VPIN：公式、成交量分桶與閃電崩盤爭議

VPIN 是 volume-synchronized probability of informed trading（成交量同步資訊交易機率）的縮寫。Easley、López de Prado 與 O’Hara 將它提出為與委託流毒性相關的高頻指標：當流入的交易更可能來自知情的一方時，流動性提供者可能遭受逆選擇。他們的方法結合成交量失衡與交易強度，並依成交量時鐘更新，而不是按照固定的牆鐘時間間隔更新（Easley、López de Prado 與 O’Hara，2012）。

必須謹慎看待這個名稱。算出的 VPIN 值若為 0.32，不代表下一筆成交來自知情交易者的校準機率是 32%。它是在選定資料、分類方式、分桶和視窗規則下，對估計失衡值計算出的標準化平均。它不會辨識哪位交易者掌握資訊，不會區分資訊交易與基於流動性需求的交易，也無法證明流動性提供者實際蒙受損失。經典的[知情交易機率（PIN）模型](/zh-TW/learn/probability-of-informed-trading-pin-model-explained)採用以成交到達次數為基礎的另一種架構。

VPIN 也不同於帶正負號的委託流失衡。計算平均值前，VPIN 會取每個分桶內失衡的絕對值，因此買方占優和賣方占優的分桶都會帶來正貢獻。這能摘要近期成交量區間內委託流偏向單邊的程度，但最終分數不保留失衡方向。[委託簿委託流失衡指南](/zh-TW/learn/order-flow-imbalance-limit-order-book-explained)介紹另一種根據揭露佇列變化計算的指標。

牆鐘圖表會按固定間隔取樣，例如每秒或每分鐘一次。成交量時鐘則在指定成交量累積完成後才前進。若一個分桶設定為 1,000 口合約，每成交 1,000 口就關閉；交易熱絡時可能只需 20 秒，清淡時可能需要 12 分鐘。

每個分桶的目標是包含相同的總成交量，但各分桶涵蓋的牆鐘時間會不同。VPIN 依最近 \(n\) 個成交量分桶的移動視窗計算，並在新分桶完成時更新。因此，交易熱絡時更新較頻繁，清淡時則較少。

成交量時間是一種取樣慣例，並不會從資料中移除市場活動。交易加快會改變 VPIN 視窗前進的速度，每小時觀察次數也會跟著變動。因此，結果取決於交易工具、交易時段、分桶成交量、跨越分桶邊界的成交如何處理，以及成交量時鐘如何初始化。可重現的分析應交代這些選擇。

VPIN 需要估計買方主動和賣方主動的成交量。如果有逐筆成交方向標籤，可以彙總這些標籤，但仍要考慮分類品質。當缺少可靠標籤時，原始 VPIN 研究提出 Bulk Volume Classification（BVC）：根據某個時間柱的價格變動，推估該柱成交量中買賣方可能占比。

BVC 常見的表示方式之一是

\[ \widehat V^{B}_t=V_t\Phi\!\left(\frac{\Delta P_t}{\widehat\sigma_{\Delta P}}\right), \qquad \widehat V^{S}_t=V_t-\widehat V^{B}_t, \]

其中 \(V_t\) 是該時間柱的總成交量，\(\Delta P_t\) 是價格變動，\(\widehat\sigma_{\Delta P}\) 是明確說明的價格變動尺度估計值，\(\Phi\) 是標準常態累積分布函數。標準化價格變動為正時，較多成交量會分配至買方；為負時則會分配較多至賣方。若標準化變動為零，公式會將成交量平均分配。

例如，假設某個時間柱有 1,000 口合約，標準化價格變動為 \(0.5\)，那麼 \(\Phi(0.5)\approx0.6915\)。BVC 會將約 691.5 口合約分配為買進成交量，308.5 口分配為賣出成交量。小數值是估計結果，不是觀察到的零碎合約或已知的交易意圖。結果取決於時間柱區間、價格衡量、波動度尺度估計和分布假設。

BVC 根據價格變動對群組成交量分類，但無法確認群組中每筆成交的方向。用於這項估計的時間柱，和後續等成交量分桶，是不同的處理步驟，研究中應一併記錄。Andersen 與 Bondarenko 在 2015 年的比較指出，在他們的 E-mini S&P 500 期貨基準中，若以報價和成交建立的成交分類作比較，BVC 的表現不如標準 tick 規則（Andersen 與 Bondarenko，2015）。[Lee–Ready 成交方向分類指南](/zh-TW/learn/trade-direction-classification-lee-ready-algorithm-explained)介紹另一種規則式分類方法。

令 \(V\) 表示每個分桶的目標成交量，\(\widehat V^B_i\) 與 \(\widehat V^S_i\) 分別表示第 \(i\) 個分桶估計的買進與賣出成交量。每個完整分桶都符合 \(\widehat V^B_i+\widehat V^S_i=V\)。常見的移動形式為

\[ \mathrm{VPIN}_t= \frac{1}{nV} \sum_{i=t-n+1}^{t} \left|\widehat V^B_i-\widehat V^S_i\right|. \]

分子將最近 \(n\) 個分桶中，各分桶買賣成交量差的絕對值加總。分母 \(nV\) 是這些分桶的總成交量。若分桶完整，且非負的買賣估計值合計為 \(V\)，分數會介於 0 到 1；有些畫面會乘以 100 並以百分比顯示。

接近 0 的數值代表這些分桶中估計的買進與賣出成交量相對平衡。數值較高則代表該移動成交量視窗中的估計委託流平均偏向單邊。絕對值會去掉正負方向，因此分數無法指出偏向買進或賣出。

不同實作可能採用不同的成交方向分類方法、分桶大小、移動視窗長度、取樣間隔和價格輸入。實際上，這些選擇都是統計量定義的一部分。使用不同設定算出的數值不能直接假設可互相比較。

假設有四個完整分桶，每個分桶都含 \(V=100\) 口合約。套用一種已說明的成交分類程序後，估計的買進和賣出成交量如下：

四個絕對失衡相加為 \(40+10+60+20=130\) 口合約。總成交量為 \(4\times100=400\) 口合約，因此

\[ \mathrm{VPIN}=\frac{130}{400}=0.325=32.5\%. \]

同一視窗內，估計買進總量為 205，賣出總量為 195。帶正負號的淨失衡只有 \(205-195=10\) 口合約，或總成交量的 \(10/400=2.5\%\)。兩者不同，是因為正負分桶失衡在帶正負號的淨值中會部分抵銷，而 VPIN 會將其絕對值加總。

此處所有分桶成交量和分類結果皆是假設值。算例只用來說明公式，並未估計任何真實資產、交易所、機率或市場事件。如果估計結果來自 BVC，還應交代價格時間柱和波動度尺度，才能重現分類步驟。

<!-- learn:illustration --> <!-- Text-free concept: equal-volume buckets contain different estimated buy/sell splits; a rolling summary keeps imbalance magnitude but discards direction. Conceptual, not market data, a crash probability, forecast, or trading signal. -->

Easley、López de Prado 與 O’Hara 在 2012 年的研究將 VPIN 當成委託流毒性指標，並回報它和短期波動度有關（Easley、López de Prado 與 O’Hara，2012）；他們較早的分析也描述 2010 年 5 月 6 日閃電崩盤前讀值偏高（Easley、López de Prado 與 O’Hara，2011）。這是將 VPIN 作為潛在市場壓力監測指標的動機，不是它能可靠預測崩盤的證明。

Andersen 與 Bondarenko 在 2014 年重建事件後得到不同結論。他們指出 VPIN 對短期波動度的預測能力不佳，到閃電崩盤發生後才達到最高值，且預測資訊大多和交易強度有關。他們檢驗的是特定成交分類程序和實作，不能證明所有市場的 VPIN 版本都有相同行為（Andersen 與 Bondarenko，2014）。

Easley、López de Prado 與 O’Hara 在 2014 年提出回應，反對該項重現分析與解讀；他們主張該分析沒有檢驗其提出的方法或結論，而且比較時市場微結構相當重要（Easley、López de Prado 與 O’Hara，2014）。這場論辯顯示雙方對實作和實證解讀有歧見，並非學界已一致確認 VPIN 是早期警訊。

後續評估中，Andersen 與 Bondarenko 使用報價和成交資料，為 E-mini S&P 500 期貨建立成交分類基準。他們指出該基準較支持 tick 規則而非 BVC，並認為在其測試情境中，波動度相關的分類錯誤可能解釋 VPIN 表面上的波動度預測能力（Andersen 與 Bondarenko，2015）。這是重要的衡量問題，因為 VPIN 依賴估計的買賣成交量；不過，該發現仍是特定資料和程序下的實證結果。

Ke 與 Lin 在 2017 年發表的論文使用最大概似估計，提出另一種 VPIN 設定方式。他們指出原始指標在成交量分桶較小、資訊交易稀少時可能不穩定，並回報替代方法可得到較一致的估計值（Ke 與 Lin，2017）。這項貢獻凸顯模型建構的重要性，但沒有定論 VPIN 任何變體能否在不同資產、場所或市場情勢下成為可靠的即時預警。

整體而言，相關文獻不支持「VPIN 預測了」或「沒有預測」每個重大事件的簡化說法。研究人員採用不同的分類選擇、資料、實作和檢定，得出不同結果。這項爭議本身就說明應交代統計量的建構方式，並與簡單的活動度和波動度基準比較，檢驗其增量預測力。

每個分桶的成交量 \(V\) 決定每次觀察會彙整多少交易。分桶較小會增加更新頻率，但也可能讓估計更容易受到單筆成交突增和分類雜訊影響。分桶較大能平滑局部變動，但更新頻率較低。合適尺度取決於市場通常的活動程度和研究問題；若觀察崩盤後才挑選數值，可能會讓預警表現看起來更好。

移動視窗 \(n\) 決定多少近期成交量會納入計算。較短的視窗反應較快，但可能有雜訊；較長的視窗比較平滑，反應也較慢。請同時回報 \(V\) 和 \(n\)，以及對應的牆鐘時間分布。平靜和活躍時段即使分桶數相同，經過的時間也不會相同。

BVC 另有其他選擇：時間柱長度、成交價或報價輸入、波動度估計視窗、零價格變動的處理方式，以及假設的分布。若使用逐筆成交方向，報價時間、和中間價比較、tick 規則或場所特定的訊息慣例，仍可能帶來分類錯誤。2015 年研究的批評特別指出，在其測試情境中，波動度變化可能與 BVC 系統性分類錯誤有關。

初始化方式也很重要。VPIN 移動視窗會從某個分桶邊界開始。移動起點可能改變哪些成交落入同一分桶，進而改變各桶失衡。檢定應量化這項敏感度，而不是只挑選能在事件前產生最大升幅的對齊方式。交易時間、最小跳動點、合約設計或交易場所組合發生結構變化，也會降低不同期間的可比較性。

嚴謹的 VPIN 研究應在檢視目標事件前說明資料與演算法。請列出市場和合約、交易時段、成交與報價篩選、價格輸入、成交方向程序或 BVC 設定、\(V\)、\(n\)、初始化規則，以及未完成或跨越邊界分桶的處理方式。呈現不同活動程度下，各 VPIN 視窗涵蓋的牆鐘時間。

若要提出預測主張，請採用按時間順序的樣本外設計，並與容易觀察的基準比較，例如成交量、交易強度、實現波動度和委託流失衡。檢查納入這些量後，VPIN 是否仍提供額外資訊。回報誤報、漏報、領先時間、不確定性和不同門檻下的結果，不要只展示事後圖表，指出指標在某次選定崩盤前上升。看過事件後選出的門檻，不能證明有提前預警能力。

若要主張 VPIN 衡量委託流毒性，應獨立測量逆向選擇或流動性結果，例如後續價格衝擊、價差、深度或造市者實際損失，並說明這些結果如何辨識。VPIN 和波動度的相關性本身不能驗證毒性解讀。分數較高可能來自分類成交量較偏單邊、影響 BVC 的波動度較高，或成交量時鐘加快。

若研究者想追蹤近期等成交量視窗中的估計絕對委託流失衡，VPIN 可作為描述性摘要。如果建構方式透明，而且與較簡單的指標比較後仍有增量貢獻，也可以作為更廣泛分析的特徵。它的解讀範圍有限：摘要近期成交量的一種特定分類方式。

分數高並不能單獨證明資訊交易者正在活躍、流動性危機即將發生、價格會往特定方向移動，或減少或增加部位可以獲利。分數低也不能保證市場安全或有足夠流動性。實務應用需要獨立驗證、合適的控制方式、明確的決策規則、考量延遲的資料，以及符合實際情境的執行成本分析。

較理想的呈現方式，是同時說明 VPIN 的衡量假設和相反證據。讀者看到成交量時鐘、BVC 或替代分類器、移動視窗和樣本外基準後，才能判斷這項統計量顯示什麼，以及推論到哪裡為止。

相較之下，[Roll 價差估計量](/zh-TW/learn/roll-bid-ask-spread-autocovariance-estimator-explained)透過報酬自共變異數估算價差代理指標，回答的是另一個問題。