告診斷結果以說明所選最優解能否復現。

經典模型需要買方發起和賣方發起的交易數量。如果資料源沒有主動方字段，這些數量可能通過報價規則、tick 檢驗或 Lee–Ready 程序等分類方法得到。誤分類會把觀察值從 Bₜ 移到 Sₜ，或反過來，從而改變似然。因此，估計記錄應說明分類方法、如何處理中間價和方向未知的交易、交易場所覆蓋範圍，以及時間戳對齊方式。[交易方向分類指南](/zh-TW/learn/trade-direction-classification-lee-ready-algorithm-explained)解釋了為什麼推斷的方向可能因報價和資料源而異。

研究者還需定義時期、金融工具、納入的交易條件，以及如何處理集合競價、交易更正、場外報告和無交易區間。合併多個場所可能形成不同於單一場所的資料生成過程。將日頻時期改為日內短區間，會改變到達率的解釋，也可能使穩定估計所需的觀察值不足。只有資料構造、估計方法、窗口和模型版本足夠一致時，PIN 序列才適合跨資產或時間比較。

不要悄悄刪除難以處理的觀察值，也不要只報告看起來合理的估計。保留原始計數，記錄排除規則，檢查參數估計和邊界命中情況，並在合理的分類與窗口選擇下比較結果。如果估計值顯著變化，這種敏感性本身就是結果的一部分，不應把它當作噪聲隱藏起來。

報價或有效買賣價差衡量交易所需讓出的價格或執行成本。PIN 則估計結構模型中歸因於知情成分的預期訂單到達佔比。價差較寬可能反映逆向選擇風險、庫存成本、費用或競爭情況，但價差本身不是 PIN 值。[Roll 價差估計量](/zh-TW/learn/roll-bid-ask-spread-autocovariance-estimator-explained)在自身假設下利用報酬自協方差推斷價差。

訂單流不平衡概括買賣活動的差異，有時還會結合限價單新增與撤銷數量。它可以直接在選定區間觀測到；PIN 則利用似然從重復成交數量中推斷潛在新聞過程。不平衡不等於知情交易的證據：流動性需求或分批執行也可能造成相似模式。[訂單流不平衡](/zh-TW/learn/order-flow-imbalance-limit-order-book-explained)介紹了另一種指標。

VPIN 也不只是更高頻的 PIN。它是基於成交量時鐘的統計量，使用成交量桶中的不平衡構造，並採用不同的交易分類與抽樣選擇。Andersen 和 Bondarenko 的評估質疑了在其檢驗環境下 VPIN 能否可靠測量毒性或預示市場動蕩的說法（Andersen 和 Bondarenko，2014）。應根據每種指標自身的構造與證據進行評估，不要因為名稱相似就把它們當成同一種量。

PIN 配適值看似精確，不代表訂單計數模型與資料吻合良好。Gan、Wei 和 Johnstone 檢驗 PIN 模型的經驗配適，並報告了他們分析的分布和依賴結構存在的模型限制（Gan 等，2017）。這說明需要檢查具體樣本的配適度，並不意味著所有應用都無效。

有用的診斷包括買賣數量的分布及其相關性、無交易時期的頻率、模型隱含的計數機率、優化器的收斂與邊界狀態，以及對不同起始值的敏感性。將模擬或配適得到的計數分布與觀測資料比較，並檢查相鄰窗口中的參數是否仍合理。標準誤或置信區間應體現所採用的估計方法；單一的點估計會掩蓋抽樣誤差和模型選擇帶來的不確定性。

相鄰窗口的估計值穩定，並不能證明模型設定正確。反過來，估計值變化也可能反映資訊到達、非知情需求、資料覆蓋發生變化，或模型設定不匹配。在給出市場解釋前，應同時說明證據和局限。

沒有測量記錄，PIN 數值就很難解釋。應注明金融工具或資產範圍、交易場所覆蓋、樣本日期、觀察時期與時區、納入的交易條件，以及將交易歸為買方或賣方發起的程序。說明使用的是經典三狀態模型還是擴展模型，並在 PIN 旁報告估計出的 α、δ、μ 和 ε。

還應描述估計窗口、似然函數實現、優化算法和起始值策略。報告收斂狀況、邊界解、不確定性估計及配適診斷。如果集合競價、交易更正、無交易區間或方向未知交易被排除或特殊處理，應說明具體做法。這些細節能幫助讀者區分穩健的模式與由某項資料或優化選擇驅動的結果。

觀察時期很重要，因為 α 表示每個時期內發生資訊事件的機率，而 μ 和 ε 表示每個時期內的到達率。從日頻計數改為小時計數，會改變單位和底層事件過程。即使 PIN 公式形式相同，不同時長時期估計出的參數也不能直接比較。比較資產或日期前，先對齊時期定義和交易構造；之後應把配適到達率的變化作為需要檢查的證據，而非自動認定為知情交易變化。

PIN 是作為市場微觀結構指標提出的，並非開倉或平倉規則。它不會告訴交易者價格將朝哪個方向變動、可能變動多少、表面上的信號是否已反映在報價中，也不會說明能否按顯示價格成交。原始資產定價研究考察了歷史 NYSE 橫截面中的 PIN 估計值及其與該樣本預期報酬的關係；這個結果既不是當前市場預測，也不是普遍適用的溢價（Easley、Hvidkjaer 和 O’Hara，2002）。

如果把 PIN 用作解釋變量，應報告交易方向分類方法、估計時期與窗口、配適參數、不確定性、模型配適檢查和敏感性分析。如果用於交易策略，應在未參與策略選擇的資料上檢驗完整規則，計入價差、費用、滑點、市場衝擊和策略容量，再與基準比較。[實施差額](/zh-TW/learn/implementation-shortfall-explained)提供了一種比較決策價格與實際執行成本的方法。統計上有趣的估計值仍可能沒有可用的預測價值，或在扣除成本後不再有價值。